一種高校教學質量評價方法技術

本發明專利技術提出一種高校教學質量評價方法，以解決當前高校教學質量評價方法的不足，采用深度學習技術建立評價模型，對教學過程中的學生成績、學生評教問卷、教學督導打分表、學生以往的表現、待評價課程以往的教學質量水平、任課教師以往的教學質量水平等因素的內在關系進行建模，挖掘出決定教學質量的核心因素，為高等院校在教學活動、人才培養、師資隊伍建設等方面的決策提供有力支持。

A method for evaluating teaching quality in Colleges and Universities

The invention proposes a teaching quality evaluation method, to solve the disadvantages of the current college teaching quality evaluation method, the evaluation model is established using deep learning technology, the teaching process of student achievement, student teaching evaluation questionnaire, teaching supervision, students scoring table table now, previous curriculum evaluation of former teaching quality, classroom the teachers' teaching quality factors such as relationship modeling, mining the key factors determining the teaching quality and provide strong support for institutions of higher learning in the teaching activities, personnel training and construction of teachers' decision-making.

【技術實現步驟摘要】
一種高校教學質量評價方法
本專利技術涉及機器學習方法的研究與應用，具體為一種高校教學質量評價方法。
技術介紹
教學質量的好壞對于高等院校來說是一個重要的指標，它反映了高等院校教學環節的有效性，對課程進行教學質量的有效評價，能夠為高等院校在教學活動、人才培養、師資隊伍建設等方面的決策提供有力支持。高等院校對課程的教學質量評價由一些獨立的指標構成，例如學生的上課表現、考試成績、對課程教學的評價、教學督導的評價等，但是這些指標有主觀指標，也有客觀指標，會混雜一些人為因素于其中，僅從這些指標加權組合得到的指標并不能準確反映真實的教學質量；而且把某些定量指標納入到明確的教學質量計算公式中，往往會在相當程度上左右著教師和學生努力的方向，教與學的方式方法，對教學工作起著顯著的導向作用，會使教學活動的根本目標發生偏離。目前研究人員采用機器學習和統計學習的方法從教學過程的原始數據出發，對課程的教學質量進行評價。文獻“胡帥,顧艷,曲巍巍等.基于PCA-LVQ神經網絡的教學質量評價模型研究[J].河南科學,2015,(7):1247-1252.”提出一種基于主成分分析(PCA)和學習矢量量化神經網絡(LVQ)相結合的教學質量評價模型。使用層次分析法(AHP)建立教學質量評價體系，再用主成分分析提取初始評價指標體系的特征信息，將經過降維處理后的特征信息輸入到LVQ神經網絡。該方法把層次分析法與矢量量化神經網絡進行結合，提取了教學質量評價體系中的規律，并用神經網絡進行建模。該方法的問題在于需要對現有指標體系的各個指標進行主成分分析，而不能完全做到由原始數據直接得到教學質量的好壞程度，并且受到神經網絡訓練代價大的影響，難以提取出教學質量評價中的核心因素，且在樣本數量較小的情況下過度擬合的情況比較嚴重，很難得到一個能夠反映普遍規律的模型。現有方法的不足之處是：(1).大多數方法是基于固定的公式，通過對教學過程中的指標進行加權得到教學質量的定量評價，很多時候這并不能反映真實的教學質量的水平，同時也為教學活動帶來了負面的導向性作用；(2).現有方法很少考慮到學生對于教學過程反饋的有效性，以及待評價課程歷史上的成績水平等因素，難以對教學質量進行有效而真實的評價。基于此，本專利技術提出一種高校教學質量評價方法，以解決當前高校教學質量評價方法的不足，采用深度學習技術建立評價模型，對教學過程中的學生成績、學生評教問卷、教學督導打分表、學生以往的表現、待評價課程以往的教學質量水平、任課教師以往的教學質量水平等因素的內在關系進行建模，挖掘出決定教學質量的核心因素，為高等院校在教學活動、人才培養、師資隊伍建設等方面的決策提供有力支持.
