大数据时代的高校设计课程教学效果预测

邓诗元 李昊翔

摘  要： 高校设计课程与多种因素相关联，因素之间互相影响，使得高校设计课程教学效果面临巨大挑战。为了提高高校设计课程教学效果预测精度，针对当前高校设计课程效果预测过程中存在的一些难题，提出大数据时代的高校设计课程教学效果预测模型。首先，采集大量的高校设计课程教学效果历史数据，通过专家将高校设计课程教学效果划分为多个等级;然后，引入大数据分析技术对高校设计课程教学效果历史数据进行建模与预测，构建高校设计课程教学效果预测模型，并对模型的参数进行优化;最后，对多个学校的设计课程教学效果数据进行仿真模拟测试。结果表明，该模型的高校设计课程教学效果预测精度超过90%，可将高校设计课程教学效果预测误差控制在10%以内，在相同条件下，预测精度远远超过其他模型的高校设计课程教学效果预测模型，可以满足高校设计相关课程教学管理的要求。

关键词： 教学质量; 等级划分; 历史数据; 大数据分析技术; 预测误差; 仿真模拟测试

中图分类号： TN99?34; TP391                     文献标识码： A                     文章编号： 1004?373X（2020）21?0174?05

Prediction of university design course teaching effect in era of big data

DENG Shiyuan， LI Haoxiang

（Hubei University of Technology， Wuhan 430068， China）

Abstract： The design courses in universities are related to several factors. The factors influence each other， which makes the teaching effect of university design courses face great challenges. In view of some difficulties existing in the prediction process of teaching effect of university design courses， a big data based model of university design course teaching effect prediction is proposed to improve the prediction accuracy. A large number of historical data on the teaching effect of university design courses are collected. The teaching effect is divided into several grades by experts. And then， the big data analysis technology is introduced to model and predict the historical data of teaching effect of university design courses， so as to build the prediction model. In addition， the model parameters are optimized. Finally， the teaching effect data of design courses of several universities are simulated and tested. The results show that the prediction accuracy of the proposed model is higher than 90%， and its prediction error is kept within 10%. Under the same conditions， the prediction accuracy of the proposed model is far higher than that of other models， so the model can meet the related requirements of teaching management of university design courses.

Keywords： teaching quality; grade division; historical data; big data analysis technology; prediction error; simulation test

0  引  言

教學质量是高校的生命线，近些年，随着高校的不断扩招，由于学生数量和教学人数、教学设备等不对等的增加，一些高校教学质量受到不同程度的影响，有的课程教学质量有了一定程度的下降，这对高校教学效果评价体系提出了更高的要求[1?3]。由于近几年，设计相关的专业成为一些学校新开的专业，与设计专业相关的课程教学效果预测引起了所有高校的高度重视，如何提高高校设计课程教学效果，提高设计专业人才培养质量成为当前一个热点问题[4?6]。

高校设计课程教学效果预测最初通过学校一些督导、专任教师进行预测，他们根据自己的经验对高校设计课程教学效果进行分析和打分，给出高校设计课程教学效果预测结果，该方法的预测结果比较直观，但是预测过程相当复杂，花费相当多，当设计课程的数量比较大时，投入的时间、人力、财力比较大，使得高校设计课程教学效果预测成本比较高，而且高校设计课程教学效果预测可信度不高，因为其存在一些主观因素[7?9]。

随着计算机和信息处理技术、自动化技术的不断发展和融合，当前高校设计课程教学效果预测主要通过计算机辅助实现，建立了许多有效的高校设计课程教学效果预测模型，如基于马尔科夫链的高校设计课程教学效果模型、基于人工神经网络的高校设计课程教学效果预测模型。

