基于K-近鄰技術(shù)的教學(xué)效果評測方法

白寧

（山西警官高等?？茖W(xué)校計算機科學(xué)與技術(shù)系，太原　030021）

基于K-近鄰技術(shù)的教學(xué)效果評測方法

白寧

（山西警官高等專科學(xué)校計算機科學(xué)與技術(shù)系，太原030021）

0　引言

教師教學(xué)效果評價又稱教學(xué)質(zhì)量評價，是教學(xué)評測中的一個重要組成部分。對教師教學(xué)效果進行科學(xué)、公正、客觀的綜合評測，是一種可以有效地促進教學(xué)質(zhì)量提高、了解教學(xué)情況的科學(xué)有效的且符合教育規(guī)律的方法之一［1］。然而，在實際教學(xué)效果評測任務(wù)中，需要計算、存儲和挖掘大規(guī)模復(fù)雜數(shù)據(jù)，因此需要大量人力、物力和財力［2］。將數(shù)據(jù)挖掘技術(shù)［3］應(yīng)用于教學(xué)效果評測，有望得到比傳統(tǒng)人工評測方法更為合理的結(jié)果。

針對傳統(tǒng)教學(xué)效果評測方法效率低下的問題［4～6］，本文提出一種基于K-近鄰技術(shù)的教學(xué)效果評測方法，通過對評測數(shù)據(jù)進行篩選、綜合，給出一個相對比較客觀的教學(xué)效果評測結(jié)果，以反映該教師的教學(xué)水平。

1　數(shù)據(jù)挖掘及K-近鄰技術(shù)

數(shù)據(jù)挖掘［7］又稱為數(shù)據(jù)庫中的知識發(fā)現(xiàn)，是目前人工智能和數(shù)據(jù)庫以及機器學(xué)習(xí)等領(lǐng)域研究的熱點問題，其通過自動化地分析數(shù)據(jù)庫中的數(shù)據(jù)并進行推理，以從大量數(shù)據(jù)中挖掘出未知但有用的信息，幫助企業(yè)中的領(lǐng)導(dǎo)者及時修改方案，從而做出一個正確的、低風(fēng)險的決定，最終給企業(yè)帶來最大的收益。

K-近鄰分類方法［8～11］是近年來提出的一個較為成熟的數(shù)據(jù)挖掘方法，已被廣泛應(yīng)用于實際各種領(lǐng)域，以解決實際生活的各類分類問題。其主要思想是根據(jù)每個待測樣本與已知標簽樣本的相似性，選擇相似性最高的k個樣本，統(tǒng)計其標簽分屬的類別數(shù)目，選擇數(shù)目最多的類別作為該待測樣本的標簽。通過K-近鄰技術(shù)進行教學(xué)效果的評測，不僅有效衡量了教師的教學(xué)水平，而且同時參考了已有的評測標準，有望提高教師評測的效率和準確性。

2　基于K-近鄰的教學(xué)效果評測方法

針對傳統(tǒng)人工統(tǒng)計方法對于教師教學(xué)效果評價效率低導(dǎo)致不能有效衡量教學(xué)效果的問題，本文提出了一種基于K-近鄰技術(shù)的教學(xué)效果評測模型。

本文結(jié)合K-近鄰方法簡單、易于實現(xiàn)的優(yōu)勢，設(shè)計了基于K-近鄰的教學(xué)效果評測方法。具體地，基于K-近鄰的教學(xué)效果評測方法如下：

（1）對于每個教師，采集50條有效的關(guān)于課堂評測、學(xué)生成績、學(xué)生評測部分的數(shù)據(jù)集，每個教師的課堂評測部分數(shù)據(jù)集一致，其他兩部分評測數(shù)據(jù)集不同，并將各特征值標準化，構(gòu)成一個50行22維（每個教師22個評測特征值，具體介紹見實驗部分）的教學(xué)效果評測數(shù)據(jù)集其中

（2）根據(jù)學(xué)校往年的情況選擇部分關(guān)于“優(yōu)秀”、“良好”、“正常”、“不合格”的評測標準，構(gòu)成t個正確的有標簽樣本，即，其中txj的特征構(gòu)成與前面教學(xué)效果評測的數(shù)據(jù)xi的特征構(gòu)成一致，tyj∈｛“優(yōu)秀”，“良好”，“正?！?，“不合格”｝。

（3）計算實際得到的評測數(shù)據(jù)xi與每個設(shè)定的有標簽樣本txj的相似度S（txi，txj），計算方法為：

（4）按相似度從大到小進行相似度排序，得到一個新的標準樣本集序列，其符合如下規(guī)則：

（5）選擇相似度最高的前k個標準樣本，統(tǒng)計標簽樣本中分屬于“優(yōu)秀”、“良好”、“正?！迸c“不合格”的標簽樣本個數(shù)，并將個數(shù)最多的標簽作為該待測樣本的標簽，即：

（6）對其他所有待測樣本循環(huán)執(zhí)行（3）～（5）的操作，直到所有樣本標簽得到為止，取值最多的評測結(jié)果作為該教師最終的評測結(jié)果，算法結(jié)束。

