基于混合高斯模型融合历史评价信息的高校教学评价方法

黄晓辉　钟茂生　熊李艳　李广丽

摘 要：随着第二轮教学本科教学评估的深入，高校教学评价越来越受到各大高校的重视。其中，课堂教学评价是高校教学评估中的一项重要内容。当前高校课堂教学评价主要根据学生对当前课程和教师讲课的印象进行打分，该评价方法可能会受到各种因素的影响，此外不同学生中心的评价标准也不一样，这样，可能会导致评价结果不够客观公正。本文提出一种能融合历史评价信息的混合高斯评价学习模型。该评价模型假设教师的教学水平是逐步提高的，不会出现教学水平的突发提高或降低。这样，通过以历史的评价结果作为先验知识，融合当前的学生评价来评价当前的课堂教学。

关键词：高斯模型；本科教学评估；数据挖掘

中图分类号：TP391文献标志码：A文章编号：2095-9214（2016）12-0153-02

一、引言

2013年中国教育部启动的第二轮本科教学评估以来，各大高校对教学评估越来越重视。根据《国家中长期教育改革和发展规划纲要（2010-2020年）》[1]精神和《教育部关于普通高等学校本科教学评估工作的意见》[2]，提高本科教育教学质量、强化教学质量保障，是提高人才培养质量的一项重要内容。而课程教学的管理和监控是提高本科教育教学质量的基础。

当前，高校课堂教学的评价主要根据学生对当前课程和教师讲课的印象进行打分，然后，统计分析的方法得到该门课程的教学评价。然而，学生的评分可能会受到各种因素的影响，如考试成绩、教师对课堂管理的严格程度，此外，不同学生中心的评分标准也不一样，这样，可能会导致评价结果不能够真正的体现出教师的教学水平。

为此，本文提出一种能融合教师历史教学评价信息的混合高斯评价学习模型。该评价模型假设教师的教学水平是逐步提高的，不会在相邻的教学学期中出现教学水平的剧烈变化。这样，以历史的评价结果作为先验知识，通过融合当前的学生评价来评价当前的课堂教学，从而得到更加客观公正的教学评价结果。

二、相关工作及分析

高校课堂教学评价是高校教学管理中的一项基础性工作。有效地教学评价方法能够极大促进教师的教学积极性，提高教学效果。在文献[3]中，作者在总结第一轮高校教学评估经验的基础上，提出新一轮的高校教学评估应“建立健全以学校自我评估为基础，以院校评估、专业认证及评估、国际评估和教学基本状态数据常态监测为主要内容，政府、学校、专门机构和社会多元评价相结合，与中国特色现代高等教育体系相适应的教学评估制度”的基本框架。

近年来，随着各大高校大力推行数字校园和智慧校园，在此过程中积累了大量的教学和管理数据。在文献[4]中，作者提出了一种改进的Aprior算法，在此算法基础上设计并实现了一个高校教学质量评估系统来挖掘学生评价结果与任课教师在性别、学历、年龄、职称等基本信息之间隐含关联关系。在文献[5]中，基于2012～2014年103所被评院校的课堂评价数据，作者对不同职称、不同地域、不同年龄和不同办学主体的教学状况进行分析，发现课堂教学因职称、地域、年龄的不同，呈现出较大差异，同时对专家反馈课堂问题的文本进行分析，发现合格评估的公共价值取向是促进高校回归育人和关注教学本身，还发现新建本科院校的教师教学技能和教学管理水平有待提高。

在文献[6]中，作者从学生的视角出发，通过对中国大学本科生的问卷调查，结合访谈与文本分析，从本科课程教学方式与教学效果两个维度，对我国大学本科教学质量进行评估。结果表明，中国大学本科教育普遍存在教学方法传统，教学方式单一，班级规模偏大，教学理念改革流于形式，教学效果普遍不理想，重视教学内容，忽视教学方法改进等问题。

三、基于混合高斯模型融合历史评价信息的高校教学评价方法

长期的教学实践表明，教师教学水平的提高是一循序渐进的过程。为了设计一个合理的模型来拟合这一过程，避免由数据噪音而导致的教学评价的偏差，本小节介绍一种基于混合高斯模型融合历史评价信息的高校教学评价模型。从模型设计角度来说，在相邻的学期中，对同一教师的教学评价结果应该是相近的，不应该出现剧烈变化。为此，可以融合教师的历史评价数据来调和由噪音数据产生的评价结果的震荡。解决这一问题的关键是如何在教学评价模型中引入历史信息，并权衡其在评价过程中的作用。

利用教师以前的评价结果作为当前评价的先验知识，结合历史评价结果和当前数据对教学做出评价，其模型可形式化为

l（φ，μ，Σ）=∑mi=1logp（xi，φ，μ，Σ）=∑mi=1log∑kzi=1p（xi，φ，μ，Σ）p（zi；φ）p（zi；ziold，σ2）

其中，k表示评价结果种类，可以包括不合格、合格、良好、优秀等，m表示待评价教师的数目。p（zi；ziold，σ2）表示对第i个老师的评价应该在该教师上个学期的评价结果上左右浮动，通过这样历史的评价结果可以融入当前的数据中。目标函数中其他部分是一个则是一个高斯混合分布。通过优化该公式可以求解出φ，μ，Σ，同时也可以求出隐变量zi，即得到每个教师的当前评价结果。

针对该模型，可以采用EM算法（期望最大化）对目标函数进行最小化求解φ，μ，Σ和zi，最后通过迭代算法求出φ，μ，Σ和zi的具体值。总个算法的流程如图1所示。在此评价模型基础上，我们将评价结果首先分别反馈给教师本人，反馈给专家，然后综合模型评价结果、教师本人的意见及专业意见，并将这些意见写入历史数据库，以便下一次教学评价使用，使教学评价成为一个良性循环。

四、结束语

本文提出了一种能够融合历史评价信息和当前评分信息的混合高斯学习模型，并为模型设计了一个目标函数。该目标函数包含了一个学习当前数据混合高斯分布和一个以历史评价结果为先验知识单变量高斯。最后，在此基础上设计了一个基于混合高斯模型融合历史评价信息的高校教学评价的系统框架。

（作者单位：华东交通大学信息工程学院）

基金赞助：研究生教学改革研究课题（JXYJG-2016-085）、国家自然科学基金（61562027、61363072、61462027）、江西省社会科学“十二五”规划项目（15XW12）、江西省自然科学基金项目（20161BAB212050）、江西省教育厅项目（GJJ150494）、江西省教改课题（JXJG-15-5-7）

参考文献：

[1]国家中长期教育改革和发展规划纲要（2010—2020年）[J].中国高等教育，2010（Z3）：13-37.

[2]董健康，韩雁，梁志星.“教育部关于普通高等学校本科教学评估工作的意见”解读[J].高教发展与评估，2013，29（5）：12-18.

[3]刘振天.我国新一轮高校本科教学评估总体设计与制度创新[J].高等教育研究，2012（3）：23-28.

[4]伍熙熙.数据挖掘在教学评估系统中的应用研究[D].北京化工大学，2015.

[5]刘旭，许晓东.我国新建本科院校课堂教学现状研究——基于2012～2014年度合格评估课堂评价数据的分析[J].高等工程教育研究，2016（3）.

[6]吴凡.我国研究型大学本科教学质量评估——基于学生视角的第三方评估[J].高教探索，2016（4）：73-77.