班麗麗+紀(jì)二娟

摘 要： 為了提高遠(yuǎn)程教學(xué)質(zhì)量的評(píng)估精度，針對(duì)當(dāng)前遠(yuǎn)程教學(xué)評(píng)估模型的不足，提出支持向量機(jī)的遠(yuǎn)程教學(xué)質(zhì)量評(píng)估模型。首先建立遠(yuǎn)程教學(xué)質(zhì)量評(píng)估指標(biāo)體系，采用核主成分分析選擇重要指標(biāo)，然后根據(jù)重要指標(biāo)收集數(shù)據(jù)，采用支持向量機(jī)進(jìn)行遠(yuǎn)程教學(xué)質(zhì)量評(píng)估，最后采用某高校遠(yuǎn)程教學(xué)質(zhì)量數(shù)據(jù)進(jìn)行性能驗(yàn)證。結(jié)果表明，支持向量機(jī)顯著改善了遠(yuǎn)程教學(xué)質(zhì)量的評(píng)估效果，可以為高校教學(xué)管理者提供有價(jià)值的信息。

關(guān)鍵詞： 遠(yuǎn)程教學(xué)； 質(zhì)量評(píng)估； 支持向量機(jī)； 驗(yàn)證性實(shí)驗(yàn)

中圖分類號(hào)： TN98?34； TP183 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）13?0126?04

Abstract：In order to improve the evaluation accuracy of the distance teaching quality， and eliminate the insufficient of the current distance teaching evaluation model， the distance teaching quality evaluation model based on support vector machine is proposed. The evaluation index system of the distance education quality is established. The kernel principal component analysis is used to select the key indicators， according to which the data is collected. The support vector machine is adopted to evaluate the distance teaching learning quality. The distance teaching quality data for a certain university is employed to test its performance. The results show that the support vector machine can improve the evaluation effect of the distance teaching quality significantly， and provide the valuable information for the university teaching administrators.

Keywords： distance teaching； quality assessment； support vector machine； verification experiment

0 引 言

教學(xué)質(zhì)量對(duì)于高等教學(xué)來說至關(guān)重要，而遠(yuǎn)程教學(xué)是高等教學(xué)的一個(gè)重要組成部分。遠(yuǎn)程教學(xué)質(zhì)量評(píng)估可以幫助教師改進(jìn)教學(xué)方法，完善教學(xué)內(nèi)容，因此遠(yuǎn)程教學(xué)質(zhì)量評(píng)估具有積極意義[1?2]。在實(shí)際應(yīng)用中，遠(yuǎn)程教學(xué)質(zhì)量與多種指標(biāo)相關(guān)，是一個(gè)十分復(fù)雜的系統(tǒng)，既有一些定量指標(biāo)，同時(shí)有一些定性指標(biāo)，而且指標(biāo)之間也相互影響，使得遠(yuǎn)程教學(xué)質(zhì)量評(píng)估難度增加，如何構(gòu)建科學(xué)、客觀的遠(yuǎn)程教學(xué)評(píng)估模型引起了高校管理者的高度重視[3]。

