基于大数据的高校教学质量评价平台构建研究

敬国东 刘晓莉

基金项目：四川省高等学校人文社会科学重点研究基地·四川省教育信息化应用与发展研究中心项目“基于大数据的高校教学质量评价改革研究——以川港部分高校为例”（项目编号：JYXX19-027，主持人：敬国东）;四川省高等教育学会川港高等教育教学研究专业委员会2019年度重点课题“成效为本（OBTL）教学质量保证体系研究”（课题编号：19ZD0101，主持人：敬国东）;四川中医药高等专科学校教学改革研究项目“基于大数据的医学院校教学质量保障体系研究” （课题编号：19JGYB13，主持人：敬国东）

摘要：教学质量是高校生存和发展的生命线，教学质量评价是以教学活动相关数据为依据的教学质量建设与管理的过程。基于大数据的高校教学质量评价平台以智能数字化校园为基础，以Hadoop技术和数据挖掘技术为支撑，采用全校统一的数据标准将数据采集、数据存储、数据处理和数据应用整合为有机整体，实现了教学数据的共享，有效提升了高校教学质量评价的效率和质量。

关键词：大数据;教学质量评价;数据挖掘

中图分类号：G642.0; TP311.13   文献标识码：A   文章编号：1672-9129（2020）12-0082-02

1 引言

高等教育是我国教育体系的重要组成部分，现在已由追求规模扩张到注重内涵建设的观念转变，特别是学校的教学质量已成为高校的生命线[1]。影响高校教学质量的因素非常多，包括学校基础硬件环境、图书资源、科研环境、师资水平等资源性因素，也包括教师课教学理念、教学方法、教学手段、师生互动等课堂教学动态性因素，如此复杂的教育教学环境和过程，导致高校教学质量的评价既重要又难以实施。

传统的教学质量评价一般是在学期教学工作完成后，学校组织学生对老师的课程教学方法、教学态度、教学技巧等教学活动直接相关的因素进行集中评价。这种传统的教学质量评价模式是静态的结论性评价，忽略了教学活动中师生互动过程、学生学习实时成效、教师课堂展现实时状态等过程性因素，无法科学全面地反应高校真实的教学质量水平。另一方面，由于受观念和技术的限制，传统的教学质量评价一般是采用纸质材料以书面问卷的方式进行的，数据的后期分析和处理也是以人工劳动为主或采用EXCEL进行简单的计算机处理，数据采集和分析的效率极低，数据分析算法也只是简单的数据汇总和比例统计，缺乏深层次分析和挖掘，无法揭示高校教学质量本质，严重地影响和制约了高校教学质量的提升。

随着计算机信息技术的快速发展，大数据科学技术已从理论研究转向应用实践，教育科学和大数据技术想结合的教育大数据理念应运而生，并快速的被应用到高等教育教学质量管理和评价实践之中，开始构建基于大数据的高校教学质量评价大数据平台[2]。

2 建设原则

2.1注重智能化数字校园建设。智能化数字校园是建设高校教学质量评价大数据平台的基础和前提条件，为教学质量评价大数据平台提供硬件支撑和运行环境。智能化数字校园建设应用采用整体规划逐步实施的原则，根据高等教育的基本规律和学校发展的目标定位，全面考虑学校教学管理的具体要求，科学设计智能数字化校园的总体框架，特别要注重将人工智能技术和大数据技术相结合，实现教学质量数据采集自动化、教育质量数据挖掘和分析的智能化和教学质量评价实时化[3]。数字化校校园建设是一项复杂的工程，在做好整体规划的基础上，学校还要结合轻重缓急和财力状况制定详细的实施计划，分步有序地推进智能化校园建设，并在实际应用中逐步完善智能数字化校园和教学质量评价大数据平台的结构和功能。

2.2加强数据标准制定与共享。教学质量评价大数据平台的数据来源与学校教学管理的各个环节和数字化校园的各个应用系统，这些数据包含了丰富的教学质量评价因素，但因各个环节或应用系统关注的重点不同，其中的数据结构各不相同甚至相差极大，为了能充分利用这些数据对教学质量进行客观而科学地评价，就必须制定统一的数据标准并共享数据[4]。学校教学质量数据标准制定要在教育部教学信息化标准的基础上，结合学校教学质量管理实际需要进行改进和完善，形成体现学校自身特色的数据编码标准、交换标准和共享标准，各个应用系统根据学校统一的数据标准对教学质量评价平台开放接口，确保教学质量评价平台能从各个应用系統获取教学质量评价相关的数据，从而实现数据共享。

2.3注重建设与应用并重。随着社会的进步与发展，高等教育教学也是不断发展变化的，影响高校教学质量的因素也会不停改变，高校教学质量评价平台的建设也是一个在应用中不断改进和提升的过程。学校往往存在重建设轻应用的现象，导致花费大量人力物力建设的平台无法发挥应有的作用。教学质量评价大数据平台的建设必须与教学质量评价实际工作相结合，边建设边应用，及时采集和分析教学活动各个环节的数据，形成教学质量评价大数据，再以这些大数据为基础及时对教学质量进行评价并将评价结果及时反馈给教学管理部门、教师和学生，这些部门和教学活动参与者依据教学质量评价和建议及时改进和提升教学质量，并对教学质量评价大数据平台的运行状态和效果提出需求和建议，学校再进一步完善和改进教学质量评价大数据平台，从而形成平台建设与应用并重相互促进的良好局面。

3 平台构建

3.1整体框架。基于大数据的教学质量大数据平台整体框架如图1所示，主要由数据采集、数据存储、数据处理、数据应用四个部分组成，并包涵可靠的平台安全保障机制和科学的质量评价指标准。

