從大數據挖掘的視角分析學生評教的有效性

馬秀麟，衷克定，劉立超

(北京師范大學 教育技術學院，北京 100875)

從大數據挖掘的視角分析學生評教的有效性

馬秀麟，衷克定，劉立超

(北京師范大學 教育技術學院，北京 100875)

對于學生評教的有效性，在學術界一直存在著爭議。然而，思辨的研究方法無力解決學生評教的有效性問題。隨著教育信息化的深入，網絡化的學生評教已經廣泛應用并積累了大量的原始數據。該研究借助大數據分析和數據挖掘的方法，對兩所學校5年多的上百萬條學生評教數據展開分析，通過克朗巴哈系數、基于時間序列的數據關聯性分析檢測了學生評教的有效性水平。并在此基礎上，利用聚類和主成分分析的方法，探究了影響評教成績的主要原因，從學生評教的視角對教師的專業化發展提出建議。

學生評教；大數據；數據挖掘

隨著高等教育的大眾化，教學質量成為影響高等教育可持續發展的重要因素。在這個過程中，“尊重學生的主體性地位、聽取學生對教學的看法、依據學生評教結論改進教學”等觀點逐步成為教學質量控制的重要手段。因此，絕大多數學校都開展了由學生作為主體的針對教師教學情況的評教活動。盡管學生評教搞得如火如荼，然而，對于“學生評教數據是否客觀？學生的評教結論能否真正地反應教學質量？在實際的教學管理中應該如何應用評教數據？”等問題，卻在教師群體內部和學術界都存在著強烈的爭論。對教育管理者來講，學生評教數據的信度、效度和評教結論的應用形式，都存在著很多的問題，這些問題的核心在于學生評教數據的信度和效度水平。

一、研究的焦點及可行性

1. 對學生評教有效性的質疑與爭議

自1915年在美國出現第1張學生評教問卷以來，學生評教在各國逐步展開并普及，對學生評教的爭論也隨之出現并日益尖銳。2003年2月15日，《中國教育報》在同一個版面刊登了兩篇觀點針鋒相對的文章，反應了兩種觀點的激烈碰撞。《學生心中有桿秤——為學生評教師的做法叫好》，文章認為“采用學生評教師的這種做法，好似冬天里的一把火，讓整個教師考核冰點豁然融化。”高度贊揚了學生評教在教師考核中的作用，認為學生評教在教師考核和晉升中的一票否決制突顯了學生的主體地位，有利于教師積極提高自己的教學質量。而另外的一篇文章《學生“一票否決”老師，對嗎？》的觀點則截然不同，文中感嘆道：“教學搞得再好，不如把學生哄好！”“教師辛辛苦苦干了一學期的工作，難道就被學生一票給否決了嗎？”

學生評教數據的信度和效度，是爭議的焦點。支持方認為：學生評教能真正地反映學生的訴求，體現學生的滿意度，有利于教師改進教學，提升教學質量[1]。反對方則認為：由于知識能力的局限性，學生們對整個課程體系的把握很不足，情感、功利心等因素也會影響評教的客觀性。因此，學生評教難以真實地反映教學水平。學生評教不但不能促進教學質量，還會導致教師不敢從嚴管理學生，導致教學質量滑坡[2]。

2. 研究問題的提出

思辨的方法不能判定學生評教數據是否有效的問題，隨著基于Internet的學生評教系統的普及，很多高校都已經積累了海量的學生評教數據。筆者認為，只有針對真實的海量評教數據，分析海量數據的可靠性系數與區分度并對評教結果長期跟蹤，才能客觀地判定學生評教的信度和效度。在實證性研究的基礎上，再借助數據挖掘的手段，探索評教數據內部隱藏的規律，通過評教數據發現教師成長的規律，為教師的專業化提供指導[3]。

3.基于大數據挖掘技術分析學生評教效度的可行性

(1)基于Internet的學生評教系統積累了大量的原始數據

自1915年在美國出現第1張學生評教問卷以來，學生評教經歷了書面評教、機讀卡評教和網絡評教時期。目前，絕大多數院校的學生評教系統都是基于Internet平臺的，具有便捷性強、數據保存完整、數據格式規范等優點。

