构建基于大数据与区块链的智能中职课堂云教学评价系统

徐正伟 马海峰

摘要：在当今教育数据体量巨大、数据类型繁多的情况下，使用云计算与大数据技术开发符合教育发展规律的智能化系统是首选。而移动终端的APP架构的基于大数据与区块链的智能中职课堂云评价系统（简称CEC系统）的“智听、智控、智评、智诊、智改”能解决时间与空间的矛盾，解决当前听评课停留在听课笔记上、不可回溯性、不专业等各种问题，CEC系统利用大数据、人工智能和区块链等相关技术让课堂教学评价走上可延续可发展的生态圈，CEC系统让教师的教学过程大数据经过分析与挖掘后即时地反馈和筛选，让评价的可回溯性进一步增强。

关键词：教学大数据;智能化;云评价;听评课;CEC系统

中图分类号：TP393  文献标识码：A  论文编号：1674-2117（2021）01-0000-04

教学评价中通常最为有效的方式是课堂观察，是基于教学过程促进教学交流、提升教师教学技能水平的有效途径，也是观摩教学成果、促进和创新教学行为的有效措施，是教学过程的真实反映，更是教育大数据产生的基础。笔者经过长期的深入研究发现，对基于云计算的课堂教学评价系统，特别是在中职领域，国内研究基本空白。现有的是浦东教学管理评估系统和TOPCOP系统，以及部分高校分院内部的个别系统，大部分是简单信息化系统，基于B/S结构，且对教师或学校收费。由于受带宽的限制及用户数和费用的限制，这些评价系统对中职教师的课堂教学能力、中职课堂教学质量、中职学校教学管理精准化的提升以及云计算及教学大数据在中职中的推广和运用极为不利。基于此，笔者开发了移动终端的APP架构的基于大数据与区块链的智能中职课堂云评价系统（Cloud Evaluating System For Classrooms，以下简称CEC系统），以期能够有效提高教学质量。

● 基于大数据与区块链的智能听评课系统设计

1.系统功能设计

CEC系统聚焦教师的课堂评价与改进，分享教师在教学实践中的教学改进成果，是一种聚焦教师课堂教学与评价的新途径，它利用大数据采集、洗涤、处理等先进数据技术，借助模型算法与人工智能，通过对教学模式、学习模式数据量化，对数据清理、数据分析和挖掘进行深度分析，形成“智听、智控、智评、智诊、智改”的课堂观察生态圈，最后形成分别针对开课教师、听课教师及学校教务处的基于数据证据链的综合评价和诊断报告。同时，CEC系统根据教学过程大数据，通过自我学习、不断改进评价与分析标准，形成人机匹配的评价标准，避免过度依赖人工智能和大数据技术而导致的评价与诊断偏差，最终达到系统与教师的平衡，并随着教学改革的不断深入而不断智能进化。CEC系统功能架构如图1所示。

2.评价指标设计

随着教学信息化与课堂教学的深度融合，信息化教学课堂的评价纬度如何确立成为关键问题。由于中职课堂专业的多样性和专业性，其对课堂的评价指标的量化考核难度较大，所以笔者遵循了科学性、一致性、完整性、回溯性、容错性、可操作性原则来确定中职课堂教学评价指标体系，所选的指标分别来源于专家学者关于听评课的指标、本地区所有中职教师和普高教师都认为的最重要的三大听评课调研指标（调查问卷回收845份，经过筛选和合并，有效指标为235条）。以及对学生的调研获取的指标。从教学目标、教学态度、教学内容、教学方法、教学效果这五个一级指标形成相关二级指标，具体如图2所示。课堂教学评价指标根据需要可以自由选择评价指标，并提供自定义指标， CEC系统根据机器学习同时会更新或替代不合适的指标，实现指标的专业性和指向性，不断完善和适应课堂教学评价的变化和发展。

● 基于大数据与区块链的智能听评课系统实现机制

基于区块链、大数据、人工智能构建的智能听评课系统的系统架构，有应用层、模型层、数据处理层，具体如下页图3所示。

1.利用大数据进行智能分析、评价、可视化

利用大数据技术对所有原始评价数据进行整理，然后根据课堂评价维度和不同评课侧重点，进行分析与评价。大数据处理的第一步是按照教学评价环节的要求对基础数据进行抽取和重组，从中得出所抽取数据之间的关系，再经过关联和聚合等操作，输出规定格式的数据到新的储数据库中。第二步是进行数据分析。数据分析是大数据处理过程中的核心，通过数据抽取和集成环节，笔者已经从各个不同的数据维度中获得了用于数据处理的原始数据，每位教师或者管理者都可以根据自己的需求提出不同的分析处理模型，数据分析可以用于决策分析、推荐与预测等。通过数据分析能够掌握数据中的信息，同时发现很多平时在人工操作中无法发现的问题。

