从大数据挖掘的视角分析学生评教的有效性

马秀麟，衷克定，刘立超

(北京师范大学 教育技术学院，北京 100875)

从大数据挖掘的视角分析学生评教的有效性

马秀麟，衷克定，刘立超

(北京师范大学 教育技术学院，北京 100875)

对于学生评教的有效性，在学术界一直存在着争议。然而，思辨的研究方法无力解决学生评教的有效性问题。随着教育信息化的深入，网络化的学生评教已经广泛应用并积累了大量的原始数据。该研究借助大数据分析和数据挖掘的方法，对两所学校5年多的上百万条学生评教数据展开分析，通过克朗巴哈系数、基于时间序列的数据关联性分析检测了学生评教的有效性水平。并在此基础上，利用聚类和主成分分析的方法，探究了影响评教成绩的主要原因，从学生评教的视角对教师的专业化发展提出建议。

学生评教；大数据；数据挖掘

随着高等教育的大众化，教学质量成为影响高等教育可持续发展的重要因素。在这个过程中，“尊重学生的主体性地位、听取学生对教学的看法、依据学生评教结论改进教学”等观点逐步成为教学质量控制的重要手段。因此，绝大多数学校都开展了由学生作为主体的针对教师教学情况的评教活动。尽管学生评教搞得如火如荼，然而，对于“学生评教数据是否客观？学生的评教结论能否真正地反应教学质量？在实际的教学管理中应该如何应用评教数据？”等问题，却在教师群体内部和学术界都存在着强烈的争论。对教育管理者来讲，学生评教数据的信度、效度和评教结论的应用形式，都存在着很多的问题，这些问题的核心在于学生评教数据的信度和效度水平。

一、研究的焦点及可行性

1. 对学生评教有效性的质疑与争议

自1915年在美国出现第1张学生评教问卷以来，学生评教在各国逐步展开并普及，对学生评教的争论也随之出现并日益尖锐。2003年2月15日，《中国教育报》在同一个版面刊登了两篇观点针锋相对的文章，反应了两种观点的激烈碰撞。《学生心中有杆秤——为学生评教师的做法叫好》，文章认为“采用学生评教师的这种做法，好似冬天里的一把火，让整个教师考核冰点豁然融化。”高度赞扬了学生评教在教师考核中的作用，认为学生评教在教师考核和晋升中的一票否决制突显了学生的主体地位，有利于教师积极提高自己的教学质量。而另外的一篇文章《学生“一票否决”老师，对吗？》的观点则截然不同，文中感叹道：“教学搞得再好，不如把学生哄好！”“教师辛辛苦苦干了一学期的工作，难道就被学生一票给否决了吗？”

学生评教数据的信度和效度，是争议的焦点。支持方认为：学生评教能真正地反映学生的诉求，体现学生的满意度，有利于教师改进教学，提升教学质量[1]。反对方则认为：由于知识能力的局限性，学生们对整个课程体系的把握很不足，情感、功利心等因素也会影响评教的客观性。因此，学生评教难以真实地反映教学水平。学生评教不但不能促进教学质量，还会导致教师不敢从严管理学生，导致教学质量滑坡[2]。

2. 研究问题的提出

思辨的方法不能判定学生评教数据是否有效的问题，随着基于Internet的学生评教系统的普及，很多高校都已经积累了海量的学生评教数据。笔者认为，只有针对真实的海量评教数据，分析海量数据的可靠性系数与区分度并对评教结果长期跟踪，才能客观地判定学生评教的信度和效度。在实证性研究的基础上，再借助数据挖掘的手段，探索评教数据内部隐藏的规律，通过评教数据发现教师成长的规律，为教师的专业化提供指导[3]。

3.基于大数据挖掘技术分析学生评教效度的可行性

(1)基于Internet的学生评教系统积累了大量的原始数据

自1915年在美国出现第1张学生评教问卷以来，学生评教经历了书面评教、机读卡评教和网络评教时期。目前，绝大多数院校的学生评教系统都是基于Internet平台的，具有便捷性强、数据保存完整、数据格式规范等优点。

