支持向量機的遠程教學質量評估模型

班麗麗+紀二娟

摘 要： 為了提高遠程教學質量的評估精度，針對當前遠程教學評估模型的不足，提出支持向量機的遠程教學質量評估模型。首先建立遠程教學質量評估指標體系，采用核主成分分析選擇重要指標，然后根據重要指標收集數據，采用支持向量機進行遠程教學質量評估，最后采用某高校遠程教學質量數據進行性能驗證。結果表明，支持向量機顯著改善了遠程教學質量的評估效果，可以為高校教學管理者提供有價值的信息。

關鍵詞： 遠程教學； 質量評估； 支持向量機； 驗證性實驗

中圖分類號： TN98?34； TP183 文獻標識碼： A 文章編號： 1004?373X（2017）13?0126?04

Abstract：In order to improve the evaluation accuracy of the distance teaching quality， and eliminate the insufficient of the current distance teaching evaluation model， the distance teaching quality evaluation model based on support vector machine is proposed. The evaluation index system of the distance education quality is established. The kernel principal component analysis is used to select the key indicators， according to which the data is collected. The support vector machine is adopted to evaluate the distance teaching learning quality. The distance teaching quality data for a certain university is employed to test its performance. The results show that the support vector machine can improve the evaluation effect of the distance teaching quality significantly， and provide the valuable information for the university teaching administrators.

Keywords： distance teaching； quality assessment； support vector machine； verification experiment

0 引 言

教學質量對于高等教學來說至關重要，而遠程教學是高等教學的一個重要組成部分。遠程教學質量評估可以幫助教師改進教學方法，完善教學內容，因此遠程教學質量評估具有積極意義[1?2]。在實際應用中，遠程教學質量與多種指標相關，是一個十分復雜的系統，既有一些定量指標，同時有一些定性指標，而且指標之間也相互影響，使得遠程教學質量評估難度增加，如何構建科學、客觀的遠程教學評估模型引起了高校管理者的高度重視[3]。

多年以來，許多研究人員對遠程教學質量評估問題進行深入研究，構建了一些遠程教學質量評估模型[4]。文獻[5]提出采用模糊理論對遠程教學質量評估指標進行處理，然后根據模糊綜合評判得到遠程教學質量評估結果。文獻[6]提出采用層次分析法選擇遠程教學質量評估的指標，然后對指標進行定量分析，建立遠程教學質量評估模型。文獻[7]提出基于馬爾可夫鏈的遠程教學質量評估模型，并結合學生考試成績對遠程教學質量進行綜合評估，這些方法均屬于線性建模方法，不能描述遠程教學質量的非線性變化特點，而且遠程教學質量變化十分復雜，不僅有線性變化特點，而且具有隨機性，即非線性變化特點，因此它們存在一定的局限性[8]。隨著非線性理論的不斷成熟，出現了基于神經網絡的遠程教學質量評估模型，通過對遠程教學質量評估問題進行非線性擬合，找到遠程教學質量的變化規律，取得了不錯的遠程教學質量評估效果。但遠程教學有其特殊性，其歷史數據有限，導致神經網絡經常出現“過擬合”現象，使得遠程教學質量評估結果有時與實際情況相差很大，可信度低[9?10]。相對于神經網絡，支持向量機可以在有限歷史數據條件下建立遠程教學質量評估模型，克服“過擬合”缺陷，然而支持向量機在建立遠程教學質量評估模型的過程中，評價指標選擇十分重要，評估指標過多，學習時間越長，學習效率越低，同時支持向量機的參數也是影響支持向量機性能的一個重要方面，如果參數選擇不恰當，那么建立的遠程教學質量評估模型沒有什么實際應用價值[11]。

為了提高遠程教學質量的評估精度，提出支持向量機的遠程教學質量評估模型。首先建立遠程教學質量評估指標體系，采用核主成分分析選擇重要指標，然后采用支持向量機建立遠程教學質量評估模型，最后采用某高校遠程教學質量數據進行性能驗證，實驗結果驗證了本文模型用于遠程教學質量評估的有效性和優越性。

1 相關理論

1.1 核主成分分析法

在主成分分析的基礎上，有學者提出了核主成分分析法，通過引入一個非線性映射函數，較好地解決了主成分分析只能提取線性主成分的缺陷，可以提取非線性主成分。設原始數據為表示映射函數，且有那么協方差矩陣的計算公式為：

1.2 支持向量機

支持向量機是一種模式識別方法，設樣本為，最大分類間隔的最優化問題如下：

1.3 粒子群算法

設為速度向量，為位置向量，那么粒子位置和速度的更新過程為：

2 支持向量機的遠程教學質量評估模型

采用支持向量機構建遠程教學質量評估模型時，首先要選擇最重要的遠程教學質量評估指標，本文采用核主成分解決該問題；然后采用粒子群算法解決支持向量機參數優化問題；最后采用最優參數支持向量機和重要遠程教學質量評估指標建立遠程教學質量評估模型，具體流程如圖1所示。

