基于大数据的高职院校教学质量评价体系研究

季秀霞 李立早

摘要：教学质量评价是高职院校教学质量监控体系的重要组成部分。信息时代，借助大数据的支持构建高职院校教学质量评价体系是必然趋势。基于此，从“搜集数据、分析数据、利用数据”的角度展开研究，提出一种基于大数据的教学质量评价PSRS模型，指出影响教学质量的关键数据来源于过程分析、主体属性、角色认知和环境因素，并在此基础上构建了基于大数据的高职院校教学质量评价体系。该评价体系可以对大数据进行深度挖掘和分析，全面合理地对教学质量进行评价。

关键词：高职院校;教学质量评价;PSRS模型;大数据

基金项目：江苏省高等教育学会评估委员会重点资助课题“大数据在高校教学质量评价体系中的运用研究”（项目编号：2018-206）;江苏省高校哲学社会科学研究项目“基于能力目标矩阵的高职电子信息类综合课程改革的研究”（项目编号：2016SJB880051）

作者简介：季秀霞，女，南京信息职业技术学院电子信息学院副教授，博士，主要研究方向为数据挖掘和职业教育;李立早，男，南京信息职业技术学院电子信息学院副教授，主要研究方向为高等职业教育。

中图分类号：G712

文献标识码：A

文章编号：1674-7747（ 2020） 01-0087-06

教学质量评价是高职院校教学质量监控体系的重要组成部分，客观公正合理的教学质量评价体系可以促使教师关注学生，更新教学观念，改进教学方法，提高教学水平。同时，教学质量评价也是学校全面了解教学的运行状态和优化学校教务管理的重要依据。

一、高职院校教学质量评价的现状

目前，高職院校主要从学生、同行、督导和领导对教师的课堂教学质量进行评价，将四个评价分数加权平均后作为教师的教学质量评价结果。尽管这种教学质量评价系统是信息时代的产物，可以提高教学管理的效率，但是在实际应用中却存在一定的问题。由于学生全程参与教学过程，所以学生评价较全面，但学生的主观性较强，尤其当教师要求较严、课程较难、学生成绩不理想的时候，可能会出现不客观、不公正的评价。有研究发现：教师给学生的评分是影响学生评教的重要因素，教师评分的松紧对学生评教有中等或中等以上的影响[1]。由于同行对课程知识点和概念的理解更加准确透彻，评价分数应该更加合理，但是碍于情面，目前同行评价几乎流于形式。督导评价和领导评价关注更多的是教师的上课准备情况和课堂状态等，但由于听课次数有限，无法全程跟踪教学课程，用有限的几节课认定教师的教学素质显然不够客观全面。同时，由于大多数课堂教学质量评价结果是在期末课程结束时公布，没有办法对评价结果进行及时总结和利用，无法根据评价结果对课堂教学进行改进，所以教学质量评价也没有发挥“以评促教”作用。

从上述分析可以看出，高职院校的传统教学质量评价体系存在一定的主观性与片面性。例如：评价主体相对单一、评价指标缺乏层次、评价实施过程缺乏客观性、评价结果缺乏有效利用等。这些问题容易使评价流于形式，脱离评价初衷。针对上述普遍存在的教学质量评价体系的现状，许多高职院校进行了积极的、有益的改革。例如：曹洁提出一种基于AHP层次分析法的教学质量模糊评价方式闭，从教师课前准备、课堂教学规范和课后学生反馈三个环节，通过数据分析来构建教学质量评价体系，具有一定的合理性和科学性。但是，这种评价方式仅仅是一种简单的量化行为，根据制定的评价标准进行简单的打分和汇总，并不能准确反应教师的个人教学水平。陈以藏提出一种教考分离、以成绩作为评教依据的课堂教学质量评价体系[3]。因为以标准化考试成绩作为教学质量评价的标准，可以有效避免传统评教中因个人主观因素出现的不公正现象，但是这种评价体系的弊端也显而易见。其一，由于成绩是唯一的评价标准，所以可能导致应试教育的盛行，并不利于学生其他能力的培养和思想道德教育;其二，由于标准化考试是在课程结束后进行，所以评价的结果并不能发挥导向和激励的作用，教与学不能形成一个良好的闭环系统，对教学质量的提高和学生学习能力的培养起不到积极作用。牛津大学认为，讨论评价结果可能是整个评价过程中最重要的一步[4]，所以对教学质量评价的结果进行讨论并及时反馈给教师和学生，教师才能根据评价的结果反思教学行为，发现不足，提高教学能力，学生才能根据评价的结果反思学习行为，发现薄弱环节，改进学习方法。

