高校学生评教系统中存在的若干问题及对策研究

姜允志 宋新红

摘要：高校学生评教系统对提高高校教学质量、大范围收集学生对教学的反馈信息、提高教师教学积极性和大学生学习的主动性有着重要作用。然而，该类系统目前还存在若干问题：课程难度系数没有动态设置，没有考虑教师性别、教龄、单门课程重复教授次数，评教数据预处理算法不能准确地选出有效数据，文中给出了上述问题的解决策略。

关键词：高校学生评教系统;课程难度系数;有效数据;数据标准化;k-means算法

中图分类号：G645     文献标志码：A     文章编号：1674-9324（2019）44-0239-02

高校课堂教学的质量是大学教育质量的重要体现。目前国内绝大部分高校教务处选择高校学生评教系统作为高校教学质量监控的重要方式之一，把教师的评教得分作为教师工资、职称评定、聘期考核等的重要依据。高校学生评教系统的使用对大范围收集学生对教学的反馈信息、提高教师教学积极性和大学生学习的主动性有着重要作用。然而，在该系统实际的运行过程中发现了不少问题需要进一步的完善和解决。本文聚焦于该系统本身的研究，从课程难度系数动态设置策略，考虑教师性别、教龄、单门课程重复教授次數因素、评教有效数据的选择算法等几个方面给出相应的解决策略，以提高高校学生评教系统的效能。

一、课程难度系数动态设置算法

由于高等院校设置的二级学院及每个学院开设的专业种类较多，对于不同的学院、不同的专业，其学生理解水平、对课程的感兴趣程度及课程难度系数等方面存在一些差异。简单地说，如果一个班级中绝大部分学生对某门课程内容比较感兴趣，他们的学习积极性就较高，学习过程中就会收获更多的知识和乐趣，该门课程的任课教师就会更加受学生们的欢迎及得到较高的学生评分;反之，遇到难度大、较难理解并且课时量又比较少的课程，大部分学生很难学懂或者需要花较多的时间练习才能掌握的课程，他们的学习积极性就较低，甚至在学习过程中有抵触情绪，在对该门课程任课教师评价时，就会比较随意，给出比较低的评分，有失客观性。因此在高校学生评教系统，对不同类别的课程应该设置不同的难度系数，以对评分数据进行标准化处理（数据标准化）。本文给出一种动态设置课程难度系数的算法，步骤如下：（1）把一个学校的所有课程按照专业、课程性质等因素分成N类（A1、A2…AN）。（2）根据上一年度的评教得分，计算每一类课程的平均得分，分别记为：AVG（A1）、AVG（A2）…AVG（AN）。（3）选出最大值，记为M=max（AVG（A1）AVG（A2）…AVG（AN））。任意一类课程Ai的评分经过数据标准化之后的得分为：AME（Ai）=Ai*（M/AVG（Ai）），M/AVG（Ai）为课程类别Ai的难度系数。（4）一个年度之后，更新评教得分数据，转步骤（2）。

二、教师性别、教龄、单门课程重复教授次数

有相关文献研究得出结论：不仅仅是教师的课堂教学情况影响学生的评教结果，高校教师的性别、年龄、职称等方面都也可能影响学生评教。文献[1]作者认为女教师的学生评教得分高于男教师，性格外向的教师的学生评教得分高于性格内向的教师。文献[2]作者借助多元线性回归分析技术发现职称对学生评教也有较多影响。基于对该学生评教的研究和已有文献的分析，我们认为职称和年龄对学生评教的影响的核心要素是教龄和同一位教师单门课程重复教授次数。下面给出这三个因素的数据标准化方法。

（一）教师性别

基于上一年度的评教数据，针对课程类别Ai分别计算出男教师的平均得分Male（Ai）和女教师的平均得分Female（Ai），那么标准化之后的得分为：

AME（Male（Ai））=Male（Ai）*max（Male（Ai），Female（Ai））/Male（Ai）.

AME（Female（Ai））=Female（Ai）*max（Male（Ai），Female（Ai））/Female（Ai）.

