基于云模型的教学评价方法研究

秦映 李占利

摘要：在传统教学评价过程中，软件工程与相关专业的教学评价目标及方法单一，强调理论教学，存在毕业生综合素质不强的问题。同时随着信息技术的发展，人才培养目标与高校教学质量评估之间出现了脱节现象。针对这一问题，以教学评价过程为研究对象，以建立评价体系为研究内容，引入云模型技术，以解决评估过程中信息不确定的问题。最后以软件工程专业为例，提出一种基于云模型的评估方法。该研究成果可以加强信息技术与教育技术的融合，为教学评價等应用提供理论基础与关键技术支撑，从而提升软件工程专业人才培养质量。

关键词：教学评价;云模型;评价体系;不确定信息

DOI：10.11907/rjdk.192092 开放科学（资源服务）标识码（OSID）：

中图分类号：G434文献标识码：A 文章编号：1672-7800（2020）006-0265-04

0 引言

习近平总书记曾经批示要优先发展教育事业。近年来，软件工程专业人才培养呈现出大规模、多层次等趋势，毕业生数量大幅增长。但与此同时，一些用人单位也反映毕业生工作开始时会遇到以下问题：岗位所要求的专业知识不足（衔接问题）、实践能力较差、沟通能力薄弱、缺乏团队精神等。这些问题的产生，本质上是由于高校人才培养及教学质量评价方法与业界需求存在很大程度的脱节。

随着信息技术的发展，由于我国软件工程及相关专业人才培养目标及评价标准定位不够准确，过分强调理论教学，评价方法单一，因此造成毕业生的综合素质不佳。2018年9月10日，习近平总书记在全国教育大会上发表重要讲话，要求从根本上解决教育评价指标问题，从而促进了人们对软件工程专业教学评价方法作进一步研究。

本文基于云模型特点，建立云模型评价体系，以弥补现有教学中仅使用定量或定性信息进行评价的不足。在教学评价中，研究云模型教学评价方法的创新意义在于找到评价指标体系中由语言值描述的评价结果与由准确数值描述的评价结果之间的对应关系，从而实现科学评价的目的。

1 研究意义

针对教学评价方法中指标之间的模糊性与不确定性，本文结合云模型（定性定量交换模型）的优势，研究云模型教学质量评价方法。通过云模型技术实现定性指标与定量指标之间的自然转换，确定各评价指标权重，完成教学过程综合评价。

本文结合西安科技大学发展背景，研究软件工程专业人才培养实践过程，以期对高校软件工程及相关专业教学过程及教学质量评价方法提出有效建议。

2 研究现状分析

在教学评估过程中，合理确定各评价指标权重是一项非常重要的任务。目前，许多学者对如何确定指标权重进行了研究，大致可分为两类：第一类是基于专家知识和经验，主观判断每个指标权重的方法，即主观权重方法，如Delphi测定法、最小平方法等;第二类是基于评估者给出的被评估信息之间的关系，即客观加权方法，如主成分分析法、熵值法等。主观权重法实施过程相对简单，但易受主观因素影响，使得结果客观性较差;客观加权方法主要基于数学理论和方法，计算过程与算法复杂性一般较高，使得结果稳定性较差。在文献中，提出使用灰度相关性求解指标权重的方法。该方法基于灰色系统理论，具有对样本数量和数据分布规律要求严格的优点，可以弥补主客观加权方法的不足，但该方法基于准确的调查数据，而在教学评估系统中，影响教学质量的因素并不都具有确定的数量关系，难以用精确的数据进行描述。

云模型是定性概念与定量描述之间的转换模型，可以实现教学评价中定量分析与定性分析的互换，因而可以解决影响教学评估的教学质量因素之间的模糊性和不确定性问题。

云模型可以将概念空间转换为数值空间。一方面，这种转换是确定和精确的，数值空间中的每一个云滴都是定性概念的量化实现，在一定程度上代表了定性概念;另一方面，这种转换也表现出随机性和模糊性，每一次转换就会得到由一组不同云滴构成的云滴集合，同一概念可以选择用任一个集合表示。可见，云模型在处理定性与定量映射时，符合人们的主观思维，有效集成了映射过程中存在的随机性和模糊性，反映了不确定性规律。

3 云模型评价方法

教学评估的关键是如何科学、全面地评估教学工作的实际水平。但影响教学工作的各种因素表现出模糊性和不确定性，给综合评价带来了困难。云模型所蕴含的不确定性和随机性为教学评价提供了新思路。图1为定性概念“约40”的云图。

设U是具有精确数量的表示域，A为某一定性概念。有一个随机数0≤Y≤1，看作。对A的隶属度，则隶属度在论域上的分布称为隶属云，简称为云。所有。到区间[0，1]都是一对多的映射，x对于A的隶属度是一些概率分布，会产生类似“云”的形状，没有明确的形状与边界，隶属曲线就是云的数学期望曲线。

