基于模糊聚類最大樹算法的高校課堂教學質量在線評估方法

中圖分類號：TP391 文獻標志碼：A

0 引言

高校課堂教學正從傳統面授模式向線上線下混合模式轉變，在線教學憑借其突破時空限制、資源豐富多樣、學習方式靈活便捷等特點，迅速成為高等教育不可或缺的重要構成部分。科學評估在線課堂質量，確保其與線下教學相當或更優，是當前高校教育管理者的研究重點，而傳統評估方法在實際應用中仍存缺陷。

張成叔[通過提取學生人臉表情特征并利用貝葉斯分類模型優化評估，通過計算后驗概率確定教學質量所屬的等級范圍。但評估結果可能受采集環境、設備質量及學生個體差異等因素影響，評估精準度較低。李廣利等通過學生評分、問卷調查等收集數據并分析，但結果明顯存在局限性，易受主觀因素影響，缺乏客觀性和實時性，難以全面準確反映教學真實情況。

為解決上述問題，本文提出基于模糊聚類最大樹算法的在線評估方法研究，助力提升在線教學質量[3]。模糊聚類算法可處理模糊性與不確定性，為高校課堂教學質量在線評估提供新思路。通過構建模糊相似矩陣，挖掘數據隱含相似性與關聯性，以實現聚類分析[4]

1高校課堂教學質量評估指標體系設計

高校課堂教學質量評估指標的選取對于確保評估結果的準確性起著至關重要的作用。為了構建科學的評估指標體系，本文多渠道、全方位地收集相關的評估指標，結合本校的教學實際情況，邀請相關領域的教育專家、教師代表進行研討，通過橫向對比與借鑒，初步篩選一系列具有代表性的指標[5]

將初步篩選的指標分為教學目標、教學內容、教育方法、教學互動、教學效果5大類別，同時將每個類別進一步細化為可觀測、可測量的具體指標，如表1所示。

2評估指標屬性統一處理

在高校課堂教學質量評估工作中，當評估指標選取完畢后，對這些評估指標進行量綱統一處理，以確保各指標在后續分析中具有可比性和一致性，從而統一指標屬性[。不同量綱的指標在分析過程中，會引發諸多問題，如評估結果失真、阻礙指標間的相互比較和綜合計算等，進而嚴重影響教學質量評估的科學性和有效性。本文采用標準化方法對評估指標進行量綱統一處理，具體公式如下：

表1高校課堂教學質量評估指標體系

其中， x_ij^* 為量綱統一后的評估指標值; x_ij 為第 i 個樣本的第 j 個原始評估指標值； 為第 j 個原始評估指標在所有樣本中的平均值; s_j 為第 j 個原始評估指標在所有樣本中的標準差。

通過上述公式，將每個原始評估指標值轉化為無量綱的標準化值，使得處理后的指標值具有平均值為0、標準差為1的特性，消除量綱差異對評估結果的影響，使不同量綱的指標能夠在同一尺度上進行比較和分析。

3基于模糊聚類最大樹算法的高校課堂教學質量在線評估

基于上述經過屬性統一處理后的評估指標數據，使用模糊聚類最大樹算法進行高校課堂教學質量在線評估。該算法可以給出該課程在教學質量上的綜合評估結果，而不是僅依據單一指標進行片面評價，從而更全面、準確地反映課堂教學質量，能夠很好地平衡評估的主觀性和客觀性。算法依據特定的相似度度量標準，對眾多樣本進行兩兩比對，計算各樣本之間的相似度，構建相似度矩陣，以反映樣本之間的親疏關系，公式如下：

其中， x_ix_j 分別為第 i 個和第 j 個樣本的評估指標向量。通過計算所有樣本兩兩之間的相似度，得到一個 n×n 的相似度矩陣S，其中 n 是樣本的數量[7]

利用模糊C均值聚類算法，根據相似度矩陣對樣本進行聚類。該算法允許每個樣本以不同的隸屬度屬于多個類別，其目標是最小化目標函數：

其中， 為聚類的數量； u_ik 為樣本 x_i 屬于類別 k 的隸屬度； v_k 為類別 k 的聚類中心； ?_m 為模糊系數。通過迭代優化算法，得到每個樣本的隸屬度矩陣 U 和聚類中心矩陣 V ，從而確定每個樣本所屬的類別。

