1.一种基于少量学生反馈的教学评估方法，其特征在于，包括：步骤S1、构造训练样本集：

从每个阶段的教学课程中抽取出一个样本 其中d为样本的维度，每个阶段的教学课程的综合评价结果作为标签，教学评价包含“好”与“不好”，将所有评价为“好”的样本集合定义为 评价为“不好”或者缺少评价的样本集合定义为 其中x的下标表示不同样本的序号， 表示实数域，为评价为“好”的样本数量、n为所有样本数量，u＝n‑l为评价为“不好”或者缺少评价的样本数量，d为样本维度，d，l，n，u均为正整数；

步骤S2、构造图拉普拉斯矩阵：

构造图拉普拉斯矩阵L＝D‑A，A为相似性矩阵，其第i行第j列元素Aij为：其中，xi与xj为样本，i，j∈{1，...，n}，σ>0为高斯核宽，D为A的度矩阵，D为对角阵，D的第i个对角元素Dii＝∑jAij；

步骤S3、模型超参数设定：

根据实际情况设定模型的超参数：φ，λ1，λ2>0，判定比γ∈(0，1)，特征优化中间层节点数N1与分类判定中间层节点数N2，其中N1和N2均为正整数；

步骤S4、神经网络模型训练：

步骤S401、构造特征优化网络模块，具体如下：首先，随机产生N1个特征优化输入权重 与N1个特征优化输入偏置 得到与 然后 ，对 每个样本xi计算特征 优化中间向量其中τ(a，b，x)为激活函数，x表示样本，a为输入权重，b为输入偏置；接着，生成特征优化中间矩阵 最后，计算特征优化输出权重δ1，当n＜N1时， 否则，其中X＝[x1；...；xn]，In为n维单位阵， 为N1维单位阵，上标T表示转置；

步骤S402、构造分类判定网络模块，具体如下：首先，随机产生N2个分类判定输入权重 与N2个分类判定输入偏置 得到与 然后，对每个经过特征优化的样本xiδ1计算分类判定中间向量接着，生成分类判定中间矩阵

最后，计算分类判定输出权重δ2：当n＜N2时，否则， 其

中， diag(·)表示对角阵，为 维单位阵，Ou为u维零矩阵， 为n维列向量，其前 个元素为1，后u个元素为0；

步骤S403、计算判定阈值，具体如下：计算样本距离μ(xi)＝|m2(xiδ1)δ2‑1|，将μ(x1)，...，μ(xn)进行从大到小排列得到μ1≥μ2≥...≥μn，令判定阈值步骤S5、进行教学评估：

当一个新的教学课程结束后，抽取出一个新的样本x，求取μ(x)，如果μ(x)≤Γ，则评价为“好”，否则评价为“不好”或不作评价。

2.如权利要求1所述的一种基于少量学生反馈的教学评估方法，其特征在于，所涉及的激活函数τ(a，b，x)为： 且所涉及的输入权重a和输入偏置b从零均值的高斯分布中抽样生成。