一种基于指标权重学习和行为熵的微格教学综合评价方法技术

本发明专利技术公开了一种基于指标权重学习和行为熵的微格教学综合评价方法，方法步骤如下：构建教学技能指标；收集样本；确定权重；计算试教者评分；构造互动行为指标集；计算课堂互动行为熵；综合评价；本发明专利技术的优点是：1、更能真实科学和全面地反映试教者的教学效果；2、在总体样本下，教学技能评价指标的权重确定方法更合理；3、增加了课堂教学互动行为熵，与评价分值结合产生最终评价结果，相对传统评价方法(如模糊综合评判等)，该结果衡量试教者教学效果更客观。

A micro teaching comprehensive evaluation method based on index weight learning and behavior entropy

The invention discloses a method for comprehensive evaluation of Microteaching weights learning and behavior based on entropy, the method includes the following steps: constructing the teaching skill index; sample collection; weights; calculation teaching scores; structure interaction index; calculation of class interaction entropy; comprehensive evaluation; the advantages of the invention are: 1. It can reflect the true science and try to teach the teaching effect; 2, in the overall sample, the weights of teaching skill evaluation index method to determine the more reasonable; 3, increase classroom teaching interaction entropy, combined with evaluation scores to produce the final evaluation results, compared with the traditional evaluation methods (such as fuzzy comprehensive evaluation, etc.) the results of measure try to teach teaching effect more objective.

