基于人工智能技術(shù)的課堂教學(xué)質(zhì)量評價研究

摘要：在評估教學(xué)效果及提升教學(xué)質(zhì)量方面，對課堂教學(xué)質(zhì)量進行科學(xué)有效評價具有極其重要的意義。傳統(tǒng)評價方法存在問卷打分評價主觀性強，評教自然語言信息難以充分利用，客觀查課數(shù)據(jù)指標(biāo)難以充分挖掘三方面問題。本文提出了基于深度學(xué)習(xí)和機器學(xué)習(xí)的人工智能技術(shù)對課堂教學(xué)質(zhì)量進行有效評價，一方面，深度學(xué)習(xí)可以將大量難以處理的自然語言評教信息進行有效識別并轉(zhuǎn)化成量化指標(biāo)；另一方面，機器學(xué)習(xí)技術(shù)可以對大量客觀數(shù)據(jù)建立人工智能模型，從而解決量化評價問題。最后該方法在教學(xué)評價實踐應(yīng)用中得到驗證，結(jié)果表明其具有可行性及有效性。

關(guān)鍵詞：教學(xué)質(zhì)量評價""人工智能""深度學(xué)習(xí)""機器學(xué)習(xí)

中圖分類號：G420 文獻標(biāo)識碼：A 文章編號：

Research"on"Classroom"Teaching"Quality"Evaluation"Based"on"Artificial"Intelligence"Technology

ZHANG"Xiaoheng*""GONG"Youlong

（Chongqing"Technology"and"Business"Institute，"Chongqing，"400052"China）

Abstract："The"scientific"and"effective"evaluation"of"classroom"teaching"quality"is"of"great"significance"for"assessing"teaching"outcomes"and"improving"teaching"quality."Traditional"evaluation"methods"face"three"problems："the"strong"subjectivity"of"questionnaire"scoring"evaluation，"difficulties"in"fully"leveraging"the"natural"language"information"of"teaching"assessment，"and"difficulties"in"full"mining"the"objective"data"indicators"of"course"inspection."This"paper"proposes"artificial"intelligence"technology"based"on"deep"learning"and"machine"learning"to"effectively"evaluate"classroom"teaching"quality."On"one"hand，"deep"learning"can"effectively"identify"a"large"amount"of"the"hard"natural"language"information"of"teaching"assessment"and"transform"it"into"quantifiable"indicators."On"the"other"hand，"machine"learning"technology"can"establish"the"artificial"intelligence"model"of"a"large"amount"of"objective"data，"so"as"as"address"the"problem"of"quantitative"evaluation."Finally，"the"method"is"validated"in"the"practical"application"of"educational"evaluation，"and"results"demonstrate"its"feasibility"and"effectiveness.

Key"Words："Teaching"quality"evaluation;"Artificial"intelligence;"Deep"learning;"Machine"learning

教學(xué)質(zhì)量是反映教學(xué)過程及其效果是否符合規(guī)定要求的所有特性和特征。課堂教學(xué)是教師傳授知識、引導(dǎo)學(xué)習(xí)、解答疑惑的重要渠道，也是學(xué)生獲取知識、信息和解決問題的主要途徑，是教學(xué)工作的核心環(huán)節(jié)。因此，對教師在課堂教學(xué)中的組織與控制、教學(xué)內(nèi)容、方法、手段以及教學(xué)目標(biāo)的科學(xué)有效評估，都是評價課堂教學(xué)質(zhì)量的重要指標(biāo)。

對課堂教學(xué)質(zhì)量進行科學(xué)有效的評價可通過了解教師教學(xué)狀態(tài)、教學(xué)效果及學(xué)生學(xué)習(xí)效果，對教與學(xué)的活動和效果進行價值上的判斷實現(xiàn)。一方面教師能夠通過課堂教學(xué)質(zhì)量評價更好地分析教學(xué)過程中出現(xiàn)的問題，總結(jié)課堂教學(xué)經(jīng)驗，達成對課堂教學(xué)規(guī)律的共識，從而改進教學(xué)，提升課堂教學(xué)質(zhì)量；另一方面，教學(xué)管理部門能夠通過評價了解教學(xué)活動的現(xiàn)狀和水準(zhǔn)，針對相關(guān)問題及時采取措施，正確調(diào)整教學(xué)活動運行方向。因此，課堂教學(xué)質(zhì)量評價研究對提升教學(xué)質(zhì)量、促進教師專業(yè)成長、支持學(xué)生學(xué)習(xí)效果、輔助教學(xué)管理決策，以及促進教育研究與改革都具有十分重要的意義。

