基于數據挖掘的思政教師教學能力評估模型設計

陳晨

(陜西工業職業技術學院， 馬克思主義學院， 陜西， 咸陽 712000)

0 引言

學校思政課的核心是幫助學生堅定理想信念，樹立正確人生觀和價值觀，在學生成長過程中發揮重要指導作用[1]。為獲得有效的評估結果，需要建立思政教師教學能力評估模型。國外學者大多從教師人格因素和有效教學2個方面進行研究，而四五千年前的學者則主要從教師的聲音、外表、熱情、信任等方面進行研究。文獻[2]制定出教師教學能力評價的因素集，分解后得到能力層次結構圖，通過各要素的隸屬關系最終確定8個核心要素，以此作為教學評價指標。文獻[3]利用灰色關聯分析法構建績效評價模型，經過指標權重優化后，評價結果更加客觀準確。此外，評估方法也含有定量分析的內容，但只是指標因素與教師教學能力之間簡單的線性統計關系，缺少高精度評價結果。數據挖掘技術是從數據庫中提取潛在信息，在沒有先驗規則的前提下，深入挖掘數據價值[4]。目前，數據挖掘應用范圍非常廣泛，在多個領域都做出巨大貢獻[5]。因此，本文基于數據挖掘，設計思政教師教學能力評估模型，在大數據支持下提高思政教師教學能力定量評估的可靠性和有效性。

1 基于數據挖掘的思政教師教學能力評估模型

1.1 劃分思政教師教學能力聚類

本次構建的思政教師教學能力模型指標，主要從課前、課中和課后3個方面進行選取[6-7]。根據屬性距離計算聚類相似性，按照相似性將剩余數據樣本歸類到初始中心，進而得到具有相似性的聚簇。重復上述聚類過程，直至標準函數收斂，計算式為

(1)

式中，B表示標準函數，ai表示數據樣本，ck表示聚類初始中心，k表示聚類中心個數。對于聚類算法而言，選擇合適的聚類數是算法的中心環節，只有選擇最佳聚類數，才能最大程度實現聚類結果的相似度，以此為基礎開展分析研究[8]。本次模型設計利用輪廓系數，選擇最佳聚類數。輪廓系數的計算式為

(2)

式中，λi表示輪廓系數，d1表示凝聚度，為同一聚簇樣本到其他樣本的平均距離，d2表示分離度，為不同聚簇樣本到所有樣本的平均距離。d1越小，則樣本聚簇性越好；d2越小，則樣本聚簇性越差。根據式(2)計算得到所有λi，再對λi取平均值，得到平均輪廓系數，

(3)

式中，λk表示平均輪廓系數，s表示樣本數量。理論上，λi取值范圍為(1，-1)，λk越接近1，則樣本的聚類分簇越合理；反之，λk越接近-1，則說明分簇越不合理；若λk接近于0，則認為當前樣本位于2個聚簇的邊界。通過上述判斷方式，可以得到最大λk時的k值為最佳聚類數。在確定最佳聚類數的基礎上，進一步得到最大迭代次數，其過程可表示為

|Bn-Bn-1|<ε

(4)

式中，Bn和Bn-1分別表示最大迭代次數n與前一次n-1的標準函數，ε表示極小數。當迭代次數滿足上述條件時，則說明迭代達到最大值，此時輸出結果為最佳聚類數k的迭代終止結果[9]。利用迭代終止時輸出的結果，完成對思政教師教學能力聚類的劃分，以此為分析數據挖掘關聯的能力評估指標。

1.2 基于數據挖掘關聯能力評估指標

根據思政教師教學能力評估指標的特點，本次模型設計利用數據挖掘技術的關聯規則算法，建立各評估指標與思政教師教學能力的關系規則[10-11]，比較最小支持度閾值并進行項集連接，記錄所有候選項集的支持度，支持度的計算公式為

(5)

式中，SUP(H→G)表示數據H、G關聯性的支持度，P(H∪G)表示H、G同時發生的概率，n表示總事務數量。根據候選項集支持度，逐層搜索并依次進行迭代，遍歷所有項集，直至不在產生更大的頻繁項集[12]。在數據集中找出頻繁項集后，直接根據最小置信度閾值制定關聯規則，置信度的計算公式為

(6)

式中，CON(H→G)表示數據H、G關聯性的置信度，P(H∪G)含義與式(5)相同，P(H)表示H發生的概率。利用能力評估指標屬性及其變化范圍，確定數據挖掘關聯規則，從中選取置信度高的關聯規則結果，以此確定各評估模型對教學能力的影響程度。

1.3 構建教學能力評估模型

為更好地確定各基礎因素的權重關系，利用一致矩陣兩兩比較相同層次的因素，減少因性質不同而帶來的比較性差異[14]。假設因素x比因素y更為重要，則比較結果表示為βxy；反之，因素y比因素x更為重要，則比較結果表示為βyx，則有：

(7)

式中，βyx表示最小特征值，各因素兩兩比較結果構成判斷矩陣，經一致性檢驗后才可進行權重計算[15]。首先實施層次單排序，計算每一層次因素相對于前一層的權重向量，記為ω。將ω帶入判斷矩陣α，得到最大特征根，計算公式為

(8)

式中，γmax表示最大特征根，m表示判斷矩陣階數，(α)i表示判斷層次數，(ω)i表示聚類指數。利用γmax計算一致性指標與比例，公式為

(9)

式中，CONI表示一致性指標，CONR表示一致性比例，u表示平均隨機一致性，取值與階數m有關。經過一致性檢驗后，對所有因素實施層次總排序，得到整個評估模型的權重。綜合上述過程，完成對思政教師教學能力評估模型的設計。

2 實驗研究

為了分析基于數據挖掘的思政教師教學能力評估模型的有效性，與現有模型進行對比，測試模型應用效果。

2.1 實驗準備

首先搭建實驗分析平臺，具體參數和配置如表1所示。

表1 思政教師教學能力評估的實驗分析平臺

本次實驗中聚類數k與λk表示平均輪廓系數的關系。確定各聚類的教學能力值，如圖1所示。

圖1 不同聚類教學能力比較

根據不同聚類的教學能力，進一步分析能力指標的影響強度，確定各評估指標的權重。

2.2 思政教師教學能力評估效果測試

為了分析基于數據挖掘的思政教師教學能力評估模型的優勢，與現有評估模型進行對比，計算每所學校思政教師教學能力的評估精度。通常情況下α取值為1，此時對精確率和召回率的重視程度相同，即F1值越大，模型越有效。不同模型的測試結果見表2。

表2 模型F1值對比結果

根據表2的模型對比結果，此次設計模型在精確率和召回率上均具有一定優勢。進一步比較F1值，基于數據挖掘構建的模型的F1值為0.935，比現有模型高出0.094和0.085，證明模型輸出結果的精度較高，具有較好的質量，評估效果得到改善。

3 總結

本次研究基于數據挖掘設計思政教師教學能力評估模型，實驗結果表明提高了模型精度，獲得更好的評估結果。本研究的創新之處在于主要從思政教師自身能力的角度對模型進行設計，還存在進一步發展空間，未來研究可擴大指標選取范圍，例如從學生評價等方面完善評估指標，提高模型評價質量。