大数据分析在高职教学质量评估中的应用

纪晓韵

摘   要：教学质量评估是提高教育教学质量的重要保证。学生评教是教学质量评估的客观评价，已被广泛应用于各大高校中，评教的结果通过大数据分析，可以为教学质量评估提供依据，教学质量评估是教学活动不可缺少的一个基本环节，它在教学过程中发挥着多方面作用，检验教学效果、诊断教学问题、提供反馈信息、引导教学方向、调控教学进程等。现用WEKA进行数据分析，找到影响教学质量评估的关键因素和隐含信息，以进一步提高教学质量。

关键词：教学质量  学生评教  大数据分析

中图分类号：G434                                  文献标识码：A                        文章编号：1674-098X（2019）05（a）-0205-04

近几年来，我校通过学生评教方式在促进教师提高教学质量等方面取得了一些的成效。主要采用学生网上评教的方式，由学生结合任课教师的课堂教学情况，根据教学管理部门制定的相关评教项目进行评价打分，最终统计出教师个人在某个学期教学质量的学生评价得分。

为了深入挖掘和研究学生评教数据背后隐藏的有价值的信息和知识，本课题旨在借助数据挖掘技术，分析教师属性如职称、学历、工龄、性别等以及教学基本素养、教学方法与手段、教学管理、现场讲授等等教学因素与学生评教成绩之间是否存在内在联系，或者哪些教学因素会直接影响学生的评教意向，从而为提高教学质量提供决策支持。

1  研究背景

教育部于2017年6月13日发布《关于全面推进职业院校教学工作诊断与改进制度建设的通知》。完善职业教育内部质量保证制度体系，建立常态化的职业院校自主保证人才培养质量机制，教育部决定建立职业院校教学工作诊断与改进制度，着力推动职业院校履行人才培养质量主体责任，强化教育行政部门加强事中事后监管、履行管理职责。正确认识职业院校教学工作诊断与改进制度，持续提高技术技能人才培养质量具有重要意义。

教学质量事关学校所培养出学生的质量，抓好教学质量是高校教学工作的首要任务。

因此国内外大学都非常重视教学质量监督保障体系建设，其中主要运用一些教学质量评价的手段和方法来加强对教师教学质量的监督。利用教学质量评估的最初原始数据对教学课堂的教学评估的效率进行比较和分析[1]。有学者通过对教育过程中的相关新知识进行数据挖掘，方便教育部门对教学过程进行管理，其数据来源于教育质量评估的各部门。这些数据主要包括学生的问卷调查和教师教学记录[2]。评教的数据是学生对教师教学质量和水平的客观评价，其结果被广泛应用于教师考核和教学质量诊断与改进。美国的高校管理机构对教师的应聘和升职都广泛采纳学生意见，参考学生评教的结果。

目前学生评教已在上海T学院使用多年，通过学生评教，教学管理部门把评教结果反馈给教师，对评价较差的教师要求认真查找原因，改进教学方法，不断提高教学水平和能力。

2  研究内容

2.1 现有评教体系

以我校为例，我校近年来采用网上评教模式对教师教学质量进行客观评估。马秀麟等人通过对评教数据内部一致性的检验、对同质教学班的多轮评教数据进行跟踪分析和与督导数据的一致性分析[3]进行验证评教数据确实能客观反应教学质量，并对评教数据进行分析从而为教学部门提高教学水平提供依据。

为了确保评教结果的客观公正，每学期我校进行两次评教活动，分别在开学第一个月和学期结束前三周，这样有效避免了“高分互换”和“逆选择”行为[4-5]，教学督导综合两次评教平均分发布评教结果至各二级学院。教学督导会将排名在后10%的教师进行监督改进教学方法，促使这些教师尽快提高教学水平。

理论课评教问卷介绍如表1。

从表1可以看到理论课的评教信息来源于4大因素共16题，分别是：教学基本素养（25分）、教学方法与手段（32分）、教学管理（25分）和教学效果（18分）。

2.2 研究对象

本文以2017—2018学年我校第一学期第二次评教结果为例，数据库表中共计98万余条原始评教数据。本次参评教师共计415名（专任教师314名，校内兼职84名，校外教师17名），评教课程共计2167门（其中理论课1845门，理实一体课322门），共计61132人次参与评教，总参评率达到59.37%。

