模糊K均值聚类下体育线上教学效果评价方法

何佳佳, 叶美丽

(商洛学院 体育教学研究部, 陕西 商洛 726000)

0 引 言

目前体育教学效果评价方法主要采用人工统计分析方法, 通过先验数据分析和综合调度, 分析高校体育教师教学效果, 但该方法评价高校体育教师教学效果时评估的准确性不高, 智能性不好[1-3]。为此相关学者均对此展开了优化研究, 岳琪等[4]引入熵值法客观地明确教学质量评价体系指标权重及初始评价结果, 采用自适应变异的遗传算法优化BP(Back Propagation)神经网络参数, 建立基于混合智能优化算法的教学质量评价模型。路玥[5]从教师教学能力角度出发, 提出基于数据挖掘的教学能力评价方法。依据特征变量离散化原则对数据采取匿名化编码处理, 对教师教学数据进行粗糙集约简处理, 采用粗糙集方法处理待挖掘的教师教学数据库, 确定决策表, 设定最小支持和最小置信度, 利用关联规则挖掘方法获得关联规则, 完成教学数据挖掘。使用主成分分析描述教学数据集结构, 得到评价指标, 计算教学能力指标, 按照指标值评价教师教学能力。

以上两种方法均没有考虑教育价值取向问题, 线上教学效果略显不足, 局限性很大。笔者提出基于模糊K均值聚类的多指标评价方法, 通过构建多指标评价模型, 使评价结果更具客观性, 分析线上教学大数据信息流, 运用模糊K均值聚类方法对指标参变量实施聚类和整合, 对关键教学能力指标进行收敛约束处理, 以对线上教学效果准确定量评估, 达到体育线上教学效果准确评估的目的。

1 体育线上教学效果多指标评价模型构建

将体育线上教学评价活动组织者、 评价者与被评价者的教育价值取向引入多指标评价模型中, 融合经验与实践分析, 提升评价结果的客观性与实用性。具体过程如下。

对500名有关评价人员发放问卷, 调查对象是体育教师、 学生和教学管理人员, 问卷调查结果全部有效, 并得到20个拟定指标。

针对此类拟定指标进行关键性评估调查, 去除指标关键性评估内“很重要”与“重要”比例综合小于2/3的指标。最后使用单独采访、 座谈研讨和问卷征询[6]等手段, 询问经验丰富的评价理论学者、 教育行政干部与教师的意见, 完善指标含义。深入收敛评价指标, 最终得到11个完整的指标含义描述, 如表1所示。

表1 体育线上教学效果指标描述

为处理多指标多层次权重问题, 对指标分层次、 定量分析, 最后给出多指标评价模型如图1所示。

图1 多指标评价模型示意图

为确保所得结果真实性, 防止某个专家评价结果造成的主观性, 结合教学效果评价的每个参与对象, 采用5位专家与9位学生共14位决策者的群决策模式, 经过对相同层次的两两指标对比, 运用标度法获得判断矩阵群[7-8], 验证矩阵一致性同时计算出其权重I大小。

以其中1位专家的判断结果为例, 得到如下公式

(1)

(2)

(3)

(4)

(5)

(6)

其中A为一级指标判断矩阵,A1～A5为二级指标判断矩阵。若CI值等于零表明得到的判断矩阵拥有完全一致性; 若CI值不等于零, 则通过

CR=CI/RI

(7)

得出随机一致性概率。假设CR值都低于0.1, 证明得到的判断矩阵拥有较好的一致性。其中RI为随机一致性指标均值, 该值仅和矩阵阶数相关。依次推算每个指标的权重, 即可得出判断矩阵内各行每个元素的总和, 得到归一化后获得专家评价后的权重矢量

针对总排序的一致性检验, 通过下式

(9)

得到总排序内CI和RI值。由式(7)可以看出, 该层的总排序同样具备优秀的一致性。同时, 分别检验其余决策者的决策矩阵一致性, 推导出相对的权重矢量[9]。将14位决策者的权重矢量采取加权平均, 归一化后, 得到如表2所示的指标体系权重。

表2 体育线上教学效果评价指标权重表

2 基于模糊K均值聚类的多指标评价方法

体育线上教学能力收敛指标参变量是一个非线性时间序列, 因此, 要对其进行高精度的评价, 必须建立高维特征分布空间描述体育能力评估的参变量指标分布模型, 收敛教学能力关键参变量, 包括师资水准、 政策相关性程度等, 以强化影响教学能力关键因素的评价指标。组建微分方程, 给出体育线上教学能力收敛参变量的数据流

xn=x(t0+nΔt)=h[z(t0+nΔt)]+ωn

(10)

其中h(·)为体育线上教学能力评价的多元价值函数,ωn为评价偏差检测函数。

在高维特征分布空间内, 进行相关性融合, 计算出体育教学能力评价的解矢量, 获取教学能力评价的特征训练子集Si, 并符合如下约束条件

(11)

