基于支持向量机的教学能力认知度研究

孙萍 张譞 苏冠文 李嘉鹏 李军培

摘  要：教学质量是影响教学效果的重要因素。学生对于教学评价制度的认知和感受及体验，是人们衡量一位教师的教学能力的重要依据，他们更愿意选择听名师的课。对教师教学能力评价和认知的合理分析，需要有效的评价工具。本研究拟对高校教师的教学能力、影响因素进行梳理;建立了教学能力鉴别的支持向量机的分类模型。结合支持向量机技术，对认知度进行鉴别。

关键词：认知度;支持向量机;评价体系

中图分类号：G640       文献标志码：A         文章编号：2096-000X（2020）21-0053-03

Abstract： Teaching quality is an important factor affecting teaching effect. Students' cognition， feeling and experience of the teaching evaluation system is an important basis for people to measure a teacher's teaching ability， and they prefer to listen to the class of a famous teacher. The reasonable analysis of teachers' teaching ability evaluation and cognition needs effective evaluation tools. In this study， the teaching ability and influencing factors of university teachers are combed， and the classification model of support vector machine （SVM） for teaching ability identification is established. Combined with support vector machine （SVM） technology， recognition degree is identified.

Keywords： cognition; support vector machine classification; evaluation system

一、概述

近年来高校教育中的教学与科研的矛盾日益加剧，在管理上重科研轻教学的导向，导致部分年轻教师不重视教学，甚至逃避教学。这就很难满足社会发展对高等教育高级人才培养的要求，和家长们对大学的期望相背，使得社会上对大学教育的质疑声不绝于耳。

教师的教学能力是由认识知识能力、理解能力、把控教学活动的能力组成，是教师教学的重要组成。具体表现分为：1. 掌握教学大纲能力;2. 灵活处理教材能力;3. 课堂教学的设计、把控能力等。事实上，每位教师在教学中的投入，还有他的教学能力，对教学质量提升的影响都是至关重要的。根据对部分高校教师队伍的调查发现，教师的教学能力高低差异较大，不均衡。那些有博士学位的青年教师，在专业理论上有着深厚的基础;但初出茅庐，在教学理论上是薄弱的，更欠缺实践经验，经常出现照本宣科。中老年教师虽然有丰富的教学经验，但与学生有代沟，课堂上缺乏互动，也不容易得到学生的认同。对教师的教学能力有重要影响的因素是多元的，教师们对自己的教学能力认知也是有误差的，或自我感觉良好，或自信心不足。

教学是为实现教学目标，进行的知识信息传递、过程控制与实施的过程。心理学认为，学生所要掌握的知识需要有教师精心的设计。否则会出现：学生说“上课好像听懂了，下课还是不会做”;而老师说“我已强调N次了，分析得够透彻的了”;但结果学生还是表现出不明白，教学效果依然不理想。但教师的教学能力仍是关键，它直接影响到教学的质量。

对教师教学能力的认知评价多年来一直是专家们关注的课题，已有的评价系统大多凭借督导专家的经验，评估的主观性、随意性，往往使得评价结果与現实有误差。本文为减少外力因素的干扰，依据教师教学的特点，给出了教学能力评估的指标体系，由此建立教学能力认知的支持向量机分类器模型，取代传统统计方法中的复杂函数表示。该模型在模式识别的研究中具有优势，通过形状参数的优化，能提高对教学能力认知评价的精确度，挖掘评价过程中的潜在因素关联，实现对教学质量的有效评估。

二、支持向量机的算法概述

支持向量机（support vector machine，简称SVM）是一种可以分类、模式识别、拟合的监督学习模型。通过结构风险最小准则和核函数方法，将学习样本从低维空间映射到高维Hilbert空间，把要识别的问题转化成为一个二次规划寻优问题（线性或非线性的）。对于非线性可分问题，首先都选择合适的核函数，将非线性可分的特征向量空间映射到线性可分的特征向量空间，使得分隔的距离最大，下一步再用线性可分的支持向量机进行分类。这个算法特别对解决那些小样本的，非线性的、高维数的、以及局部极小值等分类、模式识别问题特别适合[5]。本研究的目的是支持向量机的方法实现对教学能力认知的鉴别。常用的核函数包括以下几种[4]：

