基于支持向量機的教學能力認知度研究

孫萍 張譞 蘇冠文 李嘉鵬 李軍培

摘 ?要：教學質量是影響教學效果的重要因素。學生對于教學評價制度的認知和感受及體驗，是人們衡量一位教師的教學能力的重要依據，他們更愿意選擇聽名師的課。對教師教學能力評價和認知的合理分析，需要有效的評價工具。本研究擬對高校教師的教學能力、影響因素進行梳理;建立了教學能力鑒別的支持向量機的分類模型。結合支持向量機技術，對認知度進行鑒別。

關鍵詞：認知度;支持向量機;評價體系

中圖分類號：G640 ? ? ? 文獻標志碼：A ? ? ? ? 文章編號：2096-000X（2020）21-0053-03

Abstract： Teaching quality is an important factor affecting teaching effect. Students' cognition， feeling and experience of the teaching evaluation system is an important basis for people to measure a teacher's teaching ability， and they prefer to listen to the class of a famous teacher. The reasonable analysis of teachers' teaching ability evaluation and cognition needs effective evaluation tools. In this study， the teaching ability and influencing factors of university teachers are combed， and the classification model of support vector machine （SVM） for teaching ability identification is established. Combined with support vector machine （SVM） technology， recognition degree is identified.

Keywords： cognition; support vector machine classification; evaluation system

一、概述

近年來高校教育中的教學與科研的矛盾日益加劇，在管理上重科研輕教學的導向，導致部分年輕教師不重視教學，甚至逃避教學。這就很難滿足社會發展對高等教育高級人才培養的要求，和家長們對大學的期望相背，使得社會上對大學教育的質疑聲不絕于耳。

教師的教學能力是由認識知識能力、理解能力、把控教學活動的能力組成，是教師教學的重要組成。具體表現分為：1. 掌握教學大綱能力;2. 靈活處理教材能力;3. 課堂教學的設計、把控能力等。事實上，每位教師在教學中的投入，還有他的教學能力，對教學質量提升的影響都是至關重要的。根據對部分高校教師隊伍的調查發現，教師的教學能力高低差異較大，不均衡。那些有博士學位的青年教師，在專業理論上有著深厚的基礎;但初出茅廬，在教學理論上是薄弱的，更欠缺實踐經驗，經常出現照本宣科。中老年教師雖然有豐富的教學經驗，但與學生有代溝，課堂上缺乏互動，也不容易得到學生的認同。對教師的教學能力有重要影響的因素是多元的，教師們對自己的教學能力認知也是有誤差的，或自我感覺良好，或自信心不足。

教學是為實現教學目標，進行的知識信息傳遞、過程控制與實施的過程。心理學認為，學生所要掌握的知識需要有教師精心的設計。否則會出現：學生說“上課好像聽懂了，下課還是不會做”;而老師說“我已強調N次了，分析得夠透徹的了”;但結果學生還是表現出不明白，教學效果依然不理想。但教師的教學能力仍是關鍵，它直接影響到教學的質量。

對教師教學能力的認知評價多年來一直是專家們關注的課題，已有的評價系統大多憑借督導專家的經驗，評估的主觀性、隨意性，往往使得評價結果與現實有誤差。本文為減少外力因素的干擾，依據教師教學的特點，給出了教學能力評估的指標體系，由此建立教學能力認知的支持向量機分類器模型，取代傳統統計方法中的復雜函數表示。該模型在模式識別的研究中具有優勢，通過形狀參數的優化，能提高對教學能力認知評價的精確度，挖掘評價過程中的潛在因素關聯，實現對教學質量的有效評估。

二、支持向量機的算法概述

支持向量機（support vector machine，簡稱SVM）是一種可以分類、模式識別、擬合的監督學習模型。通過結構風險最小準則和核函數方法，將學習樣本從低維空間映射到高維Hilbert空間，把要識別的問題轉化成為一個二次規劃尋優問題（線性或非線性的）。對于非線性可分問題，首先都選擇合適的核函數，將非線性可分的特征向量空間映射到線性可分的特征向量空間，使得分隔的距離最大，下一步再用線性可分的支持向量機進行分類。這個算法特別對解決那些小樣本的，非線性的、高維數的、以及局部極小值等分類、模式識別問題特別適合[5]。本研究的目的是支持向量機的方法實現對教學能力認知的鑒別。常用的核函數包括以下幾種[4]：

