基于KDD技术的课堂教学质量评价体系应用研究

陈 涛，周建庆

(安徽医学高等专科学校,安徽 合肥 230601)

1 引 言

随着社会的发展，信息化和网络化已经融入高校工作的各个环节，其间各高校在教学管理等方面均累积了海量的数据，但很多高校均停留在利用原始数据进行最基本的排序筛选和汇总统计上，无法进行更有效的利用。KDD技术可以从大量不规则的数据中发现潜在有用的知识，从而更好的修正和指导教学。有效的课堂教学质量的评价主要依赖于指标设置的科学性和合理性。目前评价指标的设定主要参考国内外各高校已有课堂教学评价指标，将有效教学特征分为多个细目进行评价，评价结果的准确性尚需要进一步分析与验证。运用KDD技术，对海量的评价数据进行相关性分析，可以从中得到隐藏而潜在有用的数据和知识，在此基础上研究课堂教学质量评价各项指标对总体评价的影响，能更精准地评价教学效果。

2 KDD技术与课堂教学评价体系

2.1 KDD技术与数据挖掘

KDD （Knowledge Discovery in Data）—知识发现，是从数据中识别有效的、新颖的、有价值的、可理解的模式的非平凡过程，KDD的过程可粗略地划分为3部分：数据准备(data preparation)、数据挖掘(data mining)以及结果的解释评估(interpretation and evaluation)。KDD过程是多个步骤相互连接、反复进行人机交互的过程。包括对某领域知识的学习、建立目标数据集、数据处理、数据变换、数据挖掘、模式评估、知识表示与发现等过程。[1]

KDD核心技术是数据挖掘DM(Data Mining)。所谓DM，就是从数据库中抽取隐含的、以前未知的、具有潜在应用价值的信息的过程，即从海量无规则数据中挖掘有价值的信息或知识。该技术主要包括3个部分：算法和技术；数据；建模能力。[2]

2.2 课堂教学质量评价体系

自1999年以来，我国高校开始大量扩招，高等教育逐步从“精英教育”转向“大众教育”。根据教育部公布的数据，1998年我国普通高等学校本专科招生人数为108万，2013年人数已扩大至近700万。扩招给各高校硬件资源、师资队伍、管理手段和教学质量都带来了极大的挑战和隐患。因此，如何建立科学合理的教学质量评价体系，对提高高校教学质量，促进我国教育事业的发展，进而实现中国梦具有极其重要的现实意义。教学评价是高校教学过程中不可缺少的重要环节，它以教学目标为依据，通过制定科学的评价标准，对教与学活动的过程及其结果进行测量及判断[3]。其中，学生评价教师课堂教学质量是获取教学反馈信息的主要方法，是检查教学效果和评价教学质量的重要途径[4]。

3 应用实例研究

应用实例基于某高校1171份课堂教学质量评估数据进行研究。评价基于课堂教学质量评价表指标，并依据课堂教学质量评价细目及有效教学特征进行分类，如表1所示。

表1 指标细目汇总表

3.1 数据处理

选取1171份课堂教学质量评价数据并以EXCEL表格形式进行存储，将A1-A6计6个单项指标汇总至“教学态度A”大项中，同理依次将教学内容B1-B4汇总至“教学内容B”大项中；将教学手段与方法C1-C6汇总至“教学方法C”大项中；将教学效果D1-D4汇总至“教学效果D”大项中，依照课堂教学质量评价表细目，A、B、C、D 4项汇总累加后分值分别为25、30、25和20分，总分合计100分。

为研究单项指标与总分值之间的相关性，可以二维表的形式对EXCEL表中原始数据进行处理，通过最小-最大规范化方法对其进行数据变换，然后将A、B、C、D 4项单项分值进行离散化处理[5]。限于篇幅所限，我们仅列出教学态度A项的数据预处理步骤。将A项分为10区间进行离散化处理，[24.50-25]、 [24.00-24.49]、 [23.50-23.99]、 [23.00-23.49]、[22.50-22.99]、[22.00-22.49]、[21.00-21.99]、[20.00-20.99]、[15.00-19.99]、[0-14.99]，同时将总分也进行离散化处理，将100分均分为 [1-10]-[91-100]共计10个区间，得出如表2所示的二维表。

