構建基于大數據與區塊鏈的智能中職課堂云教學評價系統

徐正偉 馬海峰

摘要：在當今教育數據體量巨大、數據類型繁多的情況下，使用云計算與大數據技術開發符合教育發展規律的智能化系統是首選。而移動終端的APP架構的基于大數據與區塊鏈的智能中職課堂云評價系統（簡稱CEC系統）的“智聽、智控、智評、智診、智改”能解決時間與空間的矛盾，解決當前聽評課停留在聽課筆記上、不可回溯性、不專業等各種問題，CEC系統利用大數據、人工智能和區塊鏈等相關技術讓課堂教學評價走上可延續可發展的生態圈，CEC系統讓教師的教學過程大數據經過分析與挖掘后即時地反饋和篩選，讓評價的可回溯性進一步增強。

關鍵詞：教學大數據;智能化;云評價;聽評課;CEC系統

中圖分類號：TP393? 文獻標識碼：A? 論文編號：1674-2117（2021）01-0000-04

教學評價中通常最為有效的方式是課堂觀察，是基于教學過程促進教學交流、提升教師教學技能水平的有效途徑，也是觀摩教學成果、促進和創新教學行為的有效措施，是教學過程的真實反映，更是教育大數據產生的基礎。筆者經過長期的深入研究發現，對基于云計算的課堂教學評價系統，特別是在中職領域，國內研究基本空白?，F有的是浦東教學管理評估系統和TOPCOP系統，以及部分高校分院內部的個別系統，大部分是簡單信息化系統，基于B/S結構，且對教師或學校收費。由于受帶寬的限制及用戶數和費用的限制，這些評價系統對中職教師的課堂教學能力、中職課堂教學質量、中職學校教學管理精準化的提升以及云計算及教學大數據在中職中的推廣和運用極為不利。基于此，筆者開發了移動終端的APP架構的基于大數據與區塊鏈的智能中職課堂云評價系統（Cloud Evaluating System For Classrooms，以下簡稱CEC系統），以期能夠有效提高教學質量。

● 基于大數據與區塊鏈的智能聽評課系統設計

1.系統功能設計

CEC系統聚焦教師的課堂評價與改進，分享教師在教學實踐中的教學改進成果，是一種聚焦教師課堂教學與評價的新途徑，它利用大數據采集、洗滌、處理等先進數據技術，借助模型算法與人工智能，通過對教學模式、學習模式數據量化，對數據清理、數據分析和挖掘進行深度分析，形成“智聽、智控、智評、智診、智改”的課堂觀察生態圈，最后形成分別針對開課教師、聽課教師及學校教務處的基于數據證據鏈的綜合評價和診斷報告。同時，CEC系統根據教學過程大數據，通過自我學習、不斷改進評價與分析標準，形成人機匹配的評價標準，避免過度依賴人工智能和大數據技術而導致的評價與診斷偏差，最終達到系統與教師的平衡，并隨著教學改革的不斷深入而不斷智能進化。CEC系統功能架構如圖1所示。

2.評價指標設計

隨著教學信息化與課堂教學的深度融合，信息化教學課堂的評價緯度如何確立成為關鍵問題。由于中職課堂專業的多樣性和專業性，其對課堂的評價指標的量化考核難度較大，所以筆者遵循了科學性、一致性、完整性、回溯性、容錯性、可操作性原則來確定中職課堂教學評價指標體系，所選的指標分別來源于專家學者關于聽評課的指標、本地區所有中職教師和普高教師都認為的最重要的三大聽評課調研指標（調查問卷回收845份，經過篩選和合并，有效指標為235條）。以及對學生的調研獲取的指標。從教學目標、教學態度、教學內容、教學方法、教學效果這五個一級指標形成相關二級指標，具體如圖2所示。課堂教學評價指標根據需要可以自由選擇評價指標，并提供自定義指標， CEC系統根據機器學習同時會更新或替代不合適的指標，實現指標的專業性和指向性，不斷完善和適應課堂教學評價的變化和發展。

● 基于大數據與區塊鏈的智能聽評課系統實現機制

基于區塊鏈、大數據、人工智能構建的智能聽評課系統的系統架構，有應用層、模型層、數據處理層，具體如下頁圖3所示。

1.利用大數據進行智能分析、評價、可視化

利用大數據技術對所有原始評價數據進行整理，然后根據課堂評價維度和不同評課側重點，進行分析與評價。大數據處理的第一步是按照教學評價環節的要求對基礎數據進行抽取和重組，從中得出所抽取數據之間的關系，再經過關聯和聚合等操作，輸出規定格式的數據到新的儲數據庫中。第二步是進行數據分析。數據分析是大數據處理過程中的核心，通過數據抽取和集成環節，筆者已經從各個不同的數據維度中獲得了用于數據處理的原始數據，每位教師或者管理者都可以根據自己的需求提出不同的分析處理模型，數據分析可以用于決策分析、推薦與預測等。通過數據分析能夠掌握數據中的信息，同時發現很多平時在人工操作中無法發現的問題。

