基于模糊聚類最大樹(shù)算法的高校課堂教學(xué)質(zhì)量在線評(píng)估方法

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)志碼：A

0 引言

高校課堂教學(xué)正從傳統(tǒng)面授模式向線上線下混合模式轉(zhuǎn)變，在線教學(xué)憑借其突破時(shí)空限制、資源豐富多樣、學(xué)習(xí)方式靈活便捷等特點(diǎn)，迅速成為高等教育不可或缺的重要構(gòu)成部分。科學(xué)評(píng)估在線課堂質(zhì)量，確保其與線下教學(xué)相當(dāng)或更優(yōu)，是當(dāng)前高校教育管理者的研究重點(diǎn)，而傳統(tǒng)評(píng)估方法在實(shí)際應(yīng)用中仍存缺陷。

張成叔[通過(guò)提取學(xué)生人臉表情特征并利用貝葉斯分類模型優(yōu)化評(píng)估，通過(guò)計(jì)算后驗(yàn)概率確定教學(xué)質(zhì)量所屬的等級(jí)范圍。但評(píng)估結(jié)果可能受采集環(huán)境、設(shè)備質(zhì)量及學(xué)生個(gè)體差異等因素影響，評(píng)估精準(zhǔn)度較低。李廣利等通過(guò)學(xué)生評(píng)分、問(wèn)卷調(diào)查等收集數(shù)據(jù)并分析，但結(jié)果明顯存在局限性，易受主觀因素影響，缺乏客觀性和實(shí)時(shí)性，難以全面準(zhǔn)確反映教學(xué)真實(shí)情況。

為解決上述問(wèn)題，本文提出基于模糊聚類最大樹(shù)算法的在線評(píng)估方法研究，助力提升在線教學(xué)質(zhì)量[3]。模糊聚類算法可處理模糊性與不確定性，為高校課堂教學(xué)質(zhì)量在線評(píng)估提供新思路。通過(guò)構(gòu)建模糊相似矩陣，挖掘數(shù)據(jù)隱含相似性與關(guān)聯(lián)性，以實(shí)現(xiàn)聚類分析[4]

1高校課堂教學(xué)質(zhì)量評(píng)估指標(biāo)體系設(shè)計(jì)

高校課堂教學(xué)質(zhì)量評(píng)估指標(biāo)的選取對(duì)于確保評(píng)估結(jié)果的準(zhǔn)確性起著至關(guān)重要的作用。為了構(gòu)建科學(xué)的評(píng)估指標(biāo)體系，本文多渠道、全方位地收集相關(guān)的評(píng)估指標(biāo)，結(jié)合本校的教學(xué)實(shí)際情況，邀請(qǐng)相關(guān)領(lǐng)域的教育專家、教師代表進(jìn)行研討，通過(guò)橫向?qū)Ρ扰c借鑒，初步篩選一系列具有代表性的指標(biāo)[5]

將初步篩選的指標(biāo)分為教學(xué)目標(biāo)、教學(xué)內(nèi)容、教育方法、教學(xué)互動(dòng)、教學(xué)效果5大類別，同時(shí)將每個(gè)類別進(jìn)一步細(xì)化為可觀測(cè)、可測(cè)量的具體指標(biāo)，如表1所示。

2評(píng)估指標(biāo)屬性統(tǒng)一處理

在高校課堂教學(xué)質(zhì)量評(píng)估工作中，當(dāng)評(píng)估指標(biāo)選取完畢后，對(duì)這些評(píng)估指標(biāo)進(jìn)行量綱統(tǒng)一處理，以確保各指標(biāo)在后續(xù)分析中具有可比性和一致性，從而統(tǒng)一指標(biāo)屬性[。不同量綱的指標(biāo)在分析過(guò)程中，會(huì)引發(fā)諸多問(wèn)題，如評(píng)估結(jié)果失真、阻礙指標(biāo)間的相互比較和綜合計(jì)算等，進(jìn)而嚴(yán)重影響教學(xué)質(zhì)量評(píng)估的科學(xué)性和有效性。本文采用標(biāo)準(zhǔn)化方法對(duì)評(píng)估指標(biāo)進(jìn)行量綱統(tǒng)一處理，具體公式如下：

