基于数据和知识驱动的高校教学质量评价研究

关键词：高校；教学质量评价；数据驱动；知识驱动

2021年发布的《国务院关于印发“十四五”数字经济发展规划的通知》中指出，数字化转型已经成为大势所趋[1]。传统的教育理念和方式在数字化背景下受到广泛冲击。线上与线下相结合的混合教学模式逐渐成为教学新常态。然而，在线教学规模的扩大引起的教学过程单向传输、线上与线下教学评价孤立等教学质量问题受到了社会和教育界的广泛关注。进入智能信息化时代后，以大数据、人工智能、虚拟现实等信息技术推动了教育智能化变革。在新技术、新理念的支持下探索数据和知识驱动的教学质量评价方法可以为教育信息化背景下个性化教育提供理论和实践支持。而如何基于教学过程中产生的多模态数据，设计智能化的教学质量伴随式评估与动态监测是实现上述教学质量评价方法的关键。本文旨在基于人工智能技术探索数据和知识驱动的教学质量评价表征方法为智能化教学提供决策与实践参考。

1 高校教学质量评价方法研究现状

教学质量评价是用来衡量教学过程中各个环节及教学效果是否达到质量要求，即利用教育评价理论和技术对教学效果进行价值判断[2]。按照教学实施的方式高校教学质量评价形式大致可以分为三类：线下教学质量评价、线上教学质量评价和混合式教学质量评价。

1.1 线下教学质量评价

线下教学质量评价是高校教学质量评价领域研究最为广泛的一个分支。许多学者针对线下教学的特点探索了一系列的评价体系。马力等人从优化教学过程的角度提出了高校教学质量评价指标体系与方法[3]；江波等人针对评价主体、数据处理和评价指标等教学质量评价指标体系三要素开展了研究，提出了建立教学质量评价指标系统的思路[4]；徐薇薇等人从教学质量评价指标体系的整体性、直观性、导向性出发，基于层次分析法确定了教学质量评价指标体系中各指标的权重[5]；葛继科等人利用RReliefF算法在非线性系统特征选择上的优势构建了教学质量评价指标体系精简化模型[6]。针对线下教学质量评价问题，现有文献多是针对评价指标体系构建，缺少对教与学过程中数据采集与分析的研究，忽略了教学过程是一种动态活动，而对应的教学质量也需要动态监测。

1.2 线上教学质量评价

线上教学是随着计算机网络技术的发展而兴起的。哥伦比亚大学、芝加哥大学开设的网上大学是在线网络教学的雏形[7]。但由于网上大学的教学过程仍然属于单向传输，并没有从本质上突破传统教学模式，因此，线上教学发展初期并没有与之相匹配的教学质量评价体系。随着大规模在线开放课程（MassiveOpen Online Course） 和小规模私有性在线课程（SmallPrivate Online Course） 的兴起与成熟，诸多学者针对如何评价线上教学质量开展了广泛研究。李爽等人从在线教学教师角色、教学思维、教学主体构成、教学重心等方面分析了在线教学质量特征，提出了在线教学质量评价框架与指标构想[8]；王睿等人围绕教学过程、评价体系、质量保障等3个方面，构建了以学生为中心，以课程为主体的在线教学质量评价体系[9]；卢春丽应用大数据技术针对当前高校在线教学质量评价体系在理念、体系、方法、制度、操作和内容方面存在的不足提出了有针对性的改进建议[10]。

1.3 混合式教学质量评价

混合式教学目前还没有一个准确的定义，是一个比较宽泛的概念，通常泛指在线教学与线下面授相结合的教学方式。在“互联网+”的背景下，线上线下相结合的教学模式是“三教改革”的重要实践领域，因此，混合式教学质量评价也是当下学者的研究热点。许多学者针对混合教学的特点探索了一系列的评价体系。李月峰[11]等人从课前、课中、课后3个阶段，提出了多维度层次下的混合教学质量评价体系；李东兵[12]等人从5个维度（同行、学生、系统、督导、教师）提出了线上、线下混合教学质量评价指标体系。