（二）教龄

基于上一年度的评教数据，针对课程类别Ai我们选出教龄分别为0—3年（Age1）、3—6年（Age2）、6—10年（Age3）、10—35年（Age4）的教师，分别计算他们的平均得分，记为：Age1（Ai）、Age2（Ai）、Age3（Ai）、Age4（Ai）。Age1（Ai）标准化之后的得分为：

AME（Age1（Ai））=Age1（Ai）*（max（Age1（Ai），Age2（Ai），Age3（Ai），Age4（Ai））/Age1（Ai））.

同理可以得出Age2（Ai）、Age3（Ai）、Age4（Ai）标准化之后的得分。

（三）单门课程重复教授次数

对于同一门课程，按照不同的教师教过该门课程的重复次数分成重复1次（记为R1）、重复2—3次（R2）、重复3—6次（R3）、重复6—20次（R4）几类，计算他们的平均得分，分别记为：R1、R2、R3、R4。以R1为例修正后的得分为：AME（R1）=R1*（max（R1，R2，R3，R4）/R1）.

三、评教数据预处理算法

影响评教数据有效性的原因较多。多数高校进行学生网上评教的时候，常常带有强制性，而不是让学生主动地参与到教学评价活动中来，这样他们在评教时就会带有一些反感情绪，给出的评教得分就不够客观公正。此外，如果有部分学生上课出勤率较低，对本课程教学方式和过程不熟悉，对本课程学的知识一知半解，他们提供的评教数据就不够准确，还有一些有影响力的学生会较多影响到其他学生的评教。部分高等学校对于学生网上教学评价的结果进行分析和处理的时候，缺乏有效的数据分析方法和技术，仅仅是对数据的简单排序，并没有针对评价结果去深入的进行分析和探究[3]。本文给出一种筛选有效数据的设计方案（其参数可以根据实际情况进行调整），该方案分为两个子算法：①清洗掉不符合评教资格的学生评教数据;②清洗掉恶意评教的学生评教数据。

针对子算法①，我们除了让学生填写课堂教学质量学生评教表外，还需要让学生填写一份个人听课情况表，其内容可以设置为以下几项指标：对该门课程的兴趣指数、课前预习情况、课堂注意力集中情况、该门课程的出勤情况、课堂提问情况、课后复习及和同学讨论情况等。邀请学生对于每一个指标打分，最低0分，最高10分。接下来，我们可以对获得的数据采用k-means算法分成四类：C1类（学习认真的学生）、C2类（学习一般的学生）、C3类（学习不认真的学生）、C4类（学习极其马虎的学生）。对四类学生的评教分数分别设置不同的权重：50%、40%、10%、0%。

针对子算法②，我们是基于以下的分析。当前高校教务处给出的课堂教学质量学生评教表至少有10项指标，每项指标的评价选项至少有五种选择，所以两份表格上的数据完全相同的概率至多为5—10。基于此，我们可以把课堂教学质量学生评教表的数据采用k-means算法分成若干类：对于任意两张表格，如果10项指标完全相同，归为D1类;如果相同的指标个数小于10大于等于7，那么归为D2类;如果相同的指标个数小于7大于等于5，那么归为D3类;如果相同的指标个数小于5，归为D4类。对D1类—D4类数据依次设置不同的权重：0%、10%、20%、70%。

四、总结

通过对高校学生评教系统的研究和文献分析，我们可以在以下方面完善该系统，以得出更加公平、合理的评教分数：在该类系统中采用动态设置课程难度系数策略，考虑教师性别、教龄、同一位教师单门课程重复教授次数因素，增加数据预处理算法以筛选出有效数据。

参考文献：

[1]贺永平，周鸿.提高高校学生评教有效性的策略研究[J].中国成人教育，2010，（02）：43-45.

[2]邱锴，薛雨平，朱建勇.普通高校体育教学“学生网络评教”的影响因素研究[J].山东体育科技，2012，34（01）：71-74.

[3]蒋鹭婷.浅谈高校学生网上评教的问题及对策[J].科教导刊（上旬刊），2018，（09）：16-18.