多年以來，許多研究人員對(duì)遠(yuǎn)程教學(xué)質(zhì)量評(píng)估問題進(jìn)行深入研究，構(gòu)建了一些遠(yuǎn)程教學(xué)質(zhì)量評(píng)估模型[4]。文獻(xiàn)[5]提出采用模糊理論對(duì)遠(yuǎn)程教學(xué)質(zhì)量評(píng)估指標(biāo)進(jìn)行處理，然后根據(jù)模糊綜合評(píng)判得到遠(yuǎn)程教學(xué)質(zhì)量評(píng)估結(jié)果。文獻(xiàn)[6]提出采用層次分析法選擇遠(yuǎn)程教學(xué)質(zhì)量評(píng)估的指標(biāo)，然后對(duì)指標(biāo)進(jìn)行定量分析，建立遠(yuǎn)程教學(xué)質(zhì)量評(píng)估模型。文獻(xiàn)[7]提出基于馬爾可夫鏈的遠(yuǎn)程教學(xué)質(zhì)量評(píng)估模型，并結(jié)合學(xué)生考試成績(jī)對(duì)遠(yuǎn)程教學(xué)質(zhì)量進(jìn)行綜合評(píng)估，這些方法均屬于線性建模方法，不能描述遠(yuǎn)程教學(xué)質(zhì)量的非線性變化特點(diǎn)，而且遠(yuǎn)程教學(xué)質(zhì)量變化十分復(fù)雜，不僅有線性變化特點(diǎn)，而且具有隨機(jī)性，即非線性變化特點(diǎn)，因此它們存在一定的局限性[8]。隨著非線性理論的不斷成熟，出現(xiàn)了基于神經(jīng)網(wǎng)絡(luò)的遠(yuǎn)程教學(xué)質(zhì)量評(píng)估模型，通過對(duì)遠(yuǎn)程教學(xué)質(zhì)量評(píng)估問題進(jìn)行非線性擬合，找到遠(yuǎn)程教學(xué)質(zhì)量的變化規(guī)律，取得了不錯(cuò)的遠(yuǎn)程教學(xué)質(zhì)量評(píng)估效果。但遠(yuǎn)程教學(xué)有其特殊性，其歷史數(shù)據(jù)有限，導(dǎo)致神經(jīng)網(wǎng)絡(luò)經(jīng)常出現(xiàn)“過擬合”現(xiàn)象，使得遠(yuǎn)程教學(xué)質(zhì)量評(píng)估結(jié)果有時(shí)與實(shí)際情況相差很大，可信度低[9?10]。相對(duì)于神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)可以在有限歷史數(shù)據(jù)條件下建立遠(yuǎn)程教學(xué)質(zhì)量評(píng)估模型，克服“過擬合”缺陷，然而支持向量機(jī)在建立遠(yuǎn)程教學(xué)質(zhì)量評(píng)估模型的過程中，評(píng)價(jià)指標(biāo)選擇十分重要，評(píng)估指標(biāo)過多，學(xué)習(xí)時(shí)間越長(zhǎng)，學(xué)習(xí)效率越低，同時(shí)支持向量機(jī)的參數(shù)也是影響支持向量機(jī)性能的一個(gè)重要方面，如果參數(shù)選擇不恰當(dāng)，那么建立的遠(yuǎn)程教學(xué)質(zhì)量評(píng)估模型沒有什么實(shí)際應(yīng)用價(jià)值[11]。

為了提高遠(yuǎn)程教學(xué)質(zhì)量的評(píng)估精度，提出支持向量機(jī)的遠(yuǎn)程教學(xué)質(zhì)量評(píng)估模型。首先建立遠(yuǎn)程教學(xué)質(zhì)量評(píng)估指標(biāo)體系，采用核主成分分析選擇重要指標(biāo)，然后采用支持向量機(jī)建立遠(yuǎn)程教學(xué)質(zhì)量評(píng)估模型，最后采用某高校遠(yuǎn)程教學(xué)質(zhì)量數(shù)據(jù)進(jìn)行性能驗(yàn)證，實(shí)驗(yàn)結(jié)果驗(yàn)證了本文模型用于遠(yuǎn)程教學(xué)質(zhì)量評(píng)估的有效性和優(yōu)越性。

1 相關(guān)理論

1.1 核主成分分析法

在主成分分析的基礎(chǔ)上，有學(xué)者提出了核主成分分析法，通過引入一個(gè)非線性映射函數(shù)，較好地解決了主成分分析只能提取線性主成分的缺陷，可以提取非線性主成分。設(shè)原始數(shù)據(jù)為表示映射函數(shù)，且有那么協(xié)方差矩陣的計(jì)算公式為：

1.2 支持向量機(jī)

