基于DEA高等数学学习效果评价研究.docVIP

基于DEA高等数学学习效果评价研究 　　摘 要 寻找一种有效的方法对高等数学学习效果进行科学的评价，将有助于教师更加全面地掌握学生学习的情况，改进教学教法；也为学生更好地学习高等数学提供了努力的方向。本文运用数据包络分析方法（DEA）的基本模型对某专业学生的高等数学课程学习效果进行了评价和分析，作出了较为公平的评价。 　　关键词 高等数学 DEA 学习效果 　　中图分类号：G642.47 文献标识码：A 　　0引言 　　高等数学是一门非常重要的基础课程，尤其对理工类、经济类专业的学生，高等数学不仅是一种工具，更是一种思维模式，它包含着处理连续变量的基本理论和众多的科学思维方法，是学习其他自然科学的重要基础。目前，高校对学生的学习情况的评价多以期末考核成绩（一般通过期末考试成绩与平时成绩的加权求和得到）为基准来评定学生该课程学习效果的好坏。这种成绩评级标准的缺点在于忽略了学生的数学基础的差异：有的学生在高中阶段学理科数学基础较好，而在高中阶段学文科的数学基础则较差。 因此，寻找一种更加有效的方法对高等数学学习效果进行科学的评价，将有助于教师更加全面地掌握学生学习的情况，改进教学教法；也为学生更好地学习高等数学提供了努力的方向。 　　本文运用数据包络分析方法（DEA）的基本模型对某专业学生的高等数学课程学习效果进行了评价和分析，作出了较为公平的评价。 　　1 DEA评价模型介绍 　　数据包络分析（Data envelopment analysis）简称DEA是由A.Charnes和W.W.Cooper等人于1978年提出的，它使用数学规划模型评价对象之间的相对有效性：根据输入和输出数据来评价决策单元的优劣，据此将各决策单元定级排队，确定有效的决策单元，并可给出其它决策单元非有效的原因和程度，它不仅可对同一类型各决策单元的相对有效性做出评价与排序，而且还可以进一步分析各决策单元非DEA有效的原因及其改进方向，从而为决策者提供重要的管理决策信息，特别适用于多输入多输出的系统中。DEA评价方法的主要模型有C2R模型和BC2模型：BC2模型考虑规模收益；C2R模型假设规模报酬不变，利用数学规划原理，根据多组投入产出数据求得效率，得出的总效率值为配置效率与技术效率之乘积，它是最基础的DEA评价规模和技术有效性的模型。另外，由Endersen和Peters提出的超效率DEA模型可以区别出有效决策单元的效率差异，并进行排序分析。本文将采用这三个最基础的模型进行评价。 　　2评价指标体系的构建 　　要客观地评价学生学习的情况，必须要有能够恰当反映其学习投入程度的评价指标。首先，评价指标的数据采集应当充分体现处理方法的可操作性，充分体现出实际的应用价值；其次，学生学习投入产出的指标要能够准确反映出该学生的真实情况；然后，通过定量化处理获得的处理数据，其实际内涵应当具有一定的实际意义，可以给予教师和学生一定的指导建议，充分体现出科学发展性的原则。 　　本文选取了学院经济类专业一年级某班45名学生，对其大一上学期高等数学学习情况进行分析。通过这些年的教学实践，同时结合前人的研究，以及选取数据的科学性和可得性，给出如下评价指标： 　　X1―学生高考时的数学成绩：投入指标，由学校教务处查询得到。 　　X2―每周作业的完成情况：投入指标，平时作业以百分制评价得到。 　　X3―每周高等数学课后学习时间：投入指标，以调查问卷形式得到。 　　X4―到课率：投入指标，以每次课考勤得到。 　　X5―课堂听懂情况：投入指标，以调查问卷形式得到。 　　Y1―大一上学期高等数学考试成绩：产出指标。 　　3实证分析 　　运用DEAP2.1软件对全班45名学生的5项投入指标及1项产出指标进行分析，该班学生原始投入产出数据省略，计算出每名学生的综合效率、纯技术效率和规模效率如表1所示，其中“irs”表示规模报酬递增，“drs”表示规模报酬递减，“-”表示规模报酬不变。 　　表1 学习效果评价表 　　3.1学习效率整体评价 　　由表1可知，45名学生的学习效果评价技术效率为0.834，纯技术效率与规模效率分别为0.873和0.941，说明该班整体学习效果还不错。其中有7名学生的学习效果为DEA有效，其余38名学生均为DEA无效。 　　3.2学习效率具体分析 　　从表1可以看出，有7名学生DEA有效，分别为7号、8号、13号、20号、28号、33号和36号。这些学生的学习效果达到期望的程度，处于最佳规模收益状态。2号、4号、5号、16号、27号、29号及39号学习纯技术效率达到1，但规模效益却小于1，即学习纯技术有效而规模无效，这些学生可以通过增加学习时间，加强课后训练来实现规模有效及综合效率有效。18号、21号、26号、31号、45