大數據時代的高校設計課程教學效果預測

鄧詩元 李昊翔

摘? 要： 高校設計課程與多種因素相關聯，因素之間互相影響，使得高校設計課程教學效果面臨巨大挑戰。為了提高高校設計課程教學效果預測精度，針對當前高校設計課程效果預測過程中存在的一些難題，提出大數據時代的高校設計課程教學效果預測模型。首先，采集大量的高校設計課程教學效果歷史數據，通過專家將高校設計課程教學效果劃分為多個等級;然后，引入大數據分析技術對高校設計課程教學效果歷史數據進行建模與預測，構建高校設計課程教學效果預測模型，并對模型的參數進行優化;最后，對多個學校的設計課程教學效果數據進行仿真模擬測試。結果表明，該模型的高校設計課程教學效果預測精度超過90%，可將高校設計課程教學效果預測誤差控制在10%以內，在相同條件下，預測精度遠遠超過其他模型的高校設計課程教學效果預測模型，可以滿足高校設計相關課程教學管理的要求。

關鍵詞： 教學質量; 等級劃分; 歷史數據; 大數據分析技術; 預測誤差; 仿真模擬測試

中圖分類號： TN99?34; TP391? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）21?0174?05

Prediction of university design course teaching effect in era of big data

DENG Shiyuan， LI Haoxiang

（Hubei University of Technology， Wuhan 430068， China）

Abstract： The design courses in universities are related to several factors. The factors influence each other， which makes the teaching effect of university design courses face great challenges. In view of some difficulties existing in the prediction process of teaching effect of university design courses， a big data based model of university design course teaching effect prediction is proposed to improve the prediction accuracy. A large number of historical data on the teaching effect of university design courses are collected. The teaching effect is divided into several grades by experts. And then， the big data analysis technology is introduced to model and predict the historical data of teaching effect of university design courses， so as to build the prediction model. In addition， the model parameters are optimized. Finally， the teaching effect data of design courses of several universities are simulated and tested. The results show that the prediction accuracy of the proposed model is higher than 90%， and its prediction error is kept within 10%. Under the same conditions， the prediction accuracy of the proposed model is far higher than that of other models， so the model can meet the related requirements of teaching management of university design courses.

Keywords： teaching quality; grade division; historical data; big data analysis technology; prediction error; simulation test

0? 引? 言

教學質量是高校的生命線，近些年，隨著高校的不斷擴招，由于學生數量和教學人數、教學設備等不對等的增加，一些高校教學質量受到不同程度的影響，有的課程教學質量有了一定程度的下降，這對高校教學效果評價體系提出了更高的要求[1?3]。由于近幾年，設計相關的專業成為一些學校新開的專業，與設計專業相關的課程教學效果預測引起了所有高校的高度重視，如何提高高校設計課程教學效果，提高設計專業人才培養質量成為當前一個熱點問題[4?6]。

高校設計課程教學效果預測最初通過學校一些督導、專任教師進行預測，他們根據自己的經驗對高校設計課程教學效果進行分析和打分，給出高校設計課程教學效果預測結果，該方法的預測結果比較直觀，但是預測過程相當復雜，花費相當多，當設計課程的數量比較大時，投入的時間、人力、財力比較大，使得高校設計課程教學效果預測成本比較高，而且高校設計課程教學效果預測可信度不高，因為其存在一些主觀因素[7?9]。

隨著計算機和信息處理技術、自動化技術的不斷發展和融合，當前高校設計課程教學效果預測主要通過計算機輔助實現，建立了許多有效的高校設計課程教學效果預測模型，如基于馬爾科夫鏈的高校設計課程教學效果模型、基于人工神經網絡的高校設計課程教學效果預測模型。

它們可以對高校設計課程教學效果變化規律進行分析和預測[10?12]，但是它們存在一些無法克服的弊端，如馬爾科夫鏈只能進行線性分析，無法描述高校設計課程教學效果的非線性變化規律，但是實際上高校設計課程教學效果不僅只有線性變化規律，而且具有非線性變化規律。因此高校設計課程教學效果預測錯誤有時比較大;人工神經網絡要獲得理想的高校設計課程教學效果預測結果，需要經過多次學習，使得收斂速度變慢，高校設計課程教學效果預測建模花費時間相當長，而且其高校設計課程教學效果預測很不穩定，經常易得到“過擬合”的高校設計課程教學效果預測結果[13?15]。

