大数据环境下基于多维信息融合高校教学评价.docVIP

大数据环境下基于多维信息融合高校教学评价 　　摘 要：当前，大部分教学评估方法只依靠学生对当前教学进行打分，然后通过统计分析的方法计算出教学评价得分。这种方法依据的信息来源单一、对原始数据的可靠性要求高。然而，现实的打分数据往往噪音多、数据不规范、学生评分受各种因素的影响。针对该问题，提出了一种大数据环境下基于多维信息融合的高校教学评价方法。该方法可以集成多种因素，如学生打分、考试成绩、学生历史表现等，进行综合的评价当前教学，给出更客观公正的教学评价。 　　关键词：大数据；信息融合；矩阵分解；教学评估 　　一、引言 　　根据《国家中长期教育改革和发展规划纲要（2010-2020年）》[1]精神和《教育部关于普通高等学校本科教学评估工作的意见》[2]，提高本科教育教学质量，突出内涵建设、强化教学质量保障，是不断提高人才培养质量的一个重要方面。因此，课堂教学作为教育教学的最重要方式之一，是高等教育评估的一项重要内容。 　　随着信息技术的迅猛发展和高校对信息化投入的不断加大，大数据已经走进了各大高校校园，如何真正有效的利用学校教学和管理中产生的大数据已成为建设好智慧校园的一个重要挑战。其中，由教学过程产生的各种数据，可以有效用于解决教学评价中的问题。在传统的教学评价中，通常只依靠学生对课程的打分数据进行教学评价，这类方法依靠的数据来源单一，不能够全面、客观、公正的评价教学效果。本文针对该问题，提出了一种大数据环境下基于多维信息融合的高校教学评价方法。 　　二、相关工作及分析 　　高校教学评价是推动高校教育发展的一项重要举措[3]。当前，有许多研究人员针对高校教学评价提出了很多可行的方法。在文献[4]中，作者提出中国高校教学要走向规范化，以专业教学评估与教师教学评估为主导，教学督导与教学评估相结合，教学评估要重视基础数据的利用。 　　大数据分析是当前信息与互联网技术的热点研究课题。在文献[5]中，作者提出利用数据挖掘技术中的关键规则挖掘方法来发现数据之间有意义的关联关系，并给出了教学评估数据挖掘系统的框架。 　　在文献[6]中，作者认为第二轮教学本科教学评估是以“教学基本状态数据”为主要依据，因此，大数据分析方法在本轮教学评估中将能发挥重要的作用。在文献[7]中，作者从高校教育大数据的汇聚融合角度，分析了教育大数据如何推动大学管理和人才培养的创新与改革。 　　三、基于多维信息融合的高校教学评价方法 　　2013年中国教育部启动的第二轮本科教学评估与首轮评估不同点在于，本次评估以“教学基本状态数据”为基础，对“人才培养目标与培养效果的实现状况”进行自查、专家审核与指导。以此为契机，可以得到大量教学过程产生的数据。因此，可综合利用这些数据进行教学评价。 　　在学校的管理和教学过程中，将产生不同类型的数据，如学生的考勤数据、平时作业成绩、期末考试成绩、学生给教师的评价分数等。这些数据都在一定程度上反映了教师的教学态度和教学水平，都将影响到教学评价。与传统的单一利用学生对教师的打分进行教学评价不同，这些不同种类的数据具有不同的量纲，也就是说数据之间存在语义鸿沟。在教学评价中，不能简单的把不同部分的数据直接相加进行教学评价，也就是说，需要设计一种新的能够融合多维信息的方法来综合评价教学效果。 　　在本文中，提出利用基于多矩阵非负分解的方法来融合学生考勤数据、平时作业成绩、期末考试成绩、学生给教师的评价分数等信息，进行综合打分并给出最后的教学评价结果。 　　给定教学评价数据集，其中代表学生考勤数据、平时作业成绩、期末考试成绩、学生给教师的评价分数等数据视图中的一个视图，如图1所示。为了融合这些数据视图，本文提出一种基于cosine约束的多矩阵非负分解进行特征融合方法，其形式化定义为 　　其中，为平衡约束与代价函数之间的参数，和为多矩阵中第j种特征的分解后的模矩阵，为数据对象分配模矩阵，为特征模矩阵，为数据对象通过异构融合后的分配模矩阵。表示融合后的模矩阵需要尽可能得使不同特征的分配模矩阵保持一致。在算法迭代过程中，使得不同的特征模矩阵收敛到融合后的模矩阵。为了保证分解的唯一性，在矩阵非负分解过程中需按列归一化为1。 　　通过求解以上目标函数，多维信息数据到中，然后利用进行教学评价，这样就可以综合利用到所有的学生考勤数据、平时作业成绩、期末考试成绩、学生给教师的评价分数等信息。针对该目标函数，选择欧式距离或者KL散度距离来作为度量与的距离。然后，通过梯度下降方法求解W，U，W*来融合异构高校教学评价数据中的异构特征，求解公式为： 　　这样，即可通过迭代的求解U，W，W*来融合多维信息数据，最终的融合结果保存在融合矩阵W*中。 　　四、结束语 　　本文通过分析现有的高校教学评价方法的不足：只依靠单一的学生对教师