表1高校課堂教學(xué)質(zhì)量評(píng)估指標(biāo)體系

其中， x_ij^* 為量綱統(tǒng)一后的評(píng)估指標(biāo)值; x_ij 為第 i 個(gè)樣本的第 j 個(gè)原始評(píng)估指標(biāo)值； 為第 j 個(gè)原始評(píng)估指標(biāo)在所有樣本中的平均值; s_j 為第 j 個(gè)原始評(píng)估指標(biāo)在所有樣本中的標(biāo)準(zhǔn)差。

通過(guò)上述公式，將每個(gè)原始評(píng)估指標(biāo)值轉(zhuǎn)化為無(wú)量綱的標(biāo)準(zhǔn)化值，使得處理后的指標(biāo)值具有平均值為0、標(biāo)準(zhǔn)差為1的特性，消除量綱差異對(duì)評(píng)估結(jié)果的影響，使不同量綱的指標(biāo)能夠在同一尺度上進(jìn)行比較和分析。

3基于模糊聚類最大樹(shù)算法的高校課堂教學(xué)質(zhì)量在線評(píng)估

基于上述經(jīng)過(guò)屬性統(tǒng)一處理后的評(píng)估指標(biāo)數(shù)據(jù)，使用模糊聚類最大樹(shù)算法進(jìn)行高校課堂教學(xué)質(zhì)量在線評(píng)估。該算法可以給出該課程在教學(xué)質(zhì)量上的綜合評(píng)估結(jié)果，而不是僅依據(jù)單一指標(biāo)進(jìn)行片面評(píng)價(jià)，從而更全面、準(zhǔn)確地反映課堂教學(xué)質(zhì)量，能夠很好地平衡評(píng)估的主觀性和客觀性。算法依據(jù)特定的相似度度量標(biāo)準(zhǔn)，對(duì)眾多樣本進(jìn)行兩兩比對(duì)，計(jì)算各樣本之間的相似度，構(gòu)建相似度矩陣，以反映樣本之間的親疏關(guān)系，公式如下：

其中， x_ix_j 分別為第 i 個(gè)和第 j 個(gè)樣本的評(píng)估指標(biāo)向量。通過(guò)計(jì)算所有樣本兩兩之間的相似度，得到一個(gè) n×n 的相似度矩陣S，其中 n 是樣本的數(shù)量[7]

利用模糊C均值聚類算法，根據(jù)相似度矩陣對(duì)樣本進(jìn)行聚類。該算法允許每個(gè)樣本以不同的隸屬度屬于多個(gè)類別，其目標(biāo)是最小化目標(biāo)函數(shù)：

其中， 為聚類的數(shù)量； u_ik 為樣本 x_i 屬于類別 k 的隸屬度； v_k 為類別 k 的聚類中心； ?_m 為模糊系數(shù)。通過(guò)迭代優(yōu)化算法，得到每個(gè)樣本的隸屬度矩陣 U 和聚類中心矩陣 V ，從而確定每個(gè)樣本所屬的類別。

模糊C均值聚類算法能夠逐步優(yōu)化聚類中心和隸屬度矩陣，使得樣本在各個(gè)類別中的分布更加合理，最終得到一個(gè)符合數(shù)據(jù)內(nèi)在特征的聚類結(jié)果。根據(jù)最終得到的聚類結(jié)果，構(gòu)建如圖1所示的最大樹(shù)，以直觀展示各樣本之間的層次關(guān)系和聚類結(jié)構(gòu)。

圖1最大樹(shù)結(jié)構(gòu)

如圖1所示，最大樹(shù)通過(guò)連接樣本之間的邊來(lái)展示樣本之間的相似度和聚類關(guān)系。最大樹(shù)清晰地揭示了樣本之間的親疏遠(yuǎn)近和從屬關(guān)系。這種層次關(guān)系不僅有助于全面了解樣本之間的整體關(guān)聯(lián)，還能為深入分析不同層次的樣本特征提供有力的支持。