模糊C均值聚類算法能夠逐步優化聚類中心和隸屬度矩陣，使得樣本在各個類別中的分布更加合理，最終得到一個符合數據內在特征的聚類結果。根據最終得到的聚類結果，構建如圖1所示的最大樹，以直觀展示各樣本之間的層次關系和聚類結構。

圖1最大樹結構

如圖1所示，最大樹通過連接樣本之間的邊來展示樣本之間的相似度和聚類關系。最大樹清晰地揭示了樣本之間的親疏遠近和從屬關系。這種層次關系不僅有助于全面了解樣本之間的整體關聯，還能為深入分析不同層次的樣本特征提供有力的支持。

在實際的教學質量評估中，為確保評估結果的準確性和高效性，要根據具體的評估需求和實際情況，對構建好的最大樹進行精細化的剪枝處理。這一處理過程主要基于樣本的隸屬度以及樣本之間的相似度來展開。通過深入分析樣本的隸屬度，識別那些對聚類結果貢獻較小的節點；同時，結合樣本間的相似度信息，進一步剔除那些冗余的、對聚類結構無實質影響的分支。經過這樣的剪枝處理，最大樹將變得更加簡潔、清晰，聚類結構也更為緊湊。最后，根據聚類結果和最大樹結構，輸出各樣本的教學質量評估等級，如表2所示[8]

通過表2可以清晰地看到每個樣本的教學質量評估等級以及它們在最大樹結構中的位置，實現高校課堂教學質量在線評估目標。這種基于剪枝處理和聚類結果的評估等級輸出為教學管理者、教師和學生提供了明確、可量化的反饋信息，有助于教學管理者制定針對性的教學改進策略，調整教學方法，提升教學水平，學生也可以更好地了解自己的學習狀況，選擇適合的學習資源，從而全面推動教學質量的提升和優化。

表2高校課堂教學質量在線評估等級

4實驗分析

4.1實驗準備

為全面精準評估高校課堂教學質量，本文選擇多所具有代表性的大學作為樣本來源，確保樣本的多樣性和廣泛性，使得研究結果能夠更廣泛地適用于不同背景的高校。在這些樣本學校中，本文進一步鎖定6種不同類型的課程作為研究對象，旨在通過多樣化的課程類型全面反映課堂教學質量的實際情況。

針對這6種課程，分別統計一次課程質量的實際值，根據預設的定量分級標準進行分類。具體分級標準為：得分大于6分的課程被評定為“優秀”；得分為5~6分的課程被評定為“良好”；得分為4~5分的課程被評定為“一般”；得分小于4分的課程則被評定為“較差”。統計得到的6種不同類型的課程質量實際值與相應的分級情況如表3所示。

表3課程質量實際值與定量分級情況

基于上述統計結果和分級標準，按照本文設計的評估流程，對課堂教學質量進行了在線評估實驗。

4.2評估結果

為了全面驗證本文設計的基于模糊聚類最大樹算法的高校課堂教學質量在線評估方法的有效性，采用對比實驗的形式進行深入研究。將本文方法設置為實驗組，同時選取張成叔[1和李廣利等提出的2種常規教學質量評估方法分別作為對照組1和對照組2。應用這3種方法分別對6種教學項目的教學質量進行了評估，獲取相應的評估值。將這些評估值與實際值進行對比，以判斷各方法的評估效果是否可行。對比結果如表4所示。

表4評估結果對比

將表3課程質量實際值和分級情況同表4結果對比可知，本文設計的基于模糊聚類最大樹算法的高校課堂教學質量在線評估方法在應用后得到的教學項目評估值與實際值相差較小，且定量分級全部保持一致。相比之下，另外2種傳統方法得到的評估值與定量分級相差較大，尤其是在某些教學項目的評估上出現了明顯的偏差。由此得知，本文設計的基于模糊聚類最大樹算法的高校課堂教學質量在線評估方法對不同類型的高校課堂教學項目質量評估效果均較好，其評估結果更加接近實際值且分級更為準確。因此，該方法具有較高的可行性與應用價值。