综合其他文献和校内师生的讨论结果，预测影响学生评教的因素主要分为以下3大方面：教师因素包括教龄、性别、职称等，课程因素包括课程类别、课程性质、总学时、总学分等和客观因素包括学生年级、是否本系教师授课、教师总课程数、教師总课时数等，故而在数据采集时分别采集了以上信息。针对人事系统提取教师基本信息、教师类型、职称评聘、进修深造等，结合本次数据分析的需求，提取出教师信息（性别、教龄、学历、学位、职称信息、教师类型）;针对教务系统提取评教数据（按课程、教师、评教因素汇总）、课程信息（课时数、学分、课程类型、学生人数）和成绩信息（通过人数、平均分）以供后续挖掘。

然后对数据源进行加工，检查数据的完整性、一致性、准确性，对丢失数据进行填补，消除“脏”数据。

此次评教最低分为64.99，最高分95分，平均值为93.435分，标准偏差为2.296。说明此次评教数据的成绩集中度很高，评教的成绩没有拉开差距和层次。为了有利于后期数据挖掘分析，现将评教结果进行分类：SCORE>94.49归为A; 94.49>=SCORE>92.99归为B;剩余归为C。

2.3 研究方法

本研究从数据交换平台共享库获得教务系统中课程基本信息、成绩信息、教师基本信息，评教信息需从教务系统中另行采集和预处理，其中校外教师的基本信息人事系统中并无记录，由二级学院自行管理，无从获得。本文中将从数据库提取到的数据利用数据挖掘平台WEKA进行分析。

分类是数据挖掘的重要技术，分类是在已有数据的基础上学习出一个分类函数或构造出一个分类模型，是Weka中的分类器。其中决策树就是一种非常有效的分类方法。

决策树方法的起源是概念学习系统（Concept Learning System，CLS），然后发展到ID3方法达到高峰。但ID3算法是把信息增益 （信息熵）作为选择测试属性的标准，即树节点的选择策略，在计算基于属性的信息熵时，公式比较复杂、计算量较大，相应的复杂度也高，当数据量很大的时候很耗费硬件资源，计算花费的时间较长[6-7]。

C4.5算法是澳大利亚悉尼大学Ross Quinlan教授于1993年对ID3算法进行修改而来。C4.5算法在以下几方面进行了改进：

（1）能够处理连续型属性和离散型属性的数据。

（2）能够处理具有缺失值的数据。

（3）运用信息增益率作为决策树属性选择标准。

（4）对生成树修剪，降低过拟合。

C4.5算法可以使用通用的称作TreeGrowth的决策树归纳算法作为生长树算法。该算法的输入是训练集T和属性集U[8]。算法递归选择最佳属性以划分数据，并扩展树的叶节点，直到满足结束条件。

C4.5引入属性的分裂信息来调节信息增益：

信息增益率：

在WEKA中J48算法正是C4.5算法的java版本。根据计算不同属性的信息增益率，得到影响评教的关键因素;通过属性选择中进行数据挖掘，通过WEKA生成分类决策树预测模型，找出评教问卷各因素与评教成绩之间的关系，分析各类信息对评教结果的影响，并将分类预测结果运用于教学管理和指导教师教学工作，为提高教学质量提供决策参考依据。

3  数据挖掘的结果分析

3.1 理论课评教问卷的关键因素挖掘

针对理论课的评教问卷结果，提取四大因素得分总和进行汇总，因为各因素总分不同，为了科学取得评教关键因素，对数据进行预处理，取各因素得分率（即：得分/总分*100），在WEKA中导入理论课各因素得分率和最终评教分类数据集，理论课共计1845门，其中评教A类课程共583门，B类826门，C类436门。

根据各属性增益率结果表2，可以确定A21为影响评教的关键因素，即教学方法与手段是理论课评教的关键因素。

通过与学生和教师沟通，发现理论课教学方法与手段较为单一，教师多以PPT教学为主，学生“被动”听课，可引入同伴教学法通过教师设计的用于揭示学生概念错误和引导学生深入探索的概念测试题，借助应答交互系统或选项卡片，引导学生在课堂上对概念测试题进行讨论、争辩、交流、重新判断，参与教学过程，在课堂教学中创建一种学生自主学习、合作学习、生生互动、师生互动的创新教学模式[9]。

有学者已经提出采用现代教育手段，拓宽学生的学习方式，构建基于“互联网+”的教学平台，以交互式微课、MOOC、云端课的形式拓展学习者的学习空间促进学生能力的培养[10]。

