基于K-均值聚類算法的英語教學崗位勝任能力評估系統設計

王柳莎

(咸陽職業技術學院， 咸陽 712000)

0 引言

隨著信息處理及大數據分析等技術的發展和完善，將其應用到教學評估和資源信息調度具有較高的實際應用價值，有助于教學過程中定量管理和規劃能力的提高，由于英語教學崗位勝任能力評估過程中，對其產生影響的優勢較多，需定量測試和分析英語教學崗位勝任水平，在此基礎上可完成約束勝任能力的參量模型的構建，進而獲得大數據分析模型，英語教學崗位勝任能力評估通過使用信息融合和聚類處理方法完成目標函數和統計分析模型的構建，可提高評估過程的科學性和實用性，提高定量預測能力[1]。

1 英語教學崗位勝任能力評估數據分析模型

1.1 約束參量數據分析

對于傳統的英語教育崗位勝任能力評估上，評估算法的數據信息分類的準確率較低，據此本文主要對高職院校英語教學崗位勝任能力評估系統進行了設計。準確評估英語教育崗位勝任能力的實現，首先需要獲取其約束參量[2]，即需完成崗位勝任能力約束參量的信息采樣模型的構建，在使用信息融合方法的基礎上，結合時間序列分析方法從而完成對英語教育崗位勝任能力的統計分析。約束英語教學崗位勝任能力的指標參量在本質上是一組非線性時間序列，本文英語教育崗位勝任能力評估通過高維特征分布空間的構建，將參量指標分布模型以具體的形式表現出來，結合目前的研究成果分析出約束英英語教學崗位勝任能力的主要指標參量，包括教學水平、教學管理水平、專業水平等[3]，在此基礎上完成微分方程的構建即約束參量的信息流模型，英語教學崗位勝任能力評估的多元價值函數由h()表示，評估誤差測量函數由ωn表示，具體表達式如式(1)。

xn=x(t0+nΔt)=h[z(t0+nΔt)]+ωn

(1)

英語教育崗位勝任能力評估解向量的計算通過相關性融合方法在高維的特征分布空間中完成，進而得到崗位勝任能力評估的特征訓練子集，由Si(i=1,2,…,L)表示的特征訓練子集需滿足下列條件如式(2)。

(2)

在英語崗位勝任能力評估中由xn+1=μxn(1-xn)表示統計信息模型的一個共軛解[4]，滿足初始值特征分解條件：

(Ii)i∈N={x1,x2,…,xm}

(3)

對于英語崗位勝任能力評估(涉及一組多元變量)由x(n)表示其統計特征分布序列，依據統計測量值完成英語崗位勝任能力評估的數據信息流模型的構建，具體表達式如式(4)。

c1x(τ)=E{x(n)}=0

c1x(τ)=E{x(n)x(n+τ)}=r(τ)

ckx(τ1,τ2,…,τk-1)≡0,k≥3

(4)

英語教育崗位能力評估中教學水平和教學資源分布水平滿足連續泛函條件，即崗位能力評估有收斂解[5]，約束條件如式(5)。

(5)

在英語教育崗位勝任能力評估的數據信息流模型的構建的基礎上，大數據分布模型的構建能夠為評估奠定科學準確的數據輸入基礎。

1.2 評估的定量遞歸分析

本文在分析大數據信息模型時采用定量遞歸分析方法，完成英語教育崗位勝任能力評估控制目標函數的構建[6]，具體表達式如式(6)。

(6)

uc(t)=Kxc(t)

(7)

英語教育崗位能力評估統計模型在高維特征分布空間中的連續函數為u:I×IRd→IR，經過迭代后(k-1次，k≥1)，崗位勝任能力評估的灰階序列滿足N(k)

(8)

結合K值尋優方法，a0表示初始能力評估的采樣幅值，標量時間序列由xn-i表示，bj表示能力評估的振蕩衰減值，則教育崗位能力評估的定量遞歸特征提取結果表達式如式(9)。

(9)

2 英語崗位勝任能力評估模型的優化

(10)

英語崗位勝任能力的估計式轉化為求最小二乘解如式(11)。

z(t)=x(t)+iy(t)=a(t)eiθ(t)+n(t)

(11)

評估大數據分布時間序列中由x(t)表示實部，評估約束指標序列的虛部由y(t)表示，英語崗位勝任能力的振幅隨機化處理通過采用替代數據法實現，對經驗分布數據(第k類中的教學能力評估)進行擾動泛函，獲取第k類的子類集合，據此得到英語教學資源利用率的表達式如式(12)。

(12)

構建分層樹，英語崗位勝任能力評估的主成分特征量的建立通過使用大數據分析方法實現，教學資源分布的相似度的求解則通過使用模糊貼近度填充方法，具體表達式如式(13)。

(13)

di表示英語教學能力評估的先驗分布特征向量；第1層大數據的K均值聚類中心向量由d1j表示，結合線性特征融合方法實現對能力評估指標參數進行聚類和整合，獲取輸出信息融合表達式如式(14)

P(w/x)=P(xw)/p(x)

(14)

在指標參數聚類和整合的基礎上，完成相應教學資源及教學能力的分配計劃，從而實現英語教學崗位勝任能力評估的優化，提高了評估的準確性和實用性。

3 仿真實驗及檢測結果

圖1 大數據時域分布時域波形

研究對象選取上述指標參數大數據統計結果，對其進行數據聚類和信息融合處理，從而實現教學崗位勝任能力的評估，評估指標的測試結果如表1所示。

測試結果表明在對教學崗位勝任能力進行評估時，采用本文方法獲取的準確性相對較高，并且提高了教學資源的利用率。

表1 性能測試對比

4 總結

對于傳統的英語教育崗位勝任能力評估上，評估算法的數據信息分類的準確率較低，據此本文主要對高職院校英語教育崗位勝任能力評估系統進行了設計，提出以大數據模糊K均值聚類算法為基礎的評估方法，在約束參量指標分析模型建立的基礎上，評估大數據信息模型的能力(使用定量遞歸分析方法)，提取出能力約束特征信息的熵特征，融合K均值聚類算法，聚類并整合英語教育崗位勝任能力的指標參數，據此完成教學資源分配計劃的編制，從而實現英語教育崗位勝任能力的科學評估。試驗結果表明本文設計的評估算法顯著提高了英語教育崗位勝任能力評估過程中的信息融合分析能力及準確性，實際應用價值較高。