李育陽(yáng)

摘? 要： 高校教學(xué)質(zhì)量是一項(xiàng)重要的高校水平評(píng)價(jià)指標(biāo)，但是高校教學(xué)質(zhì)量與多種影響因素相關(guān)，變化規(guī)律十分復(fù)雜，使得當(dāng)前模型無(wú)法準(zhǔn)確對(duì)高校教學(xué)質(zhì)量進(jìn)行評(píng)估。為了解決當(dāng)前高校教學(xué)質(zhì)量評(píng)估過(guò)程中存在的不足，以提高高校教學(xué)質(zhì)量評(píng)估正確率，設(shè)計(jì)了基于數(shù)據(jù)挖掘算法的高校教學(xué)質(zhì)量評(píng)估模型。該模型首先對(duì)當(dāng)前高校教學(xué)質(zhì)量評(píng)估的相關(guān)文獻(xiàn)進(jìn)行研究和分析，建立高校教學(xué)質(zhì)量評(píng)估的影響因素;然后，采集高校教學(xué)質(zhì)量影響因素?cái)?shù)據(jù)，并通過(guò)專家確定高校教學(xué)質(zhì)量等級(jí)，建立高校教學(xué)質(zhì)量評(píng)估的學(xué)習(xí)樣本;最后，引入數(shù)據(jù)挖掘技術(shù)的BP神經(jīng)網(wǎng)絡(luò)對(duì)學(xué)習(xí)樣本進(jìn)行訓(xùn)練，形成高校教學(xué)質(zhì)量評(píng)估模型，并通過(guò)具體實(shí)例分析高校教學(xué)質(zhì)量模型的優(yōu)越性。結(jié)果表明，數(shù)據(jù)挖掘算法可以描述高校教學(xué)質(zhì)量等級(jí)之間的差別，獲得高精度的高校教學(xué)質(zhì)量評(píng)估結(jié)果，而且高校教學(xué)質(zhì)量評(píng)估誤差要遠(yuǎn)小于當(dāng)前典型的高校教學(xué)質(zhì)量評(píng)估方法，優(yōu)越性十分顯著。

關(guān)鍵詞： 高校教學(xué)管理; 質(zhì)量評(píng)估; 影響因素; 數(shù)據(jù)挖掘算法; 學(xué)習(xí)樣本; 模型通用性

中圖分類號(hào)： TN02?34; TP391? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2020）17?0119?04

Abstract： The university teaching quality is an important index of university level evaluation. It is related to many influencing factors， so its change rules are very complex， which makes the existing model unable to accurately evaluate the university teaching quality. In view of this， a teaching quality evaluation model based on data mining algorithm is designed to cope with the shortcoming existing in the process of university teaching quality evaluation and improve the evaluation accuracy. The relevant literature of current university teaching quality evaluation is analyzed， the influencing factors of university teaching quality evaluation is established， and the data of influencing factors of university teaching quality is collected. In addition， the teaching quality grade of universities are determined by experts to establish the learning samples of teaching quality evaluation. Finally， the BP neural network based on data mining technology is introduced to train the learning samples and generate the university teaching quality evaluation model. The advantages of the university teaching quality evaluation model are analyzed by specific examples. The results show that the data mining algorithm can be used to describe the differences among the teaching quality grades of universities and get accurate evaluation results. Moreover， the evaluation error of university teaching quality of the designed methods is far less than that of the current typical methods， so the designed model is of significant advantages.

