基于K-近鄰技術的教學效果評測方法

白寧

（山西警官高等?？茖W校計算機科學與技術系，太原　030021）

基于K-近鄰技術的教學效果評測方法

白寧

（山西警官高等?？茖W校計算機科學與技術系，太原030021）

0　引言

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

針對傳統教學效果評測方法效率低下的問題［4～6］，本文提出一種基于K-近鄰技術的教學效果評測方法，通過對評測數據進行篩選、綜合，給出一個相對比較客觀的教學效果評測結果，以反映該教師的教學水平。

1　數據挖掘及K-近鄰技術

數據挖掘［7］又稱為數據庫中的知識發(fā)現，是目前人工智能和數據庫以及機器學習等領域研究的熱點問題，其通過自動化地分析數據庫中的數據并進行推理，以從大量數據中挖掘出未知但有用的信息，幫助企業(yè)中的領導者及時修改方案，從而做出一個正確的、低風險的決定，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據挖掘方法，已被廣泛應用于實際各種領域，以解決實際生活的各類分類問題。其主要思想是根據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，統計其標簽分屬的類別數目，選擇數目最多的類別作為該待測樣本的標簽。通過K-近鄰技術進行教學效果的評測，不僅有效衡量了教師的教學水平，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-近鄰的教學效果評測方法

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

本文結合K-近鄰方法簡單、易于實現的優(yōu)勢，設計了基于K-近鄰的教學效果評測方法。具體地，基于K-近鄰的教學效果評測方法如下：

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

（2）根據學校往年的情況選擇部分關于“優(yōu)秀”、“良好”、“正常”、“不合格”的評測標準，構成t個正確的有標簽樣本，即，其中txj的特征構成與前面教學效果評測的數據xi的特征構成一致，tyj∈｛“優(yōu)秀”，“良好”，“正?！保安缓细瘛保?/p>

（3）計算實際得到的評測數據xi與每個設定的有標簽樣本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，統計標簽樣本中分屬于“優(yōu)秀”、“良好”、“正常”與“不合格”的標簽樣本個數，并將個數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，取值最多的評測結果作為該教師最終的評測結果，算法結束。

3　模擬實驗

本文對某學校已經存檔的學生評測的教師數據的平均值作為實驗中的有標簽標準數據集，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據、學生課程成績數據和學生對教師的評價數據，避免了傳統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據，主要包含以下9個方面：教師完成教學目標的情況、教材處理的合理性、教學程序的規(guī)范性、教學方法和教學手段是否恰當、教師教學基本功、學法指導情況、學生能力培養(yǎng)和素質提高、和諧的師生關系、教學效果是否明顯；對于學生成績部分的數據，主要包含了學生考試的卷面成績、學生的出勤成績、學生的作業(yè)成績3個特征；對于學生對教師的評測，本文采用包含10個具體指標的調查問卷的形式得到，涉及到了教師教學過程的所有核心環(huán)節(jié)。

實驗中，每個教師的評測數據由50條評測記錄構成，即每個教師進行50次評測實驗，取得到的結果中最多的值作為該教師評測結果，并統計了測試的正確率，計算方法如下：

具體實驗結果見表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　實驗評測結果

從實驗結果可以看出，本文提出的基于K-近鄰的教學效果評測方法在多數指標上都得到了較好的測準率，而且比傳統人工測試的方法提高了效率，不需要進行反復的測試。當然，對于樣本數目較少的類別，如本例中的不合格類，由于樣本數目過少，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　結語

本文針對傳統教學效果評測方法效率低下、測準率低、需要反復測試統計的問題，提出一種基于K-近鄰技術的智能化教學效果評測方法，結合已有的標準評測數據，以給出一個相對比較客觀的教學效果評測結果，不僅可以反映教師的實際教學水平，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，將結合噪聲處理的方法，有效解決基于K-近鄰分類方法的教學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.高等學校教師教學效果評價的問題及其對策研究［J］.大學教育科學，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、現在與展望［M］.科學出版社，2007

［4］馬希榮，孫華志.數據挖掘技術在教學評測中的應用［J］.計算機工程與應用，2003，39（19）：51～54

［5］周玉敏.基于Rough集的數據挖掘在教學評測中的應用［J］.重慶郵電大學學報（自然科學版），2008，20（5）：627～630

［6］袁燕.基于數據挖掘的教學評測系統研究［D］.華中科技大學，2006

［7］鐘曉，馬少平，張鈸等.數據挖掘綜述［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

針對現在教學效果評測問題中數據量大、評測標準繁多、不能有效衡量教學效果的問題，結合數據挖掘領域最典型的K-近鄰方法，提出一種基于K-近鄰技術的教學效果評測方法，以對教學效果的數據進行綜合挖掘和評測，提高教學效果評測的準確性。

教學效果評測；數據挖掘；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.