大数据背景下的商务英语教学模式评价研究

冯琳

(安康学院 外语学院， 陕西 安康 725000)

0 引言

商务英语教学的目的是使学员满足职场生活的语言要求，其中包含商务活动的相关内容[1]。商务英语课程除了提高学员的英语水平和能力之外，还包括向学员传授西方的企业管理理念、如何与外国人交往和西方人的生活习惯等内容，也可将其理解为传授西方国家的文化[2]。在国际化的大趋势推进下，各行业对于商务英语人才的需求日益增加，商务英语能帮助学员通过英语的语言表达达到更高的职业目标。大数据技术是指快速地将有价值的信息从不同类型的数据中提取的技术，大数据具备5大关键技术：大数据接入、大数据存储、数据分析挖掘、大数据共享、大数据展现[3]。

为了更好地提高商务英语的教学质量和效果，其教学模式至关重要，要判断商务英语的教学模式是否科学、合理和实用，文献[4]研究的基于细粒度学习情感本体的评估方法[4]，该方法引入了课程知识点之间的多种语义关系，构建了基于知识点的教师情感反馈行为分类实现评价，但是该评价方法的评价时间较长；文献[5]研究的基于模糊综合评价法的评价方法[5]，该方法通过问卷调查获取评价数据，并将其代入模糊综合评价模型完成评价，但是该评价方法的聚类准确度较低，导致评价准确度降低。为避免以及改善上述方法的问题，本文提出基于大数据背景下的商务英语教学模式评价方法，该方法通过大数据技术，快速、准确地完成商务英语教学模式评价。

1 大数据背景下的商务英语教学模式评价

1.1 基于大数据K—means聚类算法

采用基于大数据K—means聚类算法完成商务英语教学模式数据聚类，该算法作为大数据的聚类算法的典型代表[6]，其处理过程如下。

算法的输入：教学英语模式数据库中的对象簇的数量，用k表示。

算法的输出：最终获取的平方误差准则最小的k个簇。

算法步骤如下。

(1) 设教学英语模式数据样本用n表示；初始的簇中心用mi表示，i=(1,2,…,k)，并且mi的确定是从n中选择的任意k对象组成。

(2) 计算数据集中每个p至k个簇中心的距离d(p,mi)，其计算式为式(1)。

(1)

式中,i=(xi1,xi2,…,xin)，j=(xj1,xj2,…,xjn)，表示两个n维数据对象。

(3) 确定每个对象p的d(p,mi)，向和mi相同的簇中融入p。

(4) 为获取新的mi值作为新的簇中心，在寻找所有对象后重新计算[7]，计算式为式(2)。

(2)

式中,第k个簇的簇中心为mk；第k个簇中素具对象的数量为N。

(5) 将最类似的簇用于整个数据集中的对象，重复该步骤，直至平方误差准则最小为止[8]。使聚类结果最大程度独立和紧密，是平方误差准则的目的，最大程度保证簇内对象的相似度，该准则式为式(3)。

(3)

式中,所有对象的平方误差综合、空间中的对象和簇ci的平均值分别为E、p和mi。

1.2 构建商务英语教学评价指标体系

以1.1节获取的数据聚类为基础，结合正项指标和负向指标标准化完成指标体系构建[9]，如图1所示。

图1 商务英语教学模式评价指标体系

根据可观测性原则，将数据无法获得的海选指标删除，保证初步筛选后的指标体系可以量化[10]。正项指标和负向指标的标准化式分别为式(4)、式(5)。

(4)

(5)

1.3 灰色系统理论模型的商务英语教学模式评价

采用基于灰色系统理论模型完成商务英语教学模式评价，该模型通过结合模糊综合评价法和灰色系统理论实现商务英语教学模式评价[12]。其评价步骤如下。

(1) 根据评价指标建立因素集U，并且U=[u1,u2,…,un]。

(2) 构建评价教学模式优劣程度的评价集C，并且C=[c1,c2,…,cm]。

(3) 采用层次分析法获取指标权重矩阵W，并且W=[w1,w2,…,wm]，其中，每个指标的权重值用wi表示。

(4) 实行一致性检验，分析指标权重的可信性，其式为式(6)。

(6)

