大數據分析在高職教學質量評估中的應用

紀曉韻

摘? ?要：教學質量評估是提高教育教學質量的重要保證。學生評教是教學質量評估的客觀評價，已被廣泛應用于各大高校中，評教的結果通過大數據分析，可以為教學質量評估提供依據，教學質量評估是教學活動不可缺少的一個基本環節，它在教學過程中發揮著多方面作用，檢驗教學效果、診斷教學問題、提供反饋信息、引導教學方向、調控教學進程等。現用WEKA進行數據分析，找到影響教學質量評估的關鍵因素和隱含信息，以進一步提高教學質量。

關鍵詞：教學質量? 學生評教? 大數據分析

中圖分類號：G434? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-098X（2019）05（a）-0205-04

近幾年來，我校通過學生評教方式在促進教師提高教學質量等方面取得了一些的成效。主要采用學生網上評教的方式，由學生結合任課教師的課堂教學情況，根據教學管理部門制定的相關評教項目進行評價打分，最終統計出教師個人在某個學期教學質量的學生評價得分。

為了深入挖掘和研究學生評教數據背后隱藏的有價值的信息和知識，本課題旨在借助數據挖掘技術，分析教師屬性如職稱、學歷、工齡、性別等以及教學基本素養、教學方法與手段、教學管理、現場講授等等教學因素與學生評教成績之間是否存在內在聯系，或者哪些教學因素會直接影響學生的評教意向，從而為提高教學質量提供決策支持。

1? 研究背景

教育部于2017年6月13日發布《關于全面推進職業院校教學工作診斷與改進制度建設的通知》。完善職業教育內部質量保證制度體系，建立常態化的職業院校自主保證人才培養質量機制，教育部決定建立職業院校教學工作診斷與改進制度，著力推動職業院校履行人才培養質量主體責任，強化教育行政部門加強事中事后監管、履行管理職責。正確認識職業院校教學工作診斷與改進制度，持續提高技術技能人才培養質量具有重要意義。

教學質量事關學校所培養出學生的質量，抓好教學質量是高校教學工作的首要任務。

因此國內外大學都非常重視教學質量監督保障體系建設，其中主要運用一些教學質量評價的手段和方法來加強對教師教學質量的監督。利用教學質量評估的最初原始數據對教學課堂的教學評估的效率進行比較和分析[1]。有學者通過對教育過程中的相關新知識進行數據挖掘，方便教育部門對教學過程進行管理，其數據來源于教育質量評估的各部門。這些數據主要包括學生的問卷調查和教師教學記錄[2]。評教的數據是學生對教師教學質量和水平的客觀評價，其結果被廣泛應用于教師考核和教學質量診斷與改進。美國的高校管理機構對教師的應聘和升職都廣泛采納學生意見，參考學生評教的結果。

目前學生評教已在上海T學院使用多年，通過學生評教，教學管理部門把評教結果反饋給教師，對評價較差的教師要求認真查找原因，改進教學方法，不斷提高教學水平和能力。

2? 研究內容

2.1 現有評教體系

以我校為例，我校近年來采用網上評教模式對教師教學質量進行客觀評估。馬秀麟等人通過對評教數據內部一致性的檢驗、對同質教學班的多輪評教數據進行跟蹤分析和與督導數據的一致性分析[3]進行驗證評教數據確實能客觀反應教學質量，并對評教數據進行分析從而為教學部門提高教學水平提供依據。

為了確保評教結果的客觀公正，每學期我校進行兩次評教活動，分別在開學第一個月和學期結束前三周，這樣有效避免了“高分互換”和“逆選擇”行為[4-5]，教學督導綜合兩次評教平均分發布評教結果至各二級學院。教學督導會將排名在后10%的教師進行監督改進教學方法，促使這些教師盡快提高教學水平。

理論課評教問卷介紹如表1。

從表1可以看到理論課的評教信息來源于4大因素共16題，分別是：教學基本素養（25分）、教學方法與手段（32分）、教學管理（25分）和教學效果（18分）。

2.2 研究對象

本文以2017—2018學年我校第一學期第二次評教結果為例，數據庫表中共計98萬余條原始評教數據。本次參評教師共計415名（專任教師314名，校內兼職84名，校外教師17名），評教課程共計2167門（其中理論課1845門，理實一體課322門），共計61132人次參與評教，總參評率達到59.37%。