支持向量機(jī)是一種模式識(shí)別方法，設(shè)樣本為，最大分類間隔的最優(yōu)化問題如下：

1.3 粒子群算法

設(shè)為速度向量，為位置向量，那么粒子位置和速度的更新過程為：

2 支持向量機(jī)的遠(yuǎn)程教學(xué)質(zhì)量評(píng)估模型

采用支持向量機(jī)構(gòu)建遠(yuǎn)程教學(xué)質(zhì)量評(píng)估模型時(shí)，首先要選擇最重要的遠(yuǎn)程教學(xué)質(zhì)量評(píng)估指標(biāo)，本文采用核主成分解決該問題；然后采用粒子群算法解決支持向量機(jī)參數(shù)優(yōu)化問題；最后采用最優(yōu)參數(shù)支持向量機(jī)和重要遠(yuǎn)程教學(xué)質(zhì)量評(píng)估指標(biāo)建立遠(yuǎn)程教學(xué)質(zhì)量評(píng)估模型，具體流程如圖1所示。

3 遠(yuǎn)程教學(xué)質(zhì)量評(píng)估的應(yīng)用實(shí)例

3.1 評(píng)估指標(biāo)

選擇某高校的遠(yuǎn)程教學(xué)質(zhì)量評(píng)估作為應(yīng)用對(duì)象，評(píng)估指標(biāo)體系如表1所示，共13個(gè)指標(biāo)，采用遠(yuǎn)程教學(xué)質(zhì)量評(píng)分作為輸出（y）。

3.2 采集數(shù)據(jù)

根據(jù)學(xué)生、同行對(duì)100個(gè)老師教學(xué)質(zhì)量進(jìn)行打分，由于指標(biāo)的值范圍不同，采用式（15）進(jìn)行歸一化處理，處理后的數(shù)據(jù)如表2所示。

3.3 核主成分提取主成分

采用核主成分對(duì)表1中的數(shù)據(jù)進(jìn)行分析，得到的結(jié)果如圖2所示，從圖2可以發(fā)現(xiàn)，各評(píng)估指標(biāo)相關(guān)性十分明顯，采用核主成分分析可以去除評(píng)估指標(biāo)之間的相關(guān)性，消除了指標(biāo)間的冗余，減少了指標(biāo)數(shù)量，根據(jù)累計(jì)貢獻(xiàn)率可知，選前7個(gè)主成分可以描述原始指標(biāo)的信息。

3.4 結(jié)果與分析

根據(jù)圖2中的7個(gè)主成分對(duì)表2的遠(yuǎn)程教學(xué)質(zhì)量評(píng)估數(shù)據(jù)進(jìn)行分析和處理，減少原始評(píng)估數(shù)據(jù)的規(guī)模，采用支持向量機(jī)對(duì)處理后的遠(yuǎn)程教學(xué)質(zhì)量評(píng)估數(shù)據(jù)進(jìn)行訓(xùn)練，并采用粒子群算法確定模型的參數(shù)和寬度參數(shù)的值，得到并對(duì)最后50個(gè)遠(yuǎn)程教學(xué)質(zhì)量訓(xùn)練樣本進(jìn)行估計(jì)，得到的結(jié)果如圖3所示，實(shí)際值與估計(jì)值的偏差如圖4所示。從圖3和圖4可以看出，支持向量機(jī)可以獲得較精確的遠(yuǎn)程教學(xué)質(zhì)量評(píng)估結(jié)果，而且遠(yuǎn)程教學(xué)質(zhì)量評(píng)估偏差變化十分小，實(shí)驗(yàn)結(jié)果驗(yàn)證了該遠(yuǎn)程教學(xué)質(zhì)量評(píng)估模型的有效性。

為了驗(yàn)證支持向量機(jī)的遠(yuǎn)程教學(xué)質(zhì)量評(píng)估模型的優(yōu)越性，選擇文獻(xiàn)[3，5，10]的教學(xué)質(zhì)量評(píng)估模型作為對(duì)比實(shí)驗(yàn)，它們的平均評(píng)估精度及訓(xùn)練時(shí)間如表3所示。從表3可知，相對(duì)于當(dāng)前經(jīng)典遠(yuǎn)程教學(xué)質(zhì)量評(píng)估，支持向量機(jī)的遠(yuǎn)程教學(xué)質(zhì)量評(píng)估精度更高，評(píng)估速度更快，遠(yuǎn)程教學(xué)質(zhì)量評(píng)估更加可靠，主要是由于該模型集成了核主成分分析、支持向量機(jī)以及粒子群算法的優(yōu)點(diǎn)，建立了更優(yōu)的遠(yuǎn)程教學(xué)質(zhì)量評(píng)估模型。