進一步地，對3種評估方法的特異性進行對比，即對教學質量差異的區分能力，通過計算不同教學質量等級下評估值的差異度來衡量。差異度越大，說明評估方法對不同教學質量等級的區分能力越強，即特異性越高。對比結果如圖2所示。

圖2課堂教學質量評估特異性對比

由圖2的對比結果可知，在所有課程類型和質量等級下，本文設計的評估方法的差異度明顯大于2種傳統方法，平均評估特異度在0.8以上，這表明該方法對不同教學質量等級的區分能力更強，能夠更好地捕捉教學質量的大幅變化。

5結語

本文提出的基于模糊聚類最大樹算法的高校課堂教學質量在線評估方法，融合模糊聚類與最大樹算法優勢，構建科學、高效且適應性強的在線評估體系，為精準提升高校教學質量提供支持。該體系能精準捕捉教學質量差異，全面覆蓋并深度剖析不同課程與教學環節，為管理者提供直觀量化決策依據。其在線評估特性便捷高效，可實時反饋教學動態，助力教師調整策略、優化效果。此外，對比實驗驗證該方法在評估特異性及準確性上的顯著優勢，證實其在高校課堂教學質量評估中的可行性與有效性，更為其在高校教學管理中的廣泛應用提供了實踐依據。

參考文獻

[1]張成叔.基于人臉表情特征的高校課堂教學質量在線評估模型[J].齊齊哈爾大學學報（自然科學版)，2024(3):11-15.

[2]李廣利，溫情，魏萍，等.地方應用型高校課堂教學質量評估體系構建[J].中國教育技術裝備，2024(1) :56-59.

[3]陳俊祥.基于混合式教學的高職院校質量評價體

系構建與應用[J].教書育人（高教論壇），2024（5）：37-40.

[4]高學德，孫斐，戴巍.高校教師課堂教學質量元評估指標體系構建[J].蘭州文理學院學報（社會科學版），2024(4):80-87.

[5]鄒伯駿.高校教師對本科教學質量審核評估感知與回應的質性研究[J].教育評論，2022(12)：61-65.

[6]王文靜，范濤，王國中，等.基于SA-BPNN多模態融合的教學質量評價方法［J].計算機工程，2024(11):390-398.

[7]周書鐘.新環境影響評價體系下教學質量管理與評估新模式探討[J].環境工程，2022(4)：297-298.

[8]王兵，鄭尚男，李盼池，等.基于評價主體多元化理念和卷積神經網絡的線上教學質量評價方法[J].現代電子技術，2023(8)：91-98.

[9]王志華，龔軍，刁秋華，等.信息時代新疆高校雙語教學質量評估指標體系構建研究［J].無線互聯科技，2016(10):90-91.

(編輯 王雪芬)

Online evaluation method of college classroom teaching quality based on fuzzy clustering maximum tree algorithm

ZHOU Hongqian (School of Management， Changchun Universityof Architecture and Civil Engineering，Changchun 1300oo，China

Abstract:Traditional classroom teaching quality asessment methodsoften relyon student ratings and questionnaire surveys，whichare prone to subjectivefactorsand lack objectivityand precision．Therefore，this study proposes an online assessment method for colege classroom teaching quality based on the fuzzy clustering maximum tree algorithm. First，evaluation indicators are selected to construct acomprehensiveset of clasroom teaching qualityassessment criteria.Theatributes of these indicators are uniformly processed to ensure data comparability and consistency.Using the fuzzy clustering maximum tree algorithm，the processed evaluation datais deeply analyzed.Through fuzzy clustering，potential categoriesof teaching qualityarerevealed，and the maximum tree algorithm optimizes the clustering results，achieving bothaccuracyand eficiency in assessment.Experimentalresults show that after applying this method，the diference between the assessedvalues of teaching projectsand actual values is minimal，and he quantitative grading remains consistent.Aditionall，the specificityof online assessment reaches overO.8，enhancing theabilityto distinguish diferent levels of teachingqualityand better capturing significant changes in teaching quality. Key words: fuzzy clustering maximum tree algorithm; university; classroom; teaching; quality; evaluation