經過近十年網上評教活動的開展，基于Internet的學生評教系統已經完成了初步的數據積累，形成了規模宏大的學生評教記錄，為學生評教的元評價積累了海量的數據基礎。以北京師范大學為例，自2002年開始啟用網上評教系統以來，已經積累了針對2000多名教師、3000門課的多輪評教數據，總記錄數達到了近200萬條。

(2)大數據時代來臨，針對大數據的研究方法日益成熟

隨著信息化的普及和各類信息系統的應用，各類信息系統中都積累了大量的原始數據，分析這些數據內部所蘊含的規律、預測相關系統的運行趨勢，已經成為當代信息處理的主要任務。大數據處理就是應時代需求出現而發展起來的，大數據知識服務是為適應信息服務業智慧化、協作化、綠色化、先覺化和泛在化的發展趨勢而衍生的一種基于網絡的, 用以解決結構化、半結構化及非結構化數據多維度處理的信息服務新模式，是嵌入式協作化知識服務模式的一種新發展，是現代信息服務理念的具體體現[4]。

隨著大數據的普及，針對大數據的研究方法日益完善和成熟。適用于大數據的關鍵技術包括：遺傳算法、神經網絡、數據挖掘、回歸分析、基于時間序列的跟蹤與分析、聚類分析、關聯規則學習等技術。這些技術已經日益成熟，甚至被集成在各種大型的數據庫管理系統(DBMS)中，使之成為大型DBMS的有機組成。基于大數據理念的數據分析與數據挖掘技術的成熟，能夠實現面向海量評教數據實時分析，并能保證分析的科學性，極大地方便了針對網絡評教數據的挖掘和分析、跟蹤[5]。

與已有的信息服務模式相比, 大數據知識服務模式和構建過程越來越趨向于個性化、自主化、虛擬化、智能化、透明化和體驗化，知識創造模式、組織模式、傳播模式和應用模式也呈現出規模化、集約化、數字化和網絡化的趨勢[6]。

二、學生評教及大數據理論的研究狀況

1. 對學生評教的理論研究狀況

對學生評教的理論研究，主要包含了兩個維度：其一，學生評教是否有效、客觀；其二，如何正確地應用學生評教結論。

(1)對于學生評教的價值有兩種相互對立的觀點

對于學生的評教，當前存在著兩個非常尖銳的觀點：肯定的觀點高度贊揚了學生評教在教師考核中的作用，認為學生評教在教師考核和晉升中的一票否決制突顯了學生的主體地位，有利于教師積極提高自己的教學質量。而否定的觀點則認為由于學生在知識結構、學科水平和個體認知能力方面的差異，導致學生難以從自己的視角準確地衡量教師的教學質量[7]；另外由于學生在評教過程中存在隨意性、甚至報復教師的行為，因而學生評教數據也很難保證客觀、科學。

(2)對學生評教數據的分析方法呈現多樣化，但樣本量普遍偏少

對于學生評教數據的處理與應用，多數學者認為應建立在對海量評教數據客觀分析與挖掘的基礎上，然而真正地面向大數據集的研究卻很少。從目前的研究看，對學生評教數據的處理主要有以下幾種方式：a.對一定量的學生評教數據進行均值和頻度分析、方差分析，以學生評教數據的均值作為教師得分；b.統計各類統計數據的頻度，以頻度論證數據間的邏輯關系或者評教數據的有效性；c.少量研究者把數據挖掘的理論引入到學生評教領域，借助數據挖掘的方法開展對學生評教數據的研究。例如王佳欣、王旭輝的研究《基于數據挖掘的網絡評教系統》就是借助關聯規則對評教數據內部隱藏的關系進行了挖掘，孫彩云、翟建軍的研究則借助Kappa統計量評價指導小組、同行專家及學生評教的一致性[8]。

通過檢索中國學術期刊網(CNKI)和Springer online Journals的有關學術論文發現，近幾年肯定學生評教合理性的研究在增加，說明學生評教這一行為在逐步地得到教師和學術界的認可。

