基于深度學習技術下的高校教學質量監控機制

高校教學質量監控是高等教育的核心問題之一。作為反映高校的教學狀況和培養人才質量的重要依據之一，高校長期積累的教育數據對于評判高校的辦學實力、教學水平、育人質量具有重要意義。本文利用深度學習等先進數據的挖掘手段，提出一種新的高校教學質量監控機制。該機制面對大量的教育數據，有效地提取出具有重要意義的信息，并從中整理出教學數據與高校人才培養質量之間的函數關系。實踐證明：該機制可以用于評價學校學生的學業進展、教學質量、人才培養模式、專業建設等方面的成果，不但可以發現潛在問題，還能預測未來，對于實現智慧教育具有一定意義。教學質量是高校的生命線，如何構建符合校情的教學質量保障長效機制是高校生存與發展的必然要求。國內外眾多學者和教學管理人員對普通高校本科教學質量內部監控體系進行了大量理論和實踐的研究，取得了一定的成果。本文結合教育部教育信息化十年發展規劃的要求，根據本校人才培養的要求，利用深度學習技術等先進的數據挖掘手段，根據本校在教學過程中形成的大量教學數據，提出一種基于深度學習技術下的教學質量監控機制，并以此為基礎，有效實現教學質量監控過程中的及時介入，進一步提升教學和人才培養的質量。

高校教學質量監控的難點

當前一些高校沒有良好的方法將教師的教學與人才培養的成果聯系起來，只能將教師的教學評估和畢業生就業質量報告分成兩部分來做，即將教師的教學評估、學生的成績分析與學校畢業生的按時畢業率、就業情況等的分析割裂開來，這無疑切斷了教師的教學效果與畢業生的人才質量之間的聯系。各高校在長期的教學過程中，已經積累并存儲了大量的教育數據，但是沒有很好地利用這些數據對教學質量和人才培養質量進行相關性分析。因此有必要制定一個能夠綜合評估和預測人才培養質量的方案，將教師的教學水平、學生學習能力等因素進行量化分析，實現人才質量的可預測化。

深度學習技術

深度學習（Deep Learning）可以自動地從海量數據中學習并總結特征，因此它不需要通過人工方式進行樣本類別的標注完成學習，極大地推進了智能自動化。深度學習采用了與神經網絡相類似的層次結構：系統是由輸入層、隱藏層（可單層、可多層）和輸出層組成的多層網絡，只有相鄰層的單元（節點）之間有連接，而同一層節點和跨層節點之間無連接。這種層次結構，和人類的大腦結構比較接近。因此，可以利用高校在長期教學過程中積累的海量教育數據，運用深度學習技術來探究現有數據與教學質量之間潛在的量化關系與規律。

利用深度學習技術來構建高校教學質量的監控機制

本文提出的基于深度學習技術下的教學質量監控機制的結構，根據以往的學生數據來評估教師的教學質量以及對現有學生的發展進行預測，以制定教育決策，主要由以下四個步驟組成。

采集歷史教學數據，分析其合理性，建立數據庫

根據深度神經網絡的特點和每一個學生在學習期間的情況以及對應的教師的教學運行狀態，把其畢業之后的發展情況制作成標簽，以此形成每一個學生畢業前的學習狀況和畢業后的人才培養結果一一對應的訓練集。比較合理的特征參數有課前教案評分、課堂紀律評分、其他教師聽課打分、學生平均成績、學生給教師評教打分等信息。除此之外，對于學生自身的情況，可以采用已完成課程成績，以教師和同學對其在學習能力、知識素養、獨立解決問題能力、溝通交流能力等因素上全面打分的評價方案，定性分析學生的素質并錄入數據庫。對于高校人才培養目標的評價，首先可以根據學生畢業時的情況來進行，以畢業時的學分成績、獲獎情況和畢業設計三個方面來考慮培養結果。其次可以從學生的職業發展和社會價值來評價培養結果，通過薪酬和就業單位的評價（包括知識掌握水平、個人素養、工作態度、團隊合作能力）等因素來評價人才質量。

以歷史教學數據為基礎，深度學習神經網絡

將以往所有學生在校學習期間的各種表征參數以及對應的教師的教學質量參數作為訓練集，每一個學生對應一個特征向量（n為學生人數），學生畢業以后的發展情況參數作為向量標簽，每個特征向量和相應的向量標簽是一一對應的關系，對所有的特征向量構成的集合以及對應的向量標簽進行訓練、學習，獲取深度學習神經網絡模型M。對每一個學生對應的特征向量而言，有，其中，依次對應該生在學校學習期間的各項表征參數以及對應的教師的教學質量參數，如學生的課程成績、學科競賽獲獎、學生評教打分等，對每個特征向量對應的向量標簽，有 ，其中，依次對應該生畢業之后的發展情況參數，如畢業深造率、用人單位對其的滿意度、工作薪酬水平等。

根據當前的教學數據，預測教學培養的結果

當需要預測一批在校學生畢業以后的發展狀況時，可將所有學生在校學習期間的各種表征參數以及對應教師的教學質量參數作為測試集，每一個學生對應一個特征向量，所有的特征向量構成的集合，放到我們訓練好的深度學習神經網絡模型中，即可得到對應的向量標簽，即該生畢業以后的發展狀況。

反饋到教學活動中，做好教學質量的監測與預警

根據深度學習模型的預測結果，高校的教學管理部門可以采取相應的措施。對于教學質量有待提高的教師，可以安排經驗豐富的教師指導其工作，有針對性地提高其教學水平，改進教學方式。對于學困生，應當秉持因材施教的理念，積極地引導學生端正學習態度，盡可能地減少學困生不合格的情況。最終建立科學合理、可持續發展的教學質量監測與預警反饋機制，提升高校的教學水平和人才培養質量。

最后，我們選取了學校某專業學生的數據展開了一系列實驗，預測結果達到預期，這不僅初步驗證了本文的理論部分，也為以后展開大型的實驗提供了有價值的參考。

結語

本文給出了一種基于深度學習技術下的高校教學質量監控機制構建的新方法，經過教學實踐檢驗，證實該方法能夠達到較好的監控效果。本文提出的方法對于教學和人才培養質量的及早預測和干預都具有重要意義。與傳統的方法相比，本文提出的方法具有數據驅動的特點，因此能夠應用于不同層次高校的具體場景中。如何根據已有的預測結果進行有效的干預，從而最大化干預效果，是我們未來將要研究的重要內容之一。

基金項目：浙江省教育規劃課題“基于深度學習技術的教學質量監控機制研究”（項目編號：2018SCG217；項目負責人：舒振宇）；寧波市領軍和拔尖人才培養工程擇優資助科研項目“面向智能制造產業的三維數字幾何模型形狀分析算法研究”（項目編號：NBLJ201801010；課題負責人：舒振宇）；寧波市教育科學規劃重點課題“信計專業‘一核兩翼三能理科應用型人才培養‘5×3工作機制構建”（項目編號：2018YZD008；負責人：于欣）