基于课程知识地图的高校评教指标构建

2015-04-29蔡皎洁郭道猛

计算机时代 2015年12期

蔡皎洁郭道猛

摘要：知识地图是知识资源挖掘重组、共享创新的主要手段。为构建课程知识地图，提出利用层次聚类和关联规则挖掘方法发现课程大数据中的概念及概念间关系。基于课程知识地图给出高校评教指标，包括内容的全面性、创新性、趣味性、正确性、及时性，以及意见反馈响应度等。经實验验证，基于该方法的评教指标能全面反映教师的授课水平，有效降低“性格匹配”等主观因素的影响，提高教师与学生双向沟通的学习能力。

关键词：知识地图；高校评教；评教指标；数据挖掘

中图分类号：TP311 文献标志码：A 文章编号：1006-8228（2015）12-45-04

Construction of university teaching evaluation index based on curriculum knowledge map

——taking the network finance course as an example

Cai Jiaojie， Guo Daomeng

（Hubei Engineering University， Xiaogan， Hubei 432000， China）

Abstract： Knowledge map is the primary means of knowledge resources mining， restructuring， sharing and innovating. This paper puts forward the construction of curriculum knowledge map， using hierarchical clustering and association rule mining method to find the concept and the concept's relationship in the course big data. University teaching evaluation is given based on curriculum knowledge map， including the comprehensive content， content creation， content interesting， content accuracy， timeliness， and feedback responsiveness etc. The experiment results proved that the teaching evaluation index based on the proposed method can fully reflect the teacher's teaching level， effectively reduce the impact of "Personality Match" and other subjective factors， and improve the learning ability of two-way communication between teachers and students.

Key words： knowledge map； university teaching evaluation； teaching evaluation index； data mining

0 引言

随着我国高等教育事业的不断发展，学生评教已成为高校教师课堂教学质量评价的重要组成部分，甚至大多数高校将评教分数与高校教师的职务、职称晋升、以及绩效工资等待遇挂钩。因此，评教在教师群体内部和学术界都存在着强烈的争议。支持者认为“学生评教在教师考核和晋升中的一票否决制凸显了学生的主体地位，有利于教师积极提高自己的教学质量。”反对者认为“由于知识能力的局限性，学生对整个课程体系的把握很不足，而情感、功利心等因素直接影响评教结果的客观性，评教会直接成为报复教师的手段”[1]。因此，有关评教的重要性、可靠性、有效性、评价指标体系、影响评教因素等方面成为研究的热点问题[2]。本文构建基于课程知识地图的高校评教指标，以提升高校评教的有效性和公正性。

1 课程知识地图构建

知识地图构建的本质是描述客观世界中各种知识与知识之间的关系，是一种对知识资源进行优化整合的结构体系 [3]。对教师教学质量的评价，所依据的数据不应局限于教材或教学大纲等知识体系，更应该看重互联网平台数据，如有关课程的微博、微信、博客、教材或专著及文献等的用户评论平台，这样才能勾勒出一个全面的知识地图，才能对教师评价有个客观的准则。

本文以网络金融课程为例，运用聚类和关联规则挖掘方法从数据中分析该课程知识点及知识点之间的关联，并赋予初始权值，构建网络金融课程知识地图。

1.1 网络金融课程知识点挖掘

本文在当当网上分别输入“网络金融”、“互联网金融”及“大数据”关键词，挑选符合“除去重复作者”、“适合普通本科教学”、“热门度为5星”、“用户评论至少有1条”等条件的10本教材；登陆中国知网，输入相同主题，挑选符合“除去重复作者”、“除去重复标题”、“除去非核心刊物”的硕博论文及期刊7637篇；登陆新浪网、东方财富网、网易、财经网等官方或个人博客及微博平台，搜集最新文章128篇。从这些数据中挖掘网络金融课程知识点的方案如下。

⑴ 以“目录”、“题纲”、“标题”、“摘要”及“关键字”为依据，手工挑选一级和二级概念。

⑵ 利用文本挖掘中的层次聚类法，挖掘二级概念以下的子节点，具体算法如下[4]。

① 确定要生成的簇的数目K（K

② 在概念—文档矩阵N中找出K个上位概念作为聚类中心的种子S={s1，…，sj，…，sk}，其中V（sj）=（Wsj（d1），…，Wsj（di），…，Wsj（dn））。