它们可以对高校设计课程教学效果变化规律进行分析和预测[10?12]，但是它们存在一些无法克服的弊端，如马尔科夫链只能进行线性分析，无法描述高校设计课程教学效果的非线性变化规律，但是实际上高校设计课程教学效果不仅只有线性变化规律，而且具有非线性变化规律。因此高校设计课程教学效果预测错误有时比较大;人工神经网络要获得理想的高校设计课程教学效果预测结果，需要经过多次学习，使得收敛速度变慢，高校设计课程教学效果预测建模花费时间相当长，而且其高校设计课程教学效果预测很不稳定，经常易得到“过拟合”的高校设计课程教学效果预测结果[13?15]。

为了提高高校设计课程教学效果预测精度，针对当前高校设计课程效果预测过程中存在的一些难题，提出了大数据时代的高校设计课程教学效果预测模型。采用具体数据与其他模型进行仿真实验，结果表明，大数据时代的高校设计课程教学效果预测模型的精度、建模效率均具有十分明显的优势。

1  高校设计课程教学效果的影响因素以及等级划分

1.1  高校设计课程教学效果的影響因素

高校设计课程教学效果涉及的要素非常广泛，有学生相关因素、教师相关因素以及教学条件、教学管理等，因此如果将全部因素考虑到高校设计课程教学效果预测的建模过程中，那么数据采集量大，而且使得建模过程十分复杂，无法实现。

因此，需要选择一些重要的高校设计课程教学效果影响因素，本文根据客观公正性原则、可操作性原则、高效性原则选择高校设计课程教学效果的影响因素，具体如图1所示。

1.2  高校设计课程教学效果等级划分

高校设计课程教学效果通常划分为多个等级，一般通过专家对每一门高校设计课程教学效果进行打分，然后根据打分结果进行等级划分，本文采用教学评价中通用的五级评分标准，具体如表1所示。

2  大数据时代的高校设计课程教学预测模型

2.1  大数据分析算法

传统人工神经网络存在收敛速度慢、解决问题效率低等难题，而极限学习机是一种新型的大数据分析算法，在学习过程中不需要计算输入权值和阈值，克服了人工神经网络工作速度低的缺陷，因此本文引入其进行高校设计课程教学效果预测的建模。从本质上讲，极限学习机是一种新型的人工神经网络，与其他神经网络具有相似的结构，具体如图2所示。

训练集用[（x，t）]表示，[a]和[b]分别表示极限学习机的输入权值和隐含层阈值，隐含层节点数为[L]，那么极限学习机可以表示为：

[Oi=i=1Lβig（ai，bi，x）-t] （1）

式中：[β]表示输出权重;[g（）]表示隐含层激活函数。

隐含层的输出矩阵可以表示为：

[H=g（a1，b1，x1）g（a2，b2，x1）…g（aL，bL，x1）g（a1，b1，x2）g（a2，b2，x2）…g（aL，bL，x2）????g（a1，b1，xN）g（a2，b2，xN）…g（aL，bL，xN）]  （2）

式中[N]表示训练样本的数量。

那么式（1）可以转变为：

[Hβ=T] （3）

式中：[β=βT1?βTL];[T=tT1?tTL]。

输出权重[β]可以用隐含层输出矩阵的逆矩阵求出，但是当训练样本的数量比较少时，隐含层输出矩阵不存在逆矩阵，那么最小二乘算法求解输出权重[β]，具体如下：

[β=H+T] （4）

式中[H+]表示隐含层输出矩阵[H]的广义逆。

2.2  粒子群算法

在极限学习机的高校设计课程教学效果预测过程中，首先要确定输入权值和隐含层阈值，其直接影响高校设计课程教学效果预测结果的好坏，因此本文采用粒子群算法确定极限学习机的输入权值和隐含层阈值。

粒子群十分适合一些参数优化问题的求解，因此本文采用确定极限学习机的相关参数。每一个粒子群包括两个状态向量：速度向量和位置向量，粒子在解空间飞行过程中，根据如下方式不断地调整自己的状态，尽可能找问题的最优解。