经过近十年网上评教活动的开展，基于Internet的学生评教系统已经完成了初步的数据积累，形成了规模宏大的学生评教记录，为学生评教的元评价积累了海量的数据基础。以北京师范大学为例，自2002年开始启用网上评教系统以来，已经积累了针对2000多名教师、3000门课的多轮评教数据，总记录数达到了近200万条。

(2)大数据时代来临，针对大数据的研究方法日益成熟

随着信息化的普及和各类信息系统的应用，各类信息系统中都积累了大量的原始数据，分析这些数据内部所蕴含的规律、预测相关系统的运行趋势，已经成为当代信息处理的主要任务。大数据处理就是应时代需求出现而发展起来的，大数据知识服务是为适应信息服务业智慧化、协作化、绿色化、先觉化和泛在化的发展趋势而衍生的一种基于网络的, 用以解决结构化、半结构化及非结构化数据多维度处理的信息服务新模式，是嵌入式协作化知识服务模式的一种新发展，是现代信息服务理念的具体体现[4]。

随着大数据的普及，针对大数据的研究方法日益完善和成熟。适用于大数据的关键技术包括：遗传算法、神经网络、数据挖掘、回归分析、基于时间序列的跟踪与分析、聚类分析、关联规则学习等技术。这些技术已经日益成熟，甚至被集成在各种大型的数据库管理系统(DBMS)中，使之成为大型DBMS的有机组成。基于大数据理念的数据分析与数据挖掘技术的成熟，能够实现面向海量评教数据实时分析，并能保证分析的科学性，极大地方便了针对网络评教数据的挖掘和分析、跟踪[5]。

与已有的信息服务模式相比, 大数据知识服务模式和构建过程越来越趋向于个性化、自主化、虚拟化、智能化、透明化和体验化，知识创造模式、组织模式、传播模式和应用模式也呈现出规模化、集约化、数字化和网络化的趋势[6]。

二、学生评教及大数据理论的研究状况

1. 对学生评教的理论研究状况

对学生评教的理论研究，主要包含了两个维度：其一，学生评教是否有效、客观；其二，如何正确地应用学生评教结论。

(1)对于学生评教的价值有两种相互对立的观点

对于学生的评教，当前存在着两个非常尖锐的观点：肯定的观点高度赞扬了学生评教在教师考核中的作用，认为学生评教在教师考核和晋升中的一票否决制突显了学生的主体地位，有利于教师积极提高自己的教学质量。而否定的观点则认为由于学生在知识结构、学科水平和个体认知能力方面的差异，导致学生难以从自己的视角准确地衡量教师的教学质量[7]；另外由于学生在评教过程中存在随意性、甚至报复教师的行为，因而学生评教数据也很难保证客观、科学。

(2)对学生评教数据的分析方法呈现多样化，但样本量普遍偏少

对于学生评教数据的处理与应用，多数学者认为应建立在对海量评教数据客观分析与挖掘的基础上，然而真正地面向大数据集的研究却很少。从目前的研究看，对学生评教数据的处理主要有以下几种方式：a.对一定量的学生评教数据进行均值和频度分析、方差分析，以学生评教数据的均值作为教师得分；b.统计各类统计数据的频度，以频度论证数据间的逻辑关系或者评教数据的有效性；c.少量研究者把数据挖掘的理论引入到学生评教领域，借助数据挖掘的方法开展对学生评教数据的研究。例如王佳欣、王旭辉的研究《基于数据挖掘的网络评教系统》就是借助关联规则对评教数据内部隐藏的关系进行了挖掘，孙彩云、翟建军的研究则借助Kappa统计量评价指导小组、同行专家及学生评教的一致性[8]。

通过检索中国学术期刊网(CNKI)和Springer online Journals的有关学术论文发现，近几年肯定学生评教合理性的研究在增加，说明学生评教这一行为在逐步地得到教师和学术界的认可。