三、教学能力认知度分类模型的提出

学生对于教师的选择时，面对着大量的不确定性信息，对于教师能力的认知也面临着一些模糊性、随机性甚至歧义性等问题。为了了解学生对高校教师教学能力的期望，我们分别多次用网上问卷、现场问答、微信答卷等方法，调查天津某高校学生对高校教师应该具备的教学能力，学生对教师的需求与期望。

教师能力的认知度代表着他被学生、专家的认可程度。我们调查发现，在学生们选课的过程中，主要关注课程的属性、难易程度、专业需求等。由此影响了他们对于老师的喜好或厌恶程度，及对于老师的期望高低。通过分析的基础上，本文构建了教师能力认知度评价模型（如图1所示）。

四、基于支持向量机的教学能力认知度的鉴别

本文使用抽样问卷的方式，了解某高校150名学生对教师教学能力的认知情况，统计分析的结果见表1可知。从总体上看，“职业态度”的认知度最高，其次是“教学能力”，“学术能力”位居第三。

从上述调查结果中选出100个样本，其得分用作支持向量机算法的训练集的元素，其余的50个样本的得分当作算法的预测集的元素，对教学能力的认知度逐步分类。用Matalb程序实现算法，学习参数设置为C=1×105，K=1×10-5。对比不同核函数的SVM的分类性能，结果表明：支持向量机核函数选用高斯核的对教学能力认知的正确识别率可以达到了100%，其他二种核函数的支持向量机的识别率都低于100%（比较结果见表2）。经过对比，本文用高斯核函数的支持向量机来作为教学能力认知的鉴别模型，分类图见图2。

由此可见，采用支持向量机分类方法，来建立教学能力认知评价，较好的减少了其他评价方法中的误差，避免了主观因素的影响，很好地反映客观的结论。

五、结论

从分析可知，学术能力和职业态度是学生们认知度最高的要素。教师良好的态度、精湛的学术是吸引学生的重要指标。学生认为高校教师应具有广博的知识，甚至是学术精英，是专家。同时教师的基本功——教学能力同样重要。在现在“不出版就出局”的影响下，出现忽略教学的现象，这同样遭到学生们的诟病。他们不喜欢“茶壶煮饺子”类型的教师，希望在教学中能得到很好的知识。特别是现在高校学生找工作遇阻，急需在学校中获得知识和技能，帮助他们更多的获得就业的机会基础。综观这些因素，直接影响了学生对教师的认知，他们认同科研能力和教学能力同等重要。

本文将支持向量机分类方法引入教学能力认知评估中，提高了模型计算的速度和精度。该模型的预测效果较好。支持向量机将线性模糊不可分的样本映射到高维空间，利用小样本学习的高效性，可以很精准的解决如同各评价指标间的非线性函数关系。该模型预测精度高、实现速度快，而且算法简单等，适合用在教学能力认知的分类中。

参考文献：

[1]朱海林，宋承祥.基于支持向量机的教学质量评价研究[J].山东师范大学学报（自然科学版），2008，23（4）：4-6.

[2]付永钢，申瑞民.基于支持向量机的学习评价系统[J].计算机工程，2004（8）：15-16+74.

[3]刘伟，孙林.基于支持向量机的课堂教学质量评价[J].合肥工业大学学报（自然科学版），2010，33（7）：968-971.

[4]余輝，赵晖.支持向量机多类分类算法新研究[J].计算机工程与应用，2008（7）：185-189+212.

[5]吴桂芳，等.基于主成分分析和支持向量机的山羊绒原料品种鉴别分析[J].光谱学与光谱分析，2009，29（06）：1541-1544.

[6]Hsu Chih-Wei， Lin Chih-Jen. A comparison of methods for multiclass support vector machines[J]. IEEE Transactions on Neural Networks，2002，13（2）：415-425.

[7]DAI Liu-ling， HUANG He-yan， CHEN Zhao-xiong. Ternary sequential analytic optimization algorithm for SVM classifier design[J]. Asian Journal of Information Technology， 2005，4（3）：2-8.