基于数据挖掘算法的高校教学质量评估模型设计

2020-09-21李育阳

现代电子技术 2020年17期

李育阳

摘要：高校教学质量是一项重要的高校水平评价指标，但是高校教学质量与多种影响因素相关，变化规律十分复杂，使得当前模型无法准确对高校教学质量进行评估。为了解决当前高校教学质量评估过程中存在的不足，以提高高校教学质量评估正确率，设计了基于数据挖掘算法的高校教学质量评估模型。该模型首先对当前高校教学质量评估的相关文献进行研究和分析，建立高校教学质量评估的影响因素;然后，采集高校教学质量影响因素数据，并通过专家确定高校教学质量等级，建立高校教学质量评估的学习样本;最后，引入数据挖掘技术的BP神经网络对学习样本进行训练，形成高校教学质量评估模型，并通过具体实例分析高校教学质量模型的优越性。结果表明，数据挖掘算法可以描述高校教学质量等级之间的差别，获得高精度的高校教学质量评估结果，而且高校教学质量评估误差要远小于当前典型的高校教学质量评估方法，优越性十分显著。

关键词：高校教学管理; 质量评估; 影响因素; 数据挖掘算法; 学习样本; 模型通用性

中图分类号： TN02?34; TP391 文献标识码： A 文章编号： 1004?373X（2020）17?0119?04

Abstract： The university teaching quality is an important index of university level evaluation. It is related to many influencing factors， so its change rules are very complex， which makes the existing model unable to accurately evaluate the university teaching quality. In view of this， a teaching quality evaluation model based on data mining algorithm is designed to cope with the shortcoming existing in the process of university teaching quality evaluation and improve the evaluation accuracy. The relevant literature of current university teaching quality evaluation is analyzed， the influencing factors of university teaching quality evaluation is established， and the data of influencing factors of university teaching quality is collected. In addition， the teaching quality grade of universities are determined by experts to establish the learning samples of teaching quality evaluation. Finally， the BP neural network based on data mining technology is introduced to train the learning samples and generate the university teaching quality evaluation model. The advantages of the university teaching quality evaluation model are analyzed by specific examples. The results show that the data mining algorithm can be used to describe the differences among the teaching quality grades of universities and get accurate evaluation results. Moreover， the evaluation error of university teaching quality of the designed methods is far less than that of the current typical methods， so the designed model is of significant advantages.

Keywords： college teaching management; quality evaluation; influencing factor; data mining algorithm; learning sample; model commonality

0 引言

隨着大学生数量的不断增加，教学质量在高校教育质量中的地位越来越明显，成为一个衡量高校教学效果和人才评价的指标，提高教学质量成为现在众多高校的共识[1?3]。在一所高校中，由于学科相当多，学科之间存在一定的交叉，教学手段灵活多样，高校教学质量评估变得相当复杂，是一个颇具挑战性的问题[4]。

当前高校教学质量评估可以划分为两个分支：一个分支为基于定性分析的高校教学质量评估方法，定性分析方法主要包括：专家系统、关联规则等，它们只是从整体上对高校教学质量进行把握，对变化的整体趋势进行分析[5?7]，教学质量评估体系是包括一些量化的因素和非量化的因素，这样定性分析方法难以对高校教学质量进行精细化描述，实际应用价值低，只起着指导性意义;另一个分支为基于定量分析的高校教学质量评估方法，该类方法又细分为：传统统计学的高校教学质量评估方法和机器学习算法的高校教学质量评估方法。传统统计学主要包括线性回归、灰色理论，它们考虑的因素简单，只能描述影响因素和高校教学质量之间的简单、线性统计关系，使高校教学质量评估精度达不到实际要求[8?10]。机器学习算法主要包括BP神经网络、极限学习机等，它们属于数据挖掘范畴，以现代统计学理论为基础，具有一定的学习和表达能力，可以对影响因素和高校教学质量之间的关系进行表达，而且能够充分利用专家知识和经验，得到了较好的高校教学质量评估结果[11?13]，在实际应用中，像BP神经网络的参数优化问题、极限学习机的结构确定问题均没有得到有效解决，直接影响高校教学质量评估结果[14?15]。

针对当前模型无法准确对高校教学质量进行评估的问题，以提高高校教学质量评估精度为目标，设计了基于数据挖掘算法的高校教学质量评估模型，通过具体实例分析高校教学质量模型的优越性。结果表明，数据挖掘算法的高校教学质量评估误差要远小于当前典型方法。

1 数据挖掘算法

1.1 BP神经网络

BP神经网络包括输入层、输出层以及隐含层，设输入层输入为[xi]，那么其输出为：

1.2 自适应遗传算法

传统遗传算法的交叉和变异概率采用固定形式，种群中的个体十分容易集中，陷入局部收敛的概率相当大。为了防止该缺陷出现，提出自适应遗传算法，其最大的特点就是交叉和变异概率不固定，让其与进化代数相关。随着进化代数变化而发生改变，同时又与适应度值相关，这样不会使种群中的个体出现集中现象，加快了算法的收敛速度，并且收敛效果更优。自适应遗传算法的交叉和变异概率的变化曲线如图1所示。