随着大数据时代的到来，各高职院校经过多年的信息化建设，已经形成了较好的信息技术基础设施，积累了大量与教学质量相关的数据。利用大数据可以评估教学质量，进行关系分析、诊断问题、预测趋势等，同样，利用大数据可以对已经出现的问题或即将出现的问题进行评判和解决[5]。通过对大数据的挖掘与分析，能够全面、合理地对教学质量进行评价，对影响教学质量的关键因素挖掘分析，才能更好地对教学质量进行评估和预测，从而有效提高高职院校的教学质量。借助大数据的支持构建高职院校教学质量评价体系是必然趋势。

二、基于大数据的高职院校教学质量体系构建思路

本文提出的基于大数据的高职院校教学质量评价体系按照“搜集数据、分析数据、利用数据”的基本思路展开研究。首先，按照数据产生的主体及场所搜集相关的数据。其次，用聚类、数据挖掘等方法及工具，挖掘与教学质量评价相关的数据，并研究各类数据的类型及其之间的关系，运用统计分析法、内容分析法、话语分析法将碎片化的数据加以分析、整理和筛选，获得关于教学质量的多种规律性数据和特征。最后，构建基于大数据的高职院校教学质量评价体系。

基于大数据的高职院校教学质量评价体系的具体构建思路如图1所示。

（一）搜集数据

建立基于大数据的高职院校教学质量评价体系的前提是获取有效的关于教学质量的大数据信息。高等教育质量评价体系的数据来源呈现多元化，既包括按照数据产生的主体生成的相关数据，如学生家庭数据、师资队伍资源、科学研究水平、人才培养目标、课程设置等信息，也包括按照数据产生的场所生成的数据，如课堂教学视频、课堂讨论记录、学生图书馆打卡记录、借阅图书记录、图书馆监控视频等信息。这里面既有以文字信息为主的结构化数据，也有以图片信息为主的半结构化数据，更有以视频、音频为主的非结构化数据。数据量大，更新速度快，每时每刻都在产生，数据呈现出大数据特有的4V特性，即海量性（Volume）、多样性（Varietv）、高速性（Velocity）、价值性（Value），因此可以基于大数据构建高职院校教学质量评价体系[6]。

在搜集数据时，必须深入了解高职院校教学管理的规章制度和教学活动的各个环节和所有的场所，将学校的教务管理系统、学生管理系统、师资管理系统、科研管理系统、人事管理系统等相关数据库有机结合在一起，建立教学质量评价的数据采集与获取的平台。

（二）分析数据

对大数据进行多维度、深层次的挖掘与科学分析.发现大数据背后隐含的关系与价值，有助于将高职院校教学质量评价体系从基于小样本数据或片段化信息的推测，转向基于全方位、全过程数据的证据性决策。将数据挖掘技术应用在教学质量评价系统中，从采集到的海量数据中提取或挖掘出对教学质量评价有用的知识，对提高管理者的决策能力和管理水平都具有深远的意义。

在分析数据时，首先，采用可视化分析技术将大数据的特点直观地呈现出来，将单一表格变为丰富多彩的图形模式。其次，用聚类、数据挖掘的方法，挖掘与教学质量评价相关的数据，并研究各类数据的类型及其之间的关系。最后，运用统计分析法、内容分析法、话语分析法将碎片化的数据加以分析、整理和筛选，获得关于教学质量的多种规律性数据和特征。

（三）利用数据

本部分以学生为中心，即以学生的学习和发展为中心，实现从“以教为中心”向“以学为中心”转变，构建基于大数据的高职院校教学质量评价体系。在建立评价体系时需要设计评价指标，设计的指标应该简单明了、便于收集、并且具有一定的代表性，各个指标之间应该有一定的逻辑关系，指标选取时的计算量度和计算方法必须统一，要有很强的现实可操作性和可比较性。

在利用数据时，可以采用層次分析法（Analytical Hierarchv Process，AHP），将与决策相关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析。