在對聽評課數據進行分析后，對課堂分析結果進行解釋。大部分教師、學生無法直接看懂分析結果的數據，這一方面是因為數據比較抽象，另一方面是因為關聯等信息無法直觀地展現出來。因此，數據分析結果如何展示出來，展示和呈現方式怎么樣，對于教師、學生來說非常重要，數據可視化和人機交互是展示的主要技術。這個步驟能夠讓教師們清楚聽課評價分析的數據的結果。

使用大數據呈現的可視化技術，可以通過圖形的方式直觀地分析的結果呈現給教師、學生、管理者，教育者可以根據不同的需求，靈活地使用這些可視化技術。而人機交互技術可以引導用戶對數據進行逐步的分析，使用戶參與到數據分析的過程中，深刻地理解數據分析結果。

2.基于公有鏈實現身份信息、校驗信息等安全性與信任機制

HPB是國產公有鏈的一個典型代表，它用分布式應用的方式實現性能擴展，HPB芯鏈提供用戶賬戶、身份與授權管理、策略管理、數據庫、異步通信以及在數以千計的CPU、FPGA或群集上的程序調度。該區塊鏈為一個全新的體系架構，通過低延時高并發硬件加速技術，可實現單位時間內高頻次交易，且達到秒級確認。本系統設計基于HPB公有鏈作為開發存查證實的區塊鏈，將用戶的身份信息、驗證信息、校驗信息、完整性信息等經過處理后，以公鑰形式存入公鏈中。

根據區塊鏈的不可篡改性，把系統中相關信息經過處理后存儲在區塊鏈上，利用HPB區塊鏈上區塊信息作為一個去中心化的第三方存證和查證系統。相關信息存證處理過程如下：架設需要處理信息為M，M經過調用SHA-1、SHA-256和MD5哈希算法求得待存原始信息D，將信息D中部分信息利用進行私鑰加密后存為信息K，存儲到區塊鏈的數據庫中。查證過程如下：將待驗證信息M1作為基礎數據，M1經過調用SHA-1、SHA-256 和MD5哈希算法求得待驗證始信息D1，根據用戶對應區塊鏈中存儲檢索信息，查取區塊鏈中信息K1，對K1通過私鑰進行解密取得信息D2，如果D1與D2信息相匹配，則說明信息驗證有效。通過以上方式，對系統中身份信息、驗證信息、數據校驗、數據完整性等關鍵信息進行區塊鏈驗證，從而實現系統的用戶等方面的信息安全性，形成全新的信任機制。

3.利用機器學習進行評價模型維護

機器學習是實現人工智能的核心，利用計算機模擬或實現人類學習活動，是人工智能中最顯著的特征之一，能對數據模型進行不斷迭代和優化。機器學習在自然語言理解、機器視覺、模式識別等許多領域也得到了廣泛應用。在CEC的模型庫中，利用機器學習的新技術，對評價模型庫進行不斷優化與迭代。

利用機器學習框架對評價過程中形成的模型進行“打分”，然后新選擇同一主題下更優秀的模型是實現CEC系統智能化的重要手段。評價模型數據分析這一步驟主要是數據發現，將每一種模型進行權重處理，然后對處理過的權重進行學習，如找出每個權重的最大值、最小值、平均值、方差、中位數、三分位數、四分位數、某些特定值（比如零值）所占比例或者分布規律等進行分析并可視化展示。同時，要確定模型權重（x1...xn）并求變量y，找出因變量和自變量的相關性，確定相關系數。另外，評價特征的選擇很大程度上決定了模型分類器的效果。將上一步驟確定的自變量進行篩選，篩選可以手工選擇或者模型選擇，選擇合適的特征，然后對模型變量進行命名以便更好地標記，從而實現評價模型的智能進化。

參考文獻：

[1]張屹.“以評促學”的信息化教學模型的構建與解析[J].中國教育技術裝備，2016（20）.

[2]王長春.高校教師課堂教學評價系統的設計與實現[J].計算機教學與教學信息化，2014（02）.

[3]吳鋼.中小學課堂教學評價系統分析及其開發策略[J].上海師范大學學報，2006（12）.

[4]王春健.國外職業技術教育教學質量監控與評價模式研究及啟示[J].價值工程，2017（16）.

[5]范曉玲.論教學評價模型構建方法[J].高等教育師范研究，2012（10）.

[6]余艷.信息化環境下課堂評價系統的研究與應用[J].現代教育技術，2015（08）.

[7]劉三?，楊宗凱.量化學習：數據驅動下的學習行為分析[M].北京：科學出版社，2016：6-7.

[8]吳海練.基于數據分析的聽評課制度改革[J].學科探索，2017（07）.

[9]]任磊，杜一，馬帥，等.大數據可視分析綜述[J].軟件學報，2014（09）：1909-1936.

[10]蔡維德，郁蓮，袁波，等.面向大數據的區塊鏈在清算系統中的應用[J].大數據，2018.

基金項目：全國教育信息技術研究課題“中職課堂教學智能化云評價系統的開發與應用研究（CEC系統）”（課題立項號： 183320005，主持人：馬海峰）