Keywords： college teaching management; quality evaluation; influencing factor; data mining algorithm; learning sample; model commonality

0? 引? 言

隨著大學(xué)生數(shù)量的不斷增加，教學(xué)質(zhì)量在高校教育質(zhì)量中的地位越來(lái)越明顯，成為一個(gè)衡量高校教學(xué)效果和人才評(píng)價(jià)的指標(biāo)，提高教學(xué)質(zhì)量成為現(xiàn)在眾多高校的共識(shí)[1?3]。在一所高校中，由于學(xué)科相當(dāng)多，學(xué)科之間存在一定的交叉，教學(xué)手段靈活多樣，高校教學(xué)質(zhì)量評(píng)估變得相當(dāng)復(fù)雜，是一個(gè)頗具挑戰(zhàn)性的問(wèn)題[4]。

當(dāng)前高校教學(xué)質(zhì)量評(píng)估可以劃分為兩個(gè)分支：一個(gè)分支為基于定性分析的高校教學(xué)質(zhì)量評(píng)估方法，定性分析方法主要包括：專家系統(tǒng)、關(guān)聯(lián)規(guī)則等，它們只是從整體上對(duì)高校教學(xué)質(zhì)量進(jìn)行把握，對(duì)變化的整體趨勢(shì)進(jìn)行分析[5?7]，教學(xué)質(zhì)量評(píng)估體系是包括一些量化的因素和非量化的因素，這樣定性分析方法難以對(duì)高校教學(xué)質(zhì)量進(jìn)行精細(xì)化描述，實(shí)際應(yīng)用價(jià)值低，只起著指導(dǎo)性意義;另一個(gè)分支為基于定量分析的高校教學(xué)質(zhì)量評(píng)估方法，該類方法又細(xì)分為：傳統(tǒng)統(tǒng)計(jì)學(xué)的高校教學(xué)質(zhì)量評(píng)估方法和機(jī)器學(xué)習(xí)算法的高校教學(xué)質(zhì)量評(píng)估方法。傳統(tǒng)統(tǒng)計(jì)學(xué)主要包括線性回歸、灰色理論，它們考慮的因素簡(jiǎn)單，只能描述影響因素和高校教學(xué)質(zhì)量之間的簡(jiǎn)單、線性統(tǒng)計(jì)關(guān)系，使高校教學(xué)質(zhì)量評(píng)估精度達(dá)不到實(shí)際要求[8?10]。機(jī)器學(xué)習(xí)算法主要包括BP神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)等，它們屬于數(shù)據(jù)挖掘范疇，以現(xiàn)代統(tǒng)計(jì)學(xué)理論為基礎(chǔ)，具有一定的學(xué)習(xí)和表達(dá)能力，可以對(duì)影響因素和高校教學(xué)質(zhì)量之間的關(guān)系進(jìn)行表達(dá)，而且能夠充分利用專家知識(shí)和經(jīng)驗(yàn)，得到了較好的高校教學(xué)質(zhì)量評(píng)估結(jié)果[11?13]，在實(shí)際應(yīng)用中，像BP神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化問(wèn)題、極限學(xué)習(xí)機(jī)的結(jié)構(gòu)確定問(wèn)題均沒(méi)有得到有效解決，直接影響高校教學(xué)質(zhì)量評(píng)估結(jié)果[14?15]。

針對(duì)當(dāng)前模型無(wú)法準(zhǔn)確對(duì)高校教學(xué)質(zhì)量進(jìn)行評(píng)估的問(wèn)題，以提高高校教學(xué)質(zhì)量評(píng)估精度為目標(biāo)，設(shè)計(jì)了基于數(shù)據(jù)挖掘算法的高校教學(xué)質(zhì)量評(píng)估模型，通過(guò)具體實(shí)例分析高校教學(xué)質(zhì)量模型的優(yōu)越性。結(jié)果表明，數(shù)據(jù)挖掘算法的高校教學(xué)質(zhì)量評(píng)估誤差要遠(yuǎn)小于當(dāng)前典型方法。

1? 數(shù)據(jù)挖掘算法

1.1? BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)包括輸入層、輸出層以及隱含層，設(shè)輸入層輸入為[xi]，那么其輸出為：

1.2? 自適應(yīng)遺傳算法

傳統(tǒng)遺傳算法的交叉和變異概率采用固定形式，種群中的個(gè)體十分容易集中，陷入局部收斂的概率相當(dāng)大。為了防止該缺陷出現(xiàn)，提出自適應(yīng)遺傳算法，其最大的特點(diǎn)就是交叉和變異概率不固定，讓其與進(jìn)化代數(shù)相關(guān)。隨著進(jìn)化代數(shù)變化而發(fā)生改變，同時(shí)又與適應(yīng)度值相關(guān)，這樣不會(huì)使種群中的個(gè)體出現(xiàn)集中現(xiàn)象，加快了算法的收斂速度，并且收斂效果更優(yōu)。自適應(yīng)遺傳算法的交叉和變異概率的變化曲線如圖1所示。