2. 大數據理論及其研究狀況

對于大數據的研究，從來沒有像今天這樣熱烈。對大數據的理論研究，主要包括了以下幾個領域：

(1)對大數據概念和屬性的研究

到底什么是“大數據”呢？維基百科上說：大數據指的是“網絡公司日常運營所生成的和積累用戶網絡行為所獲得的海量數據”。“大數據”的出現不是一個偶然的事情，它是在信息化、網絡化高度發達的今天，在這個數據滿天飛的時代所必須要經歷的過程。“大數據”是一個術語，是一個帶有文化基因和營銷理念的詞匯，但同時也反映了科技領域發展中的趨勢，這種趨勢為理解這個世界和做出決策開啟了一扇新的大門[9]。

大數據不是一種新技術，也不是一種新產品，而是一種新現象，大數據具有以下4 個特點，即4 個“V”：數據體量(Volumes)巨大；數據類別(Variety)繁多；價值(Value)密度低；處理速度(Velocity)快，包含大量在線或實時數據分析處理的需求，1秒定律[10]。

(2)對大數據處理流程的研究

大數據的處理流程，是指在合適工具的輔助下，對廣泛異構的數據源進行抽取和集成，對結果按照一定的標準統一存儲。然后，利用合適的數據分析技術對存儲的數據進行分析，從中提取有益的知識并利用恰當的方式將結果展現給終端用戶。具體來說，可以分為數據抽取與集成、數據分析以及數據解釋[11]。

大數據的一個重要特點就是數據類型多樣性，這就意味著數據來源極其廣泛，數據類型極為繁雜，這種復雜的數據環境給大數據的處理帶來極大的挑戰。要想處理大數據，首先必須對數據源提供的數據進行抽取和集成，從中提取出關系和實體，經過關聯和聚合之后采用統一定義的結構來存儲這些數據。在此過程中，應該注意對數據進行必要的清洗，清理掉垃圾數據和無效信息，保證數據質量及可信性，同時還要兼顧大數據的模式和數據內在的關系。

數據分析是整個大數據處理流程的核心，因為大數據的價值產生于分析過程。從異構數據源抽取和集成的數據構成了數據分析的原始數據，然后根據不同應用的需求可以從這些數據中選擇全部或部分進行分析。鑒于大數據的特點，傳統的分析技術如數據挖掘、機器學習、統計分析可以應用在大數據處理中，在特定情況下則需要根據大數據的時代需要做出調整[12]。

盡管數據分析是大數據處理的核心，但普通用戶往往更關心結果的展示。比較傳統的就是以文本形式簡要地陳述分析結論，也可以直接在電腦終端上顯示結果。這種方法在面對小數據量時是一種很好的選擇。但是，大數據時代的數據分析結果往往也是海量的，同時結果之間的關聯關系極其復雜，因此借助于可視化的技術、或者使用特定的數字指標來呈現數據分析結果是必要的[13]。

(3)對大數據挖掘、分析技術的研究

隨著大數據熱的興起，數據分析與數據挖掘的算法日益成熟，統計學、數據分析的技術手段被引入到大數據處理過程中，起到了重要的作用。

首先，統計學的理論被引入到大數據處理領域，數據統計分析的手段已經變成了數據分析的常規手段。由于大數據的規模比較大，經過數據清洗的有效數據通常符合統計規律，因此信度系數檢驗、關聯性分析、數據的離散度分析(方差、標準差)、聚類分析、主成分分析等被廣泛地應用到大數據處理的過程中。目前，這些技術已經被集成到多種計算機信息系統中，發揮著越來越重要的作用。

其次，除了傳統的數據分析技術之外，遺傳算法、神經網絡、語義網絡、分布式數據庫管理等面向大數據的處理技術已經成熟。

第三，專業的數據挖掘軟件、數據推送技術快速發展。應大數據處理的要求，IBM公司、微軟公司、Oracle公司都在自己的大型DBMS中集成了數據挖掘技術，強化時間序列特點、支持數據挖掘技術的數據倉已經成為主流數據庫系統的重要組件，為基于大數據的數據挖掘提供了強大的技術支撐。