2 基于数据挖掘算法的高校教学质量评估模型设计

2.1 高校教学质量的影响因素

为了能更好地对高校教学质量进行评估，首先对一些与高校教学质量评估相关的影响因素进行分析，本文主要从教师本身和学生两个方面分析高校教学质量的影响因素，具体如图2所示。

2.2 基于数据挖掘算法的高校教学质量评估步骤

1）根据图2高校教学质量评估的影响因素收集数据。

2）通过专家根据高校教学质量评估的影响因素确定相应的高校教学质量等级值。

3）根据高校教学质量评估的影响因素确定神经网络BPNN的结构。

4）采用自适应遗传算法确定隐含层和输出层权值的初始值、学习率和动量因子的值。

5）根据神经网络的输入节点数量确定隐含层节点数。

6）根据高校教学质量评估的学习样本，对BP神经网络进行训练，直到训练误差满足预先设置的范围为止。

3 高校教学质量评估模型的实例分析

3.1 分析平台

为了分析基于数据挖掘算法的高校教学质量评估模型的有效性，对其进行实例分析，其中，实例分析的平台设置如表1所示。

3.2 与经典模型的高校教学质量评估模型性能对比

为了分析数据挖掘算法的高校教学质量评估模型的优势，在相同平台，采用标准BP神经网络、文献[15]的高校教学质量评估模型进行对比分析。选择某10所大学的高等数学作为研究对象，每所大学选择的教师数量如表2所示，采集相应的影响因素值，由于篇幅有限，不一一列出。

采用3种模型对表2中10所大学的教师的高等数学教学质量进行评估，统计每所大学的高等数学教学质量评估精度，结果如图3所示。

对图3的高等数学教学质量评估精度进行分析发现：

1）标准BP神经网络的高等数学教学質量评估精度平均值为84.93%，高等数学教学质量评估误差最大。这是因为其参数采用随机方式确定，无法建立描述高等数学教学质量复杂变化特点的评估模型，导致出现许多高等数学教学质量评估过拟合点，高等数学教学质量评估效果最差。

2）文献[15]的高等数学教学质量评估精度平均值为89.69%，高等数学教学质量评估误差小于标准BP神经网络。这是因为引入了支持向量机，建立了比标准BP神经网络更优的高等数学教学质量评估模型，能够有效描述高等数学教学质量复杂变化特点，由于存在一些高等数学教学质量评估欠拟合点，评估效果有待进一步改善。

3）数据挖掘算法的高等数学教学质量评估精度平均值为95.82%，远远高于标准BP神经网络和文献[15]的高等数学教学质量评估精度，这是因为本文模型引入了BP神经网络和参数自适应优化算法，建立了可以高精度跟踪高等数学教学质量复杂变化特点的评估模型，克服了当前评估过程中存在的一些问题，有效提高了评估效果。

在高校教学质量评估的实际应用中，由于数据的规模越来越大，为了对高校教学质量评估效率进行分析，统计每一种模型的高校教学质量建模时间，结果如图4所示。从图4可以看出：标准BP神经网络的高等数学教学质量建模时间均值为62.83 ms，文献[15]的高等数学教学质量建模时间均值为39.16 ms，本文模型的高等数学教学质量建模时间均值为25.44 ms。由对比结果可以看出，本文模型的高等数学教学质量建模时间大幅度缩短，提高了高校教学质量评估效率。

3.3 本文模型的高校教学质量评估通用性分析

为了分析数据挖掘算法的高校教学质量评估模型的通用性，选择一个大学10门课作为测试对象，统计它们的高校教学质量评估精度和建模时间，结果如表3所示。

从表3可以看出，对于10门课，本文模型不仅获得了高精度的高校教学质量评估结果，而且评估速度相当快，完全可以满足高校教学质量评估的实际应用要求。

4 结语

高校教学质量与多种影响因素相关，成为了当前的研究热点，为了获得更好的高校教学质量评估结果，引入数据挖掘技术的BP神经网络和自适应遗传算法，建立高校教学质量评估模型，结果表明，本文模型是一种高精度、效率高的高校教学质量评估模型，具有十分广泛的应用价值。

参考文献

[1] 吕健安.现代教学质量观视角下的应用型院校教师教学质量评价[J].教育与职业，2019（6）：45?47.

[2] 吕梅，黄守磊，谭艳超.高校教学质量评价体系的构建与实践探索[J].黑龙江畜牧兽医，2016（2）：166?168.

[3] 倪庚，陈俊生，秦宇彤，等.基于全面质量管理理论的本科教学质量监控工作评价指标体系的构建[J].教育理论与实践，2019，39（33）：15?16.

[4] 杨秀平，张华，李亚兵.高校教学质量评价系统平台的构建与保障机制探究[J].实验室研究与探索，2018，37（2）：231?234.

[5] 刘华东，李贞刚，陈强.审核评估视域下高校教学质量保障体系的完善与重构[J].中国大学教学，2017（11）：63?67.

[6] 张存贵，栾立明.转型高校教学质量评价改革策略探索[J].职业技术教育，2017，38（11）：69?72.