基于數(shù)據(jù)挖掘的計算機實驗教學(xué)效果評價研究

孟祥光，郭東偉

（吉林大學(xué) 軟件學(xué)院，吉林 長春 130021）

0 引 言

隨著計算機技術(shù)的不斷發(fā)展，大多數(shù)高校開設(shè)了計算機相關(guān)專業(yè)，在計算機相關(guān)課程的教學(xué)中，計算機實驗是必不可少的部分，計算機實驗教學(xué)可以提高學(xué)生的動手能力，使高校的優(yōu)質(zhì)教學(xué)資源得到共享，提高了教學(xué)資源利用率[1?3]。在計算機實驗教學(xué)過程中，提高計算機實驗教學(xué)效果是高校一直追求的目標(biāo)[4?6]。

計算機實驗教學(xué)效果評價是提高教學(xué)效果的一個重要手段，因此許多研究機構(gòu)以及高校對計算機實驗教學(xué)效果評價問題進行了相關(guān)的研究[7?9]。最初是通過一些專家對計算機實驗教學(xué)效果進行評價，該方法的計算過程十分繁瑣，評價時間長，由于每一個專家的偏好不一樣，導(dǎo)致計算機實驗教學(xué)效果評價結(jié)果的主觀性比較強，無法對教學(xué)效果進行客觀評價[10?11]。隨著人工智能技術(shù)的發(fā)展，當(dāng)前計算機實驗教學(xué)效果評價主要采用自動化方法，如基于BP神經(jīng)網(wǎng)絡(luò)的計算機實驗教學(xué)效果評價方法、基于模糊理論的計算機實驗教學(xué)效果評價方法、基于相關(guān)向量機的計算機實驗教學(xué)效果評價方法以及基于支持向量機的計算機實驗教學(xué)效果評價方法[12?14]。這些方法均有自己的優(yōu)勢，同時它們的缺陷也十分明顯，如模糊理論只能對計算機實驗教學(xué)效果進行線性建模與評價，而BP神經(jīng)網(wǎng)絡(luò)經(jīng)常出現(xiàn)過擬合的計算機實驗教學(xué)效果評價結(jié)果，相關(guān)向量機以及支持向量機的計算機實驗教學(xué)效果存在評價效率低等問題[15]。

為了提高計算機實驗教學(xué)效果評價效果，本文提出了數(shù)據(jù)挖掘的計算機實驗教學(xué)效果評價方法，并與其他計算機實驗教學(xué)效果評價方法進行了對比實驗，結(jié)果表明，本文方法能夠準(zhǔn)確對計算機實驗教學(xué)效果進行評價，解決了傳統(tǒng)計算機實驗教學(xué)效果評價方法存在的問題。

1 數(shù)據(jù)挖掘的計算機實驗教學(xué)效果評價方法

1.1 建立計算機實驗教學(xué)效果評價體系

為了客觀地對計算機實驗教學(xué)效果進行評價，首先建立計算機實驗教學(xué)效果評價的指標(biāo)體系，基于科學(xué)、全面、客觀、可操作、數(shù)據(jù)易收集等原則，建立如表1所示的計算機實驗教學(xué)效果評價指標(biāo)體系。

表1 計算機實驗教學(xué)效果評價指標(biāo)體系

1.2 建立計算機實驗教學(xué)效果的等級劃分

計算機實驗教學(xué)效果評價是對教學(xué)效果進行量化處理，需要對每個教學(xué)指標(biāo)進行量化才能進行建模，本文采用100分制，將計算機實驗教學(xué)效果劃分5個等級，它們的對應(yīng)關(guān)系具體如表2所示。

表2 計算機實驗教學(xué)效果的等級劃分

1.3 確定計算機實驗教學(xué)效果評價指標(biāo)的權(quán)重值

1）建立判斷矩陣。通過上下層之間比較，確定不同指標(biāo)的重要程度，本文對計算機實驗教學(xué)效果評價指標(biāo)重要性程度采用1~9值進行標(biāo)度，重要性標(biāo)度含義具體見文獻[16]。