3 遠程教學質量評估的應用實例

3.1 評估指標

選擇某高校的遠程教學質量評估作為應用對象，評估指標體系如表1所示，共13個指標，采用遠程教學質量評分作為輸出（y）。

3.2 采集數據

根據學生、同行對100個老師教學質量進行打分，由于指標的值范圍不同，采用式（15）進行歸一化處理，處理后的數據如表2所示。

3.3 核主成分提取主成分

采用核主成分對表1中的數據進行分析，得到的結果如圖2所示，從圖2可以發現，各評估指標相關性十分明顯，采用核主成分分析可以去除評估指標之間的相關性，消除了指標間的冗余，減少了指標數量，根據累計貢獻率可知，選前7個主成分可以描述原始指標的信息。

3.4 結果與分析

根據圖2中的7個主成分對表2的遠程教學質量評估數據進行分析和處理，減少原始評估數據的規模，采用支持向量機對處理后的遠程教學質量評估數據進行訓練，并采用粒子群算法確定模型的參數和寬度參數的值，得到并對最后50個遠程教學質量訓練樣本進行估計，得到的結果如圖3所示，實際值與估計值的偏差如圖4所示。從圖3和圖4可以看出，支持向量機可以獲得較精確的遠程教學質量評估結果，而且遠程教學質量評估偏差變化十分小，實驗結果驗證了該遠程教學質量評估模型的有效性。

為了驗證支持向量機的遠程教學質量評估模型的優越性，選擇文獻[3，5，10]的教學質量評估模型作為對比實驗，它們的平均評估精度及訓練時間如表3所示。從表3可知，相對于當前經典遠程教學質量評估，支持向量機的遠程教學質量評估精度更高，評估速度更快，遠程教學質量評估更加可靠，主要是由于該模型集成了核主成分分析、支持向量機以及粒子群算法的優點，建立了更優的遠程教學質量評估模型。

4 結 語

本文提出基于支持向量機的遠程教學質量評估模型，針對遠程教學質量評估指標多的缺陷，選擇核主成分分析方法對遠程教學質量評估指標進行預處理，去除一些不重要以及重復的指標，減少支持向量機的訓練時間。然后采用支持向量機構建遠程教學質量評估模型，最后將該模型應用于高校遠程教學質量評估過程，結果表明，該模型減少了遠程教學質量評估誤差，極大改善了遠程教學質量評估效果，而且評估速度更快，比其他模型更適合于遠程教學質量評估。

參考文獻

[1] 劉強，戴起勛.高等教學大眾化條件下教學質量評價體系研究現狀[J].江蘇大學學報，2003，25（2）：31?34.

[2] 李小梅，屈瓊斐，李延保.高校本科教學分層次評估的可行性研究[J].高教發展與評估，2006，22（5）：61?67.

[3] 吳虹.基于模糊綜合評判法的高校教師教學質量評價體系的構建[J].統計與決策，2010，19（3）：166?168.

[4] 付海艷，符謀松，張誠一.粗糙集理論在高校教學質量評價分析中的應用[J].計算機工程與應用，2007，43（36）：214?216.

[5] 丁家玲，葉金華.層次分析法和模糊綜合評判在教師遠程教學質量評價中的應用[J].武漢大學學報，2003，56（2）：241?245.

[6] 陳坤寶.基于模糊理論的教師教學質量評價的研究[J].數學的實踐與認識，2011，41（6）：72?78.

[7] 趙立新，王石安，賴元峰.教學質量評估的定量比較評價模型[J].數學的實踐與認識，2005，35（1）：12?17.

[8] 張金梅，員世芬，謝克明.人工神經網絡在教學質量評價體系中的應用[J].太原理工大學學報，2005，36（1）：37?39.

[9] 楊新佳，龍熙華，韓波.基于BP神經網絡的教學質量評價模型研究[J].教育教學論壇，2011（14）：222?223.

[10] 孫曉玲，王寧，梁艷.應用BP神經網絡的教學評價模型及仿真[J].計算機仿真，2010，27（11）：314?318.

[11] 劉偉，孫林.基于支持向量機的課堂教學質量評價[J].合肥工業大學學報（自然科學版），2010，33（7）：968?971.

[12] 徐高歡.SVM在教師教學質量評價中的應用[J].浙江水利水電專科學校學報，2007，19（1）：66?68.

[13] 林正春，王知衍.基于核主成分分析和子空間分類的邊緣檢測方法[J].華南理工大學學報（自然科學版），2009，37（1）：59?63.