The invention proposes a teaching quality evaluation method, to solve the disadvantages of the current college teaching quality evaluation method, the evaluation model is established using deep learning technology, the teaching process of student achievement, student teaching evaluation questionnaire, teaching supervision, students scoring table table now, previous curriculum evaluation of former teaching quality, classroom the teachers' teaching quality factors such as relationship modeling, mining the key factors determining the teaching quality and provide strong support for institutions of higher learning in the teaching activities, personnel training and construction of teachers' decision-making.
【技术实现步骤摘要】
一种高校教学质量评价方法
本专利技术涉及机器学习方法的研究与应用,具体为一种高校教学质量评价方法。
技术介绍
教学质量的好坏对于高等院校来说是一个重要的指标,它反映了高等院校教学环节的有效性,对课程进行教学质量的有效评价,能够为高等院校在教学活动、人才培养、师资队伍建设等方面的决策提供有力支持。高等院校对课程的教学质量评价由一些独立的指标构成,例如学生的上课表现、考试成绩、对课程教学的评价、教学督导的评价等,但是这些指标有主观指标,也有客观指标,会混杂一些人为因素于其中,仅从这些指标加权组合得到的指标并不能准确反映真实的教学质量;而且把某些定量指标纳入到明确的教学质量计算公式中,往往会在相当程度上左右着教师和学生努力的方向,教与学的方式方法,对教学工作起着显著的导向作用,会使教学活动的根本目标发生偏离。目前研究人员采用机器学习和统计学习的方法从教学过程的原始数据出发,对课程的教学质量进行评价。文献“胡帅,顾艳,曲巍巍等.基于PCA-LVQ神经网络的教学质量评价模型研究[J].河南科学,2015,(7):1247-1252.”提出一种基于主成分分析(PCA)和学习矢量量化神经网络(LVQ)相结合的教学质量评价模型。使用层次分析法(AHP)建立教学质量评价体系,再用主成分分析提取初始评价指标体系的特征信息,将经过降维处理后的特征信息输入到LVQ神经网络。该方法把层次分析法与矢量量化神经网络进行结合,提取了教学质量评价体系中的规律,并用神经网络进行建模。该方法的问题在于需要对现有指标体系的各个指标进行主成分分析,而不能完全做到由原始数据直接得到教学质量的好坏程度 ...
【技术保护点】
一种基于深度学习的高校教学质量评价方法,其特征在于,所述方法包括以下步骤,(1)教学评价数据的预处理;(2)深度学习模型的设计;(3)模型训练;(4)教学质量评价结果的计算。
【技术特征摘要】
1.一种基于深度学习的高校教学质量评价方法,其特征在于,所述方法包括以下步骤,(1)教学评价数据的预处理;(2)深度学习模型的设计;(3)模型训练;(4)教学质量评价结果的计算。2.如权利要求1所述的方法,其特征在于,所述教学评价数据的预处理步骤具体包括:获取教学评价数据,所述教学评价数据包括学生成绩数据、学生评教数据和教学督导评价数据,对于所述三种类型的数据的预处理方式如下:A.学生成绩数据每个科目每位学生一条记录,本发明中处理的数据为“期末考试成绩”和“平时成绩”,对这两个成绩进行标准化,使其转化为[0,1]区间里的值;标准化方法为:-对于分数类型的成绩采用直接除以满分的方法;-对于等级型成绩,按最好的等级为1分,最低的等级为0分,其余各等级在0和1分之间均匀分布的方法处理;B.学生评教数据学生评教数据为问卷类型,对问卷数据的处理方式为哑变量化;C.教学督导评价数据教学督导评价是对课堂教学情况的评价,采用等级型的形式采用百分制形式;-对于分数类型的评价,采用直接除以满分的方法;-对于等级型评价,按最好的等级为1分,最低的等级为0分,其余各等级在0和1分之间均匀分布。3.如权利要求2所述的方法,其特征在于,所述深度学习模型的设计步骤具体包括:A.成绩-评教模型的设计成绩-评教模型接受经过步骤(1)预处理的学生学生成绩数据和学生评教数据作为输入层的输入向量;所述模型的输出是一个长度为p且其值在[0,1]之间的实值向量,在每得到一个输出后,设置其中最大的分量为1,其余位为0,某一位为1代表模型输出该学生为该位所代表的等次,在每个输出向量中,有且只有一位为1,其余位均为0;若在某个输出中存在并列的最大分量,则随机选择一个为1,其余均设置为0;所述模型采用深度神经网络的结构,由多个块组成,其中除最后一个块外,每个块均包括一个全连接层、激活层和屏蔽层,最后一个块由全连接层和激活层组成:-全连接层使用结点个数为原始输入层向量长度3倍的全连接层,在全连接层的每个结点处执行加权求和的操作;-激活层在每一个全连接层后面跟一个激活层,激活层的结点个数与全连接层的结点个数相同,每个激活层的结点对应上一个全连接层的结点,对由全连接层结点的输出值进行sig...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。