云的厚度并不均匀，由云滴强度和成员随机性加以反映，靠近或远离概念中心的位置随机性相对较小，反之则随机性很大。

在云模型中，利用3个数值特征期望值Ex（ExpectedValue）、熵En（Entropy）和超熵He（Hyper Entropy）反映定性概念的定量信息。其中，Ex是定性概念的中心值，熵En反映域中定性概念可接受的数值范围，表示定性概念的模糊度，超熵He表示云滴的分散度。

本文将云模型应用于教学评估过程，将评估框架作为研究领域，分解影响教学效果的各级指标，获取各指标信息。云模型分别用于描述定性指标和定量指标，获得云模型评价指标体系，全面评价教学质量。评估方法主要包括3个步骤：①变量云化;②评估指标云模型;③云模型融合。具体流程如图2所示。

（1）云化指标，分别获得每个指标的云模型。将评估过程中产生的信息分为准确的数值信息和模糊的语言信息。提取一个由n组精确数值表示的性能指标，其数字特征如式（1）所示。

分别获得由定性语言值描述的评价指标，以及由定量数值描述的评价指标云模型。

（2）构造定性评测云标尺。设置一个由11条评论组成的评论集，如S={极差，非常差，很差，较差，差，一般，好，较好，很好，非常好，极好}，将11条评论放在同一坐标系的连续标尺上，并将每个语言值映射到[0，1]区间，构造云标尺如图3所示。

（3）云模型融合。所有評价指标的云模型在相同坐标系中构成云簇，该云簇同时反映了定性指标与定量指标的激活间隔。

如果在评估过程中存在m条评估信息，则将表示m条评估信息的m个云模型放置在相同坐标系中，并形成反映评估结果的m维云簇。云簇随着评估过程的变化而变化。在任意时刻，云簇都可以激活相应区间。通过多个时间点的多个输入，可以获得不同评价指标的采样点，从而反向恢复各性能指标的综合云模型，与云标尺进行比对获得评估结果。

4 基于云模型的教学质量评价方法有效性验证

在软件工程教学评估过程中，存在大量多样化及不确定的评估信息。影响教学评价的主要因素如图4所示。

从图4可以看出，在教学评价过程中，体现知识掌握程度的平时成绩、学习成绩以及各类竞赛成绩属于定量信息，可用精确数值表示;反映能力形成和素质培养情况的其它信息是定性信息，通常用语言值进行描述。根据云模型评价方法对评价体系中的评价信息进行分类，若为精确数值表示，则采用公式（1），若为语言描述的定性概念，则采用公式（2），从而得到评价体系的综合云模型。

以软件工程专业为例，对于语言描述的定性变量，选取6个指标的4组值，如表1所示。

设评语与评定值对应关系如下：一般为0.5，好为0.6，差为0.4，很差为0.3，则可以得到决策矩阵B。

从决策矩阵中求得各指标云模型的Ex和En，如表2所示。

将各指标云模型置于同一坐标系中，如图5所示。

该坐标系中任意一个指标通过多个时间点的多个输入可以随时激活，获得该指标采样点。将所有评价指标的采样点视为云滴，反向恢复整个评价体系云模型的数字特征Ex，En，He为（0.5，0.1，0.2），从而得到该评价指标体系的综合云模型，如图6所示。

将评价体系的综合云模型（见图6）与定性评测云标尺（见图3）进行对比，得出评价结果：评估系统的评估值为0.5，相应评论为“一般”。然后对比图5与图6，可进一步得出结论，虽然针对“平时成绩”、“科学素质”、“社交能力”和“身体素质”的评价结果较好，但由于对“学习能力”、“实践能力”及“各类竞赛能力”的评价结果一般，导致整体评价值仅为0.5，所以对应评语为“一般”。可以看出，若能在教学过程中提高学生实践与竞赛等方面的能力，教学评价结果会更好。

通过上述方法不难看出，评价体系中包含的不确定性评价指标增加了评估难度。使用云模型不必强调精确的数学函数表示，体现了处理不确定信息的优势。根据上述方法和模型提供的评价结论，与传统教学评价方法相比，该方法考虑的因素更多、更全面，得出的结论也更加直观，且更接近实际。

5 结语

利用云模型进行教学评价需要在教学实践中作进一步验证。在调研论证方面，听取相关专家的评价建议，并将能力评价表中表述不清、重叠、无效的指标项进行修正或删除，同时跟据实际需要适当增加指标项，使指标项的制定更加符合教学要求;在课堂观察方面，运用云模型评价指标体系观察课堂教学视频，检验评价指标项是否能够真正反映教师教学及学生学习过程中存在的问题，以及教师与学生评价指标项是否具有可操作性;在对比分析方面，传统评价方式主要针对学生考试成绩，评价重点是学生对知识的掌握，其完全采用量化成绩作为评价指标，不能全面检测出学生的学习与实践能力，更无法反映出学生的创新能力与综合素质。

本文研究的基于云模型的教学评价方法以知识掌握、能力形成和素质培养3个一级指标为基础，可以弥补传统教学评价中的不足，具有一定的实用性与有效性，有助于提升软件工程专业人才培养质量。