基于ID3決策樹算法的高職教學評價分析

陳瀟瀟

摘要：學校每學期都要積累大量的教學評價信息，但對教學評價數據的處理主要停留在數值計算，沒有深入挖掘數據背后的邏輯關系。該文使用數據挖掘算法——ID3決策樹算法，分析高職教學評價與教師年齡、職稱、學位的關聯，挖掘出有價值的信息，為教學管理部門提供決策支持，更好地提升教學質量。

關鍵詞：教學評價;數據挖掘;決策樹;決策支持;教學質量

中圖分類號：TP311? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）28-0199-02

開放科學（資源服務）標識碼（OSID）：

教學評價是指在一定教育價值觀的指導下，依據確立的教學目標，使用一定的技術和方法，對所實施的各種教學活動、教學過程和教學結果進行科學判定的過程。教學評價一般包括教學過程中教師、學生、教學內容、教學方法手段、教學環境、教學管理等因素的評價。參考高職的課程類別，可將教學評價分為：理論教學評價、實踐教學評價、理實一體化教學評價。理論教學評價項目[1]包括：講課水平、教學態度、外語及新技術滲透、學生到課率、聽課檢查結果、學生評教結果、課堂互動、期末成績等。實踐教學評價項目[1]包括：方案及準備、操作及說明、總結及報告、考核及鑒定等。“理實一體化”課程的特點為：在人才培養中注重理論教學與實踐教學的深度融合，通過理論與實踐的相互促進提高學生的專業綜合能力和實踐能力，現已成為當前應用型高校人才培養的一個發展趨向[2-4]。根據其特點，理實一體化教學評價項目[1]包括：教學設計、教學準備、講課水平、教學態度、外語、新技術滲透、學生到課率、課堂互動、教學任務完成情況、考核等。

傳統的處理教學評價數據的方法多采取數值計算。包括“點估計法”“等差增值法”“算術平均值法”“加權平均值法”[5]。為了讓不同學科評價具有可比性，霍本瑤等[6]提出了模糊綜合評價法。但隨著教學評價數據的日益增多，教學評價數據已逐漸呈現出大數據3V[7]的現象。不管是過程數據還是結果數據都已達到了一定的容量，院校雖有處理數據，但缺乏動態地整合和梳理過程。因此，蘊含在數據中的規律無法發揮潛在的價值，而數據挖掘技術的出現解決了這一難題。

數據挖掘（Data Mining），是一門在大數據背景下應運而生的學科。數據挖掘是基于數據庫技術、可視化技術、人工智能技術、可視化技術等演變而來，通過對大量的、多維度的數據進行計算，從而揭示數據間潛在的關聯關系，為決策者提供決策支持。數據挖掘技術，包括關聯規則挖掘、K-Means聚類分析、貝葉斯分類分析、人工神經網絡分析、決策樹分類分析等。近年來，這些數據挖掘技術，在教學評價上的研究也日益廣泛。研究通常是在深入研究數據挖掘理論和教學評價體系建構的基礎上，設計挖掘算法模型的框架，針對運用教學評價過程中積累的大量評教數據進行數據挖掘。

李橋[8]等使用關聯規則Apriori算法，對編號、年齡、性別、職稱、學歷和評定分數六項輸入樣本進行規則挖掘，最后得出年齡在36～49歲，職稱為副教授，具有研究生學歷的教師教學效果好。董萍[9]使用K-Means算法，對教學評價結果進行聚類分析，并將聚類結果分為四類：優、良、中、差，反映出了不同資質的老師在教學質量上的差距。趙萬芹[10]等使用BP神經網絡對教學質量進行了分析，文章中提到的訓練輸入數據由“主觀評價體系”“教學評價體系”組成，預期輸出數據由線性加權法求得，實際輸出數據由BP神經網絡模型得出，實際輸出與預期輸出的誤差率較小，證實了使用BP神經網絡進行教學評價的可行性。