為了提高高校設計課程教學效果預測精度，針對當前高校設計課程效果預測過程中存在的一些難題，提出了大數據時代的高校設計課程教學效果預測模型。采用具體數據與其他模型進行仿真實驗，結果表明，大數據時代的高校設計課程教學效果預測模型的精度、建模效率均具有十分明顯的優勢。

1? 高校設計課程教學效果的影響因素以及等級劃分

1.1? 高校設計課程教學效果的影響因素

高校設計課程教學效果涉及的要素非常廣泛，有學生相關因素、教師相關因素以及教學條件、教學管理等，因此如果將全部因素考慮到高校設計課程教學效果預測的建模過程中，那么數據采集量大，而且使得建模過程十分復雜，無法實現。

因此，需要選擇一些重要的高校設計課程教學效果影響因素，本文根據客觀公正性原則、可操作性原則、高效性原則選擇高校設計課程教學效果的影響因素，具體如圖1所示。

1.2? 高校設計課程教學效果等級劃分

高校設計課程教學效果通常劃分為多個等級，一般通過專家對每一門高校設計課程教學效果進行打分，然后根據打分結果進行等級劃分，本文采用教學評價中通用的五級評分標準，具體如表1所示。

2? 大數據時代的高校設計課程教學預測模型

2.1? 大數據分析算法

傳統人工神經網絡存在收斂速度慢、解決問題效率低等難題，而極限學習機是一種新型的大數據分析算法，在學習過程中不需要計算輸入權值和閾值，克服了人工神經網絡工作速度低的缺陷，因此本文引入其進行高校設計課程教學效果預測的建模。從本質上講，極限學習機是一種新型的人工神經網絡，與其他神經網絡具有相似的結構，具體如圖2所示。

訓練集用[（x，t）]表示，[a]和[b]分別表示極限學習機的輸入權值和隱含層閾值，隱含層節點數為[L]，那么極限學習機可以表示為：

[Oi=i=1Lβig（ai，bi，x）-t] （1）

式中：[β]表示輸出權重;[g（）]表示隱含層激活函數。

隱含層的輸出矩陣可以表示為：

[H=g（a1，b1，x1）g（a2，b2，x1）…g（aL，bL，x1）g（a1，b1，x2）g（a2，b2，x2）…g（aL，bL，x2）????g（a1，b1，xN）g（a2，b2，xN）…g（aL，bL，xN）]? （2）

式中[N]表示訓練樣本的數量。

那么式（1）可以轉變為：

[Hβ=T] （3）

式中：[β=βT1?βTL];[T=tT1?tTL]。

輸出權重[β]可以用隱含層輸出矩陣的逆矩陣求出，但是當訓練樣本的數量比較少時，隱含層輸出矩陣不存在逆矩陣，那么最小二乘算法求解輸出權重[β]，具體如下：

[β=H+T] （4）

式中[H+]表示隱含層輸出矩陣[H]的廣義逆。

2.2? 粒子群算法

在極限學習機的高校設計課程教學效果預測過程中，首先要確定輸入權值和隱含層閾值，其直接影響高校設計課程教學效果預測結果的好壞，因此本文采用粒子群算法確定極限學習機的輸入權值和隱含層閾值。

粒子群十分適合一些參數優化問題的求解，因此本文采用確定極限學習機的相關參數。每一個粒子群包括兩個狀態向量：速度向量和位置向量，粒子在解空間飛行過程中，根據如下方式不斷地調整自己的狀態，盡可能找問題的最優解。

