大数据下的基础教育评估与教学资源分配

摘 要：深度挖掘教育数据中的隐藏信息，可以暴露教育过程中存在的主要问题，为教育管理部门教育决策提供支持。本文从基础教育的角度着手，基于大数据背景下，深入详细地探讨基础教育评估与教学资源分配，以期对基础教育的发展提供一定的参考借鉴。

关键词：大数据;基础教育;教育评估;资源分配

引言：

现今时代，大数据已经被应用到了各个领域、各个行业，如我国的电子科技大学还成功地通过收集学生在学校中生活学习的大数据，寻找到了校园中“最孤独的人”，我们可以看到大数据已经在影响着生活的方方面面。那么能不能利用它的优势，让它也来服务于基础教育，让现代最流行的大数据也可以对基础教育起一些有益的作用，利用有限的资源和大数据本身所具有的一些优势，促进基础教育的发展，这是从事基础教育工作的人们所需要思考和研究的一个重要的问题，正如舍恩伯格指出的那样：“就像望远镜能让我们看到宇宙的广阔，显微镜能让我们观察到微生物的面貌一样，大数据正在改变着我们的生活以及我们理解世界的方式。”因此，本研究就是对大数据下的基础教育评估与教学资源分配进行研究，让人们开始重视大数据，利用好大数据促进基础教育的发展。

一、大数据相关概述

（一）大数据的概念

大数据是什么，现在还没有一个统一的概念界定。不过通过研究百度百科、维基百科，以及麦肯锡全球研究所给出的定义，我们可以窥见大数据的一些特征，由此可以得出大数据的概念。根据这些解释，可以发现大数据就是一个海量的数据集合，最根本的特征就是大，数据量极其大，数据流动速度快，人工无法完成对它的统计，必须依靠计算机技术进行分析计算的一类数据，同时分析大数据可以得出更加客观的结论。大数据以其独有的数据优势，发挥着巨大的作用，而这些作用，正是大数据盛行的原因，也是大数据能够促进基础教育发展的根本原因。

（二）大数据的特征

大数据的特征是大数据能够发挥作用的保障，也是促进基础教育发展的本质属性，正是因为大数据有这些特征，才促使它变得越来越重要。大数据主要具备以下几个方面的基本特征：（1）用数据表达。大数据的第一个特征，也是最基本的特征，就是可以用大量的、全方位的数据来表达一个清晰的事实。（2）用数据预测。用数据来预测是大数据最重要的一个特征。在当今社会已经有很多方面都运用了大数据进行预测，比如说当今流行的网络电商卖家，他们通过消费者的搜索记录，甚至是鼠标在某一个页面停留的时间来预测消费者们需要什么样的商品，价位是多少的商品，进而弹出适合消费者们购买的商品供他们挑选。（3）用数据超越。用数据超越是我们利用大数据最根本的目标。目前的及更久以前的数据都将被记录保存下来，为的就是未来更好得发展。大数据最终的目标就是要超越前一个时代的发展，在下一个时代可以发展的更好。大数据也是一种不断超越的数据模式，时刻想着要超越之前的发展，奠定未来发展的基础。

二、大数据下的基础教育智能评估研究

教育評估作为当今教育领域中的主要研究问题之一，对于教育改革发展方向及管理决策制定有着至关重要的作用。下面将以某市高级中学基础教育数据为例，探讨大数据下的基础教育智能评估。

（一）教育评估实验数据

现有某市高级中学基础建设资源统计数据，根据这些数据来分析学校是否为示范性学校建立评价模型，从而对高级中学办学水平进行评估。基础建设资源数据包括教师人数、校舍建筑面积（m?）、辅助用房面积（m?）、体育馆面积（m?）、图书册数（册）、计算机台数（台）、教学仪器设备资产等七项指标，以七项指标评估学校是否为示范性学校，对数据进行整理分析，建立评估模型。

（二）基于Lib-SVM算法评估模型流程

针对表1中数据，设计基于Lib-SVM算法评估模型流程如下：

1.计算生均指标数据，按列进行数据归一化。

2.参照Lib-SVM数据格式要求，转化数据格式。整理好实验数据，使用FormatDataLibsvm将数据转化为Lib-SVM模型要求的格式。

3.选择核函数。优先考虑RBF核函数，因为RBF核函数能够实现非线性映射，线性核函数只是RBF核函数一维的特例，多项式核函数参数过多，大幅度增加了模型的复杂程度，sigmoid核函数不适用于分类。

4.选取最优参数c和g。RBF核函数有两个重要参数c和g，对于给定问题，我们预先并不知道c和g如何取值是最好的，因此必须做好参数搜索的工作，以便于找到最合适的参数c和g，使评估模型可以对册数数据准确地进行分类评估。