1課堂教學(xué)質(zhì)量評價研究的現(xiàn)狀

第一個公開出版的用于收集學(xué)生評估教學(xué)信息的等級量表是柏杜教學(xué)等級評定量表（Purdue"Rating"Scale"of"Instruction，"1926）。課堂教學(xué)質(zhì)量評價一般采用學(xué)生、專家、領(lǐng)導(dǎo)、同事及教師自身等多元評估主體。國內(nèi)外相關(guān)研究成果包含評價方式及系統(tǒng)、評價內(nèi)容及方法、評價涉及的人工智能技術(shù)3個方面。

1.1"評價方式及系統(tǒng)

美國與英國課堂教學(xué)質(zhì)量評價的發(fā)展經(jīng)歷了3個階段：初步形成階段、懲罰性評價階段以及發(fā)展性評價階段[1]。到了20世紀(jì)70年代，評價內(nèi)容主要包含教學(xué)態(tài)度、教學(xué)手段等多個方面。我國在20世紀(jì)70年代才開始高等院校課堂教學(xué)質(zhì)量評價的研究[2]。但絕大多數(shù)高校還停留在懲罰性評價階段。隨著以學(xué)生為中心的教育理念的提出，發(fā)展性評價日益引起研究者重視。

就評教系統(tǒng)而言，國內(nèi)大致經(jīng)歷如下過程：最初采用人工統(tǒng)計方式，但耗時耗力；初步采用評教軟件系統(tǒng)對評教數(shù)據(jù)進行管理，但數(shù)據(jù)庫相對較小[3]；然后是基于客戶/服務(wù)器及瀏覽器/服務(wù)器結(jié)構(gòu)開發(fā)的評教系統(tǒng)。目前隨著大數(shù)據(jù)等技術(shù)的興起，對課堂學(xué)習(xí)狀況、存在的問題及學(xué)生取得的成果進行過程性分析評價成為新的研究熱點[4]。

1.2"評價內(nèi)容及方法

美國是從教師教學(xué)表現(xiàn)、學(xué)生課堂感受、學(xué)生知識理解程度等角度出發(fā)完成指標(biāo)體系的構(gòu)建[5]。目前，國內(nèi)高校的課堂教學(xué)質(zhì)量評價指標(biāo)基本包含教學(xué)內(nèi)容、教學(xué)方法、教學(xué)態(tài)度和教學(xué)效果等一級指標(biāo)和若干細化的二級指標(biāo)[6]。具體指標(biāo)一般由高校管理者自行確定。

目前課堂教學(xué)質(zhì)量評價方法主要采用指標(biāo)賦權(quán)法。該方法分為主觀賦權(quán)法和客觀賦權(quán)法[7]，評教領(lǐng)域較多采用專家調(diào)查法和層次分析法[8-9]，為平衡主客觀因素權(quán)重差異，近年來有學(xué)者提出基于模糊算法、人工神經(jīng)網(wǎng)絡(luò)、灰色關(guān)聯(lián)分析的主客觀結(jié)合賦權(quán)算法[10-13]，以及為增強評價方法適用性提出的組合評價方法[14]。

1.3"深度學(xué)習(xí)和機器學(xué)習(xí)技術(shù)

基于深度學(xué)習(xí)技術(shù)的自然語言處理技術(shù)（Natural"Language"Processing，"NLP）在新聞分類、情感分析、自動翻譯、主題發(fā)現(xiàn)以及知識圖譜多個領(lǐng)域已有廣泛應(yīng)用[15]。由于評教者的評教語言文字信息中含有其主觀感受充分信息，適合于情感分析，使用基于深度學(xué)習(xí)的NLP技術(shù)處理該類信息完全可行。

機器學(xué)習(xí)能通過計算機系統(tǒng)學(xué)習(xí)和自動化推理，模擬實現(xiàn)人類學(xué)習(xí)行為獲取新知識新技能，實現(xiàn)模式識別、預(yù)測和決策[16]。用于處理分析課堂教學(xué)質(zhì)量評價數(shù)據(jù)完全可行。

2現(xiàn)有研究存在的問題

2.1"問卷打分法主觀性強

現(xiàn)有課堂教學(xué)質(zhì)量評價普遍采用問卷收集形式，對教師給出評價等級或分數(shù)，雖然能夠以擴大問卷規(guī)模和剔除個別極端問卷的方式使最終評價盡可能公平真實，但評價者主觀因素強烈。評價者個性偏好、敷衍及評價尺度不一致導(dǎo)致的評價失實情況始終存在，如同事評價一般偏向于忽視明顯問題，學(xué)生評價隨意性強，不清楚具體標(biāo)準(zhǔn)等。