2. 大数据理论及其研究状况

对于大数据的研究，从来没有像今天这样热烈。对大数据的理论研究，主要包括了以下几个领域：

(1)对大数据概念和属性的研究

到底什么是“大数据”呢？维基百科上说：大数据指的是“网络公司日常运营所生成的和积累用户网络行为所获得的海量数据”。“大数据”的出现不是一个偶然的事情，它是在信息化、网络化高度发达的今天，在这个数据满天飞的时代所必须要经历的过程。“大数据”是一个术语，是一个带有文化基因和营销理念的词汇，但同时也反映了科技领域发展中的趋势，这种趋势为理解这个世界和做出决策开启了一扇新的大门[9]。

大数据不是一种新技术，也不是一种新产品，而是一种新现象，大数据具有以下4 个特点，即4 个“V”：数据体量(Volumes)巨大；数据类别(Variety)繁多；价值(Value)密度低；处理速度(Velocity)快，包含大量在线或实时数据分析处理的需求，1秒定律[10]。

(2)对大数据处理流程的研究

大数据的处理流程，是指在合适工具的辅助下，对广泛异构的数据源进行抽取和集成，对结果按照一定的标准统一存储。然后，利用合适的数据分析技术对存储的数据进行分析，从中提取有益的知识并利用恰当的方式将结果展现给终端用户。具体来说，可以分为数据抽取与集成、数据分析以及数据解释[11]。

大数据的一个重要特点就是数据类型多样性，这就意味着数据来源极其广泛，数据类型极为繁杂，这种复杂的数据环境给大数据的处理带来极大的挑战。要想处理大数据，首先必须对数据源提供的数据进行抽取和集成，从中提取出关系和实体，经过关联和聚合之后采用统一定义的结构来存储这些数据。在此过程中，应该注意对数据进行必要的清洗，清理掉垃圾数据和无效信息，保证数据质量及可信性，同时还要兼顾大数据的模式和数据内在的关系。

数据分析是整个大数据处理流程的核心，因为大数据的价值产生于分析过程。从异构数据源抽取和集成的数据构成了数据分析的原始数据，然后根据不同应用的需求可以从这些数据中选择全部或部分进行分析。鉴于大数据的特点，传统的分析技术如数据挖掘、机器学习、统计分析可以应用在大数据处理中，在特定情况下则需要根据大数据的时代需要做出调整[12]。

尽管数据分析是大数据处理的核心，但普通用户往往更关心结果的展示。比较传统的就是以文本形式简要地陈述分析结论，也可以直接在电脑终端上显示结果。这种方法在面对小数据量时是一种很好的选择。但是，大数据时代的数据分析结果往往也是海量的，同时结果之间的关联关系极其复杂，因此借助于可视化的技术、或者使用特定的数字指标来呈现数据分析结果是必要的[13]。

(3)对大数据挖掘、分析技术的研究

随着大数据热的兴起，数据分析与数据挖掘的算法日益成熟，统计学、数据分析的技术手段被引入到大数据处理过程中，起到了重要的作用。

首先，统计学的理论被引入到大数据处理领域，数据统计分析的手段已经变成了数据分析的常规手段。由于大数据的规模比较大，经过数据清洗的有效数据通常符合统计规律，因此信度系数检验、关联性分析、数据的离散度分析(方差、标准差)、聚类分析、主成分分析等被广泛地应用到大数据处理的过程中。目前，这些技术已经被集成到多种计算机信息系统中，发挥着越来越重要的作用。

其次，除了传统的数据分析技术之外，遗传算法、神经网络、语义网络、分布式数据库管理等面向大数据的处理技术已经成熟。

第三，专业的数据挖掘软件、数据推送技术快速发展。应大数据处理的要求，IBM公司、微软公司、Oracle公司都在自己的大型DBMS中集成了数据挖掘技术，强化时间序列特点、支持数据挖掘技术的数据仓已经成为主流数据库系统的重要组件，为基于大数据的数据挖掘提供了强大的技术支撑。