表2 A-ZF对照表

其中，A表示教学态度单项分值，ZF为对应总分，该表共有10*10共计100个元素，如将表2以(xi,yj,aji,)表示,则其中(i=1,2,…,10；j=1,2,…,10),aji表示总分为xi且单项指标分为yj的测评学生人数。例如，单项分A在区间 4[21.00-21.99]，对应总分ZF区间4共计有14人，在区间5共计102人，在区间6共计3人；而单项分A在区间8[23.50-23.99]，对应总分ZF在区间8有81人，区间9有102人，区间10有2人。

由表2可得出，A和ZF呈现明显的相关性，数据基本以斜向上45度左右的对角线形式进行分布，形成一定的宽度。可看出，单项分A值逾低则总分ZF逾低，反之单项分A值逾高则总分ZF逾高，单项分和总分呈现正相关。

3.2 数据挖掘及知识发现

由表2可直观得出教学态度A与总分ZF具有正相关性，为准确计算出其相关性数值并与教学内容B、教学方法C、教学效果D数值进行比对，我们可利用回归分析工具对其进行准确分析，将表2数据进行回归分析，得到如图1所示的回归结果图。

图1 回归分析结果

由图 1可以得出，R Square(相关系数)与Adjusted R Square(调整系数)的值相差很小，表示线性方程效果良好，现行教学评价体系A中各单项指标值与总分相关性良好。同时Multiple R值(相关系数)近似于1，说明教学态度A与总分ZF的相关性极高，相对于传统观点，此项结果发现稍显意外。

依照上述方法，对教学内容B、教学方法C、教学效果D分别进行处理，处理结果如表3所示。

表3 数据挖掘结果比较

4 结 语

1.由表3数据挖掘结果比较可以得出，A、B、C、D 4项单项与总分的相关系数分别为0.99072、0.96102、0.96778和0.98581，可得出其相关性均较强；显著性水平Significance F非常小，表示其回归效果良好。由此可以得出，该课堂教学质量评价体系指标及权重分布可基本反应教师课堂教学水平，应视为较合理有效。

2.通过表3相关系数Multiple R的值自大至小分布可得，教学态度A〉教学效果D〉教学方法C〉教学内容B，由此可得出教学态度成为最具影响的因素。课堂上教师对内容如何取舍、教学方式方法如何更新并不是最主要因素，学生最在意的是教师的教学态度是否端正，教学是否认真负责，是否积极与学生沟通和关心爱护学生。所以从学校和教师的角度出发，用一句非常流行的话，那就是“态度决定一切”。即首先要端正教学态度，言传身教，为人师表，将对学生的爱散发到课堂的各个角落，学生亦会对此有积极和正面的回应。当然，通过表3数据，也要注意到，教学方式及教学内容与总分相关性也较高，这就要求教师必须重视教学方式方法的改革和教学内容的更新，惟其如此，才能充分提高教学质量，促进教育事业的良性发展。

[1]焦李成.智能数据挖掘与知识发现[M].西安：西安电子科技大学出版社,2006：6-8．

[2]鲁光男.KDD在高校教育中的应用[J].长春大学学报，2008,(6)：37-38.

[3]王朝晖,王婷婷.教学评价信息数据挖掘的转化和分析[J].贵州工业大学学报(自然科学版),2007,(4)：40-43.

[4]陈辉，向伟忠，单健.关联规则挖掘在教师评价系统中的应用[J].南华大学学报,2005,(2)：104-107.

[5]陈涛,胡学钢.基于数据挖掘的教学质量评价体系的建立与分析[D].合肥：合肥工业大学,2011：10.