大數據驅動的計算機教學效果評價模型

高 興

（沈陽音樂學院公共基礎部，遼寧 沈陽 110818）

1 引言

計算機作為高校重要的課程，[1，2]其教學效果直接影響計算機專業素質培養，因此如何提高計算機教學效果十分關鍵。計算機教學效果極為重要，教師是否能勝任計算機教學是高校管理部門需重點考慮問題。[3-5]

目前針對計算機教學效果評價研究較多，有學者等人研究基于用戶滿意度的計算機教學效果評價；[7]有學者等研究大數據背景下的計算機教學效果評價，[8]均可實現教學效果評價，但評價效果較差。計算機教學效果評價模型的設計面臨巨大挑戰。支持向量回歸模型是目前廣泛應用于評價領域的大數據驅動模型，其針對非線性、高維度評價問題具有較高優勢。[6]為此，提出了大數據驅動的計算機教學效果評價模型，將支持向量回歸模型應用于計算機教學效果評價中，避免評價容易陷入局部最優以及過學習的缺陷，提升評價有效性。

2 基于大數據驅動的計算機教學效果評價模型

2.1 構建計算機教學效果評價體系

利用層次分析法和專家評價法建立計算機教學效果評價體系，首先確定計算機教學效果評價的主層次模型，如圖1所示。

圖1 主層次模型

利用層次分析法令所確定的主層次因子互相比較，建立主因素比較矩陣，如表1所示。

表1 主因素比較矩陣

表1中不同指標的重要性由1、2、3表示，分別表示兩個元素同等重要、比較重要以及很重要。[9]建立矩陣最大特征根為5.9865，矩陣階數為6，對矩陣階數以及特征根實施一致性檢驗公式如下：

式中， 表示比較矩陣的一致性比率[10]； RI與CI分別表示平均隨機一致性指標以及成對比較矩陣不一致程度。

依據比較矩陣特征向量值獲取不同評價指標權重，[11]教學效果評價指標權重如表2所示。

表2 評價指標權重

2.2 支持向量回歸

支持向量機是基于統計學理論的大數據驅動算法，支持向量機常應用于小樣本情況下的機器學習。支持向量機利用優化模型獲取全局最優解，有效避免局部最優以及過學習情況，[12]可應用于回歸以及分類問題。支持向量機應用于回歸問題時即支持向量回歸模型，設存在獨立同分布觀測樣本：

求解公式(1)獲取最佳回歸函數y=f(x)，即可解決回歸問題。

依據統計學理論可知實際風險并不受經驗風險最小化影響，支持向量回歸模型采用結構風險最小化原理作為學習模型，可將復雜度以及經驗風險最小化[13]，令樣本數量有限時仍具有較高的輸出函數平滑性以及推廣能力。

支持向量回歸模型公式如下：

采用不敏感函數ε作為損失函數時，可得：

將支持向量回歸問題轉化為優化問題，即：

將拉格朗日乘子α*與αi引入上述優化問題，利用對偶問題解決優化問題公式如下：

求解公式(5)獲取最優的α*與αi，選取KKT 條件獲取偏置值，即：

將以上求解所獲取系數代入公式（2），即可實現基于大數據驅動的計算機教學效果評價。

基于大數據驅動的計算機教學效果評價是數據泛化擬合問題，將各評價指標值與權重值作為輸入樣本，依據輸入樣本進行學習，計算不屬于學習樣本集內輸入數據獲取相應輸出值。支持向量回歸輸出樣本為各中間節點的線性組合，不同中間節點與支持向量機和輸入樣本內積相對應。

3 實例分析

選取某大學作為實驗對象，該高校于2017年引入計算機教學。選取網絡調查問卷方式針對該高校學生發放調查問卷，共發放調查問卷數量為15000份，回收有效調查問卷數量為13586份，選取其中9000份作為大數據驅動的訓練樣本，剩余調查問卷作為測試樣本。利用SPSS軟件分析調查問卷結果，調查問卷結果的信度系數值為0.995，KMO值為0.935，信度系數值與KMO值均高于0.9，說明該調查問卷結果具有較高效度以及信度，可應用于計算機教學效果評價中。采用本文模型利用所回收調查問卷評價該校計算機教學效果，選取10分制作為教學效果評價結果表示形式。

選取均方誤差作為評價指標，統計本文模型所采用大數據驅動模型在不同懲罰系數時的輸出結果，統計結果如圖2所示。圖2實驗結果可以看出，懲罰系數為100時，本文模型所采用大數據驅動模型輸出結果均方誤差最低，表明此時大數據驅動模型具有較高的輸出性能，應用于計算機教學效果評價時，可有效提升評價精度，設置采用大數據驅動模型應用于計算機教學效果評價的懲罰系數為100。

圖2 不同懲罰系數時輸出結果

采用本文模型評價計算機教學效果結果如表3所示。表3實驗結果可以看出，采用本文模型可實現計算機教學效果評價，評價結果為6.3分，表明該校計算機教學效果為中等，仍具有較高的提升空間。該校應針對評價結果，從親和力、創新能力等評分較低的指標提出相對改進措施，提升計算機教學效果。

表3 本文模型評價結果

為進一步檢測本文模型評價性能，將本文模型評價結果與專家評價法評價結果對比，計算本文模型評價計算機教學效果的相對誤差，并將本文模型與文獻[12]模型以及文獻[13]模型對比，對比結果如圖3所示。圖3實驗結果可以看出，本文模型采用大數據驅動模型評價計算機教學效果，評價結果的相對誤差明顯低于另兩種模型。本文模型評價計算機教學效果各項一級指標的相對誤差均低于0.2%，而另兩種模型評價計算機教學效果的相對誤差均高于0.3%。計算機教學效果評價是典型的非線性問題，不同模型評價結果存在較大差異，專家評價法具有較高的權威性，本文模型評價計算機教學效果與專家評價法評價結果相差較小，說明本文模型可替代專家評價法應用于計算機教學效果評價中，有效節省人力資源，提升評價效率。

圖3 不同模型評價精度對比

統計采用本文模型評價計算機教學效果各一級指標所需時間，并將本文模型與文獻[12]模型以及文獻[13]模型對比，對比結果如圖4所示。圖4實驗結果可以看出，采用本文模型評價計算機教學效果評價時間均低于另兩種模型，本文模型評價各一級指標時間均為200ms以內。結合圖3實驗結果可知，本文模型可在保持較高評價精度同時具有較高實時性，驗證本文模型具有較高的評價性能。本文模型評價性能優越，可應用于計算機教學效果評價實際應用中。

圖4 不同模型評價時間對比

調查問卷中設置意見回答部分，從調查問卷中剔除“無”“沒有”等無用信息，利用在線詞頻分析工具獲取意見、策略中出現頻次較高的詞語如圖5所示。圖5實驗結果可以看出，互動性、趣味性為排名較前、出現頻率較高的詞語，說明高校學生較重視計算機的生動性以及趣味性。高校開設計算機時，應重視生動性以及趣味性的改進，可從教學內容以及評價方式等部分提升計算機教學效果，活躍計算機教學課堂，培養高校學生的自主學習意識。

圖5 關鍵詞頻次結果

4 結論

利用大數據驅動模型實現計算機教學效果評價，并通過實例分析驗證該模型可實現計算機教學效果有效評價，評價效果較好。大數據驅動模型具有較高的評價精度，應用范圍廣，應用于評價問題中具有更好的應用前景，可通過選取合理的損失函數和核函數提升評價性能。高校利用所研究模型明確計算機教學過程所存在問題，可通過提升教學綜合能力、改善傳統教學觀念、豐富教學模式等模型提升計算機教學效果。