三、对学生评教实施元评价的研究方案

1. 研究方案设计

本研究通过对海量评教数据开展实证分析，从数据的整体信度、再测信度、多来源数据的一致性、基于时间序列的一致性分析论证评教数据的客观性，检验学生评教的有效性。另外，借助因素分析的方法，探求评教数据中隐藏的规律，为提升教学质量并促进教师专业化发展服务。

根据主导思想，研究的聚焦点如图1所示。

图1 学生评教有效性研究的流程图

2. 数据样本的采集

由于本研究是一个基于海量数据的实证性研究，样本的质量和数量直接影响着研究结论。因此需要高度关注样本数据的质与量。

为保证数据的质与量，课题组选用了两所高等院校的学生评教数据。其中A校是位于北京的一所综合性重点大学，共采集了该校自2007年下学期—2012年(11个学期)的全部学生评教数据，大约有110万条记录；B校是位于河南的一所高职院校，获得了该校近4个学期的评教数据，大约有20万多条记录。

3.研究流程与主要技术手段

根据大数据处理的规范，本研究也按照数据抽取与集成(数据清洗)、数据分析和数据解释三个阶段设计研究流程。

(1)数据特点分析与数据抽取

从已获得的样本看，A校的数据比较全面，适合开展较详细的数据分析，B校数据的规模较小，但B校数据能部分代表不同层次院校的评教情况，因此可作为对A校数据的有益补充。另外，上述数据全部是学生评教的原始数据，没有经过任何加工处理，能保证样本的原始性和数据纯度。也正是由于这一点，在正式开展数据挖掘前进行必要数据清洗与集成是必要的。

分析A校和B校的原始数据，发现其学生评教指标由21项构成。在这些原始数据中，存在着部分填写不完整的数据，还有部分仅开课1个学期或间断性开课的教师的评教数据。由于不便于对这些数据进行基于时间序列的跟踪，因此，应该先对这些数据进行清洗，剔除大数据集中的垃圾数据和不便于分析的数据记录。最后，按照“至少讲授过5门次课程，至少具备5轮完整评教数据”的规则对原始数据进行抽取，针对A校，共获得了针对817名教师的学生评教数据，针对B校则获得了462名教师的有效评教数据。

(2)数据分析与挖掘过程

对清洗之后的大数据集，可采取的数据处理方法主要包括两个阶段：其一，先以克朗巴哈信度系数判断评教指标体系的信度，接着通过针对每位教师多轮授课得分的相关性、学生评教数据与教学督导评教的相关性来判断学生评教的有效性水平；其二，如果数据分析结论能够验证学生评教是有效的，则针对现有数据进行数据挖掘，通过聚类分析、关联性分析探索影响教师教学得分的关键因素，从而为教师的职业化发展提供数据依据。

(3)数据解释

对于数据分析结果，主要通过量化指标和图表来呈现，尽可能用通俗、形象的方式呈现数据分析结论，尽量客观地说明学生评教的有效性水平。

(4)关键技术手段

针对学生评教有效性的研究聚焦于两个技术部分：数据分析和数据挖掘。

数据分析主要面向对已有数据的分析，可以通过SPSS 18.0来完成。由于SPSS18.0对数据量的限制，需要在利用其开展数据分析前，借助SQL Server 2005的SQL语言对数据记录实施必要的清洗、拼合和抽取。

数据挖掘则重在对现有数据和未来数据的处理，希望能够与现有的学生评教系统相结合，能够及时地对最新的学生评教数据进行挖掘，从中发现教育和教学规律。由于A校的学生评教系统基于SQL Server 2005数据库系统开发，因此针对A校的数据挖掘主要借助于SQL Server 2005自带的商业智能分析工具(BI)来完成。