2? 基于數(shù)據(jù)挖掘算法的高校教學(xué)質(zhì)量評(píng)估模型設(shè)計(jì)

2.1? 高校教學(xué)質(zhì)量的影響因素

為了能更好地對(duì)高校教學(xué)質(zhì)量進(jìn)行評(píng)估，首先對(duì)一些與高校教學(xué)質(zhì)量評(píng)估相關(guān)的影響因素進(jìn)行分析，本文主要從教師本身和學(xué)生兩個(gè)方面分析高校教學(xué)質(zhì)量的影響因素，具體如圖2所示。

2.2? 基于數(shù)據(jù)挖掘算法的高校教學(xué)質(zhì)量評(píng)估步驟

1） 根據(jù)圖2高校教學(xué)質(zhì)量評(píng)估的影響因素收集數(shù)據(jù)。

2） 通過(guò)專家根據(jù)高校教學(xué)質(zhì)量評(píng)估的影響因素確定相應(yīng)的高校教學(xué)質(zhì)量等級(jí)值。

3） 根據(jù)高校教學(xué)質(zhì)量評(píng)估的影響因素確定神經(jīng)網(wǎng)絡(luò)BPNN的結(jié)構(gòu)。

4） 采用自適應(yīng)遺傳算法確定隱含層和輸出層權(quán)值的初始值、學(xué)習(xí)率和動(dòng)量因子的值。

5） 根據(jù)神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)量確定隱含層節(jié)點(diǎn)數(shù)。

6） 根據(jù)高校教學(xué)質(zhì)量評(píng)估的學(xué)習(xí)樣本，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到訓(xùn)練誤差滿足預(yù)先設(shè)置的范圍為止。

3? 高校教學(xué)質(zhì)量評(píng)估模型的實(shí)例分析

3.1? 分析平臺(tái)

為了分析基于數(shù)據(jù)挖掘算法的高校教學(xué)質(zhì)量評(píng)估模型的有效性，對(duì)其進(jìn)行實(shí)例分析，其中，實(shí)例分析的平臺(tái)設(shè)置如表1所示。

3.2? 與經(jīng)典模型的高校教學(xué)質(zhì)量評(píng)估模型性能對(duì)比

為了分析數(shù)據(jù)挖掘算法的高校教學(xué)質(zhì)量評(píng)估模型的優(yōu)勢(shì)，在相同平臺(tái)，采用標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)、文獻(xiàn)[15]的高校教學(xué)質(zhì)量評(píng)估模型進(jìn)行對(duì)比分析。選擇某10所大學(xué)的高等數(shù)學(xué)作為研究對(duì)象，每所大學(xué)選擇的教師數(shù)量如表2所示，采集相應(yīng)的影響因素值，由于篇幅有限，不一一列出。

采用3種模型對(duì)表2中10所大學(xué)的教師的高等數(shù)學(xué)教學(xué)質(zhì)量進(jìn)行評(píng)估，統(tǒng)計(jì)每所大學(xué)的高等數(shù)學(xué)教學(xué)質(zhì)量評(píng)估精度，結(jié)果如圖3所示。

對(duì)圖3的高等數(shù)學(xué)教學(xué)質(zhì)量評(píng)估精度進(jìn)行分析發(fā)現(xiàn)：

1） 標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)的高等數(shù)學(xué)教學(xué)質(zhì)量評(píng)估精度平均值為84.93%，高等數(shù)學(xué)教學(xué)質(zhì)量評(píng)估誤差最大。這是因?yàn)槠鋮?shù)采用隨機(jī)方式確定，無(wú)法建立描述高等數(shù)學(xué)教學(xué)質(zhì)量復(fù)雜變化特點(diǎn)的評(píng)估模型，導(dǎo)致出現(xiàn)許多高等數(shù)學(xué)教學(xué)質(zhì)量評(píng)估過(guò)擬合點(diǎn)，高等數(shù)學(xué)教學(xué)質(zhì)量評(píng)估效果最差。

