基于課程知識地圖的高校評教指標構建

蔡皎潔 郭道猛

摘 要： 知識地圖是知識資源挖掘重組、共享創新的主要手段。為構建課程知識地圖，提出利用層次聚類和關聯規則挖掘方法發現課程大數據中的概念及概念間關系?；谡n程知識地圖給出高校評教指標，包括內容的全面性、創新性、趣味性、正確性、及時性，以及意見反饋響應度等。經實驗驗證，基于該方法的評教指標能全面反映教師的授課水平，有效降低“性格匹配”等主觀因素的影響，提高教師與學生雙向溝通的學習能力。

關鍵詞： 知識地圖； 高校評教； 評教指標； 數據挖掘

中圖分類號：TP311 文獻標志碼：A 文章編號：1006-8228（2015）12-45-04

Construction of university teaching evaluation index based on curriculum knowledge map

——taking the network finance course as an example

Cai Jiaojie， Guo Daomeng

（Hubei Engineering University， Xiaogan， Hubei 432000， China）

Abstract： Knowledge map is the primary means of knowledge resources mining， restructuring， sharing and innovating. This paper puts forward the construction of curriculum knowledge map， using hierarchical clustering and association rule mining method to find the concept and the concept's relationship in the course big data. University teaching evaluation is given based on curriculum knowledge map， including the comprehensive content， content creation， content interesting， content accuracy， timeliness， and feedback responsiveness etc. The experiment results proved that the teaching evaluation index based on the proposed method can fully reflect the teacher's teaching level， effectively reduce the impact of "Personality Match" and other subjective factors， and improve the learning ability of two-way communication between teachers and students.

Key words： knowledge map； university teaching evaluation； teaching evaluation index； data mining

0 引言

隨著我國高等教育事業的不斷發展，學生評教已成為高校教師課堂教學質量評價的重要組成部分，甚至大多數高校將評教分數與高校教師的職務、職稱晉升、以及績效工資等待遇掛鉤。因此，評教在教師群體內部和學術界都存在著強烈的爭議。支持者認為“學生評教在教師考核和晉升中的一票否決制凸顯了學生的主體地位，有利于教師積極提高自己的教學質量。”反對者認為“由于知識能力的局限性，學生對整個課程體系的把握很不足，而情感、功利心等因素直接影響評教結果的客觀性，評教會直接成為報復教師的手段”[1]。因此，有關評教的重要性、可靠性、有效性、評價指標體系、影響評教因素等方面成為研究的熱點問題[2]。本文構建基于課程知識地圖的高校評教指標，以提升高校評教的有效性和公正性。

1 課程知識地圖構建

知識地圖構建的本質是描述客觀世界中各種知識與知識之間的關系，是一種對知識資源進行優化整合的結構體系 [3]。對教師教學質量的評價，所依據的數據不應局限于教材或教學大綱等知識體系，更應該看重互聯網平臺數據，如有關課程的微博、微信、博客、教材或專著及文獻等的用戶評論平臺，這樣才能勾勒出一個全面的知識地圖，才能對教師評價有個客觀的準則。

本文以網絡金融課程為例，運用聚類和關聯規則挖掘方法從數據中分析該課程知識點及知識點之間的關聯，并賦予初始權值，構建網絡金融課程知識地圖。

1.1 網絡金融課程知識點挖掘

本文在當當網上分別輸入“網絡金融”、“互聯網金融”及“大數據”關鍵詞，挑選符合“除去重復作者”、“適合普通本科教學”、“熱門度為5星”、“用戶評論至少有1條”等條件的10本教材；登陸中國知網，輸入相同主題，挑選符合“除去重復作者”、“除去重復標題”、“除去非核心刊物”的碩博論文及期刊7637篇；登陸新浪網、東方財富網、網易、財經網等官方或個人博客及微博平臺，搜集最新文章128篇。從這些數據中挖掘網絡金融課程知識點的方案如下。

⑴ 以“目錄”、“題綱”、“標題”、“摘要”及“關鍵字”為依據，手工挑選一級和二級概念。

⑵ 利用文本挖掘中的層次聚類法，挖掘二級概念以下的子節點，具體算法如下[4]。

① 確定要生成的簇的數目K（K

② 在概念—文檔矩陣N中找出K個上位概念作為聚類中心的種子S={s1，…，sj，…，sk}，其中V（sj）=（Wsj（d1），…，Wsj（di），…，Wsj（dn））。