四、基于大数据理念检验评教数据的有效性水平

对教师各轮教学的评教得分进行一致性分析，是衡量数据信度的重要手段。本研究通过对评教数据开展内部一致性分析，进行再测副本的信度检验，衡量教师得分的一致性程度，从而检验评教数据的有效性水平。

1. 对评教数据内部一致性的检验

信度分析主要用于对量表的内在信度进行测量，通过初步分析已有数据的内在信度，获取信度系数，并以信度系数体现信度水平。在信度分析中，通常使用克朗巴哈α系数和折半信度系数等[14]反应原始数据的信度水平。

分别按照学期对A、B两校的评教数据进行一致性信度分析，可直接获得其克朗巴哈(α系数)。对A、B两校2011年上半年的评教数据执行内部一致性分析，结果如表1所示。

表1 A、B两校2011年评教数据的内部一致性分析

由表1可知，A校参与处理的个案为817个，共有21个指标项。在计算过程中没有需要被排除的个案，这些个案的可靠性系数α=0.999，显示出极大的可靠性，说明A校2011年的评教数据具有极高的内部一致性，反应出A校的评教数据具有极好的信度。其F检验的概率值p=0.00，证明了各个子指标项都有自己的语义范围，具有相对独立性。

同理，对其他年度的评教数据进行分析，获得如表1所示的表格11张(11个学期)。整理各个年度的克朗巴哈α系数，其结果证实，A校各年度的评教数据都具有较高的内部一致性。对B校的分析结论与A校相似，α值都在0.85以上。

2. 对同质教学班的多轮评教数据进行跟踪分析

由于高校中的很多课程都由固定教师负责，他们会在不同年度重复地讲授同一门课程，每轮课程由不同的学生实施评教。如果把特定教师对同一课程的多轮授课所组成的不同教学班称为同质教学班，那么，对同质教学班来讲，本轮评教数据就是前一轮评教数据的再测副本。通过对照多轮数据之间的相关性程度，分析其信度和效度水平，应该能够较客观地反映出学生评教的有效性水平。

(1)对同质教学班的多轮再测副本开展相关性检验

针对A校五个年度的评教数据，对同质教学班分年度、按主讲教师进行相关性分析，结果如表2所示。

表2 全体教师中同质教学班不同年度评教数据的相关性分析

从表2可知，各年度同质教学班评教数据的相关性检验概率都低于0.05，相关性系数都高于0.6，说明同质教学班的多轮评教数据之间具有高度相关性、一致性。

分别对文理科教师的评教数据按照同质教学班开展分析，发现各位教师在不同年度获得的评教成绩也有高度相关性，而且文科教师的年度相关性更强。

(2)对同质教学班的评教结论开展基于时间序列的跟踪分析

为了客观地反应同质教学班评教结论的一致性水平，并预测评教数据的未来走向，笔者随机选择了10个院系的近200名教师，对他们5年的评教成绩进行跟踪并绘制了随时间而变化的曲线。结果显示：数据呈现出强烈的前后一致性，这也从侧面论证了学生评教的有效性。囿于版面限制，举例呈现承担同一门课程的6名教师在连续5年中所获取的学生评教结论(教师综合表现成绩)，如图2所示。

从图2可以看出，只有曲线C呈现了较大的变化，表示教师C在这5年中评教成绩逐年递增，进步较快。而其他几位教师的曲线则变化不大，教师D则始终位于底部，表示在他所主讲的课程中，学生对他评教成绩始终很低，具有较强的一致性规律。

图2 六名教师5年评教数据的变化曲线

3. 与督导评价的一致性分析

教学督导评价是高校教学质量控制的重要组成，其评价结论深受教务部门和教师的重视。检查A校督导评价状况和学生评教是否一致，无疑对检验学生评教的有效性水平有重要意义。为此，根据已经获取的督导评教数据，笔者提取了部分教师在最近4年获得的学生评教成绩，对数据之间的关系进行了相关性检验和对比。检验结论如表3所示。

