基于復(fù)合梯度算法的在線教育評(píng)價(jià)系統(tǒng)研究

陶槊 魏東東 陳濱 王強(qiáng)志

收稿日期：2022-05-20

基金項(xiàng)目：安徽省教育廳繼續(xù)教育教學(xué)改革項(xiàng)目（2021jxjy054）；安徽省高校教學(xué)實(shí)訓(xùn)基地項(xiàng)目（2021jyxm1532）

作者簡(jiǎn)介：陶槊（1974—），男，碩士，副教授，從事信息安全與數(shù)據(jù)挖掘研究.Email：1287982006@qq.com

通信作者：魏東東（1990—），男，講師，從事云計(jì)算與電子商務(wù)研究.Email：604487312@qq.com

摘要：依托在線教育的大數(shù)據(jù)技術(shù)，建立一套改進(jìn)的在線教育評(píng)價(jià)指標(biāo)體系.根據(jù)該系統(tǒng)特點(diǎn)，利用智慧校園信息系統(tǒng)后臺(tái)，獲取主客觀評(píng)價(jià)數(shù)據(jù)并加以整合與處理.通過基于改進(jìn)的復(fù)合梯度算法計(jì)算最優(yōu)權(quán)重，處理評(píng)分?jǐn)?shù)據(jù)，以獲得能反映實(shí)際教學(xué)水平的綜合成績(jī).實(shí)驗(yàn)結(jié)果表明，該算法是有效的.

關(guān)鍵詞：在線教育;梯度算法;大數(shù)據(jù);復(fù)合權(quán)值

中圖分類號(hào)：G434

文獻(xiàn)標(biāo)志碼：A

0引言

在線教育評(píng)價(jià)是一項(xiàng)綜合性工程，需要對(duì)教育性質(zhì)與能力的總體說明，也需要質(zhì)量體系的內(nèi)容界定與指標(biāo)衡量.因此，對(duì)在線教育的研究必須先建立一套科學(xué)的教育評(píng)價(jià)系統(tǒng)與標(biāo)準(zhǔn)規(guī)范，明晰考評(píng)指標(biāo)，然后通過有效方法提升考評(píng)效果.

目前，在此方面主流的評(píng)價(jià)模式［1-2］有歐盟遠(yuǎn)程教育大學(xué)聯(lián)合會(huì)（European association for distance teaching universities，EADTU）頒布的卓越標(biāo)準(zhǔn)（Excellence）和美國(guó)在線學(xué)習(xí)聯(lián)盟推出的網(wǎng)絡(luò)教學(xué)實(shí)踐評(píng)價(jià)指標(biāo)體系（quality course teaching and instructional practice scorecards，QCTIP）［3］等.我國(guó)還沒有體系化的遠(yuǎn)程教育評(píng)價(jià)系統(tǒng)應(yīng)用實(shí)例，對(duì)評(píng)價(jià)系統(tǒng)的研究也主要局限于分類統(tǒng)計(jì)、特征分析、模式匹配及神經(jīng)網(wǎng)絡(luò)等領(lǐng)域［4］.本研究著重將在線教育特征指標(biāo)化，并采集整理支持指標(biāo)的信息數(shù)據(jù)，轉(zhuǎn)換成對(duì)應(yīng)的初始評(píng)價(jià)數(shù)據(jù)，然后探討復(fù)合算法，對(duì)評(píng)價(jià)數(shù)據(jù)進(jìn)行綜合運(yùn)算，求得綜合評(píng)價(jià)結(jié)果，并根據(jù)作者所在高校5年來的在線教育成果進(jìn)行對(duì)比，驗(yàn)證了采集數(shù)據(jù)與算法的正確性與功效性.