在實(shí)際的教學(xué)質(zhì)量評(píng)估中，為確保評(píng)估結(jié)果的準(zhǔn)確性和高效性，要根據(jù)具體的評(píng)估需求和實(shí)際情況，對(duì)構(gòu)建好的最大樹(shù)進(jìn)行精細(xì)化的剪枝處理。這一處理過(guò)程主要基于樣本的隸屬度以及樣本之間的相似度來(lái)展開(kāi)。通過(guò)深入分析樣本的隸屬度，識(shí)別那些對(duì)聚類結(jié)果貢獻(xiàn)較小的節(jié)點(diǎn)；同時(shí)，結(jié)合樣本間的相似度信息，進(jìn)一步剔除那些冗余的、對(duì)聚類結(jié)構(gòu)無(wú)實(shí)質(zhì)影響的分支。經(jīng)過(guò)這樣的剪枝處理，最大樹(shù)將變得更加簡(jiǎn)潔、清晰，聚類結(jié)構(gòu)也更為緊湊。最后，根據(jù)聚類結(jié)果和最大樹(shù)結(jié)構(gòu)，輸出各樣本的教學(xué)質(zhì)量評(píng)估等級(jí)，如表2所示[8]

通過(guò)表2可以清晰地看到每個(gè)樣本的教學(xué)質(zhì)量評(píng)估等級(jí)以及它們?cè)谧畲髽?shù)結(jié)構(gòu)中的位置，實(shí)現(xiàn)高校課堂教學(xué)質(zhì)量在線評(píng)估目標(biāo)。這種基于剪枝處理和聚類結(jié)果的評(píng)估等級(jí)輸出為教學(xué)管理者、教師和學(xué)生提供了明確、可量化的反饋信息，有助于教學(xué)管理者制定針對(duì)性的教學(xué)改進(jìn)策略，調(diào)整教學(xué)方法，提升教學(xué)水平，學(xué)生也可以更好地了解自己的學(xué)習(xí)狀況，選擇適合的學(xué)習(xí)資源，從而全面推動(dòng)教學(xué)質(zhì)量的提升和優(yōu)化。

表2高校課堂教學(xué)質(zhì)量在線評(píng)估等級(jí)

4實(shí)驗(yàn)分析

4.1實(shí)驗(yàn)準(zhǔn)備

為全面精準(zhǔn)評(píng)估高校課堂教學(xué)質(zhì)量，本文選擇多所具有代表性的大學(xué)作為樣本來(lái)源，確保樣本的多樣性和廣泛性，使得研究結(jié)果能夠更廣泛地適用于不同背景的高校。在這些樣本學(xué)校中，本文進(jìn)一步鎖定6種不同類型的課程作為研究對(duì)象，旨在通過(guò)多樣化的課程類型全面反映課堂教學(xué)質(zhì)量的實(shí)際情況。

針對(duì)這6種課程，分別統(tǒng)計(jì)一次課程質(zhì)量的實(shí)際值，根據(jù)預(yù)設(shè)的定量分級(jí)標(biāo)準(zhǔn)進(jìn)行分類。具體分級(jí)標(biāo)準(zhǔn)為：得分大于6分的課程被評(píng)定為“優(yōu)秀”；得分為5~6分的課程被評(píng)定為“良好”；得分為4~5分的課程被評(píng)定為“一般”；得分小于4分的課程則被評(píng)定為“較差”。統(tǒng)計(jì)得到的6種不同類型的課程質(zhì)量實(shí)際值與相應(yīng)的分級(jí)情況如表3所示。

表3課程質(zhì)量實(shí)際值與定量分級(jí)情況

基于上述統(tǒng)計(jì)結(jié)果和分級(jí)標(biāo)準(zhǔn)，按照本文設(shè)計(jì)的評(píng)估流程，對(duì)課堂教學(xué)質(zhì)量進(jìn)行了在線評(píng)估實(shí)驗(yàn)。