技術實現思路
為了克服現有的高校教學質量評價方法的不足之處，包括現有方法多是基于固定的公式，通過對教學過程中的指標進行加權得到教學質量的定量評價，現有方法很少考慮到學生對于教學過程反饋的有效性，以及待評價課程歷史上的成績水平等因素，本專利技術專利提出了一種基于深度學習的高校教學質量評價方法。本專利技術的特征包括教學評價數據的預處理、深度學習模型的設計、模型訓練、教學質量評價結果的計算，每個過程包含若干個步驟，其特征分別描述如下：(1).教學評價數據的預處理本專利技術針對的教學評價數據包括三種，分別為學生成績數據、學生評教數據、教學督導評價數據，三種類型的數據的預處理方式如下：C.學生成績數據每個科目每位學生一條記錄，本專利技術中處理的數據為“期末考試成績”和“平時成績”，對這兩個成績進行標準化，使其轉化為[0,1]區間里的值。標準化方法為：-對于分數類型的成績，如0-100分之間的成績，采用直接除以滿分的方法，例如滿分是100分，某學生的分數為90分，則標準化后該學生的分數為90/100＝0.9分；-對于等級型成績，如A、B、C、D、E五等，按最好的等級為1分，最低的等級為0分，其余各等級在0和1分之間均勻分布；D.學生評教數據學生評教數據為問卷類型，是在學生完成某門課程的學習后填寫的，包括從教學內容、教材、任課教師等方面進行評價。一般來說對于問卷的每一個問題或一組問題，會有相應的權值，用于計算最后的評教得分。在本專利技術中使用學生評教問卷的原始數據，不考慮權值。問卷由一系列的選擇題構成，在本專利技術中對問卷數據的處理方式為啞變量化，例如，對于某個選擇題，有4個選項，某個學生對該題的選擇為1和2，則啞變量化為1100。不考慮問卷中的文字回答的題目。E.教學督導評價數據教學督導評價是對課堂教學情況的評價，包括對教學內容、教學技巧、備課情況、互動性、學生聽課狀態等評價，每一項評價內容一般采用等級型的形式，例如優、良、中、及格、差，或采用百分制形式。-對于分數類型的評價，如0-100分之間的成績，采用直接除以滿分的方法，例如滿分是100分，某項評價的分數為90分，則標準化后該項評價的分數為90/100＝0.9分；-對于等級型評價，如優、良、中、及格、差五等，按最好的等級為1分，最低的等級為0分，其余各等級在0和1分之間均勻分布；(2).深度學習模型的設計A.成績-評教模型的設計成績-評教模型接受經過步驟(1)預處理的學生某一門課程分數(包括期末考試成績和平時成績)和對該課程的評教數據作為輸入，輸出為學生到目前為止所有課程成績的排名等次，一共分p個等次，例如一共有100個學生，10個等次，則1-10名為第1等次，11-20名為第二等次，依此類推。具體來說，該模型的輸入層是一個向量，向量的前半部分是學生某一門課程經過標準化后的“期末考試成績”和“平時成績”，后半部分是該學生對該課程的經過標準后的評教向量，兩者連接成一個輸入向量；該模型的輸出是一個長度為p且其值在[0,1]之間的實值向量，在每得到一個輸出后，設置其中最大的分量為1，其余位為0，某一位為1代表模型輸出該學生為該位所代表的等次，在每個輸出向量中，有且只有一位為1，其余位均為0。若在某個輸出中存在并列的最大分量，則隨機選擇一個為1，其余均設置為0。模型采用深度神經網絡的結構，由多個塊組成，其中除最后一個塊外，每個塊均包括一個全連接層、激活層和屏蔽層，最后一個塊由全連接層和激活層組成。-全連接層在本專利技術中的統一使用結點個數為原始輸入層向量長度3倍的全連接層，例如輸入向量為50維，則每一個全連接層的結點數均為150，全連接層中的每一個結點與上一層的所有結點都有一個連接，每個連接都有一個[0,1]之間的實數權值，在全連接層的每個結點處執行加權求和的操作；-激活層在每一個全連接層后面跟一個激活層，激活層的結點個數與全連接層的結點個數相同，每個激活層的結點對應上一個全連接層的結點，對由全連接層結點的輸出值進行sigmoid函數的計算，即：其中x是上一個全連接層對應結點的輸出，y是激活層相應結點的輸出；-屏蔽層在每一個激活層后面跟一個屏蔽層，屏蔽層隨機屏蔽上一個激活層的g％的結點，被屏蔽的結點不再參與下一個全連接層的計算。在模型開始訓練之前就通過隨機選擇的方式確定每一個屏蔽層需要被屏蔽的結點。B.教學質量評價模型的設計教學質量評價模型的輸入包括兩部分，其一是經過標準化后的教學督導評價數據，其二是對每個教學班每門課程的成績-評教模型的最后一個塊的激活層輸出特征統計，它是一個q維向量，它是這樣得到的：把該本文檔來自技高網...