2.2"評教文字信息難以利用

高校評教問卷中除打分部分，還包含評教者的語言文字敘述評價，這部分評教主體以學(xué)生為主，全部采用人工閱讀文字內(nèi)容提取關(guān)鍵信息實施困難，評教文字信息僅作為參考而無法作為實際評價依據(jù)。

2.3"客觀查課數(shù)據(jù)指標(biāo)難以挖掘

查課數(shù)據(jù)指標(biāo)只能間接反映課堂教學(xué)質(zhì)量。如何從眾多查課指標(biāo)中挖掘出體現(xiàn)課堂質(zhì)量的內(nèi)在因素，如何建立指標(biāo)與課堂教學(xué)質(zhì)量的準(zhǔn)確關(guān)聯(lián)映像依靠傳統(tǒng)經(jīng)驗很難辦到。機器學(xué)習(xí)/深度學(xué)習(xí)相關(guān)技術(shù)具有從數(shù)據(jù)中發(fā)現(xiàn)規(guī)律，建立隱含關(guān)聯(lián)的能力，使查課數(shù)據(jù)指標(biāo)充分挖掘成為可能。

3基于人工智能技術(shù)的課堂教學(xué)質(zhì)量評價

3.1"研究思路

（1）評教文字信息要進行語言情感色彩的識別才能轉(zhuǎn)化為可利用的評教依據(jù)，基于NLP深度學(xué)習(xí)的情感分析技術(shù)應(yīng)用已經(jīng)較為成熟，能夠自動化識別文本中的情感傾向或情緒表達。情感色彩可以分為積極、消極和中性3種基本類別，可對應(yīng)到教師評價的正面、負面和中性。因此通過建立自然語言深度學(xué)習(xí)評價模型可以實現(xiàn)3種評價類別的正確分類識別。

（2）查課數(shù)據(jù)一般為到課率，上課睡覺、打游戲，看電視劇、玩手機的人數(shù)等客觀指標(biāo)，以往經(jīng)驗?zāi)軌虻玫竭@些指標(biāo)與課堂質(zhì)量的定性關(guān)聯(lián)，但定量評價幾乎無法獲得。機器學(xué)習(xí)技術(shù)通過構(gòu)建模型可以學(xué)習(xí)到查課數(shù)據(jù)指標(biāo)與教學(xué)質(zhì)量的內(nèi)在量化映射關(guān)系，從而實現(xiàn)客觀準(zhǔn)確評價。

3.2"課堂教學(xué)質(zhì)量評價具體方法

基于人工智能技術(shù)的課堂教學(xué)質(zhì)量評價具體方法如圖1所示。

如圖1所示，本項目實施路徑分兩步，第一步訓(xùn)練評價模型，第二步導(dǎo)入訓(xùn)練好的評價模型參數(shù)并進行測試。

3.2.1評價模型訓(xùn)練

（1）調(diào)研收集傳統(tǒng)課堂教學(xué)評價多類型指標(biāo)。

（2）篩選主觀指標(biāo)和客觀指標(biāo)。主觀指標(biāo)包括問卷打分和評教文字信息，客觀指標(biāo)包括查課數(shù)據(jù)如到課率，睡覺、打游戲、看電視劇、玩手機人數(shù)等。

（3）基于深度學(xué)習(xí)技術(shù)和機器學(xué)習(xí)技術(shù)分別構(gòu)建主觀評價模型和客觀評價模型。

（4）將主觀評價模型和客觀評價模型進行融合構(gòu)建綜合評價模型。

3.2.2測試過程

（1）收集問卷打分和評教文字信息等主觀指標(biāo)數(shù)據(jù)以及客觀查課數(shù)據(jù)。

（2）將主觀指標(biāo)及客觀指標(biāo)分別輸入對應(yīng)的評價模型得到輸出進行打分融合。

（3）將主客觀指標(biāo)共同輸入綜合評價模型得到輸出打分。

在訓(xùn)練測試過程中通過相關(guān)可視化技術(shù)增強，模型數(shù)據(jù)可懂度。

3.2.3主觀指標(biāo)模型訓(xùn)練過程

主觀指標(biāo)模型訓(xùn)練步驟如圖2所示。

（1）對課堂教學(xué)質(zhì)量主觀評價指標(biāo)進行數(shù)據(jù)清洗、標(biāo)準(zhǔn)化、規(guī)范化、打標(biāo)簽等操作并作為數(shù)據(jù)輸入。