表3 督导评价与学生评教数据的相关性分析

从表3可知，督导评价结论与学生评教成绩具有高度相关性(多数评价的检验概率在0.005附近，远小于5%)，而且相关性系数全部在0.65以上，说明学生评教和督导评价具有较好的一致性。

对比督导评价结论和学生评教成绩可知：尽管督导评价与学生评教具有一致性，但若具体到某个教学班，二者还是有一定差异的。督导的评价结论比较温和，学生的评教结论则更加尖锐。

4.对学生评教有效性的研究结论

本研究通过对两所院校的评教数据开展内部一致性分析，发现评教数据具有较高的内部信度(α值均在0.85以上)，证明了评教数据具有较好的内部一致性；通过跟踪分析同质教学班的多轮教学，证明同质教学班在不同学期的评教成绩存在显著性相关，督导的评价也与学生评教结论高度相关。因此，从总体上看，A、B两校的学生评教数据是客观有效的。

研究发现：学生评教结果是有效且有偏的。即学生的评教分的大部分可以由教师的能力特质来解释，评教分能较好地反映一个教师的教学能力，是评价教师教学能力的一个比较有效的指标。在肯定学生评教有效性的同时，必须清醒地认识到：确实有些客观因素会影响到评估分，而且这些影响是比较稳定的。当学生人数低于20人时，学生评教的结果就可能出现较大的偏差。总之，学生的评价结果是可信的和稳定的，学生对教师的评分和他们的学习成绩是相关的，而且这种评价甚至比同行评价更少受到其他因素的干扰。

五、学生评教所反应的规律及其对教师成长的启示

基于“评教数据是客观有效的”这一结论，通过对海量评教数据执行主成分分析，寻找影响评教成绩的关键原因，为促进教师成长提供指导。

1.影响评教成绩的关键因素分析

(1)针对评教数据的主成分分析

为了解释评教指标中各子项的作用水平，笔者对评教数据分学期执行了主成分分析。针对2009年的分析结论如表4所示。综合表4的数据，获得了3个主成分，依次是：教学方法的多样性、教师的师德表现、师生沟通与交流情况。

表4 针对A校2009年评教数据的因子分析解释的总方差

(2)导致部分教师获得差评的原因分析

对差评教师的自评数据和学生评价进行跟踪和对比，笔者认为导致部分教师获得差评的原因主要包括以下几点。

首先，超过40%的差评教师获得了“教学方法单一，只会单调地播放PPT”等定性评价，说明不能灵活地运用教学方法，课堂缺乏激情是导致教师获得差评的重要因素。

其次，在教学活动中，教师能否融洽地与学生相处、能否用清晰简洁的语言表达个人思想，有效地组织教学，是影响评教成绩的重要因素。教师的个人魅力与沟通能力对学生的发展具有重要影响。

再次，部分教师因知识储备不充分，开课准备不足，导致授课过程不流利，甚至有时无力应对疑难问题，直接导致差评。另外，部分教师因科研项目多、外出会议多，导致停课、调课较多，甚至有迟到、早退现象，也会导致差评。

对比定性评价数据和主成份分析结论，发现二者高度一致。学生们对教学的看法通常是整体性的，教师在“教法、师德、沟通”任何一方面的缺失，都会引起整体评价的降低。

2.对提升教师职业能力的建议

从学生评教数据的视角看，导致部分教师获得差评即职业能力不强的三个维度是：教学方法、师德和教师的沟通能力。因此，要提升差评教师的职业能力，也应该从这三个方面着手。

首先，学校应该加强对教学的投入，加强教师的“师德”教育，鼓励教师把更多的时间和精力投入到教学活动中。这就需要学校在教师考核、教学奖励等方面形成一系列的规章制度，把“鼓励”和“惩戒”有机地结合起来。

其次，要加强对教师教学能力的培训，特别要强化教师实现“信息技术与课程整合”的能力，使一线教师掌握更多的教学策略；与此同时，鼓励教师在教学过程中灵活地运用各种教学策略，并能在教学活动中综合运用信息技术的手段解决具体的教学问题。