1在線課堂評(píng)價(jià)系統(tǒng)的建立

1.1評(píng)價(jià)指標(biāo)的確定

進(jìn)行課程網(wǎng)絡(luò)教學(xué)評(píng)價(jià)工作前，必須明晰在線課堂的內(nèi)容與特征要素，然后根據(jù)網(wǎng)絡(luò)技術(shù)特點(diǎn)，按專家知識(shí)指導(dǎo)和教育主管部門工作要求，設(shè)定在線教育關(guān)聯(lián)考核指標(biāo)，并需要保證全部指標(biāo)的概括性與指向性，避免過多元素的組合，影響最后評(píng)價(jià)成績(jī)的合理性，特別是要防范教學(xué)評(píng)價(jià)的重復(fù)性及不一致性.根據(jù)這一原則，參照文獻(xiàn)［5-6］提出的一系列考核規(guī)范，仿照境況/輸入/過程/成果模型（context/input/process/product，CIPP）［7］，建立本研究的遠(yuǎn)程“在線教育”3級(jí)評(píng)價(jià)指標(biāo)系統(tǒng).在線教學(xué)評(píng)價(jià)指標(biāo)系統(tǒng)部分結(jié)構(gòu)如圖1所示.

1.2評(píng)價(jià)系統(tǒng)的建立

根據(jù)評(píng)價(jià)系統(tǒng)結(jié)構(gòu)與特點(diǎn)，以專業(yè)與教學(xué)的實(shí)施過程開展該評(píng)價(jià)系統(tǒng)的建設(shè)與研究.該評(píng)價(jià)系統(tǒng)的具體開發(fā)過程如下：1）對(duì)條件、專業(yè)、課程及成果的各項(xiàng)條目進(jìn)行分解，與上述建立的3級(jí)指標(biāo)系統(tǒng)相對(duì)應(yīng)，對(duì)教育教學(xué)活動(dòng)產(chǎn)生的各類數(shù)據(jù)進(jìn)行指標(biāo)化定義.2）考評(píng)要素制定與選?。簩?duì)遠(yuǎn)程教學(xué)、智慧課堂系統(tǒng)及智慧校園網(wǎng)絡(luò)信息系統(tǒng)等各平臺(tái)進(jìn)行整合，選取教學(xué)評(píng)價(jià)有關(guān)的信息，關(guān)聯(lián)對(duì)應(yīng)的數(shù)據(jù)接口.3）智慧校園網(wǎng)絡(luò)信息系統(tǒng)與大數(shù)據(jù)分析算法的選用：評(píng)估內(nèi)容的設(shè)計(jì)；評(píng)價(jià)系統(tǒng)的管理數(shù)據(jù)選擇；指標(biāo)數(shù)據(jù)的制備、采樣、抽取、清洗與轉(zhuǎn)換等；評(píng)價(jià)內(nèi)容、流程及模型的建立.4）評(píng)價(jià)系統(tǒng)平臺(tái)的設(shè)計(jì)：大數(shù)據(jù)平臺(tái)的多次再整合；不斷重復(fù)步驟2匹配指標(biāo)元素；教學(xué)效果評(píng)估模型與算法的設(shè)計(jì)；優(yōu)化評(píng)估模型、處理流程與關(guān)聯(lián)數(shù)據(jù)等.5）測(cè)試與驗(yàn)證：計(jì)算、驗(yàn)證、調(diào)整參數(shù)及再計(jì)算；如不符合預(yù)期，則回到步驟3重新調(diào)整算法、權(quán)重及數(shù)據(jù)等，最后總體測(cè)試；每步重復(fù)多次，直到輸出穩(wěn)定并符合預(yù)期.6）可視化界面設(shè)計(jì)、標(biāo)準(zhǔn)定制與規(guī)范化應(yīng)用及評(píng)價(jià)效果的完善.

2評(píng)價(jià)數(shù)據(jù)的處理

2.1獲取途徑

傳統(tǒng)的專家考核系統(tǒng)與問卷抽樣調(diào)查存在主觀偏差、手段單一且反饋滯后等問題，因此需要通過更廣泛的數(shù)據(jù)來保證評(píng)價(jià)的準(zhǔn)確性與客觀性，而直接的權(quán)值統(tǒng)計(jì)會(huì)造成定性評(píng)價(jià)的缺失，無法有效表達(dá)在線課堂的多樣性.本研究利用作者所在高校的課堂教學(xué)分析系統(tǒng)、平臺(tái)監(jiān)測(cè)系統(tǒng)及智能點(diǎn)播等系統(tǒng)累計(jì)的大數(shù)據(jù)便利，按照在線教育指標(biāo)要求，選擇采集相關(guān)數(shù)據(jù)，然后清洗整合，轉(zhuǎn)換對(duì)應(yīng)的評(píng)分?jǐn)?shù)據(jù).其中，指標(biāo)所需評(píng)價(jià)數(shù)據(jù)的獲取形式如表1所示.

