统计学习算法在高校教学质量评估中的应用研究.docVIP

统计学习算法在高校教学质量评估中的应用研究* 张　钢12　 何小敏1 张小波1 黄永慧1 1 广东省广州市广东工业大学自动化学院网络工程系(510006) 2 ipx@ [摘要] 本文分析了机器学习算法在教学质量评估中应用的可行性，并以带权间隔支持向量回归模型(Weighed Margin Support Vector Regression - WMSVR)对教学质量评估的众多分量进行训练学习，以建立稳定描述教师教学质量的机器学习模型。模型以量化的教学质量评估指标作为输入，引入了学生意见信息的可信程度，并以带权间隔来表示样本的置信度，以WMSVR模型作为训练器，模型输出数量化的教学质量指标。通过与教师的教学活动的专家评价对比表明，WMSVR模型在教学质量评估中有较高的准确度和泛化能力，在语义上有足够的能力表达教学质量的指标体系。 关键词：教学质量评估 支持向量回归 统计学习 中图分类号：G4、TP39 背景 在高校教育中，教学质量是教学效果的一个最重要衡量指标。提高教学质量，是一所学校的教育水平实现跨越式发展的必由之路[1]。但是，鉴于高校学科的多样性，知识结构的复习性，以及教育手段的灵活性，要客观、全面、系统地评价某一课程的教学质量成为一个颇具挑战性的问题。同时，由于教学过程是一个双向互动的过程，评价一个教师的教学质量，其复杂程度要比单纯评价一个产品的质量要复杂得多，因为教学质量评估体系是由一系列主观、客观因素所组成的，其中有量化的因素，也有非量化的因素，量化指标中有连续的量(如分数及各种统计量)，也有离散的量(如课堂气氛是否活跃等)。这种异构的指标值对评价模型的表达能力和性能的要求很高，这使一些传统的以简单统计学为基础的模型无能为力，或者是达不到实际所要求的精度[1][2]。 究其原因，我们认为一方面是由于传统的简单统计模型只是通过对各评价指标的值进行统计运算，而?实际上各评价指标与最终教学效果之间未必能用一种简单的统计关系进行表达，如果一开始就从训练模型上固化这种统计关系，必然不能够达到理想的评估精度。另一方面也由于数据的复杂性，以统计学理论为基础的学习模型难以处理这种异构的数据。所以，我们的目标在于选择一个有很强表达能力和机器学习能力的模型[4]，通过这种学习模型来表达各个评价指标与教学效果之间的关系，以使到模型的精度在理论上达到理想的水平，使之能为教学质量评估体系的研究提供有价值的指导信息。而基于统计学习理论的WMSVR模型[3]对于这种应用来说就是一个理想的模型。该模型是统计学习理论框架下的一种小样本学习的回归模型，能够最大限度的利用现有的信息达到最高的逼近。而在模型中引入带权样本间隔用于表达独立于模型的先验知识，能够充分利用已有的专家知识和经验规则。 本文的剩下部分安排如下：第二部分形式化描述了教学质量评估模型，并且引入了学生成绩的参量；第三部分描述了基于支持向量回归的教学质量评估模型，并给出了模型的学习和检测算法；第四部分描述了测试数据集和实验结果；第五部分是结论。 带学生成绩反馈的教学质量评估模型 为了能在教学质量评估中使用统计学习模型，我们先对教学质量的评估体系进行一定程度上的量化。在教学质量评估体系中，参与评估一个教师的教学效果的指标分为两部分，第一部分来自教师本身，包括教学纪律等指标，第二部分来自学生，包括学生对该课程学习内容、教学方法、教学态度等方面的评价，这些指标是教学效果评价的重要因素。另外，学生在这一门课程里的期末成绩，也是一个特别的因素。其特别之处在于它既是对教学质量的反映，又是对学生所表达的教学意见可信度的一个体现。 具体来说，我们认为总评成绩在某种程度上体现了学生意见的可信度，例如一个全班成绩最好的学生我们有理由相信他所提出来的对任课老师的意见是比较客观的。于是在我们的模型中，引入了一个与学生该科成绩挂钩的置信度，来表明该学生意见的可信度。 图1展示了教学质量评估系统的逻辑结构： 图1 基于SVR的教学质量评估模型 图1展示了教学质量评估模型的训练学习过程，在该模型中，SVR模型需要处理两种不同的数据源。其中教师本身的教学指标是一些简单的统计数据，不存在置信度的问题，但为了把整个训练过程统一到一个一致的框架中，我们赋予其置信度100%；而对于来自学生的评价，我们认为其评价的客观程度和能够真实反映该科目教学质量的程度与学生本人有关，在这里尝试性地引入了以学生过往成绩为参考基准的数据置信度。 必须指出的是，本文并不会对这种学生置信度的语义层面上的含义进行理论上证明，而是侧重于一个理论框架，在这个框架中可以引入由置信度所表示的先验知识整合到评估模型中，这是在评估模型中引入专家知识的尝试。 具体来说，我们通过如下的方式定义学生评价的置信度conf： conf = bas