基于數據挖掘算法的高校教學質量評估模型設計

李育陽

摘? 要： 高校教學質量是一項重要的高校水平評價指標，但是高校教學質量與多種影響因素相關，變化規律十分復雜，使得當前模型無法準確對高校教學質量進行評估。為了解決當前高校教學質量評估過程中存在的不足，以提高高校教學質量評估正確率，設計了基于數據挖掘算法的高校教學質量評估模型。該模型首先對當前高校教學質量評估的相關文獻進行研究和分析，建立高校教學質量評估的影響因素;然后，采集高校教學質量影響因素數據，并通過專家確定高校教學質量等級，建立高校教學質量評估的學習樣本;最后，引入數據挖掘技術的BP神經網絡對學習樣本進行訓練，形成高校教學質量評估模型，并通過具體實例分析高校教學質量模型的優越性。結果表明，數據挖掘算法可以描述高校教學質量等級之間的差別，獲得高精度的高校教學質量評估結果，而且高校教學質量評估誤差要遠小于當前典型的高校教學質量評估方法，優越性十分顯著。

關鍵詞： 高校教學管理; 質量評估; 影響因素; 數據挖掘算法; 學習樣本; 模型通用性

中圖分類號： TN02?34; TP391? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）17?0119?04

Abstract： The university teaching quality is an important index of university level evaluation. It is related to many influencing factors， so its change rules are very complex， which makes the existing model unable to accurately evaluate the university teaching quality. In view of this， a teaching quality evaluation model based on data mining algorithm is designed to cope with the shortcoming existing in the process of university teaching quality evaluation and improve the evaluation accuracy. The relevant literature of current university teaching quality evaluation is analyzed， the influencing factors of university teaching quality evaluation is established， and the data of influencing factors of university teaching quality is collected. In addition， the teaching quality grade of universities are determined by experts to establish the learning samples of teaching quality evaluation. Finally， the BP neural network based on data mining technology is introduced to train the learning samples and generate the university teaching quality evaluation model. The advantages of the university teaching quality evaluation model are analyzed by specific examples. The results show that the data mining algorithm can be used to describe the differences among the teaching quality grades of universities and get accurate evaluation results. Moreover， the evaluation error of university teaching quality of the designed methods is far less than that of the current typical methods， so the designed model is of significant advantages.

Keywords： college teaching management; quality evaluation; influencing factor; data mining algorithm; learning sample; model commonality

0? 引? 言

隨著大學生數量的不斷增加，教學質量在高校教育質量中的地位越來越明顯，成為一個衡量高校教學效果和人才評價的指標，提高教學質量成為現在眾多高校的共識[1?3]。在一所高校中，由于學科相當多，學科之間存在一定的交叉，教學手段靈活多樣，高校教學質量評估變得相當復雜，是一個頗具挑戰性的問題[4]。

當前高校教學質量評估可以劃分為兩個分支：一個分支為基于定性分析的高校教學質量評估方法，定性分析方法主要包括：專家系統、關聯規則等，它們只是從整體上對高校教學質量進行把握，對變化的整體趨勢進行分析[5?7]，教學質量評估體系是包括一些量化的因素和非量化的因素，這樣定性分析方法難以對高校教學質量進行精細化描述，實際應用價值低，只起著指導性意義;另一個分支為基于定量分析的高校教學質量評估方法，該類方法又細分為：傳統統計學的高校教學質量評估方法和機器學習算法的高校教學質量評估方法。傳統統計學主要包括線性回歸、灰色理論，它們考慮的因素簡單，只能描述影響因素和高校教學質量之間的簡單、線性統計關系，使高校教學質量評估精度達不到實際要求[8?10]。機器學習算法主要包括BP神經網絡、極限學習機等，它們屬于數據挖掘范疇，以現代統計學理論為基礎，具有一定的學習和表達能力，可以對影響因素和高校教學質量之間的關系進行表達，而且能夠充分利用專家知識和經驗，得到了較好的高校教學質量評估結果[11?13]，在實際應用中，像BP神經網絡的參數優化問題、極限學習機的結構確定問題均沒有得到有效解決，直接影響高校教學質量評估結果[14?15]。