從表1可知，通過各個(gè)信息平臺(tái)獲得的數(shù)據(jù)有些可以直接經(jīng)轉(zhuǎn)換后作為評(píng)分代入到指標(biāo)運(yùn)算中，而有些則以互評(píng)及問卷調(diào)查的形式獲取相關(guān)評(píng)分.

由于智慧高校平臺(tái)分散各處且接口龐雜多樣，這就要用到第3方開源平臺(tái)如spark或hadoop大數(shù)據(jù)分布管理系統(tǒng)實(shí)現(xiàn)對(duì)各個(gè)指標(biāo)數(shù)據(jù)源進(jìn)行統(tǒng)一收集與管理，再向上傳給評(píng)價(jià)系統(tǒng)預(yù)處理軟件，進(jìn)行分值計(jì)算.

2.2數(shù)據(jù)的標(biāo)準(zhǔn)化

設(shè)第1級(jí)指標(biāo)系統(tǒng)集P={P1，…，PI}，第2級(jí)指標(biāo)系統(tǒng)集Pi={Pi1，…，PiJ}，i{1，…，4}，j{1，2，…，J}，JZ+，則從各平臺(tái)接口獲得初始得分s′ij：

s′ij=1K∑Kk=1wijk∑Xx=1sxijk（1）

式中，wijk為第k項(xiàng)初級(jí)評(píng)分權(quán)重，wij={wij1，...，wijK}，且wij=∑Kk=1wijk=1;評(píng)分量xX，KZ+，XZ+.對(duì)應(yīng)i級(jí)m個(gè)指標(biāo)n個(gè)評(píng)分有矩陣S=（sij）m×n.

鑒于評(píng)價(jià)源數(shù)據(jù)來自各個(gè)平臺(tái)，為了去量綱化，在評(píng)分計(jì)算前，必須先對(duì)sxij進(jìn)行標(biāo)準(zhǔn)化處理.根據(jù)不同評(píng)估目的，選擇不同的標(biāo)準(zhǔn)化模式，以2到3級(jí)評(píng)分為例，如果作為高校間評(píng)比需要，采用優(yōu)選指標(biāo)（見式（2））以體現(xiàn)課程結(jié)構(gòu)合理性與教學(xué)能力.若作為教學(xué)問題方面的研究，則使用差選指標(biāo)（見式（3））.

s*′ij=sij－min（si）max（si）－min（si）（2）

s*ij=max（si）－sijmax（si）－min（si）（3）

于是第i項(xiàng)平均值*i=1J∑Jj=1x*ij，標(biāo)準(zhǔn)差σi=1J－1（∑Jj=1（s*ij－*i）2，統(tǒng)一量綱后的評(píng)分為：

sij=s*ij－*iσi（4）

Pi內(nèi)每個(gè)指標(biāo)會(huì)有m個(gè)評(píng)分（m{1，2，…，M}，MZ+），于是得到評(píng)分矩陣Si：

Si=s1i1s2i1…smi1s1i2s2i2…smi2s1ijs2ij…smij（5）

同時(shí)指標(biāo)權(quán)重wij=∑Kk=1wijk，wi=∑Jj=1wij，W=∑6i=1wi=1，ij=1M∑Mm=1smij，則Pi的指標(biāo)得分為，

si=∑Jj=1ijwij（6）

3賦權(quán)算法

各級(jí)指標(biāo)Pi權(quán)值的確定是保證遠(yuǎn)程教學(xué)評(píng)價(jià)準(zhǔn)確與客觀性的基礎(chǔ).賦權(quán)算法［8-9］有多種，典型的有層次評(píng)估法與遺傳神經(jīng)網(wǎng)絡(luò)算法，但各有優(yōu)劣，前者減少了主觀判斷的隨意性，但精度不高，后者更能反映指標(biāo)評(píng)價(jià)系統(tǒng)的實(shí)際結(jié)果，但計(jì)算和訓(xùn)練過程多且操作復(fù)雜.本研究以改進(jìn)動(dòng)態(tài)層次評(píng)估法（dynamic analytic hierarchy process，DAHP）和相關(guān)性指標(biāo)權(quán)重確定法（criteria importance through intercriteria correlation，CRITIC）為基礎(chǔ)，這樣既能充分利用智慧高校平臺(tái)的評(píng)價(jià)大數(shù)據(jù)，又兼顧遠(yuǎn)程教育特有的專業(yè)要求，同時(shí)弱化各種算法的不足.