（2）基于NLP深度學(xué)習(xí)技術(shù)構(gòu)建模型，首先采用jieba和word2vec工具進行預(yù)處理，完成分詞和詞向量轉(zhuǎn)換，然后構(gòu)建長短期記憶網(wǎng)絡(luò)（LSTM）模型。

（3）不斷迭代訓(xùn)練直至訓(xùn)練誤差達到要求。

3.2.4客觀指標(biāo)模型訓(xùn)練過程

客觀指標(biāo)模型訓(xùn)練步驟如圖3所示。

（1）篩選課堂教學(xué)質(zhì)量客觀評價指標(biāo)數(shù)據(jù)。

（2）進行數(shù)據(jù)清洗、標(biāo)準(zhǔn)化、規(guī)范化并打上標(biāo)簽。

（3）基于機器學(xué)習(xí)（KNN、SVM及RF）構(gòu)建模型。

（4）不斷迭代訓(xùn)練直至訓(xùn)練誤差達到要求。

4實踐數(shù)據(jù)分析

4.1評教信息NLP分析預(yù)測

舉行學(xué)生代表座談會，相關(guān)教師講解學(xué)院召開座談會的目的與意義并鼓勵各位小代表積極發(fā)言，按序依次發(fā)言，要求攜帶發(fā)言稿，言語簡潔，表達準(zhǔn)確清晰，如課程問題請指出教師、課程具體信息，每人3～5min，安排對實訓(xùn)任務(wù)單的問卷的發(fā)放與填寫、回收工作。如表1所示，部分班級學(xué)生代表發(fā)言內(nèi)容片段如下，其中教師姓名由特殊編號取代。將評價輸入圖4自然語言處理模型中，得到的情感分析結(jié)果與人工分析結(jié)果相同，說明NLP情感分析數(shù)據(jù)挖掘模型具備很高的準(zhǔn)確性，能夠完成對學(xué)生評價的自動情感分析。

如圖4所示，學(xué)生訪談數(shù)據(jù)情感分析模型訓(xùn)練測試流程圖。搭建jupyter"notebook環(huán)境，通過導(dǎo)入NLP相關(guān)模型庫，設(shè)置模型參數(shù)，加載數(shù)據(jù)，分詞，word2vec模型訓(xùn)練，設(shè)定Keras嵌入層，訓(xùn)練LSTM模型，并基于該模型預(yù)測完成情感分析。

如圖5所示，將學(xué)生評價“XX老師上C語言程序設(shè)計B，上課方式有趣，每堂課都考勤，我們做到了全勤”輸入模型進行測試，得到j(luò)upyter交互輸出測試結(jié)果“---正面評價”，說明NLP評價能夠?qū)⒄Z言信息轉(zhuǎn)化為可靠的標(biāo)簽信息。

4.2查課數(shù)據(jù)機器學(xué)習(xí)預(yù)測

如表2所示某專業(yè)班級查課數(shù)據(jù)片段，首先需要對查課數(shù)據(jù)標(biāo)簽向量化，轉(zhuǎn)化之后具體表示如下。課程1：a1=[1.0，0.05，0，0，0]；課程2：a2=[1.0，0，0，0，0]；課程3：a3=[0.968，0，0.1，0，0]；課程4：a4=[1.0，0.03，0，0，0]；課程5：a5=[1.0，0，0，0，0.17]。評教等級需要上課教師和班級學(xué)生代表對其進行主觀打分，表2已經(jīng)給出了主觀感受等級。

選用支撐向量機（SVR）作為機器學(xué)習(xí)擬合器，將a1、a2、a3、a5作為訓(xùn)練數(shù)據(jù)，a4作為測試數(shù)據(jù)。在matlab平臺調(diào)用支撐向量機libsvm庫做實驗，svmtain函數(shù)訓(xùn)練，svmpredict函數(shù)預(yù)測得到a4=3.0023，通過取整函數(shù)處理后為3，可見預(yù)測結(jié)果與課程4的主觀評教等級是一致的，說明基于機器學(xué)習(xí)算法進行教學(xué)質(zhì)量評估是可行的。