2） 文獻(xiàn)[15]的高等數(shù)學(xué)教學(xué)質(zhì)量評(píng)估精度平均值為89.69%，高等數(shù)學(xué)教學(xué)質(zhì)量評(píng)估誤差小于標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)。這是因?yàn)橐肓酥С窒蛄繖C(jī)，建立了比標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)更優(yōu)的高等數(shù)學(xué)教學(xué)質(zhì)量評(píng)估模型，能夠有效描述高等數(shù)學(xué)教學(xué)質(zhì)量復(fù)雜變化特點(diǎn)，由于存在一些高等數(shù)學(xué)教學(xué)質(zhì)量評(píng)估欠擬合點(diǎn)，評(píng)估效果有待進(jìn)一步改善。

3） 數(shù)據(jù)挖掘算法的高等數(shù)學(xué)教學(xué)質(zhì)量評(píng)估精度平均值為95.82%，遠(yuǎn)遠(yuǎn)高于標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)和文獻(xiàn)[15]的高等數(shù)學(xué)教學(xué)質(zhì)量評(píng)估精度，這是因?yàn)楸疚哪Ｐ鸵肓薆P神經(jīng)網(wǎng)絡(luò)和參數(shù)自適應(yīng)優(yōu)化算法，建立了可以高精度跟蹤高等數(shù)學(xué)教學(xué)質(zhì)量復(fù)雜變化特點(diǎn)的評(píng)估模型，克服了當(dāng)前評(píng)估過(guò)程中存在的一些問(wèn)題，有效提高了評(píng)估效果。

在高校教學(xué)質(zhì)量評(píng)估的實(shí)際應(yīng)用中，由于數(shù)據(jù)的規(guī)模越來(lái)越大，為了對(duì)高校教學(xué)質(zhì)量評(píng)估效率進(jìn)行分析，統(tǒng)計(jì)每一種模型的高校教學(xué)質(zhì)量建模時(shí)間，結(jié)果如圖4所示。從圖4可以看出：標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)的高等數(shù)學(xué)教學(xué)質(zhì)量建模時(shí)間均值為62.83 ms，文獻(xiàn)[15]的高等數(shù)學(xué)教學(xué)質(zhì)量建模時(shí)間均值為39.16 ms，本文模型的高等數(shù)學(xué)教學(xué)質(zhì)量建模時(shí)間均值為25.44 ms。由對(duì)比結(jié)果可以看出，本文模型的高等數(shù)學(xué)教學(xué)質(zhì)量建模時(shí)間大幅度縮短，提高了高校教學(xué)質(zhì)量評(píng)估效率。

3.3? 本文模型的高校教學(xué)質(zhì)量評(píng)估通用性分析

為了分析數(shù)據(jù)挖掘算法的高校教學(xué)質(zhì)量評(píng)估模型的通用性，選擇一個(gè)大學(xué)10門課作為測(cè)試對(duì)象，統(tǒng)計(jì)它們的高校教學(xué)質(zhì)量評(píng)估精度和建模時(shí)間，結(jié)果如表3所示。

從表3可以看出，對(duì)于10門課，本文模型不僅獲得了高精度的高校教學(xué)質(zhì)量評(píng)估結(jié)果，而且評(píng)估速度相當(dāng)快，完全可以滿足高校教學(xué)質(zhì)量評(píng)估的實(shí)際應(yīng)用要求。

4? 結(jié)? 語(yǔ)