3.1改進(jìn)DAHP算法

針對(duì)從各個(gè)信息平臺(tái)取得的課程評(píng)價(jià)與問卷調(diào)查及打分者主觀評(píng)價(jià)存在的心理偏差，本研究采用DAHP算法來解決打分者的主觀不確定性.DAHP算法針對(duì)粒子群（評(píng)價(jià)目標(biāo)）變化時(shí)，對(duì)粒子進(jìn)化（多目標(biāo)的變化）進(jìn)行度量，因而算法需要自適應(yīng)更新相關(guān)聯(lián)的指標(biāo)權(quán)重和學(xué)習(xí)因子，以實(shí)時(shí)應(yīng)對(duì)評(píng)分的不確定性［10］.同時(shí)，對(duì)DAHP進(jìn)行改進(jìn)，使用Saaty5標(biāo)度表求指標(biāo)間綜合性級(jí)別，并用敏感因子根據(jù)指標(biāo)層與判斷層間的重要關(guān)系確定最終得分.設(shè)調(diào)查評(píng)分等級(jí)分為5個(gè)區(qū)間，由低到高分別是差、較差、一般、較好與好，則成績(jī)定義的集合為Y={y1，y2，y3，y4，y5}，對(duì)應(yīng)元素y的取值區(qū)間為yl=（0～0.2|0.2～0.4|0.4～0.6|0.6～0.8|0.8～1）.對(duì)相關(guān)指標(biāo)Pi進(jìn)行比較，成績(jī)區(qū)間Pia、Pib∈yl，且a≤b，且a，b{1，2，…，M}，l{1，2，…，5}，于是2級(jí)i指標(biāo)a，b間關(guān)系［11］：

flab=0，重要性PbPa且Pb、Pa同區(qū)間1，重要性Pb>Pa （7）

于是M個(gè)評(píng)分的Pab相互比較時(shí)，對(duì)應(yīng)指標(biāo)序列有關(guān)聯(lián)映射f：F（f）←S，即Si的關(guān)聯(lián)度為F（fi），得到一致性判斷矩陣：

Fli=fl11…fl1MflM1…flMM（8）

令alm=∑Mn=1flmn，且m，n{1，2，…，M}，得到一致性判斷矩陣Ai=（al）M，于是有判斷式：

ei=∏Mm=1（∑Mn=1（Aim－Ain）2λM+1）（9）

式中，敏感因子λ=（0，1，2，3）.根據(jù)綜合權(quán)值區(qū)間決定，組成判斷矩陣Eij=（eij）I×J，得權(quán)值：

w′i=Iei/∑Ii=1ei（10）

3.2CRITIC賦權(quán)算法

教學(xué)評(píng)價(jià)指標(biāo)的定量成績(jī)具有可比性，但限于教學(xué)對(duì)象、培養(yǎng)目的、課程結(jié)構(gòu)與輔助條件的影響，也存在著各指標(biāo)強(qiáng)度不一致與衡量標(biāo)準(zhǔn)沖突等方面的問題，所以需要通過客觀賦權(quán)法來控制指標(biāo)間的數(shù)量差異性與內(nèi)容關(guān)聯(lián)性.為應(yīng)對(duì)大數(shù)據(jù)網(wǎng)絡(luò)評(píng)價(jià)動(dòng)態(tài)性，本研究采用的是CRITIC算法，即用指標(biāo)間的對(duì)比強(qiáng)度和不一致性來處理評(píng)分大小.設(shè)評(píng)分樣本處理后，消除了隨機(jī)異常，則Pij指標(biāo)的相關(guān)系數(shù)rmijk［12］：