三、對學生評教實施元評價的研究方案

1. 研究方案設計

本研究通過對海量評教數據開展實證分析，從數據的整體信度、再測信度、多來源數據的一致性、基于時間序列的一致性分析論證評教數據的客觀性，檢驗學生評教的有效性。另外，借助因素分析的方法，探求評教數據中隱藏的規律，為提升教學質量并促進教師專業化發展服務。

根據主導思想，研究的聚焦點如圖1所示。

圖1 學生評教有效性研究的流程圖

2. 數據樣本的采集

由于本研究是一個基于海量數據的實證性研究，樣本的質量和數量直接影響著研究結論。因此需要高度關注樣本數據的質與量。

為保證數據的質與量，課題組選用了兩所高等院校的學生評教數據。其中A校是位于北京的一所綜合性重點大學，共采集了該校自2007年下學期—2012年(11個學期)的全部學生評教數據，大約有110萬條記錄；B校是位于河南的一所高職院校，獲得了該校近4個學期的評教數據，大約有20萬多條記錄。

3.研究流程與主要技術手段

根據大數據處理的規范，本研究也按照數據抽取與集成(數據清洗)、數據分析和數據解釋三個階段設計研究流程。

(1)數據特點分析與數據抽取

從已獲得的樣本看，A校的數據比較全面，適合開展較詳細的數據分析，B校數據的規模較小，但B校數據能部分代表不同層次院校的評教情況，因此可作為對A校數據的有益補充。另外，上述數據全部是學生評教的原始數據，沒有經過任何加工處理，能保證樣本的原始性和數據純度。也正是由于這一點，在正式開展數據挖掘前進行必要數據清洗與集成是必要的。

分析A校和B校的原始數據，發現其學生評教指標由21項構成。在這些原始數據中，存在著部分填寫不完整的數據，還有部分僅開課1個學期或間斷性開課的教師的評教數據。由于不便于對這些數據進行基于時間序列的跟蹤，因此，應該先對這些數據進行清洗，剔除大數據集中的垃圾數據和不便于分析的數據記錄。最后，按照“至少講授過5門次課程，至少具備5輪完整評教數據”的規則對原始數據進行抽取，針對A校，共獲得了針對817名教師的學生評教數據，針對B校則獲得了462名教師的有效評教數據。

(2)數據分析與挖掘過程

對清洗之后的大數據集，可采取的數據處理方法主要包括兩個階段：其一，先以克朗巴哈信度系數判斷評教指標體系的信度，接著通過針對每位教師多輪授課得分的相關性、學生評教數據與教學督導評教的相關性來判斷學生評教的有效性水平；其二，如果數據分析結論能夠驗證學生評教是有效的，則針對現有數據進行數據挖掘，通過聚類分析、關聯性分析探索影響教師教學得分的關鍵因素，從而為教師的職業化發展提供數據依據。

(3)數據解釋

對于數據分析結果，主要通過量化指標和圖表來呈現，盡可能用通俗、形象的方式呈現數據分析結論，盡量客觀地說明學生評教的有效性水平。

(4)關鍵技術手段

針對學生評教有效性的研究聚焦于兩個技術部分：數據分析和數據挖掘。

數據分析主要面向對已有數據的分析，可以通過SPSS 18.0來完成。由于SPSS18.0對數據量的限制，需要在利用其開展數據分析前，借助SQL Server 2005的SQL語言對數據記錄實施必要的清洗、拼合和抽取。

數據挖掘則重在對現有數據和未來數據的處理，希望能夠與現有的學生評教系統相結合，能夠及時地對最新的學生評教數據進行挖掘，從中發現教育和教學規律。由于A校的學生評教系統基于SQL Server 2005數據庫系統開發，因此針對A校的數據挖掘主要借助于SQL Server 2005自帶的商業智能分析工具(BI)來完成。