針對當前模型無法準確對高校教學質量進行評估的問題，以提高高校教學質量評估精度為目標，設計了基于數據挖掘算法的高校教學質量評估模型，通過具體實例分析高校教學質量模型的優越性。結果表明，數據挖掘算法的高校教學質量評估誤差要遠小于當前典型方法。

1? 數據挖掘算法

1.1? BP神經網絡

BP神經網絡包括輸入層、輸出層以及隱含層，設輸入層輸入為[xi]，那么其輸出為：

1.2? 自適應遺傳算法

傳統遺傳算法的交叉和變異概率采用固定形式，種群中的個體十分容易集中，陷入局部收斂的概率相當大。為了防止該缺陷出現，提出自適應遺傳算法，其最大的特點就是交叉和變異概率不固定，讓其與進化代數相關。隨著進化代數變化而發生改變，同時又與適應度值相關，這樣不會使種群中的個體出現集中現象，加快了算法的收斂速度，并且收斂效果更優。自適應遺傳算法的交叉和變異概率的變化曲線如圖1所示。

2? 基于數據挖掘算法的高校教學質量評估模型設計

2.1? 高校教學質量的影響因素

為了能更好地對高校教學質量進行評估，首先對一些與高校教學質量評估相關的影響因素進行分析，本文主要從教師本身和學生兩個方面分析高校教學質量的影響因素，具體如圖2所示。

2.2? 基于數據挖掘算法的高校教學質量評估步驟

1） 根據圖2高校教學質量評估的影響因素收集數據。

2） 通過專家根據高校教學質量評估的影響因素確定相應的高校教學質量等級值。

3） 根據高校教學質量評估的影響因素確定神經網絡BPNN的結構。

4） 采用自適應遺傳算法確定隱含層和輸出層權值的初始值、學習率和動量因子的值。

5） 根據神經網絡的輸入節點數量確定隱含層節點數。

6） 根據高校教學質量評估的學習樣本，對BP神經網絡進行訓練，直到訓練誤差滿足預先設置的范圍為止。

3? 高校教學質量評估模型的實例分析

3.1? 分析平臺

為了分析基于數據挖掘算法的高校教學質量評估模型的有效性，對其進行實例分析，其中，實例分析的平臺設置如表1所示。

3.2? 與經典模型的高校教學質量評估模型性能對比

為了分析數據挖掘算法的高校教學質量評估模型的優勢，在相同平臺，采用標準BP神經網絡、文獻[15]的高校教學質量評估模型進行對比分析。選擇某10所大學的高等數學作為研究對象，每所大學選擇的教師數量如表2所示，采集相應的影響因素值，由于篇幅有限，不一一列出。

采用3種模型對表2中10所大學的教師的高等數學教學質量進行評估，統計每所大學的高等數學教學質量評估精度，結果如圖3所示。

對圖3的高等數學教學質量評估精度進行分析發現：

1） 標準BP神經網絡的高等數學教學質量評估精度平均值為84.93%，高等數學教學質量評估誤差最大。這是因為其參數采用隨機方式確定，無法建立描述高等數學教學質量復雜變化特點的評估模型，導致出現許多高等數學教學質量評估過擬合點，高等數學教學質量評估效果最差。

2） 文獻[15]的高等數學教學質量評估精度平均值為89.69%，高等數學教學質量評估誤差小于標準BP神經網絡。這是因為引入了支持向量機，建立了比標準BP神經網絡更優的高等數學教學質量評估模型，能夠有效描述高等數學教學質量復雜變化特點，由于存在一些高等數學教學質量評估欠擬合點，評估效果有待進一步改善。