綜合其他文獻和校內師生的討論結果，預測影響學生評教的因素主要分為以下3大方面：教師因素包括教齡、性別、職稱等，課程因素包括課程類別、課程性質、總學時、總學分等和客觀因素包括學生年級、是否本系教師授課、教師總課程數、教師總課時數等，故而在數據采集時分別采集了以上信息。針對人事系統提取教師基本信息、教師類型、職稱評聘、進修深造等，結合本次數據分析的需求，提取出教師信息（性別、教齡、學歷、學位、職稱信息、教師類型）;針對教務系統提取評教數據（按課程、教師、評教因素匯總）、課程信息（課時數、學分、課程類型、學生人數）和成績信息（通過人數、平均分）以供后續挖掘。

然后對數據源進行加工，檢查數據的完整性、一致性、準確性，對丟失數據進行填補，消除“臟”數據。

此次評教最低分為64.99，最高分95分，平均值為93.435分，標準偏差為2.296。說明此次評教數據的成績集中度很高，評教的成績沒有拉開差距和層次。為了有利于后期數據挖掘分析，現將評教結果進行分類：SCORE>94.49歸為A; 94.49>=SCORE>92.99歸為B;剩余歸為C。

2.3 研究方法

本研究從數據交換平臺共享庫獲得教務系統中課程基本信息、成績信息、教師基本信息，評教信息需從教務系統中另行采集和預處理，其中校外教師的基本信息人事系統中并無記錄，由二級學院自行管理，無從獲得。本文中將從數據庫提取到的數據利用數據挖掘平臺WEKA進行分析。

分類是數據挖掘的重要技術，分類是在已有數據的基礎上學習出一個分類函數或構造出一個分類模型，是Weka中的分類器。其中決策樹就是一種非常有效的分類方法。

決策樹方法的起源是概念學習系統（Concept Learning System，CLS），然后發展到ID3方法達到高峰。但ID3算法是把信息增益 （信息熵）作為選擇測試屬性的標準，即樹節點的選擇策略，在計算基于屬性的信息熵時，公式比較復雜、計算量較大，相應的復雜度也高，當數據量很大的時候很耗費硬件資源，計算花費的時間較長[6-7]。

C4.5算法是澳大利亞悉尼大學Ross Quinlan教授于1993年對ID3算法進行修改而來。C4.5算法在以下幾方面進行了改進：

（1）能夠處理連續型屬性和離散型屬性的數據。

（2）能夠處理具有缺失值的數據。

（3）運用信息增益率作為決策樹屬性選擇標準。

（4）對生成樹修剪，降低過擬合。

C4.5算法可以使用通用的稱作TreeGrowth的決策樹歸納算法作為生長樹算法。該算法的輸入是訓練集T和屬性集U[8]。算法遞歸選擇最佳屬性以劃分數據，并擴展樹的葉節點，直到滿足結束條件。

C4.5引入屬性的分裂信息來調節信息增益：

信息增益率：

在WEKA中J48算法正是C4.5算法的java版本。根據計算不同屬性的信息增益率，得到影響評教的關鍵因素;通過屬性選擇中進行數據挖掘，通過WEKA生成分類決策樹預測模型，找出評教問卷各因素與評教成績之間的關系，分析各類信息對評教結果的影響，并將分類預測結果運用于教學管理和指導教師教學工作，為提高教學質量提供決策參考依據。

3? 數據挖掘的結果分析

3.1 理論課評教問卷的關鍵因素挖掘

針對理論課的評教問卷結果，提取四大因素得分總和進行匯總，因為各因素總分不同，為了科學取得評教關鍵因素，對數據進行預處理，取各因素得分率（即：得分/總分*100），在WEKA中導入理論課各因素得分率和最終評教分類數據集，理論課共計1845門，其中評教A類課程共583門，B類826門，C類436門。

根據各屬性增益率結果表2，可以確定A21為影響評教的關鍵因素，即教學方法與手段是理論課評教的關鍵因素。

通過與學生和教師溝通，發現理論課教學方法與手段較為單一，教師多以PPT教學為主，學生“被動”聽課，可引入同伴教學法通過教師設計的用于揭示學生概念錯誤和引導學生深入探索的概念測試題，借助應答交互系統或選項卡片，引導學生在課堂上對概念測試題進行討論、爭辯、交流、重新判斷，參與教學過程，在課堂教學中創建一種學生自主學習、合作學習、生生互動、師生互動的創新教學模式[9]。

有學者已經提出采用現代教育手段，拓寬學生的學習方式，構建基于“互聯網+”的教學平臺，以交互式微課、MOOC、云端課的形式拓展學習者的學習空間促進學生能力的培養[10]。