4.2評(píng)估結(jié)果

為了全面驗(yàn)證本文設(shè)計(jì)的基于模糊聚類最大樹(shù)算法的高校課堂教學(xué)質(zhì)量在線評(píng)估方法的有效性，采用對(duì)比實(shí)驗(yàn)的形式進(jìn)行深入研究。將本文方法設(shè)置為實(shí)驗(yàn)組，同時(shí)選取張成叔[1和李廣利等提出的2種常規(guī)教學(xué)質(zhì)量評(píng)估方法分別作為對(duì)照組1和對(duì)照組2。應(yīng)用這3種方法分別對(duì)6種教學(xué)項(xiàng)目的教學(xué)質(zhì)量進(jìn)行了評(píng)估，獲取相應(yīng)的評(píng)估值。將這些評(píng)估值與實(shí)際值進(jìn)行對(duì)比，以判斷各方法的評(píng)估效果是否可行。對(duì)比結(jié)果如表4所示。

表4評(píng)估結(jié)果對(duì)比

將表3課程質(zhì)量實(shí)際值和分級(jí)情況同表4結(jié)果對(duì)比可知，本文設(shè)計(jì)的基于模糊聚類最大樹(shù)算法的高校課堂教學(xué)質(zhì)量在線評(píng)估方法在應(yīng)用后得到的教學(xué)項(xiàng)目評(píng)估值與實(shí)際值相差較小，且定量分級(jí)全部保持一致。相比之下，另外2種傳統(tǒng)方法得到的評(píng)估值與定量分級(jí)相差較大，尤其是在某些教學(xué)項(xiàng)目的評(píng)估上出現(xiàn)了明顯的偏差。由此得知，本文設(shè)計(jì)的基于模糊聚類最大樹(shù)算法的高校課堂教學(xué)質(zhì)量在線評(píng)估方法對(duì)不同類型的高校課堂教學(xué)項(xiàng)目質(zhì)量評(píng)估效果均較好，其評(píng)估結(jié)果更加接近實(shí)際值且分級(jí)更為準(zhǔn)確。因此，該方法具有較高的可行性與應(yīng)用價(jià)值。

進(jìn)一步地，對(duì)3種評(píng)估方法的特異性進(jìn)行對(duì)比，即對(duì)教學(xué)質(zhì)量差異的區(qū)分能力，通過(guò)計(jì)算不同教學(xué)質(zhì)量等級(jí)下評(píng)估值的差異度來(lái)衡量。差異度越大，說(shuō)明評(píng)估方法對(duì)不同教學(xué)質(zhì)量等級(jí)的區(qū)分能力越強(qiáng)，即特異性越高。對(duì)比結(jié)果如圖2所示。

圖2課堂教學(xué)質(zhì)量評(píng)估特異性對(duì)比

由圖2的對(duì)比結(jié)果可知，在所有課程類型和質(zhì)量等級(jí)下，本文設(shè)計(jì)的評(píng)估方法的差異度明顯大于2種傳統(tǒng)方法，平均評(píng)估特異度在0.8以上，這表明該方法對(duì)不同教學(xué)質(zhì)量等級(jí)的區(qū)分能力更強(qiáng)，能夠更好地捕捉教學(xué)質(zhì)量的大幅變化。

5結(jié)語(yǔ)

本文提出的基于模糊聚類最大樹(shù)算法的高校課堂教學(xué)質(zhì)量在線評(píng)估方法，融合模糊聚類與最大樹(shù)算法優(yōu)勢(shì)，構(gòu)建科學(xué)、高效且適應(yīng)性強(qiáng)的在線評(píng)估體系，為精準(zhǔn)提升高校教學(xué)質(zhì)量提供支持。該體系能精準(zhǔn)捕捉教學(xué)質(zhì)量差異，全面覆蓋并深度剖析不同課程與教學(xué)環(huán)節(jié)，為管理者提供直觀量化決策依據(jù)。其在線評(píng)估特性便捷高效，可實(shí)時(shí)反饋教學(xué)動(dòng)態(tài)，助力教師調(diào)整策略、優(yōu)化效果。此外，對(duì)比實(shí)驗(yàn)驗(yàn)證該方法在評(píng)估特異性及準(zhǔn)確性上的顯著優(yōu)勢(shì)，證實(shí)其在高校課堂教學(xué)質(zhì)量評(píng)估中的可行性與有效性，更為其在高校教學(xué)管理中的廣泛應(yīng)用提供了實(shí)踐依據(jù)。