[Vk+1id=Vkid+c1r1（Pkid-Xkid）+c2r2（Pkgd-Xkgd）] （5）

[Xk+1id=Xkid+Vk+1id] （6）

式中相關參數的意義見文獻[16]。

2.3? 大數據時代的高校設計課程教學效果預測步驟

1） 根據相關文獻分析高校設計課程教學效果的影響因素，并選擇一部分重要的因素進行建模。

2） 收集重要影響因素的相關數據，同時收集相對應的課程教學效果歷史數據，并根據表1確定高校設計課程教學效果等級。

3） 采用大數據分析技術中的極限學習機作為高校設計課程教學效果預測算法，并根據歷史數據確定其結構。

4） 采用粒子群算法確定極限學習機的參數：輸入權值和隱含層閾值。

5） 極限學習機根據最優參數對高校設計課程教學效果訓練集進行學習，當滿足高校設計課程教學效果預先設置的精度時，建立高校設計課程教學效果預測模型。

6） 采用高校設計課程教學效果預測模型對訓練樣本和驗證樣本進行預測，分析高校設計課程教學效果預測模型的擬合和泛化性能。

3? 高校設計課程教學效果預測效果的仿真模擬測試

3.1? 測試平臺

為了分析大數據時代的高校設計課程教學效果預測效果，采用如表2所示的測試平臺進行仿真模擬實驗，分析其高校設計課程教學效果預測精度以及高校設計課程教學效果預測效率。

3.2? 測試數據

為了使大數據時代的高校設計課程教學效果預測實驗結果的可信度更高，選擇5類高校與設計相關的課程作為測試對象，每一類高校選擇的設計課程數據不同，它們具體如表3所示。

3.3? 本文模型的預測精度分析

將表3的高校設計課程教學效果預測實驗的測試數據根據3∶1的比例劃分為訓練樣本和驗證樣本，分析統計訓練樣本和驗證樣本的擬合精度和預測精度，同時計算它們的擬合誤差和預測誤差，具體結果分別如圖3和圖4所示。

從圖3可以看出，高校設計課程教學效果預測實驗的擬合精度要高于預測精度，這與實際情況相符，而且精度均超過了88%，說明本文模型具有較好的擬合效果，同時可以對未來高校設計課程教學效果進行準確預測。

從圖4可以看出，高校設計課程教學效果預測實驗的擬合和預測誤差均控制在10%以內，完全滿足高校設計課程教學效果預測誤差小于15%的實際要求，獲得了十分理想的高校設計課程教學效果預測結果，實驗結果證明了本文高校設計課程教學效果預測模型的有效性。

3.4? 與其他模型的預測性能對比

為了測試大數據時代的高校設計課程教學效果預測模型的優越性，在相同測試平臺下，采用相同的測試數據，選擇當前最流行的高校設計課程教學效果預測模型進行對比分析，它們分別為馬爾科夫鏈的課程教學效果預測模型和BP神經網絡的課程教學效果預測模型，它們的訓練樣本和驗證樣本的擬合精度和預測精度分別如圖5和圖6所示。

對比圖3、圖5和圖6的擬合精度和預測精度，可以發現：

1） 馬爾科夫鏈的高校設計課程教學效果擬合精度和預測精度最低，獲得較高的擬合誤差和預測誤差，這說明其無法客觀、準確地描述高校設計課程教學效果變化規律，無法滿足高校設計課程教學效果控制的實際要求。

2） BP神經網絡的高校設計課程教學效果擬合精度和預測精度要高于馬爾科夫鏈，減少了高校設計課程教學效果擬合和預測誤差，主要是由于BP神經網絡具有強大的誤差反向傳播功能，可以更好地擬合高校設計課程教學效果變化規律，但是由于BP神經網絡易陷入局部最優解，使得多個樣本出現過擬合的預測結果，擬合精度和預測精度有待提高。

3） 大數據時代的高校設計課程教學效果預測精度高于BP神經網絡和馬爾科夫鏈，解決了當前高校設計課程教學效果預測誤差大的難題，能夠準確反映高校設計課程教學效果變化規律，驗證了本文高校設計課程教學效果預測模型的優越性。

隨著學生規模的不斷增加，高校設計課程教學效果歷史數據每年呈倍數增加，使得高校設計課程教學效果建模時間越來越長，高校設計課程教學效果建模效率成為模型優越性的一個重要評價指標。為此統計每種高校設計課程教學效果建模總時間，具體如表4所示。