第三，对于部分沟通能力较差的教师，要帮助教师分析原因，要求他们尽快改变自己的表达方式，改变与学生沟通的语速、语调，并从学生心理健康、教师心理健康、沟通技巧训练等维度为教师的成长提供指导。

六、结语

依据大数据的数据规范化方法，本研究对近200万条、5个学期的学生评教数据进行清理，并按照信度检验、聚类分析和归因分析等理论，分析了学生评教数据的效度和影响因素。从数据的分析结果看，绝大多数的学生评教数据是客观的，能够比较真实地反应教师的教学状况。另外，导致部分的教师获得差评的原因是多方面，多层次的，但对教学的投入不足和实践性知识的欠缺是主因。因此，为了提升教师的职业能力，应该加强对教师的教育，通过规章制度和一定的激励措施，促进教师不断地内省和反思自己的教学行为，加强在教学方面的投入，提升自己的交流沟通能力，尽快成长为优秀教师。

[1] 王瑛.关于高校“学生评教”中若干问题的探讨[J].中国大学教学,2006,(7):46-47.

[2] 杨丽萍,张彦通.是什么影响了高校学生评教的信度和效度[J].中国大学教学,2009,(3):72-74.

[3] 马秀麟,衷克定,张倩.学生评教偏差分析与控制模型研究[J].现代教育技术,2010,(2)：40-44.

[4] 于长虹,王运武.大数据背景下数字校园建设的目标、内容与策略[J].中国电化教育,2013,(10):30-35.

[5] 严霄凤,张德馨.大数据研究[J].计算机技术与发展,2013,(4):168-171.

[6] 吕竹筠, 张兴旺, 李晨晖等.信息资源管理与云服务融合的内涵及共性技术体系研究[J] .情报理论与实践, 2012, 35( 9) : 26-32.

[7] 吴劲松.高校“学生评教”利弊分析[J].高教研究,2009,(3):13-15.

[8] 孙彩云,翟建军.论Kappa统计量评价指导小组、同行专家及学生评教的一致性[J].黑龙江高教研究,2009,(3):41-43.

[9] 《中国电子科学研究院学报》编辑部.大数据时代[J].中国电子科学研究院学报,2013,(1):27-31.

[10] Chen Yu-Hsun，Chen Gen －Huey，Wu E H. Multiple Trees with Network Coding for Efficient and Reliable Multicast in MANETs[A].2010 39th International Conference on Parallel Processing Workshops[C].San Diego, CA:IEEE Computer Society,2010.581－585.

[11][12][13] 孟小峰，慈祥.大数据管理：概念、技术与挑战[J].计算机技术与发展，2013,(1)：146-149.

[14] 薛薇.SPSS统计分析方法及应用[M].北京：电子工业出版社，2009.88-92.

马秀麟：博士，副教授，硕士生导师，研究方向为信息技术教育、教育信息化(maxl@bnu.edu.cn)。

衷克定：博士，教授，博士生导师，研究方向为计算机教育应用、教育管理与决策。

刘立超：在读硕士，研究方向为信息技术教育。

2014年6月10日

责任编辑：马小强

Research of the Validity about SETQ by Big Data Analysis

Ma Xiulin, Zhong Keding, Liu Lichao
(School of Education Technology, Beijing Normal university, Beijing 100875)

The Research demonstrates the validity of the data about the Students Evaluation of the Teaching Quality(SETQ)through analysis the relativity and differences on the 11 terms SETQ Data which come from these colleges. And then the research quests for the main factor of influence about the evaluating indicator of SETQ by the instruction and courseware, and decreases the dimension of the evaluating indicator by Factor Analysis Method so the simpler evaluating indicator can be get. Last, the research looks for how to use the SETQ Data in the Teacher’s Professionalization.

the Students Evaluation of the Teaching Quality (SETQ);Big Data; Data Mining

G434

A

1006—9860(2014)10—0078—07