四、基于大數據理念檢驗評教數據的有效性水平

對教師各輪教學的評教得分進行一致性分析，是衡量數據信度的重要手段。本研究通過對評教數據開展內部一致性分析，進行再測副本的信度檢驗，衡量教師得分的一致性程度，從而檢驗評教數據的有效性水平。

1. 對評教數據內部一致性的檢驗

信度分析主要用于對量表的內在信度進行測量，通過初步分析已有數據的內在信度，獲取信度系數，并以信度系數體現信度水平。在信度分析中，通常使用克朗巴哈α系數和折半信度系數等[14]反應原始數據的信度水平。

分別按照學期對A、B兩校的評教數據進行一致性信度分析，可直接獲得其克朗巴哈(α系數)。對A、B兩校2011年上半年的評教數據執行內部一致性分析，結果如表1所示。

表1 A、B兩校2011年評教數據的內部一致性分析

由表1可知，A校參與處理的個案為817個，共有21個指標項。在計算過程中沒有需要被排除的個案，這些個案的可靠性系數α=0.999，顯示出極大的可靠性，說明A校2011年的評教數據具有極高的內部一致性，反應出A校的評教數據具有極好的信度。其F檢驗的概率值p=0.00，證明了各個子指標項都有自己的語義范圍，具有相對獨立性。

同理，對其他年度的評教數據進行分析，獲得如表1所示的表格11張(11個學期)。整理各個年度的克朗巴哈α系數，其結果證實，A校各年度的評教數據都具有較高的內部一致性。對B校的分析結論與A校相似，α值都在0.85以上。

2. 對同質教學班的多輪評教數據進行跟蹤分析

由于高校中的很多課程都由固定教師負責，他們會在不同年度重復地講授同一門課程，每輪課程由不同的學生實施評教。如果把特定教師對同一課程的多輪授課所組成的不同教學班稱為同質教學班，那么，對同質教學班來講，本輪評教數據就是前一輪評教數據的再測副本。通過對照多輪數據之間的相關性程度，分析其信度和效度水平，應該能夠較客觀地反映出學生評教的有效性水平。

(1)對同質教學班的多輪再測副本開展相關性檢驗

針對A校五個年度的評教數據，對同質教學班分年度、按主講教師進行相關性分析，結果如表2所示。

表2 全體教師中同質教學班不同年度評教數據的相關性分析

從表2可知，各年度同質教學班評教數據的相關性檢驗概率都低于0.05，相關性系數都高于0.6，說明同質教學班的多輪評教數據之間具有高度相關性、一致性。

分別對文理科教師的評教數據按照同質教學班開展分析，發現各位教師在不同年度獲得的評教成績也有高度相關性，而且文科教師的年度相關性更強。

(2)對同質教學班的評教結論開展基于時間序列的跟蹤分析

為了客觀地反應同質教學班評教結論的一致性水平，并預測評教數據的未來走向，筆者隨機選擇了10個院系的近200名教師，對他們5年的評教成績進行跟蹤并繪制了隨時間而變化的曲線。結果顯示：數據呈現出強烈的前后一致性，這也從側面論證了學生評教的有效性。囿于版面限制，舉例呈現承擔同一門課程的6名教師在連續5年中所獲取的學生評教結論(教師綜合表現成績)，如圖2所示。

從圖2可以看出，只有曲線C呈現了較大的變化，表示教師C在這5年中評教成績逐年遞增，進步較快。而其他幾位教師的曲線則變化不大，教師D則始終位于底部，表示在他所主講的課程中，學生對他評教成績始終很低，具有較強的一致性規律。

圖2 六名教師5年評教數據的變化曲線

3. 與督導評價的一致性分析

教學督導評價是高校教學質量控制的重要組成，其評價結論深受教務部門和教師的重視。檢查A校督導評價狀況和學生評教是否一致，無疑對檢驗學生評教的有效性水平有重要意義。為此，根據已經獲取的督導評教數據，筆者提取了部分教師在最近4年獲得的學生評教成績，對數據之間的關系進行了相關性檢驗和對比。檢驗結論如表3所示。