三、基于大数据的高职院校教学质量评价PSRS模型

管理学中的“MARS模型”认为，动机（Motivation）、能力（Ability）、角色认知（Role Perception）和环境因素（Situational Factor）是直接影响公司员工的自发行为和最终绩效的四个因素。其中，动机是影响个人自发行为方向、强度和持久性的内在力量;能力是完成某项任务所需要的自然天赋和后天知识;角色认知是个人要有清晰的角色认知，同时能得到关于职位工作的描述和相关培训;环境因素是超出员工的控制，制约或促进员工行为和绩效的条件。“MARS模型”认为：拥有较高的动机和能力，又明晰角色认知，只要环境支持他们的任务目标，员工就可以取得良好的绩效。

员工行为和结果的“MARS模型”，如图2所示。

对应到教学质量评价体系，教学质量的好坏同样取决于上述四个要素。其中，动机和能力是决定教学质量的主要内部因素，动机可以体现在学生的日常生活规律和教师的教研状态数据中，即过程分析。能力可以体现在教师和学生的自身素质中，即主体属性。角色认知和环境因素是影响教学质量的外部因素。为此，本文建立了一个基于大数据的教学质量评价“PSRS模型”，即影响教学质量评价的数据主要来源于过程分析（Process Analvsis）、主体属性（Subject properties）、角色认知（Role Perception）和环境因素（SituationalFactor），它们共同影响着教学质量的产出，即学生的绩效评价。教学质量评价“PSRS模型”如图3所示。

（一）过程分析

“PSRS模型”中的过程分析对应于“MARS模型”中的动机（即努力的方向、强度、持续性）。作为教与学的主体，教师与学生的努力方向、工作与学习的强度、投入的精力以及持续性对教学质量的绩效产出起着决定性的因素，这些可以通过分析学生的日常生活规律和教师的授课状态数据得到结论。学生的日常生活规律主要包括学生的课堂出勤情况、操场锻炼情况、作业提交情况、图书馆打卡记录情况等等，教师的授课状态包括教学准备、教学内容、教学方法、教学管理等等。

（二）主体属性

“PSRS模型”中的主体属性对应于“MARS模型”中的能力。由于教学质量评价最终的主体是教师和学生，所以教师和学生的能力对最终的绩效产出至关重要。能力包括完成某项任务所需要的自然天赋和后天知识，这些可以从学生的性别、家庭、爱好、高考成绩、专业成绩等属性，教师的性别、年龄、职称、学历、学位、教龄、科研业绩等属性中一窥全豹。在教与学的过程中，能力是一项重要的考虑因素，教师应该根据学生的能力因材施教，增强其绩效表现。

（三）角色认知

“PSRS模型”中的角色认知对应于“MARS模型”中的角色认知。提高教学质量不仅仅包括必须的动机和能力，还包括教师和学生对各自“教”与“学”任务重要性的了解，以及自身需要付出怎样的努力才能完成任务，即教师和学生必须要有清晰的角色认知。增强角色认知最基本的方式就是让教师和学生得到提高教学质量和学习质量的相关培训。

（四）环境因素

“PSRS模型”中的环境因素对应于“MARS模型”中的环境因素。影响教学质量的环境因素包括超出教师和学生的控制，制约或促进教学质量绩效的条件，如学校的办学经费投入、实验室硬件设施、实训基地建设、图书馆图书资源和课堂教学条件等等。

（五）绩效评价

从“PSRS模型”可知：教师和学生作为“教”与“学”的主体，若有较高的学习（教学）动机和学习（教学）能力，对自身有明确的角色认知，并能得到关于角色的必要培训，学校提供相应的环境支持，教学质量就可以取得良好的绩效。教学质量评价最终的目标是学生获得学习的能力、创新的能力、可持续发展的能力等等，具体可以体现在学生的课程成绩、技能竞赛表现、毕业设计、创新创业项目、实验实践能力等方面。

四、基于大数据的课堂教学质量评价

与管理学中的“MARS模型”一样，基于大数据的高职院校教学质量评价“PSRS模型”也是一个有效的诊断工具，既可以考评教师的课堂教学质量情况，也可以通过学生的日常生活规律、绩效产出等信息预测学生未来的发展状况。下面以教师的课堂教学质量评价为例进行简单介绍。