運用信息熵的方法進行課程評估數據分析的探索

摘要：課程評估是落實OBE理念，提升專業建設水平，提高人才培養質量的關鍵環節。課程評估的實施，最終要通過對課程數據的處理，實現對課程的評價，進而對教學進行反饋和持續改進。數理統計為課程評估提供了眾多可選的方法。信息熵的方法優勢是避免人工賦權的主觀性，根據數據的特征自動完成賦權，從而區分不同的課程。以信息熵的方法為例，選取10門課程的模擬數據，進行了課程評估數據分析的探索。

關鍵詞：課程評估;OBE理念;數據分析;信息熵

中圖分類號：TP311? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）17-0122-02

1 引言

決定學校人才培養質量的關鍵因素之一是課程建設水平，課程評估是檢驗、推動課程建設的重要途徑。新時代全國高等學校本科教育工作會議和“新時代高教40條”均強調了課程建設和課程評估的重要意義。課程評估的重要環節是指標的確定和數據分析。本文列舉了常用數據分析方法在課程評估中的運用場景，并以信息熵的方法為例對多門課程進行了實驗性評價。

2 課程評估的意義

高等教育數量和規模發展到一定程度后，提升質量，加強內涵將成為高等教育人才培養的核心問題，2018年“新時代全國高等學校本科教育工作會議”提出要推進“四個回歸”，把人才培養的質量和效果作為檢驗一切工作的根本標準。“新時代高教40條”提出，推動課堂教學革命，加強學習過程管理，完善質量評價保障體系，強化高校質量保障主體意識，強化質量督導評估[1]。

教育評估在層次上可劃分為學校評估、專業評估和課程評估。目前，我國的高等教育評估工作重點正從對學校辦學水平的評估轉向對具體專業的教學評估上。專業是不同課程的有機組合，課程的質量決定了專業的質量。因此，教育評估最終的落腳點是課程評估。課程評估的主要作用是發現教學過程中的問題，激勵教師有針對性地開展教學改革，改進教學方法，從而進一步提高教學質量。

3 目前課程評估的發展趨勢

目前課程評估已從小規模的試點發展到大規模的普及階段;評估方法上已從簡單的調查問卷發展到網絡化智能化階段;評估理念逐步從評教師教學到評學生學習階段;評估指標體系逐步從照搬國外經驗到適合各學校校情的階段。作為發展中的事物，課程評估也在逐步完善，筆者認為有如下趨勢：

一是向全過程評估發展。應當形成一個全程性的評估機制，把日常反饋、教學調查和期末評價有機結合起來。尤其加強過程性的評估，及時反饋，促進教學改進，才能發揮課程評估的作用。

二是向多元主體發展。教學是一個多維的復雜系統。因此，需要建立一個學生評價、專家評價、領導評價、同行評價、教師自評有機結合的綜合評估體系。

三是向多層級發展。學校層面，應該發揮主導者的作用，頒布指導性意見。學院層面，按照學校的指導意見，區分不同專業，分別制定課程評估標準，使評價指標更加適應院系和專業特點。

四是向閉環發展。課程評估的目的，在于檢驗學生學習的成果是否達到培養目標，教師的教學是否有效促進了學生的學習，結果主要用于促進教學持續改進，從而形成閉環。

4 課程評估指標體系和數據處理

課程評估體系要達到真實反映學生學習狀況、學習成果，達到促進課程建設和提升教學質量的效果，評估指標構建是關鍵的環節。但是指標構建是個復雜的系統工程，需要考慮的因素很多。目前，各高校在學生中心、成果導向和持續改進為核心觀點的OBE理念的引領下，制定了新的培養方案、教學大綱、教學執行大綱。課程評估的指標選擇，也應當符合這種趨勢。從教學目標與學習成果、教學內容與教學策略、課堂教學行為與效果、成績評定與反饋、教學資源與學習支持等五個方面去構建指標體系，進而對這五個方面的指標進行細化，分別制定多級指標體系和評價標準。

建立了科學的指標體系，最終評估時要通過評估對同一專業的多門課程要進行綜合排序或者分類。課程評估大量的工作將落實到數據分析上面。隨著計算機技術和人工智能技術的飛速發展，多種優異的統計分析方法已經成功運用到課程評估的數據分析當中。