rmijk=（J－1）∑Mm=1（smij－mi）∑Mk=1（smik－mi）（∑Jj=1（s*ij－*i）2）（∑Jj=1（s*ik－*i）2）（11）

Rij=∑Jk=1（1－rijk）（12）

式中，j，k{1，2，…，J}，得到指標(biāo)i的信息量：

Cij=1M∑Mm=1smij∑Jj=1（1－Rij）（13）

于是得到2級(jí)指標(biāo)客觀權(quán)重：

wij=Cij∑Jj=1Cij（14）

4最優(yōu)權(quán)值組合

4.1復(fù)合算法

通過2種或多種算法獲得初始權(quán)重后，要保證評(píng)價(jià)的有效性，還需要以最優(yōu)的wi組合，力求實(shí)現(xiàn)評(píng)分的客觀性和綜合性.其中，經(jīng)典直接的方法是計(jì)算wi和各對(duì)應(yīng)初始權(quán)值的Euclidean距離，如式（15）所示：

D（wi）=∑Ii=1（wi－w′i）2+∑Ii=1（wi－w"i）2（15）

當(dāng)存在min（D（wi））≥0時(shí)，wi與各初始權(quán)值的差異最小，即獲得最優(yōu)wi集.設(shè)D（w）連續(xù)可微，且D（w）為凸函數(shù)，則可以采用交替向乘子算法（alternative direction method of multipliers，ADMM）計(jì)算wi值［13］.ADMM作為增廣拉格朗日算法（augmented Lagrange multiplier algorithm，ALM）的改進(jìn)，好處在于，增加2次懲罰參數(shù)強(qiáng)化約束，將全局最優(yōu)解轉(zhuǎn)換為局部最優(yōu)解計(jì)算，同時(shí)用對(duì)偶交替計(jì)算的方式，迭代更新實(shí)現(xiàn)收斂，因此在求最優(yōu)解方面獲得了廣泛應(yīng)用.

根據(jù)ADMM算法求約束條件下最優(yōu)解wi：

minw1，w2，…，wi，zD（wi）+g（z），x∈RI，z∈RI′s.t.wi=z，i=（1，2，…，I） （16）

式中，z為全局變量，z∈RI.RI為指標(biāo)系數(shù)I取值范圍.于是，通過交替迭代的方式求解局部變量wi，在某個(gè)收斂區(qū)間獲得最優(yōu)解.根據(jù)ADMM算法將上式轉(zhuǎn)換為：

Lρ（wi，z，λ）=∑Ii=1D（wi）+g（z）+

ρ2∑Ii=1‖wi－z‖22+∑Ii=1λT（wi－z）（17）

式中，Lρ為L(zhǎng)agrange乘子，λ為對(duì)偶變量，ρ為懲罰參數(shù)，同時(shí)∑Ii=1wi=1.經(jīng)線性約束項(xiàng)轉(zhuǎn)換，用ALM乘子轉(zhuǎn)換［12］得到式（18）：

Lρ （wi ，z，μ） = ∑Ii = 1D（wi ） + g（z） + ρ2∑Ii = 1‖wi -zi ?+ μ‖22（18）

式中，μ為對(duì)偶可調(diào)量，據(jù)此實(shí)現(xiàn)局部變量wi的交替更新.

大數(shù)據(jù)環(huán)境下對(duì)原算法改進(jìn)，即采用分項(xiàng)計(jì)算wi，獲取最優(yōu)權(quán)值.因評(píng)價(jià)數(shù)量m［1，M］，MZ+，smi是第i項(xiàng)指標(biāo)第m個(gè)評(píng)分，且函數(shù)連續(xù)可微，則根據(jù)Moreau Decomposition［14］梯度下降轉(zhuǎn)化法，且在式（18）的約束下，取λ=1/2，令μ為交替變量，D（wi）=ρ∑Mm=1max1－smiwi，0，g（z）=（1/2）‖z‖22，于是獲得迭代過程如下：

wk + 1i = argminwi D（wi ） + ρ2‖wi -zk + μki‖22zk + 1 = argminzg（z） + ρ2∑Ii‖wi -zk + μki‖22

μk + 1i = μki + wk + 1i-zk + 1（19）

眾所周知，正常評(píng)分應(yīng)呈正態(tài)分布，因此本研究ADMM懲罰系數(shù)ρ使用正態(tài)函數(shù)，得到系數(shù)公式：

s′i=1MJ∑Mm=1∑Jj=1smij（20）

ρ=12πσexp（－（s′i－′）22σ2）（21）

式中，s′i為第i項(xiàng)評(píng)分均值，σ為標(biāo)準(zhǔn)差，評(píng)分?jǐn)?shù)量為m［1，M］，且MZ+，3級(jí)指標(biāo)j［1，J］，且JZ+.