[Vk+1id=Vkid+c1r1（Pkid-Xkid）+c2r2（Pkgd-Xkgd）] （5）

[Xk+1id=Xkid+Vk+1id] （6）

式中相关参数的意义见文献[16]。

2.3  大数据时代的高校设计课程教学效果预测步骤

1） 根据相关文献分析高校设计课程教学效果的影响因素，并选择一部分重要的因素进行建模。

2） 收集重要影响因素的相关数据，同时收集相对应的课程教学效果历史数据，并根据表1确定高校设计课程教学效果等级。

3） 采用大数据分析技术中的极限学习机作为高校设计课程教学效果预测算法，并根据历史数据确定其结构。

4） 采用粒子群算法确定极限学习机的参数：输入权值和隐含层阈值。

5） 极限学习机根据最优参数对高校设计课程教学效果训练集进行学习，当满足高校设计课程教学效果预先设置的精度时，建立高校设计课程教学效果预测模型。

6） 采用高校设计课程教学效果预测模型对训练样本和验证样本进行预测，分析高校设计课程教学效果预测模型的拟合和泛化性能。

3  高校设计课程教学效果预测效果的仿真模拟测试

3.1  测试平台

为了分析大数据时代的高校设计课程教学效果预测效果，采用如表2所示的测试平台进行仿真模拟实验，分析其高校设计课程教学效果预测精度以及高校设计课程教学效果预测效率。

3.2  测试数据

为了使大数据时代的高校设计课程教学效果预测实验结果的可信度更高，选择5类高校与设计相关的课程作为测试对象，每一类高校选择的设计课程数据不同，它们具体如表3所示。

3.3  本文模型的预测精度分析

将表3的高校设计课程教学效果预测实验的测试数据根据3∶1的比例划分为训练样本和验证样本，分析统计训练样本和验证样本的拟合精度和预测精度，同时计算它们的拟合误差和预测误差，具体结果分别如图3和图4所示。

从图3可以看出，高校设计课程教学效果预测实验的拟合精度要高于预测精度，这与实际情况相符，而且精度均超过了88%，说明本文模型具有较好的拟合效果，同时可以对未来高校设计课程教学效果进行准确预测。

从图4可以看出，高校设计课程教学效果预测实验的拟合和预测误差均控制在10%以内，完全满足高校设计课程教学效果预测误差小于15%的实际要求，获得了十分理想的高校设计课程教学效果预测结果，实验结果证明了本文高校设计课程教学效果预测模型的有效性。

3.4  与其他模型的预测性能对比

为了测试大数据时代的高校设计课程教学效果预测模型的优越性，在相同测试平台下，采用相同的测试数据，选择当前最流行的高校设计课程教学效果预测模型进行对比分析，它们分别为马尔科夫链的课程教学效果预测模型和BP神经网络的课程教学效果预测模型，它们的训练样本和验证样本的拟合精度和预测精度分别如图5和图6所示。

对比图3、图5和图6的拟合精度和预测精度，可以发现：

1） 马尔科夫链的高校设计课程教学效果拟合精度和预测精度最低，获得较高的拟合误差和预测误差，这说明其无法客观、准确地描述高校设计课程教学效果变化规律，无法满足高校设计课程教学效果控制的实际要求。

2） BP神经网络的高校设计课程教学效果拟合精度和预测精度要高于马尔科夫链，减少了高校设计课程教学效果拟合和预测误差，主要是由于BP神经网络具有强大的误差反向传播功能，可以更好地拟合高校设计课程教学效果变化规律，但是由于BP神经网络易陷入局部最优解，使得多个样本出现过拟合的预测结果，拟合精度和预测精度有待提高。

3） 大数据时代的高校设计课程教学效果预测精度高于BP神经网络和马尔科夫链，解决了当前高校设计课程教学效果预测误差大的难题，能够准确反映高校设计课程教学效果变化规律，验证了本文高校设计课程教学效果预测模型的优越性。

随着学生规模的不断增加，高校设计课程教学效果历史数据每年呈倍数增加，使得高校设计课程教学效果建模时间越来越长，高校设计课程教学效果建模效率成为模型优越性的一个重要评价指标。为此统计每种高校设计课程教学效果建模总时间，具体如表4所示。

