大数据分析在教学质量评价中的应用

仇德成 仇思宇 赵国营

摘  要： 针对传统教学质量评价存在的数据分散、不完整，数据分析能力低，评价结果反馈不及时等问题，阐述了基于教育大数据的教学质量评价的优势，探讨了将大数据分析技术、数据挖掘技术应用于高校教学质量评价中，从数据的采集到数据的转换，数据的挖掘与分析，结果的反馈到应用，目的是立足高校教学管理工作实际，为教学管理决策提供参考。

关键词： 大数据; 教学质量评价; 数据挖掘; 数据分析; 关联规则

中图分类号：G434          文献标志码：A     文章編号：1006-8228（2019）02-26-04

Application of big data analysis in teaching quality evaluation

Qiu Decheng1， Qiu Siyu2， Zhao Guoying3

（1. School of Information Technology & Media and Communication， Hexi University， Zhangye， Gansu 734000， China; 2 School of Computer Science &Technology， Nanjing Normal University; 3. PLA 153Hospital）

Abstract： For the problems of traditional teaching quality evaluation， such as data dispersion， incomplete， low data analysis ability and feedback of evaluation results is not timely， the advantages of teaching evaluation based on educational big data are expounded. The application of data mining and big data analysis technology in the evaluation of teaching quality in colleges and universities is discussed from data collection to data conversion， data mining and analysis， results feedback and results application. The purpose is to provide a reference for teaching management decision-making according to the reality of teaching management in colleges and universities.

Key words： big data; teaching quality evaluation; data mining; data analysis; association rules

0 引言

随着大数据时代的来临，大数据分析技术飞速发展和广泛应用，教育大数据也越来越受到广泛关注，正在成为推动教育创新与变革的关键力量。教育大数据并不仅仅指数据量大，更是指要从纷繁复杂的教育数据中发现关联的关系、诊断存在的问题、预测发展的趋势，从而发挥教育大数据在提升教育质量、促进教育公平、实现个性学习、优化资源配置、辅助教育科学决策等方面的重要作用[1]。

高校教学质量评价是推动高校教育发展的重要举措，影响高校教学质量的因素很多，教学质量评估难度较大。传统教学评价主要根据学生对教师的评教数据进行，这种方法数据来源单一，不能全面、客观、公正地评价教学效果。大数据分析是当前的研究热点，本文利用其相关算法来发现数据之间有意义的关联关系，希望能为教学管理决策提供参考。

1 国内外高校教学质量评价现状

保证和提高教学质量，事关高校的生存与发展，文献[2]总结出教学评价的七个理由，其主要目的是评价教学效果、提高课程和教学质量。为此很多国家都建立了高等教育质量保障和监督管理机构，如美国的高等教育鉴定委员会、英国的高等教育质量保障署、日本的国家学位研究所等[3]。我国对普通高校的本科教学质量评估始于1994年，教育部2002年发布了《普通高等学校本科教学工作水平评估方案》，正式建立起我国高校教学质量评估制度。

目前，学生评教、教师自评，以及督导、同行、管理者评价等方式是高校主要的教学评价方式，侧重的是学生、督导、同行评价。学生评教是目前很多国内高校普遍采用的一种方式，学校给出一定的评价指标，学生依据该指标对任课教师做出评价。因为计算机网络的普及，近年来学生评教在高校全面展开。但广大高校教师对学生评教一直存在争议，争议的焦点是学生能否公平、公正地评价教师的教学能力，因为有太多的因素影响学生评教的结果。

教学督导评价则是各个高校普遍采用的另一种评价方式，院系两级教学督导一般都是一线资深教师，他们教学经验丰富，在所有评价中被认为是比较客观公正的。但督导的教学评价往往基于对教师的一两次听课，每位督导学科背景和对评价指标的把握各不相同，由此也可能会产生评价的偏差。表1列出了几种评价方式的优缺点。

2 教学质量评价指标体系的建立

教学评价指标须客观准确地反映教学的基本情况，如态度是否端正、内容是否熟悉、语言是否生动、气氛是否活跃、目标是否实现等，且评价指标要实用、科学、完整、易操作，因此，教学评价应以学生参与度、认可度、满意度以及实施效果为核心构建评价指标体系。河西学院课程评价指标包括一级指标（综合指标） 、二级指标（明细指标），具体见表2。

3 大数据分析关键技术

3.1 教育大数据与教育数据挖掘

MOOC平台及学校的各类信息管理系统积累了大量与教学相关的数据，这些数据也符合大数据的“4V”特征，即数据量巨大（Volume）、数据结构复杂（Variety）、数据价值密度低（Value）、数据需实时处理（Velocity），可称之为教育大数据。对教育大数据，有狭义和广义两种理解：狭义的教育大数据指学习者行为数据，主要来自于MOOC平台、管理系统等;广义的教育大数据指来源于日常教育活动中人类所有的行为数据[4，5]。这就决定了教育大数据分析技术是复杂多样的，涉及内容分析、行为分析、系统建模等，包括关联规则挖掘、分类、聚类、序列分析、机器学习、知识發现等一系列数据挖掘算法。教育数据挖掘会议（EDM2008）提出：“教育数据挖掘是一个将来自各种教育系统的原始数据转换为有用信息的过程，这些有用信息可为教师、学生、家长、教育研究人员以及教育软件系统开发人员所利用”[6-7]。也就是从庞大的数据中，筛选出隐含的、可信的、新颖的、有效的信息的高级处理过程。数据挖掘技术可以把数据、经验和知识作归纳、总结、补充、更新和完善，建立方便、易于操作、稳定可靠的辅助决策支持系统[8-9]。利用现有的大量数据，应用合适的数据挖掘技术，对影响教学质量的因素做分析，找出影响教学质量的主要原因。