(12)

设xn+1=μxn(1-xn)为一个体育线上教学效果评价统计数据的共轭解, 符合原始值特征分解条件U={u(t)|u(t)∈X, ‖u‖≤d,t∈I}。关于一组多元变量的体育线上教学能力评价的统计特征分布序列x(n), 按照先期的统计检验值得到体育线上教学能力评估的数据流计算公式

c1x(τ)=E{x(n)}=0,c2x(τ)=E{x(n)x(n+τ)}=r(τ),

ckx(τ1,τ2,…,τk-1)≡0,k≥3

(13)

若q=2, 体育线上教学效果评价的师资水准与教学资源分布水准符合(2+1)维持续泛函条件, 即教学能力评价具备约束解, 收敛条件为

(14)

对体育线上教学效果评价的大数据定量递归, 建立线上教学能力预测判定的控制目标函数

(15)

uc(t)=Kxc(t)

(16)

(17)

在高维特征分布空间内, 体育线上教学能力预测评价结果统计的持续函数为式(17), 通过k-1(k≥1)次迭代后, 体育线上教学能力评价的灰阶序列要贴合N(k)

(18)

此时, 体育线上教学能力评估信息流被划分成K个大小为(x,di)的子矩阵, 经过指标参变量聚类与合并, 制定对应的教学资源分配规划, 即可完成高效精准的体育线上教学效果多指标评价目标。

3 仿真实验

3.1 实验准备

为确保笔者方法对体育线上教学效果评价可靠性, 设计对比仿真实验, 选择某高校作为实验环境, 验证笔者设计的基于模糊K均值聚类算法的体育线上教学效果多指标评价方法在实际条件下的应用效果。为保证实验具有一定的可比性, 选择将文献[4]改进GA-BP(Genetic Algorithm-Back Propagation)神经网络在高校教学质量评价中的应用, 文献[5]基于数据挖掘的英语教师教学能力评价研究方法作为对照组, 将笔者模型作为实验组, 完成对比实验。分别对模型的评价时间和评价性能进行验证。

选择该高校20届2个班级学生作为实验对象, 每班各40人, 进行体育线上教学, 并对教学背景信息进行收集, 如, 师资水准、 教学资源分布水准。为确保实验的可实施性, 选择文中的评价指标体系设计问卷, 向参与实验的80名学生发放问卷, 并全部回收, 其中有效问卷78份。分别利用笔者方法与文献[4]和文献[5]方法进行测试, 采用SPSS 14.0统计分析软件分析高校体育线上教学效果评价结果, 利用描述性统计分析的方法, 读取高校体育线上教学效果评价的面板数据分析, 记录实验结果, 并使用origin绘制实验结果。设置线上教学网络参数, 保证3种方法在相同变量下完成实验, 参数如表3所示。

表3 实验网络参数设定

针对实验数据误差问题, 使用度量配比方法剔除随机误差。配比系数按照实验次数的变化进行自我调整, 但挑选的值域均处于2.56～6.87左右。采用极值检测剔除非零性误差, 防止数据误差过大导致实验无效。

3.2 评价时间对比结果

图2是3种教学评价运行时间对比。从图2可以看出, 笔者方法略优于文献[4]方法, 而文献[5]方法由于在数据匿名化编码处理阶段的耗时较长, 导致方法整体性能较差。由于笔者方法采用模糊K均值聚类方法, 能有效将指标参数采取聚类与合并, 从而提升指标评价效率。

图2 3种方法教学评价时间对比

3.3 评价性能对比结果

表4是3种方法评价精度与利用率的实验结果。由表4可知, 使用笔者方法进行体育线上教学效果评价的精度最高, 教学资源利用率得到有效提升, 显著优于文献方法, 具备极强的实用性与可靠性。其原因在于所提方法构建了多指标评价模型, 评价结果更加全面, 符合实际体育线上教学现状。

表4 3种方法性能实验对比

由上述实验可知, 笔者提出方法能有效对体育线上教学效果进行评价, 且评价的耗时较短, 平均为20 s, 评价的精度较高, 最高达到99.46%, 对教学资源的利用率达到了98.52%, 整体性能较优越。这是由于笔者方法在对非线性的指标参变量进行了收敛约束处理, 使关键教学评价指标归一, 减少了计算冗余度, 从而节省了计算耗时, 且避免了关联性较小的教学环境的干扰, 进而提高了教学效果的评价精度, 通过全面的教学指标体系构建, 使教学资源得到全面的利用。

4 结 语

针对体育线上教学效果评价问题, 笔者设计了一种基于模糊K均值聚类的多指标评价方法。该方法评价过程简单快速, 评估结果具有优异的准确性, 同时还提升了线上教学资源利用率, 为体育线上教学的平稳发展提供充分保障。但在构建多指标评估模型时, 还应适当增加指标数量, 紧跟体育教学改革发展趋势。