基于機器學習的國家精品課程分類研究

張忠進，王嘉偉，楊潔，徐鵬

（浙江農林大學暨陽學院 工程技術學院，浙江 諸暨 311800）

0 引 言

國家精品課程是教育部通過一系列認定標準，推選出具有一流教師隊伍、一流教學內容、一流教學方法、一流教材的課程，提供學生學習。國家精品課程的認定不僅有利于學生高效學習，也是對教師的教學工作極大程度上的肯定。目前，教育部為了貫徹落實以人為本的教學理念，深化教育體系的改革發展，大力推出了上千門國家精選課程。在2017年宣布首批國家精品課程中有468 門本科課程以及22門專科高等職業教育課程申報成功。第二批申報中，有690門本科課程以及111 門專科高等職業教育課程申報成功。隨著多元化教學方式的發展以及慕課平臺的發展，已有越來越多的課程評為國家精品課程。

中國慕課自2013年起步，從“建、用、學、管”等多個層面全面推進，目前上線慕課數量超過3.4 萬門，學習人數達5.4 億人次，慕課數量與學習規模已位居世界第一。伴隨著慕課發展的契機，這種以互聯網作為基礎媒介，以學生為中心進行遠程教學，滿足學生的多樣化需求的教學模式應運而生，它是信息技術與教育教學深度融合的結晶。在這個信息化的浪潮中，慕課的應用對教學是一種巨大的挑戰。各所高校及時抓住這個機遇，將技術與教學進行結合，豐富教學模式，提高教學質量，旨在為學生提供優質的教學服務。

國家精品學科直播課作為高校在線教育產業的領軍者和風向標，需要具備一定的學術地位以及社會影響力。構成一門國家精品網課往往需要具備以下幾個特點：

（1）具備極強的專業性，該門課程為同科目、同領域內的經典課程，通用性強，普適性廣，嚴謹性高，借鑒性好。

（2）具有較好的創新性，能夠融合新時代互聯網思維以及互聯網授課形式，在合理運用先進技術的同時起到良好的教育效果。

（3）具有一定的社會影響力，國家精品課程作為學科建設的標桿，對廣大高校相關科目的教學內容具有一定的指導作用和借鑒意義，教學形式和教學內容能夠被廣泛高校學生所接受。

雖然國家出臺了相關的政策規定，說明評判了國家精品課程的要求，但實際上評判仍然沒有十分準確的標準。基于此，需要一種評價模型來判定國家精品課程。王等人使用AHP 模型對精品課程評價指標進行研究，構建了AHP 指標層次模型，采用相對尺度定量的兩兩相互比較，構造判斷矩陣，依據判斷矩陣結果計算出指標的權重賦值。嚴軍用基于NVivo 的方法對國家級精品課程評價進行研究，運用NVivo 質性分析工具，從視頻內容、互動答疑、團隊建設、課程資料四個維度對國家級精品課程進行分析。楊等人針對精品課程評估指標的模糊性，構造了模糊綜合評價模型，開發了精品課程模糊綜合評審系統。模糊評價子模塊采用層次結構形式，實現了對評價信息的處理分析，以得到最優解。李火光針對我國精品課程網站及網絡資源建設實際情況，分析了精品課程網站網絡資源特點，對精品課程網站網絡資源作了分類介紹，使用層次分析法理論與方法，提出了4 個一級指標、12 個二級指標、43 個三級指標的分層次的國家級精品課程評價指標，并對各級指標建立重要性成對對比矩陣，計算確定了各一二三級指標重要性權值，構建了國家級精品課程評價指標體系。

綜上所述，機器學習技術還未被應用于國家精品課程分類中。隨著計算機技術的發展，機器學習被廣泛的運用于各個領域當中。本篇論文結合當今機器學習技術，提出了一種基于機器學習的分類方法，為國家精品課程評定提供參考。

1 方法

1.1 數據來源

實驗數據主要來源于中國大學MOOC，中國大學MOOC 是由網易與高教社攜手推出的在線教育平臺，承接教育部國家精品開放課程任務，向大眾提供中國知名高校的MOOC 課程。全面覆蓋大學課程。

研究過程主要采用2021年采集的數據進行分析，數據共有八個字段（參與人數，評論人數，開課次數，是否含有團隊，每周學時，老師數量，老師得分，團隊得分）。樣本數據總體數量為8 964 條，采用分層采樣的方法按照4：1的比例劃分為訓練集和測試集，即訓練集包含 7171 條樣本數據，剩余的1 793 條樣本數據劃分為測試集。為了更充分地了解數據，對樣本數據采用探索性分析方法，更好地將特征工程前期工作做好。

1.2 數據清洗

獲取數據后，要對數據中的問題數據進行處理。一般情況下，針對不同的問題數據有著不同的處理方法。對于數據中不正確的數據，可以將其刪除和使用字段的平均數或中位數代替。對于冗余的數據，將其刪除。對于缺失的數據，盲目的刪去樣本值可能會造成樣本數的減少，為了使這部分信息有效，可以采用平均數或中位數替代。

