基于机器学习的教学评价模型的研究与实现

发布时间：2020-05-09 13:42

【摘要】：教学评价是针对教师教学和学生学习价值的判断,已经成为高校教学管理和教学过程中的重要组成部分。常见的教学评价体系众多,大多数是评价教师的行为表现,而学生的学习过程及效果很少提及。同时,实施教学评价的工作流程比较繁琐,往往需要完成大量的数据计算任务。因此如何采用现代科学技术建立完善、客观可行的课堂教学评价体系和优化评价流程是亟需解决的重要问题。本文从构建以学习为中心的高校教学评价体系出发,通过采用数据相关性分析、关联规则等方法优化了学生教学评价指标。同时,将机器学习算法引入教学评价过程中,构建教学评价模型,实现教学评价过程的自动化。首先,针对获取的教学评价数据集,采用线性回归方法和基于密度的离群点检测方法进行了异常数据的清洗。为验证评价属性的独立性,本文提出一种基于关联规则算法的相关性分析方法,根据规则的置信度判断属性间的依赖关系,然后结合属性间的相关系数确定出相关性较强的特征项,去除冗余项,优化了评价体系。其次,提出基于加权朴素贝叶斯算法的教学评价模型。根据不同属性对评价结果的影响程度,提出一种利用类属性的相关概率确定各个评价属性的权值的方法,为各评价指标设置相应的权重,从而构建出适合教学评价的分类模型。最后,采用加权贝叶斯增量学习方法,解决新增样本分批抵达的问题。通过这一策略不必耗时重新训练旧样本数据,只需根据新样本数据调整模型参数。为验证算法的可行性,本文收集某高校学生对课堂教学的评教数据进行实验。实验结果表明,采用加权朴素贝叶斯算法构建模型进行分类的准确率可达到75%,相比传统的贝叶斯分类算法,平均准确率可提高3%左右。同时,面对数据的快速增长,增量学习方法不仅可以完善分类模型的分类性能,也可提高算法的时间效率。该教学评价模型的构建过程对教育信息化领域研究具有较强的理论与实践参考价值,也可提高实际教学评价的工作效率。
【图文】：

数据分布,真实值,预测值,回归分析

首先懫用回归分析方法进行异常数据检测。实验中采用机器学习逡逑ｓｋｌｅａｍ库中提供的ＬｉｎｅａｒＲｅｇｒｅｓｓｉｏｎ方法，，通过该方法构建出回归预测模逡逑型。通过该模型得到的预测值与真实评价值的对比如图２－１所示。逡逑逦ｐｒｅｄｉｃｔ逡逑奏逦？逦—邋ｒｅａｌ逡逑评：＿岤＿＿病逡逑价逡逑值逡逑３邋－逦＇逡逑２邋－逡逑１邋－逡逑0逦５０逦ｌＯＯ逦ＩＳＯ逦２００逦２ＳＯ逦３００逡逑数据量逡逑图２－１回归分析的预测值与真实值的对比逡逑Ｆｉｇ．邋２－１邋Ｔｈｅ邋ｃｏｍｐａｒｉｓｏｎ邋ｂｅｔｗｅｅｎ邋ｔｈｅ邋ｐｒｅｄｉｃｔｅｄ邋ｖａｌｕｅ邋ａｎｄ邋ｔｈｅ邋ｒｅａｌ邋ｖａｌｕｅ邋ｏｆ邋ｔｈｅ逡逑ｒｅｇｒｅｓｓｉｏｎ邋ａｎａｌｙｓｉｓ逡逑在图２－１中，红色实线为数据表中记录的真实评价值，蓝色虚线为模型通逡逑过分析一系列评价属性值而给出的预测评价值。由图可见，预测值与真实值逡逑存在偏差，个别数据记录的真实值与预测值之间的偏差很大，这些偏离整体逡逑数据分布的数据极有可能是异常数据。根据整体数据分布情况，设置偏差范逡逑围的阈值为１，即偏差大于１的数据记录视为异常数据点。通过回归方法检逡逑测出异常数据的实验结果如表２－７所示。逡逑为了减少异常数据的检测失误，针对该数据集再次采用ＣＬＯＦ算法进行逡逑局部离群点检测。在ＣＬＯＦ算法实验中，Ｋ均值聚类的簇数设为５，离群点逡逑个数阈值设置为１０。离群点检测结果如表２－８所示。逡逑—１５—逡逑

流程图,相关性分析,评教,流程图

图２－２基于关联规则的相关性分析流程图逡逑Ｆｉｇ．邋２－２邋Ｃｏｒｒｅｌａｔｉｏｎ邋ａｎａｌｙｓｉｓ邋ｆｌｏｗ邋ｃｈａｒｔ邋ｂａｓｅｄ邋ｏｎ邋ａｓｓｏｃｉａｔｉｏｎ邋ｒｕｌｅｓ逡逑结果与分析逡逑用Ｐｙｔｈｏｎ作为开发语言，实验平台为Ｅｃｌｉｐｓｅ＋Ｐｙｄｅｖ。理后的评教数据集，共含有２９０条评教数据。逡逑验数据，计算得出评价属性间的相关系数，各评价属表２－９所示。逡逑—１９—逡逑
【学位授予单位】：延边大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP181

【参考文献】