③ 对每个特征项ti，依次计算它与各个种子sj的相似度sim（ti，sj）。其中特征项ti和概念sj之間的相似度可以用向量V（ti）和V（sj）的余弦来计算，其公式[5]描述如下：

式⑴

④ 选取具有最大相似度的种子arg max sim（ti，sj），将ti归入以sj为聚类中心的簇Cj，从而得到特征项集的一个聚类C={c1，…，cj，…ck}。

⑤ 重新确定每个簇的中心点。

⑥ 重复步骤②、②、④、⑤，直到中心点不再改变，文本中的特征项不再重新被分配为止。

其中部分网络金融课程知识概念集词表如表1所示。

表1 部分概念词表集

[一级概念集＼&二级概念集＼&三级概念集＼&四级概念集＼&……＼&网络金融、互联网金融、智慧金融、移动金融、网络经济、电子商务、传统金融、金融创新、金融机构、……＼&电子货币、电子支付、网络银行、网络保险、网络证券、网络投资理财、P2P借贷、在线供应链金融、众筹、信息化金融、网络金融安全、……＼&比特币、电子钱包、手机支付、个人网上银行、企业网上银行、保险购买、保险服务、证券网上营业厅、纯线上P2P、……＼&游戏币、支付宝、校园一卡通、微信支付、存折查询、汽车保险、网上股票、阿里金融、京东供应链金融、……＼&……＼&]

1.2 网络金融课程知识点间关联挖掘

利用关联规则挖掘方法，从收集到的网络金融课程数据集中，发现概念间的多种关系。具体算法如下[6]。

⑴ 设置最小支持度阈值Smin和最小置信度阈值Cmin，运用Apriori算法找出文本集D中所有的频繁特征项集W={t1，…，ti，…tn}，并由该频繁特征项集直接产生强关联规则集R={r1，r2，…，ri，…}，ri={ti?tj}，其中ti，tj∈W，且P（ti∪tj）>Smin，P（tj|ti）>Cmin。

⑵ 对于ti，tj∈W，若同时满足ti?tj和tj?ti，那么特征项ti和tj的关系为等价关系，该等价关系包含同义或反义关系。

⑶ 整体关系和上下位关系都为层次结构。对于ti，tj∈W，且{ti?tj}∈R，P（tj|ti）>P（ti|tj），即tj出现的文档集合是ti出现的文档集合子集的概率，要大于ti出现的文档集合是tj出现文档集合子集的概率，那么概念ti，tj之间存有层次结构，且ti是tj的上位概念。

⑷ 从R中删选具有层次结构关系的强关联规则集R1={r1，…，ri，…rn}，其中ri={ti?tj}，且P（tj|ti）>P（ti|tj）。从R1中参照企业本体概念体系，由人工选出具有继承关系的强关联规则训练集Ris-a，和整体部分关系规则训练集Rpart-whole，计算它们各自关于P（tj|ti）的最大值、最小值区间以及平均值。作为具有层次结构概念间关系学习分类的标准。

⑸ 对任意ri={ti?tj}∈R1，若P（tj|ti）∈Ris-a[Pmin，Pmax]，且P（tj|ti）?Ris-a （）。则ri应归属于上下位关系。同理可推断整体关系。

部分网络金融知识概念间关联词如表2所示。

表2 部分概念间关系词表集

[上下位关系＼&整体部分关系＼&等价关系＼&…＼&（网络金融、智慧金融）、（电子货币、电子钱包）、（电子支付、移动支付）、（网络金融、网上银行）、（网络金融、网上证券）、（互联网金融、P2P借贷）、……＼&（金融，网络金融）、（智慧金融，智能卡）、（手机支付，微信支付）、（电子支付，ATM机）、（电子商务，第三方支付）、（互联网金融，金融安全）、（P2P借贷，纯P2P借贷）、……