2）層次單排序。將判斷矩陣的每一列進行歸一化計算，得到計算機實驗教學(xué)效果評價指標(biāo)的權(quán)重，權(quán)重計算公式具體如下：

式中：n表示列的數(shù)量，即計算機實驗教學(xué)效果評價指標(biāo)的數(shù)量；a i j表示指標(biāo)i相對于指標(biāo)j的重要性。

3）判斷矩陣的一致性。在實際應(yīng)用中，需要對矩陣的一致性進行檢驗，只有滿足一致性，判斷矩陣才是合理的。一致性指標(biāo)計算公式為：

式中λmax表示最大權(quán)重值。

4）通過查表得到判斷矩陣的階數(shù)，計算平均隨機一致性指標(biāo)（RI），通過式（3）計算一致性比例（CR），如果其值小于0.1，那么表示判斷矩陣是合理的，也表示得到的權(quán)值是有效的。

通過層次分析法確定計算機實驗教學(xué)效果評價指標(biāo)的權(quán)重值，具體如圖1所示。

圖1 計算機實驗教學(xué)效果評價指標(biāo)的權(quán)重值

1.4 最小二乘支持向量機

針對支持向量機學(xué)習(xí)效率低的問題，有學(xué)者提出了最小二乘支持向量機[17]，其改變了支持向量機的約束條件，具體如下：

對式（4）進行變換，得到等價的二次優(yōu)化形式，具體如下：

引入拉格朗日乘子αk，建立拉格朗日函數(shù)，即有：

根據(jù)式（7）~式（10），可以得到拉格朗日乘子αk和偏置向量b的值。

引入核函數(shù)代替內(nèi)積操作：K(x,x i)=φT(x)φ(x)，那么最小二乘支持向量機的決策函數(shù)為：

1.5 數(shù)據(jù)挖掘的計算機實驗教學(xué)效果評價思路

基于數(shù)據(jù)挖掘的計算機實驗教學(xué)效果評價思路為：首先建立計算機實驗教學(xué)效果評價的指標(biāo)體系，采用層次分析法確定每一個指標(biāo)的權(quán)重；然后采集計算機實驗教學(xué)效果評價指標(biāo)的相關(guān)數(shù)據(jù)，并確定教學(xué)效果等級，建立計算機實驗教學(xué)效果評價的學(xué)習(xí)樣本；最后采用最小二乘支持向量機對計算機實驗教學(xué)效果變化特點進行描述，建立計算機實驗教學(xué)效果評價模型。

2 仿真測試

2.1 實驗環(huán)境

為了測試數(shù)據(jù)挖掘的計算機實驗教學(xué)效果評價效果，采用如表3所示的測試環(huán)境進行仿真實驗，為了使實驗結(jié)果具有可比性，在相同測試環(huán)境下，選擇BP神經(jīng)網(wǎng)絡(luò)的高校教學(xué)效果評價方法、支持向量機的高校教學(xué)效果評價方法進行對比實驗，選擇評價正確率、建模時間作為實驗結(jié)果好壞的評價標(biāo)準(zhǔn)。

表3 計算機實驗教學(xué)效果評價實驗的測試環(huán)境

2.2 實驗數(shù)據(jù)

為了使計算機實驗教學(xué)效果評價結(jié)果具有通用性，選擇計算機專業(yè)相關(guān)的10門課程作為實驗對象，每一門課程采集不同數(shù)量的樣本，具體如表4所示。

2.3 實驗結(jié)果與分析

2.3.1 計算機實驗教學(xué)效果評價正確率對比

對于每一門課，從表4中選擇4 5的樣本數(shù)據(jù)作為訓(xùn)練樣本，通過本文方法和對比方法進行學(xué)習(xí)，建立相應(yīng)的計算機實驗教學(xué)效果評價模型，然后剩余1 5的樣本數(shù)據(jù)作為測試樣本，采用本文方法對它們進行評價，統(tǒng)計每一門課的評價正確率，結(jié)果如圖2所示。