3.2 数据挖掘的过程

数据挖掘的流程如图1，具体需要经过以下步骤[7]：

⑴ 数据采集与筛选：目的是采集和选取有用的数据。在此过程中，需要利用数据库相关操作进行处理。

⑵ 数据预处理与变换：对前面筛选出的数据进行处理，检查数据的完整性、一致性，通过选择、投影或其他操作滤除与数据挖掘无关的数据。

⑶ 数据挖掘：这是整个过程中较为重要的一个步骤。首先需要确定数据挖掘目标并根据确定的任务选择相应的算法，如分类、聚类、关联规则等，包括选取合适的模型和参数，从海量数据中发现有用的规律。

⑷ 模式解释/知识评价：对发现的模式（知识）进行解释和评价。需要说明的是，经过评估后，可能存在冗余或无关的模式，应该舍弃。如果不能满足要求，还需要返回到前面的某些步骤中进行反复提取，整个过程并不是简单的单向推进的过程，而是一个数据反复交互的过程，最后结果以可视化的方式呈现出来。

4 数据挖掘在教学评价中的应用

4.1 数据准备与预处理

基于河西学院2016-2017学年第一学期教学督导评价数据，对信息技术与传媒学院的41位专业教师信息进行关联规则分析。目的是挖掘专业教师自身因素与督导的评价数据的关联关系，以教师的“学历”、“教龄”、“职称”等信息与督导评教数据为依据进行数据挖掘，利用关联规则算法挖掘出隐含的、有用的关系。

预处理过程中，需要将有些数据，例如“教龄”离散化;还要将需要的字段与评定分数转换为便于处理的A→B形式;最后利用关联规则挖掘算法进行计算处理。根据具体情况假设最小支持度和最小可信度，计算出每个关联规则的支持度和置信度，最后筛选出满足条件的关联规则。

4.2 关联规则挖掘结果分析与反馈

根据数据库提供的教师信息和督导教学质量评价的数据，将教龄划分为[10-25]，[<10]，[>25]三个区间，评教得分划分为[100-90]，[89-80]，[79-70]，[69-60]四个区间，用Apriori算法进行数据处理，得出数据之间的联系，假设最小支持度的值为0.1，就可以得到频繁项集的支持度和置信度。计算结果如表3。

由表3可知，教龄在10-25年的教师，评价等级为“良”，得出的置信度较高。由此可见，10-25年教龄的教师具有丰富的教学经验，教学效果优良，督导的认可度较高。教龄对教学效果的影响显而易见，中年教师教学质量优良，是教学的中坚力量，则更应该重视对青年教师的培养。

由表4可知，教师学历与评教也是高度相关的，高学历教师教学质量评价得分较高，因目前学院没有博士，学历为硕士置信度高。这就需要学校加大人才引进力度，但如果出现本科学历的支持度很高，则可能是本科学历的教师占比较大，学校应该采取措施督促教师提高学历。

由表5可知，教师职称与评教也是高度相关的，职称为副教授置信度较高，学院目前教授数量较少，副教授职称的教师教学质量评价优良，故应该鼓励教师不断努力晋升职称。

5 结束语

高校教学质量评价是一项复杂的工作，要做好这项工作，必须依靠真实可靠的数据。评教数据因涉及教师的隐私，学生评教数据未获得使用授权，故只能对教学督导的评教数据进行分析，还需学校建立教学数据库资源的共享和开放利用机制。寄望倡导“用数据说话”的工作思维和工作理念，从而形成客观全面、更具说服力的教学质量评价结果。在大数据背景下，今后应充分利用大数据分析技术，推动教学督导“与时俱进”适应信息时代新形势，这对提高教学督导工作的前瞻性、科学性和推动督导大数据平台建设，以及对教学管理者提供决策支持都具有重要意义。

参考文献（References）：

[1] 郑庆华，运用教学大数据分析技术提高课堂教学质量[J].中国大学教育，2017.2：15-18

[2] O'Neil.M，Pennington. G. Evaluating Teaching Coursesfrom an Active Learning Perspectives Module 12 of the Effective Learning and Teaching in Higher Education Series. CVCP Universities' Staff Development and Training Unit （UK），1992.

[3] 张林英，高等教育教学质量形成机理、有效教学评价及质量管理体系构建研究[D].南京理工大学，2008.

[4] 胡弼成，王祖霖.“大数据”对教育的作用、挑战及教育变革趋势——大数据时代教育变革的最新研究进展综述[J].现代大学教育，2015.4：98-104

[5] 李馨，高等教育大数据分析：机遇与挑战[J].开放教育研究，2016.22（4）：51-56

[6] 张子龙.基于数据挖掘技术高职高专教学质量评价系统设计与实现[D].电子科技大学，2014.

[7] 魏顺平.教育数据的挖掘、分析、应用[J].信息技术教育，2013.10：18-21

[8] 孙小健，仇德成.基于数据仓库的医疗保险决策支持系统设计与实现[J].甘肃科技，2007.23（3）：56-58

[9] 徐洁磐.数据仓库与决策支持系统[M].科学出版社，2005.