＼&（第三方电子支付，P2P借贷，大数据金融，众筹，信息化金融）、（网络金融安全、网络金融风险）、（纯在线P2P借贷，非纯在线P2P借贷）、（在线供应链金融，线下供应链金融）、……＼&…＼&]

1.3 初始权重值计算

初始权重是指在无任何情景设置下所计算出的权重值，其难点在于知识概念节点间权重值的设计，其具体方案如下：

⑴ 对于概念节点权值的计算，概念粒度越细，其实际应用价值越高，从一级概念开始，按权值递增原则赋予；

⑵ 对于概念节点间关系权值的计算，应考虑两种因素，具体算法如下。

① 利用关联规则挖掘所获取的某一概念节点间关系数量越大，权值就大；该关系内所包含的子关系集的权值也相应增大，增值设为a，该值随关系数量值而定。

② 概念节点间的语义相似度也直接影响权值的计算，语义相似度越大其权值越大，计算公式[7]如下：

公式2

其中，s1和s2为两个进行语义映射的概念；sim（s1，s2）为两个概念的语义相似度；βi（1≤i≤4）为可调节参数，且有：β1+β2+β3+β4=1，β1≥β2≥β3≥β4，反映了Sim1到Sim4对于总体相似度所起到的作用依次递减。simj（s1，s2）分别是第一独立义原相似度、其他独立义原相似度、关系义原相似度和符号义原相似度。对这四种义原相似度的计算即为词语相似度计算。

按照上述方法所构建出的部分网络金融课程知识地图，如图1所示。

2 基于课程知识地图的高校评教指标构建

2.1 目前所应用的高校评教指标综述

构建一套合理的高校评教指标体系一直是国内外专家学者研究的热点。在指标内容方面，Marsh（1987）[8]提出了教师教学质量评价问卷（Student's Evaluation of Educational Quality，SEEQ），包含9项指标：学习/价值感、教学热情、组织/清晰性、群体互动、人际和谐、知识宽度、考试/评分、作业/阅读材料、功课量/难度。Kolitch（1999）[9]提出评价指标应包含四项：课堂组织、行为管理、学生成绩评定和师生关系。我国高校普遍采用的指标内容包括：教学态度、教学内容、教学方法及教学效果四项。项露芬（2013）[10]指出评价指标应适合学生的评价能力和水平，方便学生理解和操作，并应结合定量统计和定性分析。陈国海（2001）[11]指出应尽量避免学生难于实际感受、观察与直接测量的指标项目。

有关评教指标有效性方面，高素贞（2006）[12]认为从评教的效度上看，评教指标体系不尽科学合理。胡波（2007）[13]认为评教指标过于机械化、简单化、没有反映不同学科、不同课程之间的特点。刘哲（2014）[14]提出评教指标的设计者往往是教学管理部门的人员，不是任课教师，因而在拟定评教指标时经常依据自己对评教工作的看法，指标具有一定的主观性和随意性。

2.2 基于课程知识地图的高校评教指标构建目标

⑴ 大数据时代对教学方式改革的推动，使高校教学已不仅仅拘泥于教师与学生面对面的授课方式，随着互联网技术、移动通讯技术以及计算机技术的深入发展，网络教学将成为大学高等教育的主导模式。在这一时代背景下，知识地图作为隐性知识和显性知识挖掘重组、共享创新的主要手段，将在新型教学方式中发挥主导作用。

⑵ 经实践验证，在传统的评教指标体系中“教学态度”一项难以用定量客观的细则进行评估，往往受教师和学生性格匹配程度的影响。如有的教师性格直爽，谈吐不拘小节，在同一个班中有学生会认为该教师很有个性，而有学生会认为该教师过于张扬；有的教师穿着随意，那么有学生会认为该教师随性有风格，而有的学生会认为该教师不重细节。因此，传统评教指标往往摆脱不了性格匹配、学生喜好、学生偏见认知等主观因素的影响，这会直接导致评教效果的不公正。