3.2 影响评教因素分析

其中校内专职教师共计310人，校内兼职教师84人，其余为校外教师，因校外教师信息无法逐一获取，故而针对校内教师作数据分析。

首先分析理论课，之前分析过理论课评教问卷的关键因素是A21，故此时评教信息数据选取A21的成绩、参评人数、评教总分，成绩信息中选择平均分、通过人数，课程信息包括学生人数、总课程数、总学分数、总课时数，教师信息中选取性别、教龄、职称、学历、学位、教师类别。再根据評教和成绩数据进行汇总计算出总参评率、总通过率，共计16个属性。

选择不同分类器，选择十字交叉验证方法分类结果运行如表3。

显然J48分类器的分类效果更佳，接下来进行属性选择的评估结果最终为：A21、性别和评教结果类别3个属性，按此三个属性进行分类效果如表4。

正确分类实例数比刚才的结果还要多一个，决策树比之前更小，原本17个属性现仅用2个属性进行分类，此时生成的决策树如图1。

3.3 影响评教的其他因素

通过对这16个属性增益率排序，前三名分别是A21/S24得分、参评率和总课程数。

可见除了评教关键因素外，参评率、教师学期总课程数也对评教结果产生着重要影响。

4  结论与建议

4.1 增强学生评教意识，化被动为主动

通过对学院的评教数据的分析，总体上学生的评教数据是客观有效的，学生的评教分数一定程度上反映了教师的教学质量，但是目前总体参评率不足60%还有待进一步提高，这需要学院管理部门的重视。美国教育评论家斯塔弗尔比姆人为，“评价最主要的意图不是为了证明，而是为了改进”[11]。学校要加强对评教的宣传和指导，让学生积极客观参与评教，这样评教的数据才能客观真实反应教师教学质量，对提高教学质量、发现目前存在的问题起到关键作用。同时学校通过分析评教结果，找到影响评教的关键因素，从而有针对性地改进教学质量，学生必然会从课堂教学改进的效果收益，自然会让更多学生积极参与到评教当中来。

4.2 评教影响因素的启示

众所周知，教师授课一般分为3个阶段：课前准备、课中讲授和课后辅导。每个阶段都需要教师投入相当的精力完成准备。课前备课是每位教师授课前的必备环节，备课充分与否决定了教师教学质量;授课过程中在教师精力充沛的情况会更愿意与学生交流，对学生讲授也会更有耐心，会更注重课堂气氛调节和吸引学生注意力;课后辅导，对作业批改、答疑更是需要教师花费更多时间和精力完成。所以排课中要控制教师总课时数，以保证教学质量。

教师也需要学习，加强教师技能培训。学生评教的其中一个重要的目的是为了帮助教师提高教学水平。学校可以根据评教结果分析后普遍存在的教学弱项有针对性地开展组织培训，有目的、有计划、有针对性地帮助改进教师的欠缺和不足。

参考文献

[1] Li T，BWY.The Study of the DEA Method Model for University Teaching Quality Assessment and Benefit Analysis[J].Physics Procedia，2012（25）：1187-1191.

[2] Chalaris M.Improving Quality of Educational Processes Providing New Knowledge Using Data Mining Techniques[J].Procedia-Social and Behaioral Sciences，2014（147）：390-397.

[3] 马秀麟，衷克定，刘立超.从大数据挖掘的角度分析学生评教的有效性[J].中国电化教育，2014（10）：78-84.

[4] 周继良.破译高校学生评教问题症结之新解——基于信息不对称理论的检视[J].教育科学，2010，26（6）：30-38.

[5] 林光彬，张苏，樊彬彬.大学生评价教学质量的逻辑——来自调查研究的证据[J].教育研究，2012（10）：93-98.

[6] Tan Pangning，Steinbach M，Kumar V.數据挖掘导论[M].范明，范宏建，译.北京：人民邮电出版社，2006.

[7] 毛国军，段立娟，王实.数据挖掘原理与算法[M].2版.北京：清华大学出版社，2007.

[8] 袁梅宇.数据挖掘与机器学习WEKA应用技术与实践[M].2版.北京：清华大学出版社，2014.

[9] 吴艾辉.研究型大学工科专业力学课程教学方法创新与实践[J].力学与实践，2017，39（3）：299-301.

[10]李栋.王海军.“互联网+职业教育”视域下创新 高技能人才培养模式[J].教育与职业，2018（2）：104-107.

[11]陈玉琨.教育评论学[M].北京：人民教育出版社，2005.