《Systems and Soft Computing》：Research on a Multidimensional Evaluation Algorithm for Primary and Secondary School Teachers' Teaching Quality Based on MoE and Graph Neural Networks
编辑推荐：
为解决多维教学评价中的特征混淆问题，本文提出了一种基于混合专家模型（MoE）和图神经网络（GNN）的评价算法。该模型通过构建教学异构图来捕获拓扑特征，并借助稀疏门控网络实现任务解耦。实验结果表明，该算法在课堂控制维度的均方根误差（RMSE）约为1.3，低于多任
为解决多维教学评价中的特征混淆问题，本文提出了一种基于混合专家模型（MoE）和图神经网络（GNN）的评价算法。该模型通过构建教学异构图来捕获拓扑特征，并借助稀疏门控网络实现任务解耦。实验结果表明，该算法在课堂控制维度的均方根误差（RMSE）约为1.3，低于多任务学习网络。当专家数量为16，稀疏参数k为4时，模型的整体平均准确率（Overall Average Accuracy）达到约0.94，验证损失（Validation Loss）降至约0.18，平均冲突指数（Average Conflict Index）保持在0.23。经过80轮迭代，其决定系数（R2）为0.95，且每个维度的解耦准确率均超过89%，有效提高了多维评价的准确性。
**论文解读：基于MoE和图神经网络的中小学教师教学质量多维评价算法研究**
**1. 研究背景与问题**
随着教育数字化的推进，对中小学教师教学质量的科学评价已成为优化教育资源配置的核心环节。然而，传统的评价方法多依赖单一问卷或简单统计，无法捕捉教师、学生、课堂之间复杂的异质关联网络。此外，在应对教学态度、课堂互动等多维评价任务时，容易出现特征混淆和维度间相互干扰的问题。为了克服多源异构数据融合与多维指标解耦的瓶颈，需要一种既能兼顾全局拓扑又能处理局部任务异质性的深度学习架构。现有研究存在学术空白：要么侧重于空间关联而牺牲了多任务解耦的准确性，要么专注于任务解耦而忽略了教育场景中固有的图拓扑结构。这种技术脱节削弱了现有模型评价结果的鲁棒性和可解释性，限制了其在真实、多维、相互交织的中小学教学环境中支持稳健教育决策的能力。为此，研究人员提出了基于MoE和图神经网络的教学质量评估网络（MoEG-TQA）。
**2. 主要关键技术方法**
该研究主要采用了以下关键技术方法：首先，构建了包含教师、学生、课程和教学行为节点的异构教学图（Heterogeneous Teaching Graph），并基于高斯核函数和关系投影的邻接矩阵初始化方法，以及基于项目反应理论（IRT）的心理测量偏差校正机制来确保初始拓扑的真实性。其次，利用图神经网络（GNN）中的图卷积层和基于自注意力的异质权重计算方法，进行多维特征传播与聚合，并通过多头注意力机制和残差连接防止过平滑。最后，引入稀疏混合专家模型（Sparse MoE）架构，利用带噪声的Top-K路由算法（Noisy Top-K Routing）实现任务解耦，并采用多任务联合优化损失函数进行训练。实验数据集来源于某市教育信息管理系统，包含1250个教师节点、45800个学生节点、8400个课堂行为节点及682400条交互边。
**3. 研究结果**
**3.1. 模型性能对比分析**
通过与标准多任务学习网络（MTL）、图卷积网络（GCN）、密集门控MoE模型、异构图注意力网络（HGT）及图多任务学习（Graph-MTL）等基准模型对比，在课堂控制维度，MoEG-TQA模型的均方根误差（RMSE）约为1.3，显著低于其他模型。该算法在标准化折损累计增益（NDCG）上达到0.92，在斯皮尔曼等级相关系数上达到0.89，验证了其在正确排序教师相对教学能力方面的优越性。
**3.2. 超参数影响分析**
当专家数量为16时，模型整体平均准确率达0.94，均方根误差（RMSE）降至0.07。当稀疏参数k为4时，模型验证损失降至0.18，平均冲突指数保持在0.23。这表明该参数设置能实现低损失与弱冲突的平衡。
**3.3. 消融实验**
完整的MoEG-TQA模型在80轮训练后决定系数（R2）为0.95。移除稀疏门控机制后R2降至0.88，移除混合专家架构后降至0.83，移除异构图神经网络模块后降至0.80。微观消融实验进一步证实，高斯核初始化、自注意力权重计算和残差连接等子组件均对最优性能至关重要。
**3.4. 特征空间解耦能力**
在高维流形特征聚类中，标准多任务学习存在边界混淆，而MoEG-TQA模型展现出清晰的类间分离。在教学态度、课堂控制和学生反馈维度，其解耦准确率分别达到约90%、89%和91%，均高于基准模型。
**3.5. 模型训练与收敛性**
模型训练过程中，归一化联合总损失从初始的1.00迅速下降，最终稳定在约0.37。专家网络中，从0到60轮联合优化训练中，模型总联合损失从约0.14降至约0.01，同时专家利用率变异系数从约95%降至约25%，验证了路由分流机制对多任务梯度冲突的缓解作用。
**4. 讨论与结论**
**讨论部分**：研究指出，该模型对核心超参数（如专家数量、稀疏参数k）的变化较为敏感，参数过载或稀疏性不平衡会导致性能下降。此外，实验数据集仅来源于单一市教育信息管理系统，极大限制了框架的外部效度，不同地区、学区和社会经济阶层的资源分配差异可能从根本上改变教学图的初始关联和核心拓扑。
**结论部分**：本研究设计并实现了一种基于混合专家模型（MoE）和图神经网络（GNN）的中小学教师教学质量多维评价算法。通过构建包含教师、学生、课程和教学行为的异构图来捕获高阶拓扑特征，MoEG-TQA模型引入稀疏门控机制和专属专家网络，解决了多任务学习中多维指标相互制约的问题，为中小学教学质量评价提供了深入的数字化评价方案。