2.3 基于课程知识地图的高校评教指标构建流程

⑴ 教师引导学生设计课堂教学主题和应用情景，学生根据课程知识地图提出问题诉求。

⑵ 挖掘分析学生问题诉求，发现最受关注的核心知识概念点、以及知识概念节点间关系，动态改变课程知识地图的初始权重值。

⑶ 教师将对课程知识地图中所涉及到的知识概念点及知识概念点之间的关系做出重点讲解，并可根据课程知识地图中权重改动的大小做出分类讲解、详细与概述讲解等方案，在这个过程中避免了“授课重点、难点不清晰”、“忽视学生对课程讲解内容的诉求”、“教师与学生因问题沟通不畅而带来的情绪匹配失衡”等问题；

⑷ 学生可针对教师授课结果，从内容全面性、内容创新性、内容趣味性、内容正确性、沟通及时性、意见反馈响应度等方面进行客观评价。

3 基于课程知识地图的高校评教指标检验

本文对我校某电子商务班的网络金融课程教学与评教过程进行设计与验证，基本流程如下。

⑴ 设计“大数据中的互联网金融”教学主题，学生提出的问题诉求如下：

① 互联网金融崛起的背景是什么？

② 互联网金融对传统网络金融模式的冲击是什么？

③ 互联网金融是如何运用大数据的？

④ 互联网金融中的大数据是从何而来的？

⑤ 互联网金融的模式是什么？

……

⑵ 对以上概念及概念间关系挖掘算法，对问题诉求进行挖掘分析，获取相关知识地图，并与原有的知识地图进行对比，有效改变相应概念节点及概念节点间关系的相应权值，具体算法如下。

① 对新增的概念节点，参阅“知网”等公开知识地图或在领域专家的辅助下，找出与原有知识地图中概念节点之间的对应关系，并提升该概念节点及相应概念间关系的权值。

② 对问题诉求挖掘出来的概念及概念间关系，统计数量，并对比原有知识地图中概念及概念间关系的数量，对数量的增减，在领域专家的辅助下，适度对原有知识地图的权值进行增减。

⑶ 依据课程知识地图，对地图中权值变化的概念节点及概念节点间关系标红，作为授课重点与难点的参考数据。知识地图中概念权值及概念关系间的权值已详细给出课程知识点的重要程度或学生关注度以及知识点间的详细逻辑关系，也可辅助教师澄清讲课思路。

⑷ 教师是通过个人博客空间进行课程主题设计和授课过程，学生反映“这种教课方式节省了时间、改变了乏味的面对面授课方式、问题解释有针对性、并配有大量视频等案例教学，增加了授课趣味性、问题反馈及时、授课内容全面”，得到了学生的一致好评。显然在这个评教的过程中，教师与学生的性格匹配程度降低，这与授课方式创新、“一对一”或“个性化”的授课内容设置是分不开的。

4 结论

本文着眼于推动大数据时代对传统教学模式的改革，鉴于目前高校评教指标体系的重要性和不合理性，提出构建课程知识地图，重组教学知识资源、创新教学知识内容、提升教学质量。依据课程知识地图构建评教指标，包括课程内容全面性、内容创新性、内容趣味性、内容正确性、沟通及时性、意见反馈响应度等方面进行客观评价。减少传统评教指标如“教学态度”中包含太多“性格匹配”等主观因素的影响，提升评教质量。本文也提出了知识地图中概念及概念间关系构建的算法，对此算法的扩展性尚需进一步研究。

参考文献（References）：

[1] 马秀麟等.从大数据挖掘的视角分析学生评教的有效性[J].

中国电化教育，2014.333（10）：78-83

[2] 陈剑启等.国内外关于学生评教的相关研究综述[J].技术监

督教育学刊，2006（2）：45-49

[3] 曹高辉等.泛在信息环境下的学科知识地图构建研究[J].情

报科学，2014.32（5）：7-11

[4] 张玉峰，蔡皎洁.基于数据挖掘的Web文本语义分析与标注

研究[J].情报理论与实践，2010.33（2）：85-89

[5] 唐涛.基于文本挖掘的领域本体学习研究[D].武汉大学博士

论文，2009.

[6] 蔡皎洁，张玉峰.Web环境下基于用户兴趣本体学习的文本