一种基于大数据的职业教育教学评价方法技术

本发明专利技术提供一种基于大数据的职业教育教学评价方法，包括以下步骤，S1：构建智能决策评价指标体系；S2：建立职业教育教学评价模型；S3：可视化展示教学质量评价数据。本发明专利技术可以实现教育教学评价指标客观化、实现动态调整权重；实现职业教育中大规模能力诊断方法融合，实现在教学质量评价中实时可视化。实现在教学质量评价中实时可视化。实现在教学质量评价中实时可视化。

【技术实现步骤摘要】
一种基于大数据的职业教育教学评价方法

技术介绍

[0001]现有技术中构建科学有效教育教学评价体系亟待解决的三大难题：
[0002]①
重视结果性评价，而忽略了过程性评价
[0003]国内高校的教学质量评价工作对教学过程的评价涉及甚少，甚至忽略了过程性评价。教学质量评价仅着眼于期末进行的结果性评价，这样导致的问题是不能将评价结果及时反馈给本学期的课程教学，从而实时进行教学改革，及时提高教学质量。如果调整教学质量评价的发起时间，采用过程性评价，则授课教师就能更早了解自己在授课中存在的问题，并及时修正，从而有效地促进高效教学质量的提升。
[0004]②
评价数据不全面、评价体系指标难以量化
[0005]目前国内高校在进行教学质量评价时，评价的内容主要集中在教师的课堂教学行为上，评价的指标主要包括教学方法、教学内容、教学水平等。现行评价体系没有将师生互动、学习能力培养、学习力等指标纳入教学质量评价中，不注重教师在教学中对学生的引导和培养，因而不能发挥教学质量评价的反哺功能。
[0006]③
评价结果呈现单一、缺乏交互分析
[0007]国内大多数高校对教学质量评价的结果仅进行简单的数据统计，评价结果的展示形式比较单一，评价结果主要呈现评价分数、等级(优秀、良好、合格、不合格等)、参评率等基础指标，没有对评价结果进行分析，更不能达到智能呈现的效果。因而在对相关评价问题进行总结时，不能进行多维分析以及横向和纵向对比。