3　模擬實驗

本文對某學(xué)校已經(jīng)存檔的學(xué)生評測的教師數(shù)據(jù)的平均值作為實驗中的有標簽標準數(shù)據(jù)集，以其中100名教師作為測試集進行測試，以增加實驗的可信程度。本文采集了課堂評測數(shù)據(jù)、學(xué)生課程成績數(shù)據(jù)和學(xué)生對教師的評價數(shù)據(jù)，避免了傳統(tǒng)單一評測標準帶來較大評測誤差的弊端。對于課堂評測部分數(shù)據(jù)，主要包含以下9個方面：教師完成教學(xué)目標的情況、教材處理的合理性、教學(xué)程序的規(guī)范性、教學(xué)方法和教學(xué)手段是否恰當、教師教學(xué)基本功、學(xué)法指導(dǎo)情況、學(xué)生能力培養(yǎng)和素質(zhì)提高、和諧的師生關(guān)系、教學(xué)效果是否明顯；對于學(xué)生成績部分的數(shù)據(jù)，主要包含了學(xué)生考試的卷面成績、學(xué)生的出勤成績、學(xué)生的作業(yè)成績3個特征；對于學(xué)生對教師的評測，本文采用包含10個具體指標的調(diào)查問卷的形式得到，涉及到了教師教學(xué)過程的所有核心環(huán)節(jié)。

實驗中，每個教師的評測數(shù)據(jù)由50條評測記錄構(gòu)成，即每個教師進行50次評測實驗，取得到的結(jié)果中最多的值作為該教師評測結(jié)果，并統(tǒng)計了測試的正確率，計算方法如下：

具體實驗結(jié)果見表1（其中+n代表其他類錯分到本類n個樣本，-n代表本類錯分到其他類n個樣本）。

表1　實驗評測結(jié)果

從實驗結(jié)果可以看出，本文提出的基于K-近鄰的教學(xué)效果評測方法在多數(shù)指標上都得到了較好的測準率，而且比傳統(tǒng)人工測試的方法提高了效率，不需要進行反復(fù)的測試。當然，對于樣本數(shù)目較少的類別，如本例中的不合格類，由于樣本數(shù)目過少，且所屬的特征區(qū)域較大且分散，因此當待測樣本與該類標準樣本差異較大時，采用K-近鄰方法無法識別。

4　結(jié)語

本文針對傳統(tǒng)教學(xué)效果評測方法效率低下、測準率低、需要反復(fù)測試統(tǒng)計的問題，提出一種基于K-近鄰技術(shù)的智能化教學(xué)效果評測方法，結(jié)合已有的標準評測數(shù)據(jù)，以給出一個相對比較客觀的教學(xué)效果評測結(jié)果，不僅可以反映教師的實際教學(xué)水平，而且可以縱向比較教師師資的變化情況。在后續(xù)的工作中，將結(jié)合噪聲處理的方法，有效解決基于K-近鄰分類方法的教學(xué)效果評測中無法有效處理噪聲樣本的問題。

［1］袁凌，謝赤，謝發(fā)勝.高等學(xué)校教師教學(xué)效果評價的問題及其對策研究［J］.大學(xué)教育科學(xué)，2006（1）：42～44

［2］Koliteh E，Dean A V.Student Ratings of Instruction in the USA：Hidden Assumption and Missing Conceptions about Good's Teaching ［J］.Studies in Higher Education，1999，1（24）：27～16

［3］苗奪謙，王國胤，劉清等.粒計算：過去、現(xiàn)在與展望［M］.科學(xué)出版社，2007

［4］馬希榮，孫華志.數(shù)據(jù)挖掘技術(shù)在教學(xué)評測中的應(yīng)用［J］.計算機工程與應(yīng)用，2003，39（19）：51～54

［5］周玉敏.基于Rough集的數(shù)據(jù)挖掘在教學(xué)評測中的應(yīng)用［J］.重慶郵電大學(xué)學(xué)報（自然科學(xué)版），2008，20（5）：627～630

［6］袁燕.基于數(shù)據(jù)挖掘的教學(xué)評測系統(tǒng)研究［D］.華中科技大學(xué)，2006

［7］鐘曉，馬少平，張鈸等.數(shù)據(jù)挖掘綜述［J］.模式識別與人工智能，2001，14（1）：48～55

［8］Mitchell H B，Schaefer P A.A"soft"K-Nearest Neighbor Voting Scheme［J］.International Journal of Intelligent Systems，2001，16，459～468

［9］Liu Z G，Pan Q，Dezert J.A New Belief-Based K-Nearest Neighbor Classification Method［J］.Pattern Recognition，2013，48（3）：834～844

［10］Hu Q H，Zhu P F，Yang Y B，et al.Large-Margin Nearest Neighbor Classifiers Via Sample Weight Learning［J］.Neurocomputing，2011，74（4）：656～660

［11］Nicolas G P，Domingo O B.Boosting K-nearest Neighbor Classifier by Means of Input Space Projection［J］.Expert Systems with Applications，2009，36（7）：10570～10582

Teaching Effect Evaluation；Data Mining；K-Nearest Neighbor

Teaching Effect Evaluation Method Based on K-Nearest Neighbor Technology

BAI Ning
（Department of Computer Science and Technology，Shanxi Police Academy，Taiyuan 030021）

1007-1423（2015）17-0045-03

10.3969/j.issn.1007-1423.2015.17.010

白寧（1975-），男，漢，山西晉城人，碩士，講師，研究方向為智能信息處理、計算機軟件等

2015-05-15

2015-05-28

針對現(xiàn)在教學(xué)效果評測問題中數(shù)據(jù)量大、評測標準繁多、不能有效衡量教學(xué)效果的問題，結(jié)合數(shù)據(jù)挖掘領(lǐng)域最典型的K-近鄰方法，提出一種基于K-近鄰技術(shù)的教學(xué)效果評測方法，以對教學(xué)效果的數(shù)據(jù)進行綜合挖掘和評測，提高教學(xué)效果評測的準確性。

教學(xué)效果評測；數(shù)據(jù)挖掘；K-近鄰

To solve problems that the large data，evaluation standard redundancy and the teaching effect can be not measured effectively，presents a teaching effect evaluation method based on K-nearest neighbor technology combining with the K-nearest neighbor of data mining area. By this method，the accuracy of teaching effect evaluation can be improved.