4 結(jié) 語

本文提出基于支持向量機(jī)的遠(yuǎn)程教學(xué)質(zhì)量評(píng)估模型，針對(duì)遠(yuǎn)程教學(xué)質(zhì)量評(píng)估指標(biāo)多的缺陷，選擇核主成分分析方法對(duì)遠(yuǎn)程教學(xué)質(zhì)量評(píng)估指標(biāo)進(jìn)行預(yù)處理，去除一些不重要以及重復(fù)的指標(biāo)，減少支持向量機(jī)的訓(xùn)練時(shí)間。然后采用支持向量機(jī)構(gòu)建遠(yuǎn)程教學(xué)質(zhì)量評(píng)估模型，最后將該模型應(yīng)用于高校遠(yuǎn)程教學(xué)質(zhì)量評(píng)估過程，結(jié)果表明，該模型減少了遠(yuǎn)程教學(xué)質(zhì)量評(píng)估誤差，極大改善了遠(yuǎn)程教學(xué)質(zhì)量評(píng)估效果，而且評(píng)估速度更快，比其他模型更適合于遠(yuǎn)程教學(xué)質(zhì)量評(píng)估。

參考文獻(xiàn)

[1] 劉強(qiáng)，戴起勛.高等教學(xué)大眾化條件下教學(xué)質(zhì)量評(píng)價(jià)體系研究現(xiàn)狀[J].江蘇大學(xué)學(xué)報(bào)，2003，25（2）：31?34.

[2] 李小梅，屈瓊斐，李延保.高校本科教學(xué)分層次評(píng)估的可行性研究[J].高教發(fā)展與評(píng)估，2006，22（5）：61?67.

[3] 吳虹.基于模糊綜合評(píng)判法的高校教師教學(xué)質(zhì)量評(píng)價(jià)體系的構(gòu)建[J].統(tǒng)計(jì)與決策，2010，19（3）：166?168.

[4] 付海艷，符謀松，張誠(chéng)一.粗糙集理論在高校教學(xué)質(zhì)量評(píng)價(jià)分析中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2007，43（36）：214?216.

[5] 丁家玲，葉金華.層次分析法和模糊綜合評(píng)判在教師遠(yuǎn)程教學(xué)質(zhì)量評(píng)價(jià)中的應(yīng)用[J].武漢大學(xué)學(xué)報(bào)，2003，56（2）：241?245.

[6] 陳坤寶.基于模糊理論的教師教學(xué)質(zhì)量評(píng)價(jià)的研究[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2011，41（6）：72?78.

[7] 趙立新，王石安，賴元峰.教學(xué)質(zhì)量評(píng)估的定量比較評(píng)價(jià)模型[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2005，35（1）：12?17.

[8] 張金梅，員世芬，謝克明.人工神經(jīng)網(wǎng)絡(luò)在教學(xué)質(zhì)量評(píng)價(jià)體系中的應(yīng)用[J].太原理工大學(xué)學(xué)報(bào)，2005，36（1）：37?39.

[9] 楊新佳，龍熙華，韓波.基于BP神經(jīng)網(wǎng)絡(luò)的教學(xué)質(zhì)量評(píng)價(jià)模型研究[J].教育教學(xué)論壇，2011（14）：222?223.

[10] 孫曉玲，王寧，梁艷.應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的教學(xué)評(píng)價(jià)模型及仿真[J].計(jì)算機(jī)仿真，2010，27（11）：314?318.

[11] 劉偉，孫林.基于支持向量機(jī)的課堂教學(xué)質(zhì)量評(píng)價(jià)[J].合肥工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，33（7）：968?971.

[12] 徐高歡.SVM在教師教學(xué)質(zhì)量評(píng)價(jià)中的應(yīng)用[J].浙江水利水電?？茖W(xué)校學(xué)報(bào)，2007，19（1）：66?68.

[13] 林正春，王知衍.基于核主成分分析和子空間分類的邊緣檢測(cè)方法[J].華南理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2009，37（1）：59?63.