大數(shù)據(jù)下最優(yōu)教學(xué)方式選取模型設(shè)計*

許健松， 游曉東

(福建農(nóng)林大學(xué) a. 教務(wù)處， b. 管理學(xué)院， 福州 350002)

隨著大數(shù)據(jù)環(huán)境下數(shù)據(jù)質(zhì)量參差不齊的情況越來越嚴(yán)重，對最優(yōu)教學(xué)方式選取問題的研究也逐漸引起人們的關(guān)注.當(dāng)對多源數(shù)據(jù)進(jìn)行最優(yōu)選取時，由于數(shù)據(jù)特征不同，其融合度也是存在差異的[1]，從而導(dǎo)致最優(yōu)選取過程容易出現(xiàn)較大偏差，且干擾因素也會對其精度產(chǎn)生影響，因此，尋找合理方法濾除大數(shù)據(jù)環(huán)境下的干擾數(shù)據(jù)[2]，從而設(shè)計最優(yōu)教學(xué)方式數(shù)據(jù)選取模型具有重要的應(yīng)用價值.呂小峰等[3]提出基于蟻群算法的教學(xué)輔助系統(tǒng)設(shè)計與實現(xiàn)方法，開發(fā)出了良好的用戶操作界面，因而可以提高教學(xué)質(zhì)量，但由于算法較為復(fù)雜，雖在一定程度上降低了教學(xué)難度，但未考慮到學(xué)生偏好，因此，無法增強學(xué)生的自主學(xué)習(xí)能力.明道洋等[4]提出了根據(jù)學(xué)生學(xué)習(xí)效果自動推送個性化教學(xué)內(nèi)容的ICAI慕課系統(tǒng)，主要介紹了該系統(tǒng)的結(jié)構(gòu)，并重點闡述了神經(jīng)網(wǎng)絡(luò)算法，但對系統(tǒng)的整體應(yīng)用性測試較少，因而無法保證系統(tǒng)的有效性.將本文設(shè)計的最優(yōu)教學(xué)方式選取模型應(yīng)用到教師最優(yōu)教學(xué)方式選取中，可以利用數(shù)據(jù)挖掘技術(shù)優(yōu)勢選取學(xué)生偏好，增強自主學(xué)習(xí)能力，從而可以因材施教，進(jìn)而提高學(xué)生成績.因此，對教學(xué)方式的選擇進(jìn)行科學(xué)系統(tǒng)的研究是極其重要的，教學(xué)方式的選擇具有重要意義.本文設(shè)計的最優(yōu)教學(xué)方式數(shù)據(jù)選取模型能夠有效選取最優(yōu)教學(xué)方式且精度較高.

1 大數(shù)據(jù)環(huán)境下數(shù)據(jù)估計量挖掘方法

1.1 基于大數(shù)據(jù)的參數(shù)特征分析

在對數(shù)據(jù)估計量進(jìn)行高效挖掘之前，需要先對大數(shù)據(jù)參數(shù)特征進(jìn)行分析.選取SQL數(shù)據(jù)庫中的學(xué)生相關(guān)數(shù)據(jù)，在大量差異特征數(shù)據(jù)的基礎(chǔ)上，設(shè)整體數(shù)據(jù)估計量集合D={M，N}，且M、N分別為前半段與后半段數(shù)據(jù)估計量.由于不同服務(wù)器數(shù)據(jù)特征差異較大，故假設(shè)整個數(shù)據(jù)集中前半段數(shù)據(jù)具有n種參數(shù)特征變化，后半段數(shù)據(jù)具有m種參數(shù)特征變化.令

M={s1，s2，…，sn}

(1)

N={l1，l2，…，lm}

(2)

式中，si與lj分別為某一時段內(nèi)的數(shù)據(jù)曲線擬合結(jié)果和直線擬合結(jié)果，且1≤i≤n，1≤j≤m.

數(shù)據(jù)估計量集合中涵蓋大量信息，需要依靠大數(shù)據(jù)分析技術(shù)實現(xiàn)集合解析.大數(shù)據(jù)分析技術(shù)能夠細(xì)化數(shù)據(jù)區(qū)間，并從區(qū)間中挖掘大量有效信息.