表4 計算機實驗教學(xué)效果評價測試對象

圖2 計算機實驗教學(xué)效果評價正確率對比

對圖2的評價正確率進行分析可以得到如下結(jié)論：

1）BP神經(jīng)網(wǎng)絡(luò)的計算機實驗教學(xué)效果評價方法誤差最大，其評價正確率的平均值為82.95%，這是因為BP神經(jīng)網(wǎng)絡(luò)對訓(xùn)練校本的數(shù)量要求比較大，而且表4中部分課程的樣本數(shù)量比較少，達不到大樣本的要求，使得BP神經(jīng)網(wǎng)絡(luò)的計算機實驗教學(xué)效果評價結(jié)果不穩(wěn)定，因此無法獲得理想的計算機實驗教學(xué)效果評價結(jié)果。

2）支持向量機的計算機實驗教學(xué)效果評價效果要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，其評價正確率均值為91.79%，主要是因為支持向量機是一種針對小樣本的機器學(xué)習(xí)算法，沒有BP神經(jīng)網(wǎng)絡(luò)對訓(xùn)練樣本數(shù)量的限制，降低了計算機實驗教學(xué)效果評價誤差。

3）本文方法的計算機實驗教學(xué)效果評價正確率均值為93.82%，略高于支持向量機，但是遠高于BP神經(jīng)網(wǎng)絡(luò)，因為本文方法采用最小二乘支持向量機對計算機實驗教學(xué)效果變化特點進行描述，能夠建立更優(yōu)的計算機實驗教學(xué)效果評價模型，解決了神經(jīng)網(wǎng)絡(luò)評價結(jié)果不穩(wěn)定的缺陷。

2.3.2 計算機實驗教學(xué)效果評價效率對比

建模時間也是衡量計算機實驗教學(xué)效果評價方法的重要指標(biāo)，為此分別統(tǒng)計3種方法的計算機實驗教學(xué)效果評價的訓(xùn)練和測試時間，分別如圖3和圖4所示。

圖3 計算機實驗教學(xué)效果評價的訓(xùn)練時間

圖4 計算機實驗教學(xué)效果評價的測試時間

從圖3可以發(fā)現(xiàn)，支持向量機的訓(xùn)練時間最長，這是因為支持向量機每增加一個樣本，就要重新訓(xùn)練一次，增加了計算機實驗教學(xué)效果評價的時間復(fù)雜度，因此雖然支持向量機的計算機實驗教學(xué)效果評價正確率高，但是其建模時間比較長，整體性能不佳；而本文方法的訓(xùn)練時間要遠遠少于支持向量機，同時也要略少于BP神經(jīng)網(wǎng)絡(luò)。

從圖4可以發(fā)現(xiàn)，3種方法的計算機實驗教學(xué)效果評價測試時間相差不大，但是本文方法的計算機實驗教學(xué)效果評價建模的總體時間最低，提升了計算機實驗教學(xué)效果評價效率，可以對大規(guī)模計算機實驗教學(xué)效果數(shù)據(jù)進行評價，具有更廣的應(yīng)用范圍。

3 結(jié) 語

計算機實驗教學(xué)效果評價是當(dāng)前研究的熱點，針對當(dāng)前傳統(tǒng)計算機實驗教學(xué)效果評價方法存在的局限性，為改善計算機實驗教學(xué)效果評價結(jié)果，提出基于數(shù)據(jù)挖掘的計算機實驗教學(xué)效果評價方法，并與其他計算機實驗教學(xué)效果評價方法進行對比測試，結(jié)果表明，本文方法可以從歷史數(shù)據(jù)中挖掘出計算機實驗教學(xué)效果變化特點，實驗教學(xué)效果評價十分準(zhǔn)確，減少了評價誤差，同時建模時間最短，獲得了比對比方法更高的評價效率，可以為實驗教學(xué)效果管理者提供有價值的參考意見，為提高計算機實驗教學(xué)效果打下良好的基礎(chǔ)。