聚类算法在教学评价中应用研究.docVIP

聚类算法在教学评价中应用研究 　　摘要：研究了 k_means聚类算法，并将其应用于教学质量评价结果分析中。对教学质量评价结果各项指标进行聚类，得到不同等级的划分，并对聚类结果进行了详细的分析，找出各项指标与最终评价结果间的隐含关系，改变了传统的以平均成绩排名先后来划分等级的不足。 　　关键词：k_means算法；评价结果；聚类 　　作者简介：黄敏（1978-），男，重庆人，重庆工贸职业技术学院信息工程系，讲师。（重庆#8194;408000） 　　中图分类号：G642#8195;#8195;#8195;#8195;#8195;文献标识码：A#8195;#8195;#8195;#8195;#8195;文章编号：1007-0079（2011）16-0063-02 　　 　　近年来，高校招生规模的扩大使得高等教育得到了较快的发展，高职院校的数量及其在校生人数也在急剧增长，在高等教育中所占比例都有了大幅度的提高，但也给高职院校的教学和管理工作带来严峻的考验，在其发展过程中突显了很多的问题，特别是学校发展的生命线――教学质量如何得到保证。教学评价作为保障教学质量的重要举措之一，在很多院校得以顺利开展，建立了一套完备的教学评价系统配套实施。然而，不少学校对评价结果只是简单地对各项指标进行加权平均再排名，以排名的先后作为教师教学质量的最终评判，并没有对教学评价系统中积累的大量数据进行进一步的挖掘，其隐含的信息也没有得以充分利用，本文就利用数据挖掘技术中的k_means聚类算法[1]对教学质量评价结果进行挖掘，它可以全面地对评价结果进行分类研究。[2] 　　一、k_means算法 　　k_means算法是一种使用比较广泛的聚类算法，[3，4]它是一种基于划分的聚类算法，其处理流程是：首先从n个数据对象任意选择k个对象作为初始聚类中心；而对于所剩下其他对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然后再计算每个所获新聚类的聚类中心（一般是计算该聚类中所有对象的均值）；不断重复这一过程直到误差平方和准则函数（其中k为聚类数，为第ci类的平均值）开始收敛为止。算法描述如下。 　　输入：样本集、聚类个数k 算法描述如下。 　　输出：满足准则函数的k个聚类中心Ci及各个聚类。 　　步骤： 　　1）从样本集中任意选择k个样本作为初始聚类中心； 　　2）计算每个对象与这些中心对象（聚类的均值）的距离；并根据最小距离重新对相应对象进行划分； 　　3）计算； 　　4）重新计算k个划分中每个聚类的均值（中心对象）； 　　5）循环步骤2）到步骤4），直到E不再发生明显变化为止。 　　二、基于k_means算法的教学评价结果分析 　　1.数据采集 　　本文把某高职院校2009年秋期教学评价结果作为分析数据，共计176位教师的教学评价数据。其中，涉及到每位教师的基本信息表、学生评价表、同行评价表、督导评价表、校外专家评价表等，这些数据都可以从该校的教学评价管理系统中获取。 　　2.数据预处理 　　数据预处理是数据挖掘过程中一个非常重要的环节。由于现实数据存在噪音数据、遗漏数据和不一致性数据，要提高数据的质量，必须将这些干扰进行处理。数据预处理有多种方法：数据集成、数据清理、数据变换、数据归约等。这些数据处是技术在数据挖掘之前使用的，会大大提高数据挖掘结果的质量，降低挖掘时所需时间。 　　（1）数据集成。数据集成就是将来自多个数据源的数据合并到一起，本研究中要涉及每位教师的基本信息表、学生评价表、同行评价表、督导评价表、校外专家评价表等，将这些表中的信息进行综合就可得到包含教师编号、十项评价指标及每位教师的平均成绩，如表1所示。jgbh为教工编号，zb1至zb10为指标一至指标十。 　　（2）数据清理。数据清理的主要工作是填补遗漏的数据值。[5]有一些需要的属性缺少值与之对应，这些空缺的属性可以使用数据清理的技术来进行填补，比如人工填写、忽略等等。在本研究中，部分教师由于没有上课而没有参与教学评价，可采用忽略该元组的方法；有的教师十项指标属性值不全，就可以采用人工填写的方法来完成，填写的原则是使用该元组其他属性值的平均值填充。经过数据清理后，参与研究的记录数为171，占总记录的97.16%。 　　因为本研究中使用的数据都是采用十进制记数法，数据的数量也不是很大，所以不需要对数据进行数据变换与数据归约。 　　3.算法的应用与结果分析 　　本研究的实验环境是Intel（R）Celeron（R）M processor 1.60GHz，1GB内存，Windows XP专业版操作系统。k_means算法是在weka 3.7.1环境中运行的。 　　根据需要，在weka测