1.3 特征提取

機器學習中通過特征的選擇來影響模型的準確率和時間復雜度。綜合考慮每個特征對模型預測結果以及對訓練時間的影響，所以在訓練之前需要對現有的特征進行提取。

特征提取階段，為給后續的機器學習算法提供最有利的特征，需要分析數據中屬性（參與人數，評論人數，開課次數，是否含有團隊，每周學時，老師數量，老師得分，團隊得分）與國家精品分類之間的關系。

對于具有正態分布、線性關系的連續數據，用皮爾遜相關系數是較為恰當且效率較高的一種方法。本文章數據恰好符合此特點，因此，采取皮爾遜相關系數來分析數據中各特征與國家精品分類間的相關度，相關系數的絕對值越大，相關性越強。各特征與國家精品課相關系數如圖1所示。

圖1 各特征與國家精品課相關系數圖

從圖中可以得出參與人數、評論人數、開課次數這三個特征與國家精品課分類的相關度最高。

為驗證所分析出來的特征是否與國家精品課呈高相關性，以參與人數，開課次數特征為例，抽取了參與人數和國家精品分類，將課程分類從多分類表示成是否二分類（是國家精品、非國家精品），以參與人數和課程分類當做度量繪制樹狀圖，矩形大小表示參與學生人數，矩形面積越大表示學生參與人數越多，深顏色表示國家精品課程，生成結果如圖2所示。從圖中我們發現選課學生人數越多，則越有可能是國家精品課程。從選課人數中可以看出，選課人數越多，說明學生對該課程的興趣更高，課程的教學效果越好，有助于課程被評選為國家精品課。對開課次數這一特征進行了分析，繪制的樹狀圖如圖3所示。開課數次數越多，越來越多出現國家精品課程，出現極強的相關性。開設時長越長，也就意味著該課程是經得起時間考驗的，是有必要開設的，對于學生的教育是起著重要意義的。

圖2 參與人數與國家精品課關系圖

圖3 開課次數與國家精品課關系圖

同時為了驗證使用皮爾遜相關系數分析出的低相關度特征是否與國家精品課呈低相關性，以老師數量特征為例。以老師數量和課程分類當做度量繪制樹狀圖，矩形大小表示參與老師數量，矩形面積越大表示老師數量越多，深顏色表示國家精品課程，生成結果如圖4所示。

圖4 老師數量與國家精品課關系圖

從圖4中可得出，教師數量度量大體上呈現均勻分布，無明顯特征。因此教師數量與國家精品課程呈低相關性。

綜上所述，使用皮爾遜相關系數分析各特征與國家精品分類間的相關度有著較好的效果。因此根據以上分析總結出了影響該學科成為國家精品課程具有高相關性的特征為：參與人數、評論人數、開課次數。

1.4 實驗分析

實驗為達到對比效果，將使用多個機器學習算法：邏輯回歸（LR），線性判別分析（LDA），K-近鄰算法（KNN），分類回歸樹（CART），樸素貝葉斯（NB），支持向量機（SVM）。用以上算法對國家精品課程進行分類實驗。

實驗選取兩組特征進行，一組為相關度最高的參與人數，評論人數，開課次數這三個特征，另一組為數據全部的八個特征，根據上述特征構建機器學習分類器，輸入測試集得到分類模型，將測試集輸入模型中，得到測試集的分類結果。各種機器學習算法在國家精品課程分類上的準確率如表1所示，其左側準確率為使用三個特征的分類準確率，右側準確率為使用八個特征的分類準確率。

表1 各種機器學習算法在國家精品課程分類上的準確率

從實驗結果中可得出KNN，NB，SVM 選用三個特征的機器學習分類器與選用了八個特征的機器學習分類器的準確率差距不大。在KNN 分類器中，選用八個特征的分類器反而比選用三個特征的分類器準確率要低。可見參與人數，評論人數，開課次數與國家精品課程的相關度較大。而在LR，LDA，CART 中，由于這類算法對特征數量的依賴較大，準確率的差距可高達5%以上。但是這類分類器選用的特征越多，訓練以及分類的時間復雜度就越高。在考慮時間復雜度的情況下，選用參與人數，評論人數，開課次數這三個特征的機器學習分類器已經能夠達到85.76%的準確率，展現出了較好的效果。

2 結 論

在大數據時代下，越來越多的數據可以被獲得，對于國家精品課程評定標準，本篇論文提出了基于機器學習的分類方法，并達到了不錯的效果。可見通過機器學習技術來幫助分析評判國家精品課程是事半功倍的。

在今后的研究中，根據不同樣本數據特點，靈活地選取多種算法和模型融合方式，結合更多的實際應用場景做出更多嘗試性研究。做到對國家精品課程更精準的評價，為中國教育事業貢獻更多的力量。