在大數(shù)據(jù)分析下某一時段的曲線擬合結(jié)果si與直線擬合結(jié)果lj具有各自的性質(zhì)變量E與變量比重F[5]，即

si=〈Ei，F(xiàn)i〉

(3)

lj=〈Ej，F(xiàn)j〉

(4)

此外，數(shù)據(jù)估計量集合中的性質(zhì)變量與變量比重的數(shù)量均為m+n[6]，且F1+F2+…+Fm+n=1，此時集合可表示為D={s1，s2，…，sn，l1，l2，…，lm}.

1.2 干擾數(shù)據(jù)源挖掘

在大數(shù)據(jù)環(huán)境下對SQL數(shù)據(jù)庫中的數(shù)據(jù)源進(jìn)行最優(yōu)選取時，會存在一些高噪聲干擾數(shù)據(jù)，這些數(shù)據(jù)偏差較大，且會對最優(yōu)教學(xué)方式選取模型精度造成一定影響[7]，因而需要對其進(jìn)行有效濾除處理，從而確保模型接收數(shù)據(jù)的正確性.當(dāng)進(jìn)行數(shù)據(jù)偏差濾除時，需要提取兩個數(shù)據(jù)點閾值A(chǔ)與B，且其中一個數(shù)據(jù)點閾值需要偏大點.當(dāng)0

(5)

圖1 干擾數(shù)據(jù)挖掘流程圖Fig.1 Flow chart of interference data mining

將Yj從DK中刪除并寫入M后，需要重新計算DK的聚類中心點[11]，其相應(yīng)函數(shù)表達(dá)式為

(6)

式中：mk為DK中的數(shù)據(jù)點數(shù)量；x為大數(shù)據(jù)聚類分析層數(shù)；t為K類數(shù)據(jù)總量.

為了更加精準(zhǔn)地挖掘干擾數(shù)據(jù)，可以設(shè)置一個挖掘精度閾值α，當(dāng)挖掘精度小于α?xí)r，應(yīng)利用式(5)進(jìn)行二次挖掘[12].在干擾數(shù)據(jù)挖掘過程中挖掘精度的函數(shù)表達(dá)式為

(7)

2 基于大數(shù)據(jù)分析的最優(yōu)教學(xué)方式選取模型設(shè)計

利用數(shù)據(jù)估計量挖掘模型進(jìn)行運算，不同服務(wù)器數(shù)據(jù)在大數(shù)據(jù)分析技術(shù)下可被分門別類，但由于挖掘出來的數(shù)據(jù)參數(shù)特征過多，無法直接利用這些挖掘結(jié)果設(shè)計最優(yōu)選取模型[13]，因而需要依據(jù)以下兩點進(jìn)行篩選：

1) 挖掘出的數(shù)據(jù)具有的特征是否具有獨特性；

2) 該參數(shù)特征是否值得選取.

對此，需要額外構(gòu)建一個數(shù)據(jù)特征歸納集合R和數(shù)據(jù)特征選取標(biāo)準(zhǔn)集合T，目的是在大量數(shù)據(jù)參數(shù)特征挖掘下，以高精準(zhǔn)度選取效率對數(shù)據(jù)進(jìn)行融合[14].R中主要包括特征點集、數(shù)據(jù)擬合精度評估與參數(shù)特征，T中主要包括被挖掘的干擾數(shù)據(jù)和特征整合結(jié)果.

基于大數(shù)據(jù)分析的最優(yōu)選取模型由數(shù)據(jù)源整合、數(shù)據(jù)擬合與濾除干擾三方面共同作用，大數(shù)據(jù)分析技術(shù)通過采取相關(guān)性定義[15]對最優(yōu)數(shù)據(jù)的選擇幾率進(jìn)行計算，最優(yōu)選取模型可以表示為

(8)

式中：rp、cp、dij分別為集合R、T、D中的數(shù)據(jù)點；w為集合T中的數(shù)據(jù)點數(shù)量.