5"結(jié)語

長期以來如何客觀精準(zhǔn)對課堂教學(xué)進行有效評估是教學(xué)評價中亟待解決的問題。傳統(tǒng)的學(xué)生評價，同行評價等打分評價方式存在很大主觀性及參考標(biāo)準(zhǔn)不統(tǒng)一的問題，大量的學(xué)生評教留言信息只作為輔助的參考信息而無法被充分利用，對學(xué)生學(xué)習(xí)狀態(tài)的監(jiān)控信息雖是客觀的，但這些數(shù)據(jù)難以找到與教師教學(xué)質(zhì)量的有效合理關(guān)聯(lián)性，為了解決上述弊端，本文提出基于“NLP+機器學(xué)習(xí)”的課堂教學(xué)評價方法，通過自然語言處理技術(shù)解決學(xué)生評教留言信息難以充分利用的問題，通過機器學(xué)習(xí)建立學(xué)生學(xué)習(xí)狀態(tài)監(jiān)控信息與教學(xué)質(zhì)量的關(guān)聯(lián)性，最終實踐證明上述方法是有效可行的。目前由于數(shù)據(jù)有限模型評價精準(zhǔn)性、可靠性還有待提高，下一步工作需要收集大量的課堂數(shù)據(jù)及評教信息，從而訓(xùn)練更加穩(wěn)定、泛化性更強的模型。

參考文獻

[1]冼曉丹．新一輪審核評估背景下地方院校教學(xué)質(zhì)量評價體系的探索與實踐[J].現(xiàn)代職業(yè)教育，2023（27）：69-72.

[2]劉志軍，徐彬．我國課堂教學(xué)評價研究40年：回顧與展望[J].課程.教材.教法，2018，38（7）：12-20.

[3]蔡敏，劉麗麗．美國特拉華州教師評價系統(tǒng)及啟示[J].教育測量與評價，2018（10）：34-39

[4]馬星，王楠．基于大數(shù)據(jù)的高校教學(xué)質(zhì)量評價體系構(gòu)建[J].清華大學(xué)教育研究，2018，39（2）：38-43

[5]王玉．20世紀(jì)80年代以來英美高等教育教學(xué)改革研究[J]．中國高等教育評估，2016，27（2）：73-78.

[6]燕姣云，安俊麗，孫國紅.課堂教學(xué)質(zhì)量評價指標(biāo)體系重構(gòu)[J].中國大學(xué)教學(xué)，2023（12）：74-78，91.

[7]"WU"Z"B，"ZHONG"L."Weight"determination"for"MAGDM"with"linguistic"information"based"on"IT2"fuzzy"sets[C]//2016"IEEE"International"Conference"on"Fuzzy"Systems"（FUZZ-IEEE），"Vancouver，"BC，"Canada，"2016："880-887.

[8]周艷，朱廣.高職院校差異化教學(xué)評價指標(biāo)的構(gòu)建研究[J]．現(xiàn)代商貿(mào)工業(yè)，2023，45（2）：106-109.

[9]梁潔．論模糊層次分析法在中職教學(xué)質(zhì)量評價中的應(yīng)用[J]．科技風(fēng)，2023（13）：95-97．

[10]呂昳苗．混合式教學(xué)評價指標(biāo)體系的構(gòu)建與應(yīng)用[J]．創(chuàng)新創(chuàng)業(yè)理論研究與實踐，2023，6（9）：64-67.

[11]秦曼，董海軍．高校體育教師效能評價指標(biāo)體系研究[J]．首都體育學(xué)院學(xué)報，2018，30（5）：432-439.

[12]盧宇，陳錦瑩，謝靜，等．基于LMBP算法的在線學(xué)習(xí)評價模式研究[J]．中國遠程教育，2016（3）：28-32，80．

[13]"Kuang"S"Q，"Yang"D"X，"Tao"J"Y，"et"al.evaluation"of"experimental"teaching"quality"based"on"multi-level"grey"relational"analysis[C]//2013"Third"International"Conference"on"Intelligent"System"Design"and"Engineering"Applications，"Hong"Kong，"China，"2013："720-723.

[14]高峰，劉濱．地方高校生產(chǎn)實習(xí)教學(xué)效果灰色關(guān)聯(lián)-層次法綜合評價[J]．實驗室研究與探索，2016，35（8）：224-227+295．

[15]"SAFARI"F，"CHALECHALE"AssssEmotion"and"personality"analysis"and"detection"using"natural"language"processing，"advances，"challenges"and"future"scope[J].Artificial"Intelligence"Review，"2023，"56："3273-3297.

[16]"WERNICK"M，"YANG""Y，"BRANKOV""J，"et"al.."Machine"Learning"in"Medical"Imaging[J]."IEEE"Signal"Processing"Magazine，"2010，27（4）：25–38.