4.2改進(jìn)算法過程

判斷收斂條件為迭代變量k→∞、原始變量rk及對(duì)偶變量sk→0，于是原始誤差εpri和對(duì)偶誤差εdual［15］如下：

εpri=ρεabs+εrelmax{‖wki‖2，‖zk‖2，0}εdual=Iεabs+εrel∑kj=1‖wki－zk‖2 （22）

‖rk‖2=∑Ii=1‖wki－‖2‖sk‖2=Iρ∑Ii=1‖wki－wk－1‖2 （23）

式中，I為指標(biāo)維度，w為wi均值.為了能快速收斂，精度只需要≤0.01，因此，令絕對(duì)誤差εabs=0.001，εrel=0.01.根據(jù)式（22）及式（23），得出最小求權(quán)算法如下：

input：I，ρ，εabs，εrel，Kiterationfor i=1→I do{Initial（Kiteration，z0=0.5，μ0i=0，wi0=1）;

k=1;do{d=Diseulidean（wki，wi′，wi″）;//歐氏距離wki=argmin_x（w*，wk1i，zk1，μk1i，d）;

zk=argmin_z（wki，zk1，μk1i）;

μki=Update（μk1i，wki，zk）;//元值更新

Compute（‖rk‖2，‖sk‖2，εdualk）;

k++；

}while（‖rk‖2>（ρεabs+εrel/2） or ‖sk‖2>εdualk） and （k<=Kiteration）;

//約束條件下wi*理想最優(yōu)時(shí)∑kj=1‖wki－zk‖2=1/2}

5實(shí)驗(yàn)與分析

5.1算法收斂性

對(duì)ADMM算法改進(jìn)，簡(jiǎn)化誤差判斷，優(yōu)選懲罰參數(shù)ρ，因此首先需要測(cè)試算法的收斂性，以保證改進(jìn)算法的可靠性.根據(jù)式（22）及式（23），‖rk‖2與‖sk‖2隨著k→∞迭代而逐漸收斂，則整個(gè)函數(shù)有解.因?qū)?shù)采取近似處理，直接求證收斂性很困難，所以通過對(duì)‖rk‖2、‖sk‖2及wi-w*變化進(jìn)行逐一測(cè)試.對(duì)連續(xù)凸函數(shù)D（wi），設(shè)εabs=0.001且εrel=0.01，式（19）中ρ與I線性變化不會(huì)影響整個(gè)迭代趨勢(shì)，則設(shè)ρ=1/2，Imax=7，于是分別獲得圖2與圖3.

從圖2和圖3可知，迭代后，殘差‖rk‖2（k≥33）與‖sk‖2（k≥39）分別收斂到誤差區(qū)間.隨著k不斷增加，誤差區(qū)間趨于穩(wěn)定，而‖rk‖2與‖sk‖2將進(jìn)一步收斂，則表明該算法可以控制指標(biāo)優(yōu)化的精度，具備可用性.

5.2算法效率

研究在不同算法下最優(yōu)值|wi-w*|的獲取情況，以檢驗(yàn)算法能力.給定L（wi，λ，σ）初值，參照文獻(xiàn)［16］優(yōu)化梯度下降算法，求各指標(biāo)wi′與wi″的組合值wi.設(shè)λ0i=0.01，μ0i=0.5，則針對(duì)大數(shù)據(jù)懲罰參數(shù)ρ的結(jié)果不同，分別檢驗(yàn)不同算法的迭代情況，如圖4（A）～圖4（C）所示.