5.建立Lib-SVM分类模型。设置svmtrain参数，使用格式化之后的数据集训练建立Lib-SVM分类模型。

6.模型测试。利用svmpredict加载建立的Lib-SVM模型进行测试。

（三）实验设计及结果分析

将数据集划分为训练数据集和测试数据集，其中，前100条数据作为训练数据集，后25条数据作为测试数据集。对实验数据进行归一化处理;然后使用Format Data Libsvm将归一化后的数据转化为Lib-SVM数据格式;选择nu-SVC作为主函数、RBF函数作为核函数，使用grid.py进行网格搜索方法寻找RBF核函数最佳的c和g的参数值，得到的最佳参数c=32.0，g=0.5，以此建立Lib-SVM评估模型。以此Lib-SVM评估模型对训练数据集和测试数据集分别进行测试，训练数据集评估结果准确度为92%、相对误差8%;测试数据集评估结果准确度为84%、相对误差16%。

从评估结果可以看出，评估模型在训练集评估中准确率较高，在测试数据集评估中准确率略低一些。但是，随着数据集样本数量的增加，此评估模型准确率也会随之增加，进而使得评估结果更加具有说服力。此评估模型评估结果可以在很大程度上为教育评估工作提供较高的参考借鉴价值，辅助教育评估工作的进行。

三、大数据下的区域教学资源分配研究

下面将以某市各区县学生人数、教师人数、图书册数统计数据为例，探讨大数据下的区域教学资源分配。

（一）教学资源分配实验数据

某市各区县高中学生人数、教师人数、图书册书统计情况显示，各区县之间的生师比和生均图书册数差距相对而言非常大，已经是属于教育资源不均衡的情况。若现有1000名新招高中教师，以及100000册新图书待分配到各区县中去，为考虑教育资源区域均衡，则应降低生师比，提升生均图书册數，使得各区县生师比和生均图书册数趋于平衡状态。

（二）基于PSO的资源分配模型流程

针对表1中数据，设计基于PSO的资源分配模型流程如下：

1.初始化种群。相对于一般问题，粒子数控制在10～40之间，本文研究问题粒子数取20，生成粒子群。

2.更新粒子位置。学习因子c1、c2取值为c1=c2=2.0，惯性权重ω初始取值为ω=1.0，并随着迭代的进行逐步递减到ω=0.4，从而确保发挥粒子群的全局搜索能力。

3.更新粒子位置和当前最优位置。计算各粒子新的适应值，更新粒子最优位置和种群最优位置。

4.验证结束条件。算法结束条件为多次迭代粒子群最优寻优结果无变化，或目前迭代次数超过初始化迭代次数，则算法结束，否则转回（2）继续寻优过程。

（三）实验设计及结果分析

首先考虑教师的分配，将各区县生师比从大到小排序可知，生师比在各区县间的差距相当大，迫切需要解决其区域教育资源不均衡的问题。

使用粒子群优化算法对该1000名教师分配，分配目标为降低生师比过高区县生师比情况，旨在平衡各区县生师比现状。分配结果数据显示，仅有五个生师比比较高的区县分配到新教师，这些生师比较高的区县通过教师的分配已经有了较大幅度的下降。通过此分配模型的分配结果，能够比较明显地改善区域教育资源不均衡的现状，随着每年对新教师的不断均衡分配，各区县的生师比必然能够达到一定的均衡，然后协同下降。

接下来再考虑100000册图书的分配，将各区县的生均图书册数从小到大排序可发现，不同区县间的差异非常大，最大值是最小值的四倍，教育资源不均衡问题非常严重。通过使用粒子群优化算法来分配该10万册图书，使之能改善区域生均图书的不均衡现状。分配结果数据中显示仅仅生均图书册数最低的四个区县分配到部分图书，但仅有一个区县的生均图书册数提升比较明显。

从分配后的结果可以看出，仅仅分配前生均图书册数最低的区县由于分配到大多数图书的原因，其分配后生均图书册数提升比较明显，其他三个区县的生均图书册数在分配前和分配后并没有明显的提升。造成这一情况的主要原因是原区县图书册数基数过大，10万册图书相对于其原有图书册数来说太少，很难通过这些新图书来明显改善生均图书册数不均衡的现状。

教育资源分配本身是一件复杂的工作，要保证尽量通过对教育资源的分配过程，使得教育资源区域均衡化，必须要借助大数据技术来实现。通过上述基于PSO算法的资源均配模型来策划教育资源的分配任务，在分配的过程中全面考虑各区县资源情况，让分配结果趋于教育资源均衡情况，改善教育资源不均衡的问题，可以为教育部门提供数据支持，帮助教育部门作出合理的分配策略，使得教育资源的分配更加科学合理。

结束语：

本文在深刻了解基础教育资源大数据之后，对教育资源大数据进行了全面的分析，针对大数据在教育领域的主要研究方向，提出了本文的主要工作任务。结合基础教育资源统计数据和大数据在教育领域的研究方向，实现了大数据下的基础教育智能评估及区域教学资源分配。

作者简介：

冉子乔 1990.11.27，北京，汉 ，硕士，对外经济贸易大学统计学院在职人员高级课程研修班学员;研究方向：大数据分析与应用