技术实现思路

[0008]本专利技术要解决的技术问题是：1现有教育教学评价指标主观臆断、不能动态调整、权重固化；2职业教育中大规模能力诊断方法不能融合应用；3在教学质量评价中不能实时可视化。
[0009]本专利技术提供一种基于大数据的职业教育教学评价方法，包括以下步骤，
[0010]S1：构建职业教育教学智能评价指标体系；
[0011]S2：建立职业教育教学智能评价模型；
[0012]S3：可视化展示教学质量评价数据。
[0013]进一步的，所述步骤S1包括，
[0014]S101：采集职业教育大数据；
[0015]S1011：确定数据输入源，数据输入源包括教室内部具有人脸及行为识别功能的摄像头、学校公共通道的摄像头、手机、智能终端、PC、APP、智慧校园平台、在线课程学习平台、教育教学诊改平台；
[0016]S1012：确定采集技术，对于流式数据，采用kafka技术进行数据采集；对于网络非结构话数据，采用大规模并行爬虫技术进行采集；对于传统数据库结构化数据，采用sqoop技术进行抽取；
[0017]Sqoop是一款开源的工具，主要用于在Hadoop(Hive)与传统的数据库(mysql,
postgresql,...)间进行数据的高校传递，可以将一个关系型数据库(例如：MySQL,Oracle,Postgres等)中的数据导入到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。
[0018]Kettle是一个数据仓库产品，可以快速的完成数据的抽取、转换和装载。并且通过图形界面直观的进行项目的设计和测试。同时它也可以通过命令行的方式部署在服务器上。
[0019]S1013：确定大数据存储技术，采用HDFS分布式文件系统和Hbase列式数据库进行大数据存储；
[0020]S102:教育大数据整合清洗；
[0021]S1021：采用Kettle技术将多源数据整合成目标数据，实现数据的实时增量同步，数据的抽取、对比和更新；
[0022]S1022：采用Hive大数据仓库技术对数据进行查询和统计分析，得到评价指标体系的训练数据集合；
[0023]Hive是基于Hadoop的一个数据仓库工具，用来进行数据提取、转化、加载，这是一种可以存储、查询和分析存储在Hadoop中的大规模数据的机制。hive数据仓库工具能将结构化的数据文件映射为一张数据库表，并提供SQL查询功能，能将SQL语句转变成MapReduce任务来执行。
[0024]S103:评价指标体系学习；
[0025]S1031：通过S1022得到评价指标体系的训练数据集合，采用随机森林方法，收集多个树的子节点对各个类别投票，然后选择获得最多投票的类别作为判断结果，建立职业教育教学评价方法的随机决策森林；
[0026]S1032：树的每个节点从采集的评价指标原始特征中随机的选择子集，优化每个树的评价指标数据；
[0027]S104:调整评价指标体系，确定评价指标体系后，输入到评价模型，根据模型评价结果反馈动态调整评价指标体系，利用现有学习到的评价指标体系，通过训练数据对评价模型进行训练，如果评价模型目标函数误差很大，则动态调整评价指标体系，反复训练评价模型，直到找到使评价模型目标函数误差满足预设的阈值的评价指标体系终止。
[0028]进一步的，所述步骤S2包括，
[0029]S201:对职业教育教学评价指标进行降维，
[0030]在S104给定训练数据D＝{(x1,y1),(x2,y2),
…
,(x
m
,y
m
)}，m表示训练数据的个数，x，y表示给定训练数据，以平方误差为损失函数，职业教育教学评价指标的优化目标为：
[0031][0032]使用L1范数正规化，令则(1)式变为：
[0033][0034]ω为特征的系数，λ表示用来控制L1正规化影响的权重系数，若f(x)可导，且
▽
f(x)满足L
‑
Lipschitz条件,即存在常数L＞0，任取x
’
使得：
[0035][0036]其中
▽
表示微分算子，x
k
表示x的第k个位置，在x
k
附近对f(x)进行二阶泰勒展开，可得：
[0037][0038]其中<*,*>表示内积，根据近端梯度下降法可得：
[0039][0040]令属性a
i
为x的第i个分量，假定属性a
i
为独立事件，不存在a
i
a
j
(i≠j)这样的项，i和j表示分量的序号，对(5)式按分量展开，可得闭式解，
[0041][0042]取非“0”特征a
i
为职业教育教学评价指标的重要指标A'；
[0043]S202:再对S201步职业教育教学评价指标的重要指标进行聚类
[0044]令自然数k为已知业务的种类数，聚类中心V＝{v1,v2,
…
,v
k
}，为样本集D中第a
i
个属性，则表示样本属于聚类v
c
；b,c表示序号，取值“0”或“1”，有用属性集A'中的每个属性a
i
聚类优化模型如下：
[0045][0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的职业教育教学评价方法，其特征在于，包括以下步骤，S1：构建职业教育教学智能评价指标体系；S2：建立职业教育教学智能评价模型；S3：可视化展示教学质量评价数据。2.如权利要求1所述的一种基于大数据的职业教育教学评价方法，其特征在于，所述步骤S1包括，S101：采集职业教育大数据；S1011：确定数据输入源，数据输入源包括教室内部具有人脸及行为识别功能的摄像头、学校公共通道的摄像头、手机、智能终端、PC、APP、智慧校园平台、在线课程学习平台、教育教学诊改平台；S1012：确定采集技术，对于流式数据，采用kafka技术进行数据采集；对于网络非结构话数据，采用大规模并行爬虫技术进行采集；对于传统数据库结构化数据，采用sqoop技术进行抽取；S1013：确定大数据存储技术，采用HDFS分布式文件系统和Hbase列式数据库进行大数据存储；S102:教育大数据整合清洗；S1021：采用Kettle技术将多源数据整合成目标数据，实现数据的实时增量同步，数据的抽取、对比和更新；S1022：采用Hive大数据仓库技术对数据进行查询和统计分析，得到评价指标体系的训练数据集合；S103:评价指标体系学习；S1031：通过S1022得到评价指标体系的训练数据集合，采用随机森林方法，收集多个树的子节点对各个类别投票，然后选择获得最多投票的类别作为判断结果，建立职业教育教学评价方法的随机决策森林；S1032：树的每个节点从采集的评价指标原始特征中随机的选择子集，优化每个树的评价指标数据；S104:调整评价指标体系，确定评价指标体系后，输入到评价模型，根据模型评价结果反馈动态调整评价指标体系，利用现有学习到的评价指标体系，通过训练数据对评价模型进行训练，如果评价模型目标函数误差很大，则动态调整评价指标体系，反复训练评价模型，直到找到使评价模型目标函数误差满足预设的阈值的评价指标体系终止。3.如权利要求1所述的一种基于大数据的职业教育教学评价方法，其特征在于，所述步骤S2包括，S201:对职业教育教学评价指标进行降维，在S104给定训练数据D＝{(x1,y1),(x2,y2),
…
,(x
m
,y
m
)}，m表示训练数据的个数，x，y表示给定训练数据，以平方误差为损失函数，职业教育教学评价指标的优化目标为：使用L1范数正规化，令则(1)式变为：
ω为特征的系数，λ表示用来控制L1正规化影响的权重系数，若f(x)可导，且满足L
‑
Lipschitz条件,即存在常数L＞0，任取x
’
使得：其中表示微分算子，x
k
表示x的第k个位置，在x
k
附近对f(x)进行二阶泰勒展开，可得：其中<*,*>表示内积，根据近端梯度下降法可得：令属性a
i
为x的第i个分量，假定属性a
i
为独立事件，不存在a
i
a
j
(i≠j)这样的项，i和j表示分量的序号，对(5)式按分量展开，可得闭式解，取非“0”特征a
i
为职业教育教学评价指标的重要指标A'；S202:再对S201步职业教育教学评价指标的重要指标进行聚类令自然数k为已知业务的种类数，聚类中心V＝{v1,v2,
…
,v
k
}，为样本集D中第a
i
个属性，则表示样本属于聚类v
c
；b,c表示序号，取值“0”或“1”，有用属性集A'中的每个属性a
i
聚类优化模型如下：其中f＞1是一个可以控制聚类结果的模糊程度的常数，dist
b,c
表示第b个样本与第c个聚类中心的距离，计算方式如下：d为自然数，运用拉格朗日算子求解(8)式得特征聚类的迭代公式：
S203：针对动态环境下各职业教育教学评价指标重要性预测基于机器学习的方法对动态环境下各职业教育教学评价指标的权值随时间变化建立预测模型，先对职业教育教学评价环境进行感知，根据感知量进行初步预测处理，分辨各种特征，再选择合适的特征进行建立状态方程控制模型，如式(11)所示，x(k+1)＝Ax(k)+bu(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)其中x(k)表示第k步的实测量，bu(k)表示第k步的变化量，A为惯性矩阵，根据式(11)可以预测第M步的变化情况，如(12)式所示：x(k+M)＝A
M
x(k)+A
M
‑1bu(k)+
…
+bu(k+M
‑

【专利技术属性】
技术研发人员：邹赛，龚冷西，廖辉，程艳霞，苏科，龚春燕，陈甫，肖蕾，
申请(专利权)人：重庆电子工程职业学院，
类型：发明
国别省市：