【技術保護點】
一種基于深度學習的高校教學質量評價方法，其特征在于，所述方法包括以下步驟，(1)教學評價數據的預處理；(2)深度學習模型的設計；(3)模型訓練；(4)教學質量評價結果的計算。

【技術特征摘要】
1.一種基于深度學習的高校教學質量評價方法，其特征在于，所述方法包括以下步驟，(1)教學評價數據的預處理；(2)深度學習模型的設計；(3)模型訓練；(4)教學質量評價結果的計算。2.如權利要求1所述的方法，其特征在于，所述教學評價數據的預處理步驟具體包括：獲取教學評價數據，所述教學評價數據包括學生成績數據、學生評教數據和教學督導評價數據，對于所述三種類型的數據的預處理方式如下：A.學生成績數據每個科目每位學生一條記錄，本發明中處理的數據為“期末考試成績”和“平時成績”，對這兩個成績進行標準化，使其轉化為[0,1]區間里的值；標準化方法為：-對于分數類型的成績采用直接除以滿分的方法；-對于等級型成績，按最好的等級為1分，最低的等級為0分，其余各等級在0和1分之間均勻分布的方法處理；B.學生評教數據學生評教數據為問卷類型，對問卷數據的處理方式為啞變量化；C.教學督導評價數據教學督導評價是對課堂教學情況的評價，采用等級型的形式采用百分制形式；-對于分數類型的評價，采用直接除以滿分的方法；-對于等級型評價，按最好的等級為1分，最低的等級為0分，其余各等級在0和1分之間均勻分布。3.如權利要求2所述的方法，其特征在于，所述深度學習模型的設計步驟具體包括：A.成績-評教模型的設計成績-評教模型接受經過步驟(1)預處理的學生學生成績數據和學生評教數據作為輸入層的輸入向量；所述模型的輸出是一個長度為p且其值在[0,1]之間的實值向量，在每得到一個輸出后，設置其中最大的分量為1，其余位為0，某一位為1代表模型輸出該學生為該位所代表的等次，在每個輸出向量中，有且只有一位為1，其余位均為0；若在某個輸出中存在并列的最大分量，則隨機選擇一個為1，其余均設置為0；所述模型采用深度神經網絡的結構，由多個塊組成，其中除最后一個塊外，每個塊均包括一個全連接層、激活層和屏蔽層，最后一個塊由全連接層和激活層組成：-全連接層使用結點個數為原始輸入層向量長度3倍的全連接層，在全連接層的每個結點處執行加權求和的操作；-激活層在每一個全連接層后面跟一個激活層，激活層的結點個數與全連接層的結點個數相同，每個激活層的結點對應上一個全連接層的結點，對由全連接層結點的輸出值進行sig...

【專利技術屬性】
技術研發人員：張鋼，
申請(專利權)人：廣東工業大學，
類型：發明
國別省市：廣東,44