三、教學能力認知度分類模型的提出

學生對于教師的選擇時，面對著大量的不確定性信息，對于教師能力的認知也面臨著一些模糊性、隨機性甚至歧義性等問題。為了了解學生對高校教師教學能力的期望，我們分別多次用網上問卷、現場問答、微信答卷等方法，調查天津某高校學生對高校教師應該具備的教學能力，學生對教師的需求與期望。

教師能力的認知度代表著他被學生、專家的認可程度。我們調查發現，在學生們選課的過程中，主要關注課程的屬性、難易程度、專業需求等。由此影響了他們對于老師的喜好或厭惡程度，及對于老師的期望高低。通過分析的基礎上，本文構建了教師能力認知度評價模型（如圖1所示）。

四、基于支持向量機的教學能力認知度的鑒別

本文使用抽樣問卷的方式，了解某高校150名學生對教師教學能力的認知情況，統計分析的結果見表1可知。從總體上看，“職業態度”的認知度最高，其次是“教學能力”，“學術能力”位居第三。

從上述調查結果中選出100個樣本，其得分用作支持向量機算法的訓練集的元素，其余的50個樣本的得分當作算法的預測集的元素，對教學能力的認知度逐步分類。用Matalb程序實現算法，學習參數設置為C=1×105，K=1×10-5。對比不同核函數的SVM的分類性能，結果表明：支持向量機核函數選用高斯核的對教學能力認知的正確識別率可以達到了100%，其他二種核函數的支持向量機的識別率都低于100%（比較結果見表2）。經過對比，本文用高斯核函數的支持向量機來作為教學能力認知的鑒別模型，分類圖見圖2。

由此可見，采用支持向量機分類方法，來建立教學能力認知評價，較好的減少了其他評價方法中的誤差，避免了主觀因素的影響，很好地反映客觀的結論。

五、結論

從分析可知，學術能力和職業態度是學生們認知度最高的要素。教師良好的態度、精湛的學術是吸引學生的重要指標。學生認為高校教師應具有廣博的知識，甚至是學術精英，是專家。同時教師的基本功——教學能力同樣重要。在現在“不出版就出局”的影響下，出現忽略教學的現象，這同樣遭到學生們的詬病。他們不喜歡“茶壺煮餃子”類型的教師，希望在教學中能得到很好的知識。特別是現在高校學生找工作遇阻，急需在學校中獲得知識和技能，幫助他們更多的獲得就業的機會基礎。綜觀這些因素，直接影響了學生對教師的認知，他們認同科研能力和教學能力同等重要。

本文將支持向量機分類方法引入教學能力認知評估中，提高了模型計算的速度和精度。該模型的預測效果較好。支持向量機將線性模糊不可分的樣本映射到高維空間，利用小樣本學習的高效性，可以很精準的解決如同各評價指標間的非線性函數關系。該模型預測精度高、實現速度快，而且算法簡單等，適合用在教學能力認知的分類中。

參考文獻：

[1]朱海林，宋承祥.基于支持向量機的教學質量評價研究[J].山東師范大學學報（自然科學版），2008，23（4）：4-6.

[2]付永鋼，申瑞民.基于支持向量機的學習評價系統[J].計算機工程，2004（8）：15-16+74.

[3]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.

[4]余輝，趙暉.支持向量機多類分類算法新研究[J].計算機工程與應用，2008（7）：185-189+212.

[5]吳桂芳，等.基于主成分分析和支持向量機的山羊絨原料品種鑒別分析[J].光譜學與光譜分析，2009，29（06）：1541-1544.

[6]Hsu Chih-Wei， Lin Chih-Jen. A comparison of methods for multiclass support vector machines[J]. IEEE Transactions on Neural Networks，2002，13（2）：415-425.

[7]DAI Liu-ling， HUANG He-yan， CHEN Zhao-xiong. Ternary sequential analytic optimization algorithm for SVM classifier design[J]. Asian Journal of Information Technology， 2005，4（3）：2-8.