式中,n阶判断矩阵的评价一致性指数用CIn表示；n阶倒数矩阵的评均一致性指数用RIn表示。当CIn≤0.1时，则判断评价大致相同，分析结果可信；当CIn≥0.1时，则判断评价不一致程度较高，分析结果不可信，则需重新调整[13]。

(5) 建立单因素评价矩阵R为式(7)。

(7)

式中,Ri=(ri1,ri2,…,rin)，表示对第i个因素的评价结果。

(6) 通过加权平均型综合评价模型M计算综合评判矩阵A，该评价模型可充分利用因素模糊矩阵提供的信息以及将权重的作用最大化，并将多级评判简化为一级评判[14-15]。综合评价模型M和合评判矩阵A分别为式(8)、式(9)。

(8)

(9)

(7) 计算灰色关联度，并确定关联序，其式为式(10)。

ρ∈(0,1)

(10)

根据关连序的大小排列即可得出教学模式的评价结果。关连序越高商务英语教学模式评价结果越好。

2 实例分析

选取某商务英语教学机构为研究对象。采用基于细粒度学习情感本体的评估方法(文献[4]方法)和基于模糊综合评价法的评价方法(文献[5]方法)作为本文方法的对比方法。数据聚类性能决定评价方法的评价准确度，为分析本文方法的数据聚类效果，采用本文方法对获取的调查问卷实行聚类，测试本文方法对海量数据的聚类效果，结果如图2所示。

图2 数据聚类结果

根据图2结果可得，采用本文方法评价商务英语教学模式，可从大量数据中完成数据的良好聚类，获取的聚类数据数量中大部分都是相关数据，因此本文方法的聚类性能较好，可有效提升方法的评估准确度。

为进一步判断本文方法大数据聚类的优劣，测试3种方法在不同k取值的情况下大数据的聚类效果，对比结果如图3所示。

图3 3种方法的聚类对比结果

根据图3可知，在不同k取值的情况下，本文方法聚类准确度均高于两种对比方法；并且本文方法在k取值为16时，聚类的准确度最高，为99.2%。因此本文下述测试k取值为16。

采用本文方法对商务英语教学模式评价指标体系中一级指标实行一致性判定，并统计判定结果，如图4所示。

根据图4结果可知，本文方法的商务英语教学模式评估的一致性判定结果均小于0.1，说明采用本文方法构建的商务英语教学模式评估指标体系满足判定标准，可通过一致性验证，有效证明本文方法构建的商务英语教学模式评估指标体系的有效性。

图4 一致性判定结果

采用本文方法获取该高校的商务英语教学模式评价指标权重，然后结合单因素评价矩阵的结果，采用加权平均型综合评价模型，通过模糊矩阵的合成运算获取评价结果，得出一级指标的关联度结果，如图5所示。

图5 一级指标的关联度结果

根据图5结果可知，4项一级指标的灰色关联度值依次分别为0.875、0.946、0.798、0.986，以此可得出商务英语教学模式各项评价结果排序为：实际操作式教学>实践式教学>培训式教学>口语式教学。该结果验证本文方法可有效完成商务英语教学模式评价。

为验证本文方法的评价性能，统计3种方法在不同采集数据量大小时的评价时间，利用不同方法的评价实时性验证方法评价性能，评价时间对比结果,如图6所示。

图6 3种方法的评价性能对比结果

根据图6可知，采用本文方法评价商务英语教学模式，数据量为10GB时，仍可在8 s内快速完成评价，两种对比方法的评价时间则分别为16.8 s和18 s，本文方法的评价实时性明显高于另两种方法，并且可适用于大数据环境下的商务英语教学模式评价，具有较高的实用性。

3 总结

面对当下国际化发展趋势，作为在商务环境中工作或者未来要工作在商务环境中的人来说，商务英语的学习必不可少。因此，诸多求职者为增加自己就业砝码，希望拥有一份国际通行的证书，将商务英语的学习列为必学内容。保证商务教学的质量和结果，其教学模式十分重要。为此本文提出大数据背景下的商务英语教学模式评价方法，该方法的优势在于能够从大量数据中聚类出商务英语教学模式相关数据，并且通过正项指标和负向指标标准化完成指标体系构建，保证了指标的准确性，实现商务英语教学模式评价，实验结果表明，本文方法显著具备商务英语教学模式评价优势。