為了提高模型精度，大數(shù)據(jù)分析技術(shù)提出采用一個調(diào)整系數(shù)來平衡計算條件的方法.調(diào)整系數(shù)的作用是將數(shù)據(jù)特征集合中與教學(xué)科目完全無關(guān)的數(shù)據(jù)進(jìn)行權(quán)重調(diào)整，這樣既節(jié)省了模型存儲空間，又不會刪除有用資源.調(diào)整系數(shù)的函數(shù)表達(dá)式為

(9)

可見，調(diào)整系數(shù)與t成反比，與w成正比.加入調(diào)整系數(shù)后，最優(yōu)選取教學(xué)方式模型表達(dá)式可以調(diào)整為

(10)

3 實驗評估

3.1 實驗數(shù)據(jù)準(zhǔn)備

將基于大數(shù)據(jù)分析的最優(yōu)教學(xué)方式選取模型應(yīng)用在教學(xué)中，通過對教學(xué)方式的最優(yōu)選取來判斷所設(shè)計模型的有效性，且需要一個計算機硬件平臺與數(shù)據(jù)庫對其進(jìn)行支持.計算機硬件平臺采用NEXTSTEP系統(tǒng)實現(xiàn)開發(fā)，其開發(fā)成果完善且獨立，能夠最大限度抵御外界干擾，防火墻功能十分強勁.數(shù)據(jù)庫的語言類型為結(jié)構(gòu)化查詢語言SQL，SQL數(shù)據(jù)庫的靈活性與穩(wěn)定性較強，即便是在存儲大數(shù)據(jù)時也無需了解存儲方式便可提供便捷的搜索功能.

將海量數(shù)據(jù)信息存儲到SQL數(shù)據(jù)庫中，數(shù)據(jù)樣本采用5萬條學(xué)生樣本，每條樣本中都含有2016年一整年的學(xué)生個人信息、班級、歷史考試成績、教師評價與學(xué)生評價.教學(xué)科目包括高數(shù)、英語與語文.對樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)擬合，利用本文所設(shè)計的基于大數(shù)據(jù)分析的學(xué)生偏好挖掘模型獲取上述數(shù)據(jù)的學(xué)生長期偏好與短期偏好，同時根據(jù)實際情況構(gòu)造教學(xué)資源集合，并采取調(diào)查問卷的方式構(gòu)造教師偏好集合.

3.2 評估標(biāo)準(zhǔn)

本文旨在進(jìn)行基于大數(shù)據(jù)分析的最優(yōu)選取模型的教學(xué)方式選取能力評估與模型復(fù)雜度評估，并分別采用偏好查準(zhǔn)率與模糊評估法實現(xiàn).在選取教學(xué)方式的過程中，偏好查準(zhǔn)率定義為學(xué)生偏好與教學(xué)方式選取結(jié)果的契合比率.可見，查準(zhǔn)率并不以教學(xué)資源和教師偏好的選取為主導(dǎo)，而是建立在學(xué)生偏好表達(dá)能力之上，其函數(shù)表達(dá)式為

(11)

式中：o為存在于學(xué)生偏好集合中的結(jié)果數(shù)；g為教學(xué)方式推薦數(shù)量.

模糊評估法是指在復(fù)雜大數(shù)據(jù)環(huán)境中對模型做出的綜合評估.由于基于大數(shù)據(jù)分析的教學(xué)方式選取模型在處理過程中涉及到的數(shù)據(jù)點數(shù)據(jù)極多，所以選擇模糊評估法進(jìn)行模型復(fù)雜度評估是比較合理的.模糊評估法需要構(gòu)建可能對評估對象造成影響的參數(shù)集合與評估項目集合，其表達(dá)式分別為

U={u1，u2，…，um+n}

(12)

V={v1，v2，…，vm+n}

(13)

利用專家評估法設(shè)置參數(shù)集合中數(shù)據(jù)的比重集合，其表達(dá)式為

A={A1，A2，…，Am+n}

(14)

式中，A1+A2+…+Am+n=1.

模糊評估法的評估結(jié)果是評估項目集合條件下的一個模糊集合，相應(yīng)表達(dá)式為

G=AUV

(15)

若想獲取基于大數(shù)據(jù)分析的最優(yōu)教學(xué)方式選取模型復(fù)雜度，評估標(biāo)準(zhǔn)集合中需要包含最優(yōu)教學(xué)方式選取時間、偏好計算時間以及數(shù)據(jù)傳輸時間.參數(shù)集合中包含學(xué)生歷史成績增長率和學(xué)生思維偏好.