參考文獻(xiàn)

[1]張成叔.基于人臉表情特征的高校課堂教學(xué)質(zhì)量在線評(píng)估模型[J].齊齊哈爾大學(xué)學(xué)報(bào)（自然科學(xué)版)，2024(3):11-15.

[2]李廣利，溫情，魏萍，等.地方應(yīng)用型高校課堂教學(xué)質(zhì)量評(píng)估體系構(gòu)建[J].中國(guó)教育技術(shù)裝備，2024(1) :56-59.

[3]陳俊祥.基于混合式教學(xué)的高職院校質(zhì)量評(píng)價(jià)體

系構(gòu)建與應(yīng)用[J].教書(shū)育人（高教論壇），2024（5）：37-40.

[4]高學(xué)德，孫斐，戴巍.高校教師課堂教學(xué)質(zhì)量元評(píng)估指標(biāo)體系構(gòu)建[J].蘭州文理學(xué)院學(xué)報(bào)（社會(huì)科學(xué)版），2024(4):80-87.

[5]鄒伯駿.高校教師對(duì)本科教學(xué)質(zhì)量審核評(píng)估感知與回應(yīng)的質(zhì)性研究[J].教育評(píng)論，2022(12)：61-65.

[6]王文靜，范濤，王國(guó)中，等.基于SA-BPNN多模態(tài)融合的教學(xué)質(zhì)量評(píng)價(jià)方法［J].計(jì)算機(jī)工程，2024(11):390-398.

[7]周書(shū)鐘.新環(huán)境影響評(píng)價(jià)體系下教學(xué)質(zhì)量管理與評(píng)估新模式探討[J].環(huán)境工程，2022(4)：297-298.

[8]王兵，鄭尚男，李盼池，等.基于評(píng)價(jià)主體多元化理念和卷積神經(jīng)網(wǎng)絡(luò)的線上教學(xué)質(zhì)量評(píng)價(jià)方法[J].現(xiàn)代電子技術(shù)，2023(8)：91-98.

[9]王志華，龔軍，刁秋華，等.信息時(shí)代新疆高校雙語(yǔ)教學(xué)質(zhì)量評(píng)估指標(biāo)體系構(gòu)建研究［J].無(wú)線互聯(lián)科技，2016(10):90-91.

(編輯 王雪芬)

Online evaluation method of college classroom teaching quality based on fuzzy clustering maximum tree algorithm

ZHOU Hongqian (School of Management， Changchun Universityof Architecture and Civil Engineering，Changchun 1300oo，China

Abstract:Traditional classroom teaching quality asessment methodsoften relyon student ratings and questionnaire surveys，whichare prone to subjectivefactorsand lack objectivityand precision．Therefore，this study proposes an online assessment method for colege classroom teaching quality based on the fuzzy clustering maximum tree algorithm. First，evaluation indicators are selected to construct acomprehensiveset of clasroom teaching qualityassessment criteria.Theatributes of these indicators are uniformly processed to ensure data comparability and consistency.Using the fuzzy clustering maximum tree algorithm，the processed evaluation datais deeply analyzed.Through fuzzy clustering，potential categoriesof teaching qualityarerevealed，and the maximum tree algorithm optimizes the clustering results，achieving bothaccuracyand eficiency in assessment.Experimentalresults show that after applying this method，the diference between the assessedvalues of teaching projectsand actual values is minimal，and he quantitative grading remains consistent.Aditionall，the specificityof online assessment reaches overO.8，enhancing theabilityto distinguish diferent levels of teachingqualityand better capturing significant changes in teaching quality. Key words: fuzzy clustering maximum tree algorithm; university; classroom; teaching; quality; evaluation