③ 對每個特征項ti，依次計算它與各個種子sj的相似度sim（ti，sj）。其中特征項ti和概念sj之間的相似度可以用向量V（ti）和V（sj）的余弦來計算，其公式[5]描述如下：

式⑴

④ 選取具有最大相似度的種子arg max sim（ti，sj），將ti歸入以sj為聚類中心的簇Cj，從而得到特征項集的一個聚類C={c1，…，cj，…ck}。

⑤ 重新確定每個簇的中心點。

⑥ 重復步驟②、②、④、⑤，直到中心點不再改變，文本中的特征項不再重新被分配為止。

其中部分網絡金融課程知識概念集詞表如表1所示。

表1 部分概念詞表集

[一級概念集＼&二級概念集＼&三級概念集＼&四級概念集＼&……＼&網絡金融、互聯網金融、智慧金融、移動金融、網絡經濟、電子商務、傳統金融、金融創新、金融機構、……＼&電子貨幣、電子支付、網絡銀行、網絡保險、網絡證券、網絡投資理財、P2P借貸、在線供應鏈金融、眾籌、信息化金融、網絡金融安全、……＼&比特幣、電子錢包、手機支付、個人網上銀行、企業網上銀行、保險購買、保險服務、證券網上營業廳、純線上P2P、……＼&游戲幣、支付寶、校園一卡通、微信支付、存折查詢、汽車保險、網上股票、阿里金融、京東供應鏈金融、……＼&……＼&]

1.2 網絡金融課程知識點間關聯挖掘

利用關聯規則挖掘方法，從收集到的網絡金融課程數據集中，發現概念間的多種關系。具體算法如下[6]。

⑴ 設置最小支持度閾值Smin和最小置信度閾值Cmin，運用Apriori算法找出文本集D中所有的頻繁特征項集W={t1，…，ti，…tn}，并由該頻繁特征項集直接產生強關聯規則集R={r1，r2，…，ri，…}，ri={ti?tj}，其中ti，tj∈W，且P（ti∪tj）>Smin，P（tj|ti）>Cmin。

⑵ 對于ti，tj∈W，若同時滿足ti?tj和tj?ti，那么特征項ti和tj的關系為等價關系，該等價關系包含同義或反義關系。

⑶ 整體關系和上下位關系都為層次結構。對于ti，tj∈W，且{ti?tj}∈R，P（tj|ti）>P（ti|tj），即tj出現的文檔集合是ti出現的文檔集合子集的概率，要大于ti出現的文檔集合是tj出現文檔集合子集的概率，那么概念ti，tj之間存有層次結構，且ti是tj的上位概念。

⑷ 從R中刪選具有層次結構關系的強關聯規則集R1={r1，…，ri，…rn}，其中ri={ti?tj}，且P（tj|ti）>P（ti|tj）。從R1中參照企業本體概念體系，由人工選出具有繼承關系的強關聯規則訓練集Ris-a，和整體部分關系規則訓練集Rpart-whole，計算它們各自關于P（tj|ti）的最大值、最小值區間以及平均值。作為具有層次結構概念間關系學習分類的標準。

⑸ 對任意ri={ti?tj}∈R1，若P（tj|ti）∈Ris-a[Pmin，Pmax]，且P（tj|ti）?Ris-a （）。則ri應歸屬于上下位關系。同理可推斷整體關系。

部分網絡金融知識概念間關聯詞如表2所示。

表2 部分概念間關系詞表集

[上下位關系＼&整體部分關系＼&等價關系＼&…＼&（網絡金融、智慧金融）、（電子貨幣、電子錢包）、（電子支付、移動支付）、（網絡金融、網上銀行）、（網絡金融、網上證券）、（互聯網金融、P2P借貸）、……＼&（金融，網絡金融）、（智慧金融，智能卡）、（手機支付，微信支付）、（電子支付，ATM機）、（電子商務，第三方支付）、（互聯網金融，金融安全）、（P2P借貸，純P2P借貸）、……

＼&（第三方電子支付，P2P借貸，大數據金融，眾籌，信息化金融）、（網絡金融安全、網絡金融風險）、（純在線P2P借貸，非純在線P2P借貸）、（在線供應鏈金融，線下供應鏈金融）、……＼&…＼&]