從表4的高校設計課程教學效果建模總時間可知：本文模型的高校設計課程教學效果建模總時間的平均值為21.63 s;馬爾科夫鏈的高校設計課程教學效果建模總時間的平均值為34.78 s;BP神經網絡的高校設計課程教學效果建模總時間的平均值為27.79 s。

本文模型的高校設計課程教學效果建模總時間明顯減少，改善了高校設計課程教學效果建模效率，與高校設計課程教學效果歷史數據向大規模方向發展相適應，實際應用價值更高。

4? 結? 語

設計相關課程是高校教學的重要組成部分，其教學效果影響高校學生的培養質量。高校設計課程教學效果預測是一個系統工程，與預測算法、教學效果影響因素等密切相關，而當前預測模型無法準確刻畫高校設計課程教學效果的變化規律，為了獲得理想的高校設計課程教學效果預測結果，結合高校設計課程教學效果歷史大數據變化趨勢，設計了大數據時代的高校設計課程教學效果預測模型。結果表明，本文模型解決了當前高校設計課程教學效果預測建模中存在的一些難題，相對于傳統模型，本文模型的高校設計課程教學效果預測精度得到了一定程度的改善，而且預測過程更加簡單，預測效率更優，具有更加廣泛的應用前景。

參考文獻

[1] 張塔洪.教育評價理論視角下應用型本科院校教學質量保障體系構建[J].教育與職業，2019（18）：52?54.

[2] 朱濤，冷士良.基于學分制模式的教學質量保證體系的構建[J].實驗技術與管理，2019，36（4）：168?171.

[3] 趙馨蕊，周雨青.基于模糊綜合評價法的大學物理MOOC教學質量評價[J].高等工程教育研究，2019（1）：190?195.

[4] 劉堅，黃鈺瑩，顏李朝.課堂教學評價數據挖掘與分析[J].湖南師范大學教育科學學報，2019，18（2）：118?124.

[5] 盧旸，岑詠霆.基于二元語義的社區教育課程教學質量測評模型研究[J].數學的實踐與認識，2017，47（18）：302?309.

[6] 鄧蕾蕾，張獻.教學質量促進學習成績評估建模仿真[J].計算機仿真，2017，34（7）：158?161.

[7] 劉芳，宮華，許可，等.基于熵權改進的TOPSIS法的教師教學質量評價[J].沈陽工業大學學報，2017，39（5）：540?544.

[8] 董慶華，王成偉.馬爾科夫鏈在高等數學教學效果評價中的應用[J].數學的實踐與認識，2018，48（8）：314?320.

[9] 吳麗，劉益和.證據理論和支持向量機相融合的教學質量評價[J].西南師范大學學報（自然科學版），2016，41（2）：92?98.

[10] 范巖，馬立平.優化BP神經網絡的高校教學質量評價模型[J].統計與決策，2018，34（2）：80?82.

[11] 楊簡，潘賀，劉海燕.基于灰色神經網絡評價教學質量的研究[J].黑龍江畜牧獸醫，2014（8）：36?39.

[12] 岳琪，溫新.基于GA和BP神經網絡的教學質量評價模型研究[J].內蒙古大學學報（自然科學版），2018，49（2）：204?211.

[13] 江波，高明，陳志翰，等.基于行為序列的學習過程分析與學習效果預測[J].現代遠程教育研究，2018（2）：103?112.

[14] 馬星，王楠.基于大數據的高校教學質量評價體系構建[J].清華大學教育研究，2018，39（2）：38?43.

[15] 徐鎮凱，溫勇兵，魏博文，等.基于大數據多層變權云計算的高校工科教師授課質量綜合評價[J].現代教育管理，2016（9）：93?96.

[16] 王珊，劉明，嚴俊杰.采用粒子群算法的熱電廠熱電負荷分配優化[J].西安交通大學學報，2019，53（9）：159?166.

作者簡介：鄧詩元（1970—），男，湖北枝江人，碩士，副教授，研究方向為數字媒體藝術設計。

李昊翔（1994—），男，河北石家莊人，碩士，研究方向為數字藝術設計。