高校教學(xué)質(zhì)量與多種影響因素相關(guān)，成為了當(dāng)前的研究熱點(diǎn)，為了獲得更好的高校教學(xué)質(zhì)量評(píng)估結(jié)果，引入數(shù)據(jù)挖掘技術(shù)的BP神經(jīng)網(wǎng)絡(luò)和自適應(yīng)遺傳算法，建立高校教學(xué)質(zhì)量評(píng)估模型，結(jié)果表明，本文模型是一種高精度、效率高的高校教學(xué)質(zhì)量評(píng)估模型，具有十分廣泛的應(yīng)用價(jià)值。

參考文獻(xiàn)

[1] 呂健安.現(xiàn)代教學(xué)質(zhì)量觀視角下的應(yīng)用型院校教師教學(xué)質(zhì)量評(píng)價(jià)[J].教育與職業(yè)，2019（6）：45?47.

[2] 呂梅，黃守磊，譚艷超.高校教學(xué)質(zhì)量評(píng)價(jià)體系的構(gòu)建與實(shí)踐探索[J].黑龍江畜牧獸醫(yī)，2016（2）：166?168.

[3] 倪庚，陳俊生，秦宇彤，等.基于全面質(zhì)量管理理論的本科教學(xué)質(zhì)量監(jiān)控工作評(píng)價(jià)指標(biāo)體系的構(gòu)建[J].教育理論與實(shí)踐，2019，39（33）：15?16.

[4] 楊秀平，張華，李亞兵.高校教學(xué)質(zhì)量評(píng)價(jià)系統(tǒng)平臺(tái)的構(gòu)建與保障機(jī)制探究[J].實(shí)驗(yàn)室研究與探索，2018，37（2）：231?234.

[5] 劉華東，李貞剛，陳強(qiáng).審核評(píng)估視域下高校教學(xué)質(zhì)量保障體系的完善與重構(gòu)[J].中國(guó)大學(xué)教學(xué)，2017（11）：63?67.

[6] 張存貴，欒立明.轉(zhuǎn)型高校教學(xué)質(zhì)量評(píng)價(jià)改革策略探索[J].職業(yè)技術(shù)教育，2017，38（11）：69?72.

[7] 張進(jìn)，楊寧，陳偉建，等.評(píng)估視角下高校教學(xué)質(zhì)量保障體系的重構(gòu)[J].高等工程教育研究，2018（3）：137?141.

[8] 范巖，馬立平.優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的高校教學(xué)質(zhì)量評(píng)價(jià)模型[J].統(tǒng)計(jì)與決策，2018，34（2）：80?82.

[9] 傅翠霞，羅亦泳.基于RVM機(jī)器學(xué)習(xí)方法的高校理論與實(shí)驗(yàn)教學(xué)質(zhì)量評(píng)價(jià)模型[J].現(xiàn)代電子技術(shù)，2019，42（13）：181?186.

[10] 岳琪，溫新.基于GA和BP神經(jīng)網(wǎng)絡(luò)的教學(xué)質(zhì)量評(píng)價(jià)模型研究[J].內(nèi)蒙古大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，49（2）：204?211.

[11] 趙馨蕊，周雨青.基于模糊綜合評(píng)價(jià)法的大學(xué)物理MOOC教學(xué)質(zhì)量評(píng)價(jià)[J].高等工程教育研究，2019（1）：190?195.

[12] 張明亞.基于主成分分析和支持向量機(jī)的英語(yǔ)教學(xué)質(zhì)量評(píng)價(jià)[J].現(xiàn)代電子技術(shù)，2018，41（7）：178?182.

[13] 張雅清.基于主動(dòng)學(xué)習(xí)支持向量機(jī)的輔助教學(xué)質(zhì)量評(píng)估模型[J].現(xiàn)代電子技術(shù)，2019，42（7）：112?114.

[14] 馬星，王楠.基于大數(shù)據(jù)的高校教學(xué)質(zhì)量評(píng)價(jià)體系構(gòu)建[J].清華大學(xué)教育研究，2018，39（2）：38?43.

[15] 劉智萍.證據(jù)理論和支持向量機(jī)相融合的高校教學(xué)質(zhì)量評(píng)價(jià)[J].現(xiàn)代電子技術(shù)，2017，40（17）：175?178.