3） 數據挖掘算法的高等數學教學質量評估精度平均值為95.82%，遠遠高于標準BP神經網絡和文獻[15]的高等數學教學質量評估精度，這是因為本文模型引入了BP神經網絡和參數自適應優化算法，建立了可以高精度跟蹤高等數學教學質量復雜變化特點的評估模型，克服了當前評估過程中存在的一些問題，有效提高了評估效果。

在高校教學質量評估的實際應用中，由于數據的規模越來越大，為了對高校教學質量評估效率進行分析，統計每一種模型的高校教學質量建模時間，結果如圖4所示。從圖4可以看出：標準BP神經網絡的高等數學教學質量建模時間均值為62.83 ms，文獻[15]的高等數學教學質量建模時間均值為39.16 ms，本文模型的高等數學教學質量建模時間均值為25.44 ms。由對比結果可以看出，本文模型的高等數學教學質量建模時間大幅度縮短，提高了高校教學質量評估效率。

3.3? 本文模型的高校教學質量評估通用性分析

為了分析數據挖掘算法的高校教學質量評估模型的通用性，選擇一個大學10門課作為測試對象，統計它們的高校教學質量評估精度和建模時間，結果如表3所示。

從表3可以看出，對于10門課，本文模型不僅獲得了高精度的高校教學質量評估結果，而且評估速度相當快，完全可以滿足高校教學質量評估的實際應用要求。

4? 結? 語

高校教學質量與多種影響因素相關，成為了當前的研究熱點，為了獲得更好的高校教學質量評估結果，引入數據挖掘技術的BP神經網絡和自適應遺傳算法，建立高校教學質量評估模型，結果表明，本文模型是一種高精度、效率高的高校教學質量評估模型，具有十分廣泛的應用價值。

參考文獻

[1] 呂健安.現代教學質量觀視角下的應用型院校教師教學質量評價[J].教育與職業，2019（6）：45?47.

[2] 呂梅，黃守磊，譚艷超.高校教學質量評價體系的構建與實踐探索[J].黑龍江畜牧獸醫，2016（2）：166?168.

[3] 倪庚，陳俊生，秦宇彤，等.基于全面質量管理理論的本科教學質量監控工作評價指標體系的構建[J].教育理論與實踐，2019，39（33）：15?16.

[4] 楊秀平，張華，李亞兵.高校教學質量評價系統平臺的構建與保障機制探究[J].實驗室研究與探索，2018，37（2）：231?234.

[5] 劉華東，李貞剛，陳強.審核評估視域下高校教學質量保障體系的完善與重構[J].中國大學教學，2017（11）：63?67.

[6] 張存貴，欒立明.轉型高校教學質量評價改革策略探索[J].職業技術教育，2017，38（11）：69?72.

[7] 張進，楊寧，陳偉建，等.評估視角下高校教學質量保障體系的重構[J].高等工程教育研究，2018（3）：137?141.

[8] 范巖，馬立平.優化BP神經網絡的高校教學質量評價模型[J].統計與決策，2018，34（2）：80?82.

[9] 傅翠霞，羅亦泳.基于RVM機器學習方法的高校理論與實驗教學質量評價模型[J].現代電子技術，2019，42（13）：181?186.

[10] 岳琪，溫新.基于GA和BP神經網絡的教學質量評價模型研究[J].內蒙古大學學報（自然科學版），2018，49（2）：204?211.

[11] 趙馨蕊，周雨青.基于模糊綜合評價法的大學物理MOOC教學質量評價[J].高等工程教育研究，2019（1）：190?195.

[12] 張明亞.基于主成分分析和支持向量機的英語教學質量評價[J].現代電子技術，2018，41（7）：178?182.

[13] 張雅清.基于主動學習支持向量機的輔助教學質量評估模型[J].現代電子技術，2019，42（7）：112?114.

[14] 馬星，王楠.基于大數據的高校教學質量評價體系構建[J].清華大學教育研究，2018，39（2）：38?43.

[15] 劉智萍.證據理論和支持向量機相融合的高校教學質量評價[J].現代電子技術，2017，40（17）：175?178.