本文通過使用ID3決策樹算法，發現影響教師教學的因素，為教師提高教學水平和教學質量提供決策依據，為高職學校教學管理提供趨勢性、可操作性、有價值的建議和措施，推動高職教育內涵式發展。

1 ID3決策樹算法思想

在構建決策樹前，首先介紹兩個重要的術語：熵和信息增益。熵是對隨機變量不確定性的一種度量。如果變量的不確定性越高，則熵值越高;如果變量越穩定，則熵值越低。在決策樹分類任務中，通常希望分類后變量的熵值較低，即分類效果純度較高。信息增益則是衡量熵值下降的程度。例如，原始熵值為20，做完一個決策之后，熵值變為8，則信息增益就是20減8等于12。通常情況下，信息增益越大，熵的減小量越大，決策樹的節點就趨向于更純。在建立決策樹的時候，會選擇這兩個特征進行遍歷，通過計算熵值，選取使得信息增益值最大的特征，這個特征將優先作為決策樹的節點，依次類推，最終將形成決策樹。

設[S]是訓練樣本集，它包括[n]個類別的樣本，這些類別分別用[C1]、[C2][…][Cn]表示，那么[S]的熵或者期望信息為：

[entropy（S）=-i=0npilog2pi]? ? ? ? ? ? ? ? ? ? ? ? （1）

其中，[pi]表示類[Ci]的概率。

設屬性[A]將[S]劃分成[m]份，根據[A]劃分的子集的熵或期望信息由下式給出：

[entropy（S，A）=i=0mSiSentropy（Si）]? ? ? ? ? ? ? ? ? （2）

其中，[Si]表示根據屬性[A]劃分的[S]的第[i]個子集;[S]和[Si]分別表示[S]和[Si]中的樣本書數目。信息增益用來衡量熵的期望減少值，因此，使用屬性[A]對[S]進行劃分獲得的信息增益為：

[gain（S，A）=entropy（S）-entropy（S，A）]? ? ? ? ? ? ? ? ? ?（3）

[gain（S，A）]是指因為知道屬性[A]的值后導致的熵的期望壓縮。

2 實驗過程與結果分析

實驗流程參照一般的數據挖掘過程：數據采集、數據預處理、規律尋找、規律展示四個步驟。如圖1所示，為本實驗的流程。

2.1 數據采集與預處理

數據采集是根據任務目的，選取數據集。通過前期調研，收集到了某校100位老師的教學評價信息。信息包括4個維度：教師年齡、教師職稱、教師學歷、教學評價分數。前三個維值度作為輸入特征數據，最后一個維度的值作為輸出標簽數據。

數據預處理包括數據清洗、數據規約、數據變換、數據集成。獲取存有教師年齡、職稱、學歷、學評教分數的Excel表data1。為方便后續過程的處理，將教師年齡在35歲及以下的設置為“青年教師”，特征值標記為“young”，其余情況標記為“old”。針對學評教分數85分以下的情況，將標簽值為“low”，85分及以上標簽值為“high”。表1展示了處理后的部分教師評價信息。

2.2 尋找規律

尋找規律。尋找規律的目的是采用某種方法把數據集里面的規律找出來，實驗使用Python編程語言實現ID3決策樹算法。

步驟一：導數據。使用pandas庫中“read_excel”函數將data1數據導入程序中。

步驟二：數據轉換。先將年齡、職稱、學歷特征下的數據轉換為字典類型，然后使用DictVectorizer函數對數據進行特征抽取和向量化，使得特征值最終變為“0”或“1”。代碼如下所示。

x=x.to_dict（orient="records"）? ? ? ? ? ? ? ?（代碼1）

transfer=DictVectorizer（）? ? ? ? ? ? ? ? ? ? ? （代碼2）

x=transfer.fit_transform（x）? ? ? ? ? ? ? ? ? ?（代碼3）

步驟三：設計決策樹。決策樹使用的策略是“熵”，層數為3層。代碼如下所示。

estimator=DecisionTreeClassifier（criterion='entropy'，max_depth=3）? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （代碼4）