从表4的高校设计课程教学效果建模总时间可知：本文模型的高校设计课程教学效果建模总时间的平均值为21.63 s;马尔科夫链的高校设计课程教学效果建模总时间的平均值为34.78 s;BP神经网络的高校设计课程教学效果建模总时间的平均值为27.79 s。

本文模型的高校设计课程教学效果建模总时间明显减少，改善了高校设计课程教学效果建模效率，与高校设计课程教学效果历史数据向大规模方向发展相适应，实际应用价值更高。

4  结  语

设计相关课程是高校教学的重要组成部分，其教学效果影响高校学生的培养质量。高校设计课程教学效果预测是一个系统工程，与预测算法、教学效果影响因素等密切相关，而当前预测模型无法准确刻画高校设计课程教学效果的变化规律，为了获得理想的高校设计课程教学效果预测结果，结合高校设计课程教学效果历史大数据变化趋势，设计了大数据时代的高校设计课程教学效果预测模型。结果表明，本文模型解决了当前高校设计课程教学效果预测建模中存在的一些难题，相对于传统模型，本文模型的高校设计课程教学效果预测精度得到了一定程度的改善，而且预测过程更加简单，预测效率更优，具有更加广泛的应用前景。

参考文献

[1] 张塔洪.教育评价理论视角下应用型本科院校教学质量保障体系构建[J].教育与职业，2019（18）：52?54.

[2] 朱涛，冷士良.基于学分制模式的教学质量保证体系的构建[J].实验技术与管理，2019，36（4）：168?171.

[3] 赵馨蕊，周雨青.基于模糊综合评价法的大学物理MOOC教学质量评价[J].高等工程教育研究，2019（1）：190?195.

[4] 刘坚，黄钰莹，颜李朝.课堂教学评价数据挖掘与分析[J].湖南师范大学教育科学学报，2019，18（2）：118?124.

[5] 卢旸，岑詠霆.基于二元语义的社区教育课程教学质量测评模型研究[J].数学的实践与认识，2017，47（18）：302?309.

[6] 邓蕾蕾，张献.教学质量促进学习成绩评估建模仿真[J].计算机仿真，2017，34（7）：158?161.

[7] 刘芳，宫华，许可，等.基于熵权改进的TOPSIS法的教师教学质量评价[J].沈阳工业大学学报，2017，39（5）：540?544.

[8] 董庆华，王成伟.马尔科夫链在高等数学教学效果评价中的应用[J].数学的实践与认识，2018，48（8）：314?320.

[9] 吴丽，刘益和.证据理论和支持向量机相融合的教学质量评价[J].西南师范大学学报（自然科学版），2016，41（2）：92?98.

[10] 范岩，马立平.优化BP神经网络的高校教学质量评价模型[J].统计与决策，2018，34（2）：80?82.

[11] 杨简，潘贺，刘海燕.基于灰色神经网络评价教学质量的研究[J].黑龙江畜牧兽医，2014（8）：36?39.

[12] 岳琪，温新.基于GA和BP神经网络的教学质量评价模型研究[J].内蒙古大学学报（自然科学版），2018，49（2）：204?211.

[13] 江波，高明，陈志翰，等.基于行为序列的学习过程分析與学习效果预测[J].现代远程教育研究，2018（2）：103?112.

[14] 马星，王楠.基于大数据的高校教学质量评价体系构建[J].清华大学教育研究，2018，39（2）：38?43.

[15] 徐镇凯，温勇兵，魏博文，等.基于大数据多层变权云计算的高校工科教师授课质量综合评价[J].现代教育管理，2016（9）：93?96.

[16] 王珊，刘明，严俊杰.采用粒子群算法的热电厂热电负荷分配优化[J].西安交通大学学报，2019，53（9）：159?166.

作者简介：邓诗元（1970—），男，湖北枝江人，硕士，副教授，研究方向为数字媒体艺术设计。

李昊翔（1994—），男，河北石家庄人，硕士，研究方向为数字艺术设计。