表3 督導評價與學生評教數據的相關性分析

從表3可知，督導評價結論與學生評教成績具有高度相關性(多數評價的檢驗概率在0.005附近，遠小于5%)，而且相關性系數全部在0.65以上，說明學生評教和督導評價具有較好的一致性。

對比督導評價結論和學生評教成績可知：盡管督導評價與學生評教具有一致性，但若具體到某個教學班，二者還是有一定差異的。督導的評價結論比較溫和，學生的評教結論則更加尖銳。

4.對學生評教有效性的研究結論

本研究通過對兩所院校的評教數據開展內部一致性分析，發現評教數據具有較高的內部信度(α值均在0.85以上)，證明了評教數據具有較好的內部一致性；通過跟蹤分析同質教學班的多輪教學，證明同質教學班在不同學期的評教成績存在顯著性相關，督導的評價也與學生評教結論高度相關。因此，從總體上看，A、B兩校的學生評教數據是客觀有效的。

研究發現：學生評教結果是有效且有偏的。即學生的評教分的大部分可以由教師的能力特質來解釋，評教分能較好地反映一個教師的教學能力，是評價教師教學能力的一個比較有效的指標。在肯定學生評教有效性的同時，必須清醒地認識到：確實有些客觀因素會影響到評估分，而且這些影響是比較穩定的。當學生人數低于20人時，學生評教的結果就可能出現較大的偏差。總之，學生的評價結果是可信的和穩定的，學生對教師的評分和他們的學習成績是相關的，而且這種評價甚至比同行評價更少受到其他因素的干擾。

五、學生評教所反應的規律及其對教師成長的啟示

基于“評教數據是客觀有效的”這一結論，通過對海量評教數據執行主成分分析，尋找影響評教成績的關鍵原因，為促進教師成長提供指導。

1.影響評教成績的關鍵因素分析

(1)針對評教數據的主成分分析

為了解釋評教指標中各子項的作用水平，筆者對評教數據分學期執行了主成分分析。針對2009年的分析結論如表4所示。綜合表4的數據，獲得了3個主成分，依次是：教學方法的多樣性、教師的師德表現、師生溝通與交流情況。

表4 針對A校2009年評教數據的因子分析解釋的總方差

(2)導致部分教師獲得差評的原因分析

對差評教師的自評數據和學生評價進行跟蹤和對比，筆者認為導致部分教師獲得差評的原因主要包括以下幾點。

首先，超過40%的差評教師獲得了“教學方法單一，只會單調地播放PPT”等定性評價，說明不能靈活地運用教學方法，課堂缺乏激情是導致教師獲得差評的重要因素。

其次，在教學活動中，教師能否融洽地與學生相處、能否用清晰簡潔的語言表達個人思想，有效地組織教學，是影響評教成績的重要因素。教師的個人魅力與溝通能力對學生的發展具有重要影響。

再次，部分教師因知識儲備不充分，開課準備不足，導致授課過程不流利，甚至有時無力應對疑難問題，直接導致差評。另外，部分教師因科研項目多、外出會議多，導致停課、調課較多，甚至有遲到、早退現象，也會導致差評。

對比定性評價數據和主成份分析結論，發現二者高度一致。學生們對教學的看法通常是整體性的，教師在“教法、師德、溝通”任何一方面的缺失，都會引起整體評價的降低。

2.對提升教師職業能力的建議

從學生評教數據的視角看，導致部分教師獲得差評即職業能力不強的三個維度是：教學方法、師德和教師的溝通能力。因此，要提升差評教師的職業能力，也應該從這三個方面著手。

首先，學校應該加強對教學的投入，加強教師的“師德”教育，鼓勵教師把更多的時間和精力投入到教學活動中。這就需要學校在教師考核、教學獎勵等方面形成一系列的規章制度，把“鼓勵”和“懲戒”有機地結合起來。

其次，要加強對教師教學能力的培訓，特別要強化教師實現“信息技術與課程整合”的能力，使一線教師掌握更多的教學策略；與此同時，鼓勵教師在教學過程中靈活地運用各種教學策略，并能在教學活動中綜合運用信息技術的手段解決具體的教學問題。