1.3 初始權重值計算

初始權重是指在無任何情景設置下所計算出的權重值，其難點在于知識概念節點間權重值的設計，其具體方案如下：

⑴ 對于概念節點權值的計算，概念粒度越細，其實際應用價值越高，從一級概念開始，按權值遞增原則賦予；

⑵ 對于概念節點間關系權值的計算，應考慮兩種因素，具體算法如下。

① 利用關聯規則挖掘所獲取的某一概念節點間關系數量越大，權值就大；該關系內所包含的子關系集的權值也相應增大，增值設為a，該值隨關系數量值而定。

② 概念節點間的語義相似度也直接影響權值的計算，語義相似度越大其權值越大，計算公式[7]如下：

公式2

其中，s1和s2為兩個進行語義映射的概念；sim（s1，s2）為兩個概念的語義相似度；βi（1≤i≤4）為可調節參數，且有：β1+β2+β3+β4=1，β1≥β2≥β3≥β4，反映了Sim1到Sim4對于總體相似度所起到的作用依次遞減。simj（s1，s2）分別是第一獨立義原相似度、其他獨立義原相似度、關系義原相似度和符號義原相似度。對這四種義原相似度的計算即為詞語相似度計算。

按照上述方法所構建出的部分網絡金融課程知識地圖，如圖1所示。

2 基于課程知識地圖的高校評教指標構建

2.1 目前所應用的高校評教指標綜述

構建一套合理的高校評教指標體系一直是國內外專家學者研究的熱點。在指標內容方面，Marsh（1987）[8]提出了教師教學質量評價問卷（Student's Evaluation of Educational Quality，SEEQ），包含9項指標：學習/價值感、教學熱情、組織/清晰性、群體互動、人際和諧、知識寬度、考試/評分、作業/閱讀材料、功課量/難度。Kolitch（1999）[9]提出評價指標應包含四項：課堂組織、行為管理、學生成績評定和師生關系。我國高校普遍采用的指標內容包括：教學態度、教學內容、教學方法及教學效果四項。項露芬（2013）[10]指出評價指標應適合學生的評價能力和水平，方便學生理解和操作，并應結合定量統計和定性分析。陳國海（2001）[11]指出應盡量避免學生難于實際感受、觀察與直接測量的指標項目。

有關評教指標有效性方面，高素貞（2006）[12]認為從評教的效度上看，評教指標體系不盡科學合理。胡波（2007）[13]認為評教指標過于機械化、簡單化、沒有反映不同學科、不同課程之間的特點。劉哲（2014）[14]提出評教指標的設計者往往是教學管理部門的人員，不是任課教師，因而在擬定評教指標時經常依據自己對評教工作的看法，指標具有一定的主觀性和隨意性。

2.2 基于課程知識地圖的高校評教指標構建目標

⑴ 大數據時代對教學方式改革的推動，使高校教學已不僅僅拘泥于教師與學生面對面的授課方式，隨著互聯網技術、移動通訊技術以及計算機技術的深入發展，網絡教學將成為大學高等教育的主導模式。在這一時代背景下，知識地圖作為隱性知識和顯性知識挖掘重組、共享創新的主要手段，將在新型教學方式中發揮主導作用。

⑵ 經實踐驗證，在傳統的評教指標體系中“教學態度”一項難以用定量客觀的細則進行評估，往往受教師和學生性格匹配程度的影響。如有的教師性格直爽，談吐不拘小節，在同一個班中有學生會認為該教師很有個性，而有學生會認為該教師過于張揚；有的教師穿著隨意，那么有學生會認為該教師隨性有風格，而有的學生會認為該教師不重細節。因此，傳統評教指標往往擺脫不了性格匹配、學生喜好、學生偏見認知等主觀因素的影響，這會直接導致評教效果的不公正。

2.3 基于課程知識地圖的高校評教指標構建流程

⑴ 教師引導學生設計課堂教學主題和應用情景，學生根據課程知識地圖提出問題訴求。

⑵ 挖掘分析學生問題訴求，發現最受關注的核心知識概念點、以及知識概念節點間關系，動態改變課程知識地圖的初始權重值。

⑶ 教師將對課程知識地圖中所涉及到的知識概念點及知識概念點之間的關系做出重點講解，并可根據課程知識地圖中權重改動的大小做出分類講解、詳細與概述講解等方案，在這個過程中避免了“授課重點、難點不清晰”、“忽視學生對課程講解內容的訴求”、“教師與學生因問題溝通不暢而帶來的情緒匹配失衡”等問題；

