数据挖掘在大学英语教学质量分析中应用研究.docVIP

数据挖掘在大学英语教学质量分析中的应用研究 　　【摘要】该文将数据挖掘应用于大学英语教学质量分析中,运用CHAID算法对1132名学生的调查数据进行计算,从涵盖大学英语教学过程、条件和环境的大量数据中,发现了影响学生进步率的最重要因素包括学习动机,教学手段和教学模式。该方法得到的决策树可以量化地反映各教学因素对学习质量的影响效果,为提出针对性的改进措施提供了直观而坚实的依据。 　　【关键词】英语教学;质量改进;数据挖掘 　　【中图分类号】G420 【文献标识码】B 【论文编号】1009―8097(2010)04―0073―04 　　 　　一 引言 　　 　　随着大学英语教学模式和方法的多样化,提高大学英语教学质量日益引起关注。从20世纪90年代起,我国不少高校的英语教学单位陆续启动了教学质量保障体系,其主旨是通过不断的教学质量监控,改进教学措施,促进教学质量提高。 　　教学质量的评估指标是教学质量保障体系的重要基础。现有的评估指标多采用综合评估法,其指标体系通常由多级指标构成,如一级指标包括教师教学方法、教学内容、教学素养、教学效果等方面,二级指标则是对一级指标的具体化[1-3]。根据这些指标在课堂教学质量中的作用及导向力度分别赋予不同的权重,形成了完整的指标体系。评估的形式主要有同行评价和学生评价两种方式[4,5]。这类教学质量评估方法在高校得到了普遍应用,也取得了一定的效果。但这些传统的教学质量评价方法仍存在一定缺陷,主要有: 　　1 评价指标的主观性缺陷 　　传统教学质量指标的构成往往是基于制定者的经验,指标中主观的、定性的成分较多,指标的权重分配也多依据主观经验[6],甚至千篇一律,许多不同学科、不同类型的课程都采用同一个教学质量指标体系[7]。而实际上,大学英语教学有其自身的特点(如强调师生互动,教学模式和条件多样化等),许多影响教学质量的因素往往隐藏在教学的过程、环境和条件中而不易被发现,只有显化这些因素,才能设计出既符合大学英语教学特点,又科学合理、避免主观的教学质量指标。 　　2 评估结果对教学质量改进的导向性不足 　　一方面,传统教学质量评估中,无论采用同行评价还是学生评价的方式,都不能避免评价结果的主观性和不准确性[8]。例如,魏红、申继亮对影响学生评价结果的特征进行了实证研究,发现有6项特征能解释25.8%的学生评价结果变异,学生对教师教学的评价存在着一定的局限性,只能作为教师改进教学的参考[9]。另一方面,通过这种评价方式固然可以得到各指标的评价结果,但这些指标到底如何影响、或在多大程度上影响着客观教学效果(如学生成绩的提高),却无从判断。因此,这种质量评估方式是一种“结果型”的评价方式,往往只能回答教学效果“怎么样”的问题,却无法回答教学效果“为什么这样”以及“怎样提高”的问题。 　　基于此,本文认为,客观、准确地发现影响大学英语教学质量的重要因素群,是构建合理的教学质量评估体系并有针对性改进教学的前提和基础。本文提出了一种采用数据挖掘技术的教学质量因素分析方法,通过对教学环节数据的分析,试图发现隐藏在教学过程、条件和环境中的质量影响因素,为教学质量分析和改进提供一种新的思路和方法。 　　数据挖掘(Data Mining,DM)是一种用统计的算法在数据中找出某些规律和关联性知识的数据检索方法[10],是从海量数据中发现知识的有效途径,广泛应用在商业决策和管理实践中。本文使用数据挖掘方法对面向教学的数据仓库实施教学质量因素的分析和知识发现。 　　 　　二 实验设计 　　 　　1 实验对象和目的 　　本文在2007年4月到6月期间选择了某高校一年级非英语专业的1132名学生为调查对象,以学生个体成绩的明显进步(making notable progress,MNP)为客观评价指标,通过CHAID(CHi-squared Automatic Interaction Detector)算法对影响MNP的因素进行分析。(注:本实验以同等考试难度下成绩提高5%以上作为学生个体明显进步的标准。) 　　2 实验方法 　　本文使用CHAID算法来分析影响MNP的因素。CHAID是一种以目标最优为依据,具有目标选择、变量筛选和聚类功能的分析方法[11],适用于进行分类和序次等级数据的分析。它根据给定的反应变量和经过筛选的解释变量对样本进行最优分割,按照卡方检验的显著性进行多元列联表的自动判断分组,通常对离散型数据集的自动分类具有良好的效果。 　　3 样本特征 　　为了系统地观察影响学生学习质量的教学因素,我们在调查问卷中设计了“学习目的”、“教学手段”、“教学模式”、“教师类型”等13个可能影响教学质量的属性。这些属性中,有些反映了学生学习过程中的主观因素,如“学习目的”、