在对听评课数据进行分析后，对课堂分析结果进行解释。大部分教师、学生无法直接看懂分析结果的数据，这一方面是因为数据比较抽象，另一方面是因为关联等信息无法直观地展现出来。因此，数据分析结果如何展示出来，展示和呈现方式怎么样，对于教师、学生来说非常重要，数据可视化和人机交互是展示的主要技术。这个步骤能够让教师们清楚听课评价分析的数据的结果。

使用大数据呈现的可视化技术，可以通过图形的方式直观地分析的结果呈现给教师、学生、管理者，教育者可以根据不同的需求，灵活地使用这些可视化技术。而人机交互技术可以引导用户对数据进行逐步的分析，使用户参与到数据分析的过程中，深刻地理解数据分析结果。

2.基于公有链实现身份信息、校验信息等安全性與信任机制

HPB是国产公有链的一个典型代表，它用分布式应用的方式实现性能扩展，HPB芯链提供用户账户、身份与授权管理、策略管理、数据库、异步通信以及在数以千计的CPU、FPGA或群集上的程序调度。该区块链为一个全新的体系架构，通过低延时高并发硬件加速技术，可实现单位时间内高频次交易，且达到秒级确认。本系统设计基于HPB公有链作为开发存查证实的区块链，将用户的身份信息、验证信息、校验信息、完整性信息等经过处理后，以公钥形式存入公链中。

根据区块链的不可篡改性，把系统中相关信息经过处理后存储在区块链上，利用HPB区块链上区块信息作为一个去中心化的第三方存证和查证系统。相关信息存证处理过程如下：架设需要处理信息为M，M经过调用SHA-1、SHA-256和MD5哈希算法求得待存原始信息D，将信息D中部分信息利用进行私钥加密后存为信息K，存储到区块链的数据库中。查证过程如下：将待验证信息M1作为基础数据，M1经过调用SHA-1、SHA-256 和MD5哈希算法求得待验证始信息D1，根据用户对应区块链中存储检索信息，查取区块链中信息K1，对K1通过私钥进行解密取得信息D2，如果D1与D2信息相匹配，则说明信息验证有效。通过以上方式，对系统中身份信息、验证信息、数据校验、数据完整性等关键信息进行区块链验证，从而实现系统的用户等方面的信息安全性，形成全新的信任机制。

3.利用机器学习进行评价模型维护

机器学习是实现人工智能的核心，利用计算机模拟或实现人类学习活动，是人工智能中最显著的特征之一，能对数据模型进行不断迭代和优化。机器学习在自然语言理解、机器视觉、模式识别等许多领域也得到了广泛应用。在CEC的模型库中，利用机器学习的新技术，对评价模型库进行不断优化与迭代。

利用机器学习框架对评价过程中形成的模型进行“打分”，然后新选择同一主题下更优秀的模型是实现CEC系统智能化的重要手段。评价模型数据分析这一步骤主要是数据发现，将每一种模型进行权重处理，然后对处理过的权重进行学习，如找出每个权重的最大值、最小值、平均值、方差、中位数、三分位数、四分位数、某些特定值（比如零值）所占比例或者分布规律等进行分析并可视化展示。同时，要确定模型权重（x1...xn）并求变量y，找出因变量和自变量的相关性，确定相关系数。另外，评价特征的选择很大程度上决定了模型分类器的效果。将上一步骤确定的自变量进行筛选，筛选可以手工选择或者模型选择，选择合适的特征，然后对模型变量进行命名以便更好地标记，从而实现评价模型的智能进化。

参考文献：

[1]张屹.“以评促学”的信息化教学模型的构建与解析[J].中国教育技术装备，2016（20）.

[2]王长春.高校教师课堂教学评价系统的设计与实现[J].计算机教学与教学信息化，2014（02）.

[3]吴钢.中小学课堂教学评价系统分析及其开发策略[J].上海师范大学学报，2006（12）.

[4]王春健.国外职业技术教育教学质量监控与评价模式研究及启示[J].价值工程，2017（16）.

[5]范晓玲.论教学评价模型構建方法[J].高等教育师范研究，2012（10）.

[6]余艳.信息化环境下课堂评价系统的研究与应用[J].现代教育技术，2015（08）.

[7]刘三?，杨宗凯.量化学习：数据驱动下的学习行为分析[M].北京：科学出版社，2016：6-7.

[8]吴海练.基于数据分析的听评课制度改革[J].学科探索，2017（07）.

[9]]任磊，杜一，马帅，等.大数据可视分析综述[J].软件学报，2014（09）：1909-1936.

[10]蔡维德，郁莲，袁波，等.面向大数据的区块链在清算系统中的应用[J].大数据，2018.

基金项目：全国教育信息技术研究课题“中职课堂教学智能化云评价系统的开发与应用研究（CEC系统）”（课题立项号： 183320005，主持人：马海峰）