隨著k迭代次數(shù)的增加，wi→w*，通過實(shí)驗(yàn)與圖4可知：1）ADMM算法比ALM算法更快速收斂；2）在給定的ε誤差區(qū)間內(nèi)，改進(jìn)ADMM算法優(yōu)于文獻(xiàn)［16-17］ADMM算法；3）大數(shù)據(jù)評(píng)分越分散，收斂越慢，甚至可能最終難以收斂；4）針對(duì)本研究算法，懲罰參數(shù)ρ越高則收斂越快，但當(dāng)ρ很大時(shí)將造成收斂震蕩，從而影響收斂.總之，2種改進(jìn)ADMM算法雖然具有相似的算法效率，但本研究的算法的優(yōu)點(diǎn)是對(duì)初值不敏感且懲罰系數(shù)ρ由評(píng)分方差計(jì)算獲得，由于大數(shù)據(jù)環(huán)境下需要經(jīng)常變換評(píng)分規(guī)則的場(chǎng)景，因此，本研究的算法更適于作為綜合評(píng)價(jià)的解決方案.

5.3綜合評(píng)價(jià)分析

本研究用該復(fù)合權(quán)值算法對(duì)作者所在高校5年來遠(yuǎn)程在線教育系統(tǒng)進(jìn)行評(píng)價(jià)，通過各信息系統(tǒng)后臺(tái)評(píng)價(jià)數(shù)據(jù)計(jì)算評(píng)價(jià)指標(biāo)權(quán)值，如表2所示.

此5年的1級(jí)優(yōu)化權(quán)值與綜合權(quán)值評(píng)分情況，如圖5所示.

最終獲得每年的直接累計(jì)成績(jī)與權(quán)值成績(jī)對(duì)比，如表3所示.

從表2、表3和圖5可知：1）通過算法對(duì)權(quán)值的控制能自主體現(xiàn)每年實(shí)際教學(xué)能力的細(xì)節(jié)變化；2）5年來雖然教學(xué)整體評(píng)價(jià)值都獲得提升，但通過權(quán)值變化發(fā)現(xiàn)，內(nèi)容設(shè)置與過程控制是影響整個(gè)教學(xué)水平的核心因素，為接下來的教學(xué)規(guī)劃調(diào)整提供了可靠依據(jù)；3）隨著時(shí)間變化，輔助支持中基建與信息資源對(duì)教學(xué)效果的提升作用在逐年遞減，意味著單純的教學(xué)條件改善并不與教學(xué)水平的提高成正比；4）從權(quán)值分布看，客觀權(quán)重的變化更能影響整個(gè)教學(xué)評(píng)價(jià)效果，表明在信息平臺(tái)的評(píng)價(jià)選項(xiàng)設(shè)定上可以根據(jù)參與者偏好對(duì)客觀評(píng)價(jià)指標(biāo)實(shí)施調(diào)整與再計(jì)算.

總之，通過各項(xiàng)實(shí)驗(yàn)表明該復(fù)合梯度優(yōu)化算法對(duì)遠(yuǎn)程在線教育評(píng)價(jià)具有實(shí)際指導(dǎo)作用，這不僅驗(yàn)證了5年來的實(shí)際教學(xué)情況，也幫助教學(xué)中發(fā)現(xiàn)某些被忽略的環(huán)節(jié).

6結(jié)語(yǔ)

目前，各高校都在積極制定遠(yuǎn)程繼續(xù)教育評(píng)價(jià)指標(biāo)系統(tǒng)，并研發(fā)配套的統(tǒng)計(jì)算法.本研究通過建立3級(jí)考核指標(biāo)系統(tǒng)，依靠高校的大數(shù)據(jù)信息平臺(tái)獲得評(píng)價(jià)數(shù)據(jù)，探討組合動(dòng)態(tài)模糊評(píng)價(jià)與CRITIC算法，并結(jié)合改進(jìn)ADMM算法求解最優(yōu)的指標(biāo)權(quán)值，獲取綜合評(píng)價(jià)成績(jī).實(shí)驗(yàn)與實(shí)踐表明，該評(píng)價(jià)系統(tǒng)可以真實(shí)全面體現(xiàn)高校繼續(xù)教育實(shí)際教學(xué)狀況，能直觀顯示在線教學(xué)過程中存在的細(xì)節(jié)問題.同時(shí)，該評(píng)價(jià)系統(tǒng)能減少人為干預(yù)，提高了評(píng)價(jià)的便捷性與客觀性，被證明是一種適應(yīng)智慧高校環(huán)境下高效的自主教學(xué)評(píng)價(jià)系統(tǒng).未來的研究是通過不斷改進(jìn)評(píng)價(jià)算法效率及提高評(píng)估準(zhǔn)確性來幫助各成人高校簡(jiǎn)化遠(yuǎn)程在線教學(xué)的評(píng)價(jià)過程.