⑷ 學生可針對教師授課結果，從內容全面性、內容創新性、內容趣味性、內容正確性、溝通及時性、意見反饋響應度等方面進行客觀評價。

3 基于課程知識地圖的高校評教指標檢驗

本文對我校某電子商務班的網絡金融課程教學與評教過程進行設計與驗證，基本流程如下。

⑴ 設計“大數據中的互聯網金融”教學主題，學生提出的問題訴求如下：

① 互聯網金融崛起的背景是什么？

② 互聯網金融對傳統網絡金融模式的沖擊是什么？

③ 互聯網金融是如何運用大數據的？

④ 互聯網金融中的大數據是從何而來的？

⑤ 互聯網金融的模式是什么？

……

⑵ 對以上概念及概念間關系挖掘算法，對問題訴求進行挖掘分析，獲取相關知識地圖，并與原有的知識地圖進行對比，有效改變相應概念節點及概念節點間關系的相應權值，具體算法如下。

① 對新增的概念節點，參閱“知網”等公開知識地圖或在領域專家的輔助下，找出與原有知識地圖中概念節點之間的對應關系，并提升該概念節點及相應概念間關系的權值。

② 對問題訴求挖掘出來的概念及概念間關系，統計數量，并對比原有知識地圖中概念及概念間關系的數量，對數量的增減，在領域專家的輔助下，適度對原有知識地圖的權值進行增減。

⑶ 依據課程知識地圖，對地圖中權值變化的概念節點及概念節點間關系標紅，作為授課重點與難點的參考數據。知識地圖中概念權值及概念關系間的權值已詳細給出課程知識點的重要程度或學生關注度以及知識點間的詳細邏輯關系，也可輔助教師澄清講課思路。

⑷ 教師是通過個人博客空間進行課程主題設計和授課過程，學生反映“這種教課方式節省了時間、改變了乏味的面對面授課方式、問題解釋有針對性、并配有大量視頻等案例教學，增加了授課趣味性、問題反饋及時、授課內容全面”，得到了學生的一致好評。顯然在這個評教的過程中，教師與學生的性格匹配程度降低，這與授課方式創新、“一對一”或“個性化”的授課內容設置是分不開的。

4 結論

本文著眼于推動大數據時代對傳統教學模式的改革，鑒于目前高校評教指標體系的重要性和不合理性，提出構建課程知識地圖，重組教學知識資源、創新教學知識內容、提升教學質量。依據課程知識地圖構建評教指標，包括課程內容全面性、內容創新性、內容趣味性、內容正確性、溝通及時性、意見反饋響應度等方面進行客觀評價。減少傳統評教指標如“教學態度”中包含太多“性格匹配”等主觀因素的影響，提升評教質量。本文也提出了知識地圖中概念及概念間關系構建的算法，對此算法的擴展性尚需進一步研究。

參考文獻（References）：

[1] 馬秀麟等.從大數據挖掘的視角分析學生評教的有效性[J].

中國電化教育，2014.333（10）：78-83

[2] 陳劍啟等.國內外關于學生評教的相關研究綜述[J].技術監

督教育學刊，2006（2）：45-49

[3] 曹高輝等.泛在信息環境下的學科知識地圖構建研究[J].情

報科學，2014.32（5）：7-11

[4] 張玉峰，蔡皎潔.基于數據挖掘的Web文本語義分析與標注

研究[J].情報理論與實踐，2010.33（2）：85-89

[5] 唐濤.基于文本挖掘的領域本體學習研究[D].武漢大學博士

論文，2009.

[6] 蔡皎潔，張玉峰.Web環境下基于用戶興趣本體學習的文本

過濾研究[J].情報雜志，2010.7（29）：153-156

[7] 劉群，李素鍵.基于《知網》的詞匯語義相似度計算[C]//

Processing of Cpmputer Linguistics and Chinese Language Processing，2002.2：59-76

[8] Marsh H. W.. Student's Evaluation of University Teaching

Dimensionality， Reliability， Validity， Potential Biases， and Utility[J]. Journal of Educational Psychology，1984.76：707-754

[9] Kolitch G. H..Using Statistical Adjustment to Reduce

Biases In Student Ratings[J]. American Psychologist，1999.7：518-519

[10] 項露芬.面向實驗教學管理的網上評教指標初探[J].教改教

法，2013.262：34-35

[11] 陳國海等.我國高?！皩W生評教”研究綜述[J]. 高等教育研究

學報，2001，24（1）：30-32

[12] 高素貞.高校學生評教存在的問題及對策[J].福建高等教育，

2006.5：35-38

[13] 胡波.高校學生網上評教系統有效性研究[D].電子科技大

學，2007.

[14] 劉哲.高校學生評教存在的問題及對策[J].教育與職業，

2014.35：179-180