基于数据挖掘技术的大学教育质量分级评价

  • 投稿
  • 更新时间2021-03-01
  • 阅读量7次
  • 评分0
  • 0
  • 0

  摘要:针对传统教育质量分级评价方法指标体系单一,导致分级评价准确性低,为此设计一种基于数据挖掘技术的大学教育质量分级评价方法。分析大学教育质量分级评价要求,确定分级评价指标,采用层次分析法计算分级指标权重,并进行一致性检验,最后将数据挖掘技术应用到大学教育质量分级评价中,实现大学教育质量分级评价。设计实例分析,以专家评价结果为标准,将设计方法和常规评价方法比较,常规方法与专家评价值最大误差为0.08分,设计方法与专家评价值最大误差为0.05分,因此,证明基于数据挖掘技术的大学教育质量分级评价方法比传统方法准确性高。


  关键词:数据挖掘技术;指标体系;教育质量;分级评价;评价值对比;指标权重


  0引言


  为提高我国大学教育质量,有效构建大学教育质量分级评价方法,是提高大学教育质量的最佳切入点。现阶段,大学加大扩招规模,出现师资力量不足、教学设备及后勤服务设施紧张等问题[1],对教学质量的评价就显得至关重要。


  教育质量评价中,受影响因素较多,包括教学条件、教学课程、学校设备、教学效果等,这些因素之间关联性强,复杂程度高[2]。教学水平和达到的程度都通过教学质量评价表现,根据评价结果查看教学中存在的问题,有利于解决存在的问题。传统的教学质量分级评价方法构建的指标体系单一,标准陈旧,人为痕迹明显。


  针对目前存在的问题,将数据挖掘技术应用到大学教育质量分级评价中[3],设计一种以数据挖掘技术为基础的大学教育质量分级评价方法。


  本方法分为反应层面、学习层面、行为层面和结果层面4个层次,层面之间呈递进关系。本文引入数据挖掘技术对大学教育质量进行分级评价,以提高大学教育质量评价准确度为出发点,设计教学质量分级评价指标,采用层次分析法计算分级指标权重,为教学质量分级评价提供基础。最后,将数据挖掘技术应用到大学教育质量分级评价技术设计中,完成教育质量分级评价。实验对比结果表明,本文方法比传统方法准确度高,具有实际应用意义。


  1大学教育质量分级评价指标体系建立


  1.1确定分级评价指标


  确定分级评价指标之前,分析教学质量分级评价指标是一项十分重要的工作。由于大学中教学质量评价体系范围较广,从大学自身特点出发,结合学校教学特点,建立多维度分层评价指标体系[4],评价指标关系如图1所示。


  从图1中可以看出,教育质量分级评价与高校类型、学科性质有关。


  根据教学评估理念中的多元化教学[5]评价指标特征,确定分级评价指标如表1所示。


  表1中选取的分级评级指标涵盖评价对象的基本信息,该指标具有一定代表性。


  1.2分级指标权重计算


  采用层次分析法确定分级指标权重[6],步骤如下:


  1)根据上述得到的分级评级指标建立连接层次结构;


  2)采用1~9标度及其倒数的标度方法[7]构造判断矩阵,计算各个矩阵下的关联权重。


  根据上述步骤建立判断矩阵,如表2所示。


  表2指标权重判断矩阵


  pagenumber_ebook=110,pagenumber_book=102


  表2中,1代表两个指标相比重要程度相同;2代表前者指标比后者指标重要;3表示前者指标比传统指标重要性更强;4表示两个元素相比,前者指标比后者指标非常重要;5表示两个元素相比,前者比后者极端重要;pagenumber_ebook=110,pagenumber_book=102分别代表相邻判断的中间值。


  根据上述判定原理,计算表2判断矩阵[8],权重计算结果为:


  pagenumber_ebook=110,pagenumber_book=102


  式中:M为一致性指标值;λ,MI分别为指标权重计算因子。


  为保证判断矩阵合理,对上述判断矩阵一致性进行检验[9],由于矩阵中各个元素值判断较难,如果偏差加大,会导致结果出现偏差。评估指标具有模糊性[10],按照重要性从大到小的方式给出重要性的区间值,确定模糊权重评估矩阵为:


  pagenumber_ebook=110,pagenumber_book=102


  式中:ri11,ri12,…为评估因素[8]。


  根据上述过程计算出分级评价指标权重,得到矩阵中的权重最大特征量与对应的特征向量。按照上述计算原理,分别对大学教育质量的评价指标计算权重。


  2大学教育质量分级评价方法


  在建立大学教育质量分级评价指标体系的基础上,利用数据挖掘技术的行为层、结果层与模糊层次方法对大学教育质量分级评价结果进行评估,再设计实验判断评估方法的有效性。依据数据挖掘技术的4个递进层次确定输入节点[11]、输出节点、隐层层数与每层节点数量,步骤如下:


  Step1:利用数据挖掘技术中的第一层次“反应”选取输入层节点,分级评价指标中包含一级指标[11⁃12]4个,12个二级评价指标,将这些指标输入神经网络的输入层,确定输入层节点个数。


  Step2:确定输出层节点数[13],由于只生成1个评价结果,输出层节点数设置为1个,取值范围为[0,1]。


  Step3:确定隐含层节点个数,利用试凑法确定隐含层节点数量,计算公式为:


  pagenumber_ebook=111,pagenumber_book=103


  式中:Gn为隐藏节点个数;n代表输出层节点个数;z表示输出层节点最大约束。


  Step4:选定激活函数[14],在上述分级指标中,评估结果期望输出值经过归一化处理后落在[0,1]区间内,则计算公式为:


  pagenumber_ebook=111,pagenumber_book=103


  式中:F为激活函数选择因子;M为函数取值;e-t为激活函数判断因子;c为分级指标数据。


  Step5:确定模型。


  根据上述过程生成的网络结构模型如图2所示。


  最后通过利用数据挖掘技术中的结果层评估大学教育质量分级评价结果,测量大学教育质量指标。在进行评价时,将需要评价的指标输入到该模型中,按照模型步骤逐步计算,先计算每个类的先验概率[15],在此基础上计算指标条件概率,得到大学教育质量分级评价结果。


  3实验论证


  以某大学二年级英语专业学生成绩为研究对象,该专业中包括15个班级以及15个英语教师。采集过去一年内这15个班级的英语成绩以及教师教学态度、教学内容、教学方法和教学效果,将这些内容作为评价内容。


  对比这15组教学质量评价结果与专家评价结果,为了保证实验严谨性,将传统方法与本文大学教育质量分级评价方法进行对比,对比两种方法评价的准确性。


  3.1实验环境设计


  利用网上评价方法,将上述分级评价指标输入到教学质量评价模型中,由专家评价教学质量,给出标准的评价结果。将传统方法与此次设计方法得出的评价值与专家评价值对比,若与专家评价值接近则说明评价准确度高,反之,准确度低。


  使用Matlab工具箱设置实验环境,在该工具箱中建立网络,通过函数init实现初始化,根据输入样本的训练参数训练网络,在此基础上,利用第2节内容,归一化数据结果,保证结果在[0,1]区间内,计算此次仿真实验的测试数据。仿真实验过程为:读入训练数据与训练目标数据,训练结束后,读入测试数据,通过两种各自的方法计算,输出计算结果。


  3.2实验结果分析


  实验结果如表3所示。分析表3可知:本文基于数据挖掘技术的大学教育质量分级评价方法在第6,10,14次实验样本中,评价结果与专家组给出的结果完全相同,在第2次实验样本中误差最大,相差0.05分。反观传统大学教育质量分级评价方法,没有一次评价结果与专家组相同,并且评价结果均大于专家组给出的评价值,在第6次实验样本中,误差最大达到0.08分,因此可以推论出本文设计的评估方法误差较小,适用性更佳。


  实验对比结果表明,本文基于数据挖掘技术的大学教育质量分级评价方法比传统评价方法精准度高,能够证明本文方法是一个合理、可行的评价模型。


  4结语


  针对传统大学教育质量评价方法准确度低的情况,将数据挖掘技术应用到大学教育质量分级评价中。分析评价指标构建要求,确定评价指标,采用层次分析法计算评价指标权重,得到矩阵中每个指标的特征向量与权重,并进行一致性检验,进一步划分评价指标。最后,将数据挖掘技术应用到大学教育质量分级评价中,建立网络结构,完成大学教育质量分级评价。


  实验对比结果表明,本文方法比传统方法准确性高,能够为教育质量评价提供依据。通过教学质量评价检查教学中是否出现教学问题,是否遵循教学目标,可有效诊断教学中存在的问题,从而根据评价结果采取相应措施提高教学质量。