聚類分析也稱群分析、點群分析，是研究分類的一種多元統計方法。通過聚類分析，可以將所評估的課程進行分類，從而區分不同的課程，也可以確定課程的等級[2]。

模糊綜合評價法借助模糊數學合成運算的原理，對受到多個模糊因素制約的事物進行總體評價。該方法為解決課程評估中難以消除的模糊性和主觀性提供了解決方案，在課程評估中引入模糊綜合評判模型是一種效果較為理想的評估方法[3]。

人工神經網絡（Artificial Neural Network，即ANN ）是從信息處理的維度對人腦神經元網絡進行抽象。在模式識別、智能機器人、預測估計等領域已廣泛應用，表現出了良好的智能特性。課程評估中運用人工神經網絡可以用于分類、擇優和預測等問題[4]。

此外，還用很多方法用于課程評估數據分析，比如主成分分析法，層次分析法，模糊綜合評價的方法和信息熵的方法。后文以信息熵的方法為例進行數據處理。

5 基于信息熵的課程評估數據處理

課程評估實施中，最終要通過對所收集到的課程數據的處理，實現對課程的評價，進而開展課程的反饋和持續改進。在OBE理念指導下的課程評估，從教學目標與學習成果、教學內容與教學策略、課堂教學行為與效果、成績評定與反饋、教學資源與學習支持等五個方面對課程進行評估。等次上每門課程可以劃分為“特優、優秀、良好、尚可、待改進”五個等次，假設對應“5、4、3、2、1”五個數值。如果僅僅用簡單加權的方法進行處理，無法對優劣課程進行區分。引入數據智能分析的方法，可以有效區分不同課程，以信息熵的方法為例進行數據分析。

5.1 信息熵的原理

熵最早出現在熱力學領域，申農（C. E. Shannon）將其引入信息論，稱之為信息熵[5]。按照信息論的原理，度量系統有序程度用信息，度量系統的無序程度用熵。假如某個系統存在多種不同的狀態。每種狀態出現的概率為[pi][（i=1，2，…，m）]時，則該系統的熵就定義為：

[E=-i=1mpi?lnpi]? ? ? ? ? ? ? ?（1）

從公式1可以看出：某個屬性的熵值[Ej]越小，說明變異程度越大，蘊涵的信息量越大，在綜合評價中該屬性發揮的作用越大，其權重應該越大。

5.2 數據處理示例

假如收集到10門同類專業課程或公共課程的數據，如表1所示。

運用信息熵的方法，分別對課程原始數據進行標準化、計算貢獻度、貢獻度總量和權重，最終求出各門課程的綜合加權分值。通過分值能夠對課程進行區分。與普通計算原始總分，求平均值或加權平均的方法相比。信息熵的方法的優勢主要是，不需要人工賦權，各個指標的權重由數據自身的關系決定。當兩門課程的部分指標數據接近，部分指標數據差異性較大時。差異接近指標的權重分配較小，數據差異性較大的數據指標權重分配較大。從而能夠準確區分多門課程。如表2所示。

6 結論

隨著教學工作內涵建設和質量的重要性日益提升，課程評估必將成為一項常態化的工作。推進課程評估的信息化、智能化和專業化是必經之路。探索課程評估數據分析新技術、新方法也是課程評估的重要研究方向，同時也是提高課程評估質量和效果的有效手段。

參考文獻：

[1] 熊丙奇.落實《新時代高教40條》，強化質量評價保障機制[J].上海教育評估研究，2018，7（6）：26-28，35.

[2] 孟海東，任敬佩.基于云計算平臺的聚類算法[J].計算機工程與設計，2015，36（11）：2990-2994.

[3] 李澎林，鮑挺，李偉.校園安防綜合評價模型的研究與應用[J].浙江工業大學學報，2021，49（4）：368-373，383.

[4] 李文正，崔皖新.不同人工神經網絡在字母識別中的性能比較研究[J].物聯網技術，2021，11（8）：44-46，51.

[5] 周薇，李筱菁.基于信息熵理論的綜合評價方法[J].科學技術與工程，2010，10（23）：5839-5843.

收稿日期：2021-08-27

基金項目：河南工業大學2020年度本科教育教學改革研究與實踐項目：《基于OBE理念和智能決策方法開展課程評估的研究與實踐》（編號：2020JXGG004）;以學生發展為中心的《形式基礎》課程綜合改革研究（編號：XYJ2020049）

作者簡介：朵天林（1977—），男，博士，副教授，主要研究方向為數字媒體技術的教學與研究。