【技术实现步骤摘要】
一种基于指标权重学习和行为熵的微格教学综合评价方法
本专利技术涉及一种教学综合评价方法，具体为一种基于指标权重学习和行为熵的微格教学综合评价方法。
技术介绍
微格教学是一种微型教学，上世纪60年代由美国斯坦福大学萨蒂教授团队首创，之后广泛应用于师范院校生和新教师培训，也应用于一些企业机构。微格教学评价指的是对参与微格教学的试教者教学效果的综合评价，发现教学不足之处，以便进一步提高试教者教学方法和教学效果。目前，微格教学评价主要两种方法，一是模糊综合评判；二是基于层次分析法AHP的评价方法。模糊综合评价方法主要是构造评价指标因素到评价结果之间的映射关系，利用模糊矩阵与指标权重向量之间的计算得到微格教学试教者的综合评分，按照评分最大法则进行评等级划分，可实现多级模糊综合评判。其中，教学技能评价指标权重是通过专家经验进行人工赋权的确定的。层次分析AHP法主要分层确定各级评价指标权重，具体方法为通过专家经验对指标之间进行两两比较，给出相对重要度，构建指标重要度矩阵，计算该矩阵的特征值和特征向量来确定指标权重，再与专家打分进行综合，得到微格教学试教者的最终评分，取最大评分为最后评价结果。以上两种主流方法，指标权重的确定都使用专家经验进行人工确定，主观性较强，难以满足真实情况。现有技术缺点主要存在两个方面：一是对微格教学的评价各指标的确定主要采用人工方法或专家经验法，难以真实反映教学技能指标的重要性；二是仅从一个方面对试教者教学技能本身进行综合打分，缺乏对试教者与学生之间的教学行为和互动的评价，更无二者的结合进行综合评价。
技术实现思路
本专利技术的目的旨在设计一种基于指标权重学习和行为熵的微格教学综合评价方法，使得各教学指标权重更能合理地体现教学实际情况，并可根据训练样本不断优化权重指标，逐步逼近真实情况。同时，构建对每位试教者的进行综合评价的方法，不仅体现综合评分还能反映教学行为和互动。本专利技术能够解决的技术问题是：主要通过现有大量的微格教学案例，合理地解决微格教学试教者综合评价问题，主要包括：1、利用机器学习的方法确定现有教学技能各指标权重；2、利用学习后的权重对试教者的教学技能进行综合评分；3、利用信息熵评价试教者的课堂教学互动行为；4、最终，利用综合评分和互动行为信息熵对试教者进行综合评价。本专利技术采用的技术方案如下：一种基于指标权重学习和行为熵的微格教学综合评价方法，其特征在于方法步骤如下：(1)构建教学技能指标；假设所述教学综合评价方法中共有N1个一级教学指标，记为表示第i个一级指标，并含有个二级教学指标表示第i个一级教学指标所含的第j个二级教学指标；(2)收集样本；假设当前共有N3个试教者的历史评价结果，第k个试教者的历史评价结果属于第p个等级，即其中，等级指标集为R＝{A，B，C，D，E}，p∈{1，2，3，4}，分别表示为优秀、良好、中等、一般和差。为了便于第(3)步训练计算，将各等级进行量化，即A＝5，B＝4，C＝3，D＝2，E＝1；(3)确定权重；利用神经网络算法学习各级指标权重，建立二级隐层BP神经网络模型，通过样本学习得到一级指标权重向量和二级指标权重向量即所有N1个一级教学指标对应的全部二级教学指标按顺序排列的集合，其中随着样本的增加，可进行反复训练，不断优化所述指标权重向量V1和V2，使每个评价指标的权重更接近于真实情况；(4)计算试教者评分；利用第(3)步得到的权重向量V1和V2，作为第(3)步所述二级BP神经网络模型的参数计算微格教学试教者的教学等级评分，如计算第k个试教者的教学等级评分为(5)构造互动行为指标集；假设所述教学综合评价方法中共有N5个课堂教学互动行为指标，表示第l个互动行为指标；(6)计算课堂教学互动行为熵；对每位试教者在教学时间T内按时间间隔t采集课堂教学互动行为发生次数，并计算行为概率，即对第k个试教者以t为时间间隔，采集第l个教学互动行为指标在教学时间T内发生次数为计算行为概率并计算第k个试教者课堂教学互动行为熵Hk值越大表明第k个试教者的教学行为越丰富，反之则第k个试教者教学行为越少；(7)综合评价；根据教学等级评分和行为熵Hk计算第k个试教者的综合评价结果本专利技术的优点是：1、更能真实科学和全面地反映试教者的教学效果；2、在总体样本下，教学技能评价指标的权重确定方法更合理；3、增加了课堂教学互动行为熵，与评价分值结合产生最终评价结果，相对传统评价方法(如模糊综合评判等)，该结果衡量试教者教学效果更客观。附图说明图1为本专利技术的利用神经网络算法学习各级指标权重，建立二级隐层BP神经网络模型示意图。具体实施方式本专利技术具体的实施例为：一种基于指标权重学习和行为熵的微格教学综合评价方法，其特征在于方法步骤，如下：(1)构建教学技能指标；假设所述教学综合评价方法中共有N1个一级教学指标，记为表示第i个一级指标，并含有个二级教学指标表示第i个一级教学指标所含的第j个二级教学指标；(2)收集样本；假设当前共有N3个试教者的历史评价结果，第k个试教者的历史评价结果属于第p个等级，即其中，等级指标集为R＝{A，B，C，D，E}，p∈{1，2，3，4}，分别表示为优秀、良好、中等、一般和差。为了便于第(3)步训练计算，将各等级进行量化，即A＝5，B＝4，C＝3，D＝2，E＝1；(3)确定权重；利用神经网络算法学习各级指标权重，建立二级隐层BP神经网络模型，通过样本学习得到一级指标权重向量和二级指标权重向量即所有N1个一级教学指标对应的全部二级教学指标按顺序排列的集合，其中随着样本的增加，可进行反复训练，不断优化所述指标权重向量V1和V2，使每个评价指标的权重更接近于真实情况；(4)计算试教者评分；利用第(3)步得到的权重向量V1和V2，作为第(3)步所述二级BP神经网络模型的参数计算微格教学试教者的教学等级评分，如计算第k个试教者的教学等级评分为(5)构造互动行为指标集；假设所述教学综合评价方法中共有N5个课堂教学互动行为指标，表示第l个互动行为指标；(6)计算课堂教学互动行为熵；对每位试教者在教学时间T内按时间间隔t采集课堂教学互动行为发生次数，并计算行为概率，即对第k个试教者以t为时间间隔，采集第l个教学互动行为指标在教学时间T内发生次数为计算行为概率并计算第k个试教者课堂教学互动行为熵Hk值越大表明第k个试教者的教学行为越丰富，反之则第k个试教者教学行为越少；(7)综合评价；根据教学等级评分和行为熵Hk计算第k个试教者的综合评价结果对于本领域技术人员而言，显然本专利技术不限于上述示范性实施例的细节，而且在不背离本专利技术的精神或基本特征的情况下，能够以其他的具体形式实现本专利技术。因此，无论从哪一点来看，均应将实施实例看作是示范性的，而且是非限制性的，本专利技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本专利技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施实例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。本文档来自技高网...

【技术保护点】
一种基于指标权重学习和行为熵的微格教学综合评价方法，其特征在于方法步骤如下：(1)构建教学技能指标；假设所述教学综合评价方法中共有N1个一级教学指标，记为

【技术特征摘要】
1.一种基于指标权重学习和行为熵的微格教学综合评价方法，其特征在于方法步骤如下：(1)构建教学技能指标；假设所述教学综合评价方法中共有N1个一级教学指标，记为表示第i个一级指标，并含有个二级教学指标表示第i个一级教学指标所含的第j个二级教学指标；(2)收集样本；假设当前共有N3个试教者的历史评价结果，第k个试教者的历史评价结果属于第p个等级，即其中，等级指标集为R＝{A，B，C，D，E}，p∈{1，2，3，4}，分别表示为优秀、良好、中等、一般和差；为了便于第(3)步训练计算，将各等级进行量化，即A＝5，B＝4，C＝3，D＝2，E＝1；(3)确定权重；利用神经网络算法学习各级指标权重，建立二级隐层BP神经网络模型，通过样本学习得到一级指标权重向量和二级指标权重向量即所有N1个一级教学指标对应的全部二级教学指标按顺序排列的集合，其中随着样本的增加，可进...

【专利技术属性】
技术研发人员：钱萌，程树林，
申请(专利权)人：安庆师范大学，
类型：发明
国别省市：安徽,34