3.3 查準(zhǔn)率評估結(jié)果

基于蟻群算法的最優(yōu)教學(xué)方式選取模型和基于雙層神經(jīng)網(wǎng)絡(luò)的教學(xué)方式選取模型的理論架構(gòu)與實際應(yīng)用效果均比較完善，利用這兩種模型與本文設(shè)計的基于大數(shù)據(jù)分析的教學(xué)方式選取模型共同進(jìn)行評估具有一定代表性.采用三種模型對SQL數(shù)據(jù)庫內(nèi)容進(jìn)行教學(xué)方式選取，將結(jié)果中的o、g值提取出來.由于學(xué)生樣本數(shù)量太多，故對結(jié)果進(jìn)行隨機抽取，從學(xué)號為00001的學(xué)生開始抽取10個學(xué)生，所得到的具體評估值分別如表1～3所示.

表1 蟻群算法模型評估值Tab.1 Evaluation values with ant colony algorithm model

表2 雙層神經(jīng)網(wǎng)絡(luò)模型評估值Tab.2 Evaluation values with double-layer neural network model

表3 大數(shù)據(jù)分析模型評估值Tab.3 Evaluation values with big data analysis model

根據(jù)查準(zhǔn)率公式，將三個模型的查準(zhǔn)率計算結(jié)果進(jìn)行對比，結(jié)果如圖2所示.由圖2可見，基于大數(shù)據(jù)分析的教學(xué)方式選取模型查準(zhǔn)率最高，表明利用所提方法設(shè)計的最優(yōu)選取模型具有更高的選取精度.

3.4 復(fù)雜度評估結(jié)果

在模糊評估法中最優(yōu)教學(xué)方式選取時間、偏好計算時間與數(shù)據(jù)傳輸時間(包括收發(fā)延遲)為基于大數(shù)據(jù)分析的最優(yōu)教學(xué)方式選取模型的復(fù)雜度評估項目.對于基于蟻群算法和基于雙層神經(jīng)網(wǎng)絡(luò)的教學(xué)方式選取模型而言，并不存在對學(xué)生偏好的計算過程，因此，為了方便對比，將本文模型的教學(xué)方式選取時間和偏好計算時間統(tǒng)一看作“計算時間”，因而模型復(fù)雜度將主要取決于模型計算時間與數(shù)據(jù)傳輸時間.

圖2 三種模型查準(zhǔn)率對比Fig.2 Comparison in precision ratio of three models

任意抽取20個學(xué)生后，三個模型的計算時間和數(shù)據(jù)傳輸時間統(tǒng)計結(jié)果分別如表4～6所示.模型復(fù)雜度統(tǒng)計值和平均值對比結(jié)果如表7所示.由表7可見，本文模型復(fù)雜度具有明顯優(yōu)勢.

表4 蟻群算法模型復(fù)雜度Tab.4 Complexity of ant colony algorithm model

表5 雙層神經(jīng)網(wǎng)絡(luò)模型復(fù)雜度Tab.5 Complexity of double-layer neural network model

表6 大數(shù)據(jù)分析模型復(fù)雜度Tab.6 Complexity of big data analysis model

表7 模型復(fù)雜度統(tǒng)計值和平均值Tab.7 Statistical and average values of model complexity

4 結(jié) 論

本文設(shè)計了最優(yōu)教學(xué)方式選取模型，在大數(shù)據(jù)分析的基礎(chǔ)上分析了不同服務(wù)器大數(shù)據(jù)信息，預(yù)測了高噪聲干擾數(shù)據(jù)，分析了干擾數(shù)據(jù)點濾除前后統(tǒng)計量的變化，對數(shù)據(jù)估計量進(jìn)行了高效挖掘，構(gòu)造出由數(shù)據(jù)源整合、數(shù)據(jù)擬合與濾除干擾三方面相結(jié)合的最優(yōu)選取模型，并利用調(diào)整系數(shù)進(jìn)一步提高了模型精度.實驗結(jié)果表明，所設(shè)計模型能夠有效選取最優(yōu)教學(xué)方式，且模型復(fù)雜度不高，同時具有較高實用性.