參考文獻(xiàn)：

［1］Iouliia S.Projectbased learning and evaluation in an online digital design course［J］.Electronics，2021，10（6）：646-646.

［2］Lyu W，Ding X，Salam A Z.Research on timeliness evaluation model of online teaching based on intelligent learning［J］.Int J Cont Eng Educ Life Long Learn，2021，31（2）：27-29.

［3］孫丹宇.遠(yuǎn)程教育質(zhì)量評(píng)價(jià)指標(biāo)體系研究［D］.保定：河北大學(xué)，2020.

［4］楊曉焱.現(xiàn)代遠(yuǎn)程教育網(wǎng)絡(luò)教學(xué)評(píng)價(jià)指標(biāo)體系的構(gòu)建研究［J］.職業(yè)教育研究，2018，6（6）：16-19.

［5］教育部職業(yè)教育與成人教育司.職業(yè)教育國(guó)家教學(xué)標(biāo)準(zhǔn)體系［EB/OL］.（2021-03-19）［2022-05-01］.http：//www.moe.gov.cn/s78/A07/zcs_ztzl/2017_zt06/.

［6］河南省教育廳.河南省教育廳關(guān)于開展高等學(xué)歷繼續(xù)教育教學(xué)評(píng)估（2021—2025年）的通知［EB/OL］.（2021-09-04）［2022-05-01］.https：//jyt.henan.gov.cn/2021/09-14/2312415.html.

［7］唐業(yè)喜，伍招妃，袁媛.基于CIPP模型的高校網(wǎng)絡(luò)思政教育成效評(píng)價(jià)體系構(gòu)建與解析［J］.高教論壇，2021，1（1）：54-57.

［8］Chang S J，Hsu C I，Lin T.Using FAHP and CBR to evaluate the intention of adoption of internet banking service：the example of web ATM［J］.J Intell Fuzzy Syst，2020，39（3）：2869-2879.

［9］馬亞龍，邵秋峰，孫明，等.評(píng)估理論和方法及其軍事應(yīng)用［M］.北京：國(guó)防工業(yè)出版社，2013.

［10］Dariusz F，Przemysaw J.An expert fuzzy system for management of railroad bridges in use［J］.Autom Constr，2019，106（10）：1056-1061.

［11］夏立榮，李潤(rùn)學(xué)，劉啟玉，等.基于動(dòng)態(tài)層次分析的自適應(yīng)多目標(biāo)粒子群優(yōu)化算法及其應(yīng)用［J］.控制與決策，2015，30（2）：215-221.

［12］Rau A K，Mat K M，Rizal H，et al.A modified CRITIC method to estimate the objective weights of decision criteria［J］.Symmetry，2021，13（6）：973-973.

［13］Banert S，Bof R I，Csetnek E R.Fixing and extending some recent results on the ADMM algorithm［J］.Numer Algor，2020，86（5）：1-23.

［14］Jourani A，Vilches M.Moreautosida regularization of statedependent sweeping processes with nonregular sets［J］.J Opt Theor Appl，2017，173（1）：91-116.

［15］Boyd S，Parikh N，Chu E，et al.Distributed optimization and statistical learning via the alternating direction method of multipliers［J］.Found Trends Mach Learn，2010，3（1）：19-21.

［16］王慧慧.分布式交替方向乘子法研究［D］.南京：南京大學(xué)，2017.

［17］Wang C，Li C，Wang J.A modified augmented Lagrange multiplier algorithm for Toeplitz matrix completion［J］.Adv ?Computat Math，2016，42（5）：1209-1224.

（實(shí)習(xí)編輯：黃愛明）