步驟四：實現模型訓練。調用fit函數，將輸入特征向量與輸出標簽作為它的參數。最終得到estimator決策樹模型。代碼如下所示。

estimator.fit（x，y）? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（代碼5）

2.3 規律展示

規律展示是盡可能采用用戶可理解的方式將數據規律展示出來，例如圖形圖表方式。實驗中，使用export_graphviz函數將決策樹模型以dot形式輸出，并在cmd客戶端將dot文件轉換為png文件，從而以可視化的方式展示規律。代碼如下，最終得到的決策樹模型如圖2所示。

dot -Tpng C：＼Users＼Desktop＼allElectronicsData.dot -o example.png? （代碼6）

由決策樹的根節點可以得出：value值左側數據代表得分為high的樣本數量，右側數據代表得分為low的樣本數量。在決策樹的第二層，有熵值為0的葉子節點。此葉子節點反映的信息為：年輕的，學位不是博士學位的老師，學評教分數較低。這是因為，年輕的教師剛接觸工作崗位，不管在教學方法還是科研領域，都缺乏一定的經驗。學校教務管理部門、人力資源部門，可以為每位青年教師配備一名導師進行教學指導，并定期開展青年教師說課大賽，舉辦教學、科研講座，組織青年教師參與培訓，提升青年教師在教學、科研方面的業務能力。

隨著人工智能與大數據技術的發展，大學教學內容的科學性逐步加強，跨學科內容增多，尤其對于一些新興前沿的知識，更需要扎實的學術背景。擁有高學歷的教師，具有較高的科研水平，在運用合理的教學方法的同時，可以帶領學生進行知識的鉆研，指導學生進行科學探究，提升了課堂學習的積極性。這也是高學歷教師教學評價分數較高的原因。

3 結語

本文詳細介紹了用ID3決策樹算法分析教學評價的過程。同時對挖掘過程進行了分析，找出影響教學評價的因素，真正實現了“以評促學、以評促教”，教學相長，提高教學質量的目的，為教學改革提供了重要的參考價值。數據挖掘算法是一個很有前景的領域，未來勢必在教育管理方面發揮出更深遠的影響。

參考文獻：

[1] 賈文雅.數據挖掘在高職教學質量評價體系構建中的研究與應用[M].長春：吉林科學技術出版社， 2019：209-211.

[2] 施曉秋，徐贏穎.工程教育認證與產教融合共同驅動的人才培養體系建設[J].高等工程教育研究，2019（2）：33-56.

[3] 鄒心遙.創新能力導向的高職理實一體化實訓室建設[J].實驗室研究與探索，2017，36（4）：225-228.

[4] 王昌輝.高職院校理實一體化教育及其課程教學質量評價體系研究[J].教育理論與實踐，2015，35（33）：28-30.

[5] 李榮英. 高職高專教學評價數據處理方法探討[J]. 教育與職業， 2006（30）：178-180.

[6] 霍本瑤， 郝艷莉.高職教師課堂教學質量評價的現狀及對策[J]. 職教論壇， 2009（14）：56-57.

[7] 中央政府門戶網站.國務院關于印發促進大數據發展行動綱要的通知[EB/OL].http：//www.gov.cn/zhengce/content/2015-09/05/content_10137.htm，2015-09-05.

[8] 李橋， 陽春華. 關聯規則Apriori算法在教學評價中的應用[J]. 計算機與數字工程， 2010（6）：49-51.

[9] 董萍. 聚類分析在教學評價中的應用[J]. 湖南工程學院學報（自然科學版）， 2010（1）：74-77.

[10] 趙萬芹， 孔令超. 基于BP神經網絡的教學質量評價的探討[J]. 化工高等教育， 2011（1）：101-105.

【通聯編輯：李雅琪】