第三，對于部分溝通能力較差的教師，要幫助教師分析原因，要求他們盡快改變自己的表達方式，改變與學生溝通的語速、語調，并從學生心理健康、教師心理健康、溝通技巧訓練等維度為教師的成長提供指導。

六、結語

依據大數據的數據規范化方法，本研究對近200萬條、5個學期的學生評教數據進行清理，并按照信度檢驗、聚類分析和歸因分析等理論，分析了學生評教數據的效度和影響因素。從數據的分析結果看，絕大多數的學生評教數據是客觀的，能夠比較真實地反應教師的教學狀況。另外，導致部分的教師獲得差評的原因是多方面，多層次的，但對教學的投入不足和實踐性知識的欠缺是主因。因此，為了提升教師的職業能力，應該加強對教師的教育，通過規章制度和一定的激勵措施，促進教師不斷地內省和反思自己的教學行為，加強在教學方面的投入，提升自己的交流溝通能力，盡快成長為優秀教師。

[1] 王瑛.關于高校“學生評教”中若干問題的探討[J].中國大學教學,2006,(7):46-47.

[2] 楊麗萍,張彥通.是什么影響了高校學生評教的信度和效度[J].中國大學教學,2009,(3):72-74.

[3] 馬秀麟,衷克定,張倩.學生評教偏差分析與控制模型研究[J].現代教育技術,2010,(2)：40-44.

[4] 于長虹,王運武.大數據背景下數字校園建設的目標、內容與策略[J].中國電化教育,2013,(10):30-35.

[5] 嚴霄鳳,張德馨.大數據研究[J].計算機技術與發展,2013,(4):168-171.

[6] 呂竹筠, 張興旺, 李晨暉等.信息資源管理與云服務融合的內涵及共性技術體系研究[J] .情報理論與實踐, 2012, 35( 9) : 26-32.

[7] 吳勁松.高校“學生評教”利弊分析[J].高教研究,2009,(3):13-15.

[8] 孫彩云,翟建軍.論Kappa統計量評價指導小組、同行專家及學生評教的一致性[J].黑龍江高教研究,2009,(3):41-43.

[9] 《中國電子科學研究院學報》編輯部.大數據時代[J].中國電子科學研究院學報,2013,(1):27-31.

[10] Chen Yu-Hsun，Chen Gen －Huey，Wu E H. Multiple Trees with Network Coding for Efficient and Reliable Multicast in MANETs[A].2010 39th International Conference on Parallel Processing Workshops[C].San Diego, CA:IEEE Computer Society,2010.581－585.

[11][12][13] 孟小峰，慈祥.大數據管理：概念、技術與挑戰[J].計算機技術與發展，2013,(1)：146-149.

[14] 薛薇.SPSS統計分析方法及應用[M].北京：電子工業出版社，2009.88-92.

馬秀麟：博士，副教授，碩士生導師，研究方向為信息技術教育、教育信息化(maxl@bnu.edu.cn)。

衷克定：博士，教授，博士生導師，研究方向為計算機教育應用、教育管理與決策。

劉立超：在讀碩士，研究方向為信息技術教育。

2014年6月10日

責任編輯：馬小強

Research of the Validity about SETQ by Big Data Analysis

Ma Xiulin, Zhong Keding, Liu Lichao
(School of Education Technology, Beijing Normal university, Beijing 100875)

The Research demonstrates the validity of the data about the Students Evaluation of the Teaching Quality(SETQ)through analysis the relativity and differences on the 11 terms SETQ Data which come from these colleges. And then the research quests for the main factor of influence about the evaluating indicator of SETQ by the instruction and courseware, and decreases the dimension of the evaluating indicator by Factor Analysis Method so the simpler evaluating indicator can be get. Last, the research looks for how to use the SETQ Data in the Teacher’s Professionalization.

the Students Evaluation of the Teaching Quality (SETQ);Big Data; Data Mining

G434

A

1006—9860(2014)10—0078—07