3.2 影響評教因素分析

其中校內專職教師共計310人，校內兼職教師84人，其余為校外教師，因校外教師信息無法逐一獲取，故而針對校內教師作數據分析。

首先分析理論課，之前分析過理論課評教問卷的關鍵因素是A21，故此時評教信息數據選取A21的成績、參評人數、評教總分，成績信息中選擇平均分、通過人數，課程信息包括學生人數、總課程數、總學分數、總課時數，教師信息中選取性別、教齡、職稱、學歷、學位、教師類別。再根據評教和成績數據進行匯總計算出總參評率、總通過率，共計16個屬性。

選擇不同分類器，選擇十字交叉驗證方法分類結果運行如表3。

顯然J48分類器的分類效果更佳，接下來進行屬性選擇的評估結果最終為：A21、性別和評教結果類別3個屬性，按此三個屬性進行分類效果如表4。

正確分類實例數比剛才的結果還要多一個，決策樹比之前更小，原本17個屬性現僅用2個屬性進行分類，此時生成的決策樹如圖1。

3.3 影響評教的其他因素

通過對這16個屬性增益率排序，前三名分別是A21/S24得分、參評率和總課程數。

可見除了評教關鍵因素外，參評率、教師學期總課程數也對評教結果產生著重要影響。

4? 結論與建議

4.1 增強學生評教意識，化被動為主動

通過對學院的評教數據的分析，總體上學生的評教數據是客觀有效的，學生的評教分數一定程度上反映了教師的教學質量，但是目前總體參評率不足60%還有待進一步提高，這需要學院管理部門的重視。美國教育評論家斯塔弗爾比姆人為，“評價最主要的意圖不是為了證明，而是為了改進”[11]。學校要加強對評教的宣傳和指導，讓學生積極客觀參與評教，這樣評教的數據才能客觀真實反應教師教學質量，對提高教學質量、發現目前存在的問題起到關鍵作用。同時學校通過分析評教結果，找到影響評教的關鍵因素，從而有針對性地改進教學質量，學生必然會從課堂教學改進的效果收益，自然會讓更多學生積極參與到評教當中來。

4.2 評教影響因素的啟示

眾所周知，教師授課一般分為3個階段：課前準備、課中講授和課后輔導。每個階段都需要教師投入相當的精力完成準備。課前備課是每位教師授課前的必備環節，備課充分與否決定了教師教學質量;授課過程中在教師精力充沛的情況會更愿意與學生交流，對學生講授也會更有耐心，會更注重課堂氣氛調節和吸引學生注意力;課后輔導，對作業批改、答疑更是需要教師花費更多時間和精力完成。所以排課中要控制教師總課時數，以保證教學質量。

教師也需要學習，加強教師技能培訓。學生評教的其中一個重要的目的是為了幫助教師提高教學水平。學校可以根據評教結果分析后普遍存在的教學弱項有針對性地開展組織培訓，有目的、有計劃、有針對性地幫助改進教師的欠缺和不足。

參考文獻

[1] Li T，BWY.The Study of the DEA Method Model for University Teaching Quality Assessment and Benefit Analysis[J].Physics Procedia，2012（25）：1187-1191.

[2] Chalaris M.Improving Quality of Educational Processes Providing New Knowledge Using Data Mining Techniques[J].Procedia-Social and Behaioral Sciences，2014（147）：390-397.

[3] 馬秀麟，衷克定，劉立超.從大數據挖掘的角度分析學生評教的有效性[J].中國電化教育，2014（10）：78-84.

[4] 周繼良.破譯高校學生評教問題癥結之新解——基于信息不對稱理論的檢視[J].教育科學，2010，26（6）：30-38.

[5] 林光彬，張蘇，樊彬彬.大學生評價教學質量的邏輯——來自調查研究的證據[J].教育研究，2012（10）：93-98.

[6] Tan Pangning，Steinbach M，Kumar V.數據挖掘導論[M].范明，范宏建，譯.北京：人民郵電出版社，2006.

[7] 毛國軍，段立娟，王實.數據挖掘原理與算法[M].2版.北京：清華大學出版社，2007.

[8] 袁梅宇.數據挖掘與機器學習WEKA應用技術與實踐[M].2版.北京：清華大學出版社，2014.

[9] 吳艾輝.研究型大學工科專業力學課程教學方法創新與實踐[J].力學與實踐，2017，39（3）：299-301.

[10]李棟.王海軍.“互聯網+職業教育”視域下創新 高技能人才培養模式[J].教育與職業，2018（2）：104-107.

[11]陳玉琨.教育評論學[M].北京：人民教育出版社，2005.