2 基于数据和知识驱动的教学质量评价实践基础

2.1 大数据分析技术

目前高校在日常运行过程中的各种活动均会产生海量的数据，如学生管理、督导评价、课堂教学（线上、线下）等。这些数据不仅蕴含着学生个人信息、学习情况等内容，而且还能够反映教师的教学过程、教学效果、教学管理、学生组织等环节的情况[13]。教学质量评价不仅涉及教学方法、教学内容、教学管理、教学环境、教学组织等宏观层面的内容，还涵盖学生学情、教师发展等个性评价。在传统的高校教育体系中，教学质量评价以主观评价和经验评价为主，侧重宏观评价，而在大数据时代，基于高校教育活动产生的海量数据，使得数据与师生之间产生紧密联系，能够精准地反映各种教育特征，教育大数据则是教学质量评价的主要依据。而利用大数据分析技术可以从多种维度细化评价指标，并根据不同的个体特征形成“教师画像”和“学生画像”，从而实现更加准确的有针对性的教学质量评价。大数据分析技术为教学质量评价提供了精准的切入点，可以为有效提高高校教育质量提供技术支撑。

2.2 知识驱动的人工智能技术

从技术的角度看，大数据和人工智能是两种独立的技术。基于大数据分析技术的教学质量评价是以统计学为基础，其核心是从海量教育数据中挖掘出有价值的能够反映教育特征的数据，而人工智能技术引入教学质量评价的目的是提升教学智能化水平。从数据的形式上看，各种教学活动产生的数据既有结构化数据，又有非结构化的视频、音频等。基于统计学的大数据分析技术是以结构化数据为主，而基于机器学习的人工智能技术不限制数据的模态。探索大数据技术与人工智能技术相结合的教学质量评价已成为新的研究趋势。然而，上述两种技术的教学质量评价指标仍然是人工定义的，严重依赖设计者的领域知识，隐含在教学数据中的其他教育特征尚不能充分挖掘。知识驱动的人工智能技术是结合了专家领域知识与机器学习能力数据驱动，充分发挥领域专家与机器学习各自在教学质量评价方面的优势，助力精准教学。

3 基于数据和知识驱动的教学质量评价体系构建

3.1 学科知识图谱构建

构建学科知识图谱的目的是梳理和展示知识内容、教学资源。学科知识图谱可以从学科的整体角度出发，描述知识点之间的联系，并通过可视化技术以“知识地图”的形式直观呈现整个学科的知识结构，从而使得学生可以通过知识图谱掌握自己的学习过程和完成程度，然后课程学习平台能够基于学科知识图谱根据学生的学习效果进行个性化学习资源推送和学习路径规划。学科知识图谱是知识驱动的高校教学质量评价的基础。接下来以学科知识图谱应用到HTML5+CSS3 Web前端开发课程中为例来介绍学科知识图谱构建的流程。

3.1.1 知识抽取，关系挖掘

知识抽取旨在把蕴含于数据源中的知识经过识别、理解、筛选、归纳等过程抽取出来，形成知识库。HTML5+CSS3 Web前端开发课程知识图谱的数据来源主要有对应课程教材、HTML5参考手册、CSS3参考手册等电子资源。最终通过知识抽取，学科知识图谱将教学内容分拆成一个个相互关联的知识点，图1和图2分别给出了HTML5+CSS3 Web前端开发课程知识图谱的局部树形和网状结构。学科知识图谱中的关系用于描述知识点间的关联特性。HTML5+CSS3Web前端开发课程知识图谱的关系主要包含3个：前置、后置和关联。

3.1.2 多模态资源关联

教学资源包含文本、图像、视频多种。多模态教学资源可以学科知识图谱架构为基础，形成复杂的网状结构。然后基于大数据技术、人工智能技术等信息技术手段形成多方协同的教学环境。图3给出了基于HTML5+CSS3 Web前端开发课程知识图谱的多模态资源关联图。

3.2 人机协同智能化教学质量评价指标构建

不同的在线教学平台、教学环境，教学质量的可观测质量评价指标、表征变量均会存在差异。很难提出一种能够适应所有场景的教学质量评价指标。因此，本文提出了一种人机协同智能化教学质量评价指标构建框架。

如图4所示，人机协同智能化教学质量评价指标构建框架主要由三部分组成：数据采集与处理、指标筛选模型、指标体系构建。

4 基于数据和知识驱动的教学质量评价的实践应用

本文以湖州职业技术学院超星平台上的课程为例介绍基于知识图谱的教学质量评价在个性化学习推荐中的实践应用。

完成学科知识图谱构建，将相关学习资源与知识图谱中的知识点相关联后。如图5所示，学生就可以查看相关知识点掌握情况，然后有针对性地推荐学习资料和相关任务点，从而实现个性化的学习推荐。

5 结束语

数据和知识驱动的教学质量评价是当前的研究热点，可以有效解决因在线教学规模的扩大引起的教学过程单向传输、线上与线下教学评价孤立等教学质量问题。本文基于学科知识图谱和人机协同智能化提出的基于数据和知识驱动的高校教学质量评价框架可以为数字化背景下教学质量评价提供实践参考。