（1）数据采集。数据采集是教学质量大数据平台的信息流入口，主要负责采集与高校教学质量相关的各种教育大数据。根据教学质量数据的来源和性质不同，可以分为资源性数据采集、过程性数据采集和结果性数据采集三类[5]。资源性数据是指高校内为提升教学质量而必备的各种资源，这类数据一般是从学校各个应用系统提取整合而得的，比如图书管理系统中的图书资源数据，人事管理系统中的教师信息数据，学工管理系统中的学生信息数据，教务管理系统中的课程信息和学分成绩数据;过程性数据是教师和学生在课堂教学或在线学习过程中实时产生的教学数据，这些数据是教学活动中动态生成的，一般可以借助学校多媒体教室的智能麦克风和高清摄像头实时自动采集并上传到教学流媒体服务器中以供教学质量评价系统抽取分析;结果性数据是兼容传统教学质量评价模式，在课后、期中或期末允许学生通过网络在线评价系统对教师的教学活动进行在线评价并自动将评价数据上传的教学质量评价平台。

（2）数据存储。教学大数据包括结构化数据、半结构化数据和非结构化数据三类，平台数据存储方案应综合考虑兼顾三类数据存储要求。结构化数据是以二维表的形式表示的数据结构，数据以行（记录）和列（字段）的构成数据表，多个数据表相互联系在一起形成数据库，比如图书数据、教师数据、学生数据、成绩数据等都是标准的结构化数据，这类数据结构规范，适合应用Oracle、SQL Sever、MySQL等主流关系型数据库进行存储。半结构化数据一般以标记形式来表示数据，最常见的半结构化数据是JSON和XML格式数据，以属性的方式来描述数据特征，这类数据主要用于教学大数据平台的系统配置、标准设置、数据交换、网络传输等场景，可直接利用操作系统的文件管理功能以文本文件的形式存储半结构化数据。非结构数据是指数据结构不规则无法产生规范的二维表结构的数据，现实教学活动产生中的数据绝大多数数据都是非结构化的数据，如教学图像、教案文档、课堂教学的音频和视频文件等，非结构化数据可以利用Hadoop的HDFS进行分布式存储[6]。

（3）数据处理。数量宏大的教学大数据必须经过高效地处理才能充分挖掘数据的内在价值，分析教据之间的内在联系及对教学质量的关联程度，从而对高校教学质量进行科学的评价。教学质量大数据评价平台对数据的处理主要为数据整合和数据挖掘。数据整合是根据事先制定学校数字化建设统一的数据标准和数据交换接口，将来自学校各个应用系统和实时动态采集而来的结构化、半结构化或非结构化的数据利用Hadoop的ETL进行数据抽取、清洗、修正、转换和集成，形成数据仓库或数据集市[7]。数据挖掘是在数据仓库或数据集市的基础上根据教学质量评价的具体需要，建立相应的数据模型并利用先进的大数据算法对各种教学大数据进行分析，获取教学质量评价相关数据并对教学质量进行科学评价。

（4）数据应用。数据应用是平台信息流的输出端，根据教学质量评价的具体需要对数据进行查询、统计和多样化展示，以供高校进行教学质量诊断和改进使用。高校的教师、学生和教学管理者经平台统一身份证后便可以查询教师本人的教学质量评价结论及教学活动中的优缺点，还可以查询各教研室、系部和学校的教学质量状况统计，查询和统计的结果可以以表格的形式展示，也可以以图表的形式显示，还能根据评价结果生成图文形式的教学质量评价文本文档。

3.2关键技术。

（1）Hadoop技术。Hadoop是重要的分布式系统架构之一，便于开发者开发分布式应用程序，并以集群的方式对大数据进行分布式存储和运算，其核心技术包括HDFS和MapReduce[8]。HDFS（Hadoop Distributed File System，分布式文件系统），主要用于大数据的分布式存储，可以通过一个管理节点（NameNode）和多个数据结点（DataNode）来对服务器集群上的文件以块（Block）为单位进行创建、删除、复制和读写操作。MapReduce是大数据运算模型，能高效率地分析大数据并输出结果数据。除了HDFS和MapReduce两大核心框架外，Hadoop还包括了Ambari（Hadoop集群的安装、部署、配置和管理工具）、Sqoop（数据库ETL工具）、Flume（日志收集工具）、Zookeeper（分布式协作服务）、HBase（实时分布式数据库）、Hive（数据仓库）、Pig（数据流处理）和Mahout（数据挖掘库）等工具或功能组件，形成完整而成熟的Hadoop生态系统。

（2）数据挖掘技术。原始的教育大数据虽然包含了大量的与教学质量相关的信息，却无法直接从这些数据源对教学质量进行评价，必须借助数据挖掘技术对教育大数据进行处理才能获得有效的教学质量评价结果。数据挖掘（Data Mining）是从数量庞大、杂乱无章、充满噪声、随机分布、信息模糊的原始数据中根据应用需要运用科学的算法分析获取实用价值信息的过程。常见的数据挖掘技术包括关联技术、聚类技术、预测技术和挖掘算法[9]。关联技术利用教育大数之间内存联系建立相应的关联规则，并根据关联规则分析教育大数据对教学质量的影响关系进而对教学质量进行评价;聚类技术将教学大数据按相似程度把类似的零碎数据聚集在一起进行分析处理，从不同的类型角度对教学质量进行评价;预测技术是在大数据全集（而非校本）的基础上，通过时序分析或回归分析对教学质量的变化趋势进行预判，及时预警和正教学活动，从而有实现教学质量的动态评估和提升。算法是大数据挖掘的核心和关键，决定了大数挖掘的效率和质量，常用的大数据挖掘算法有决策树算法（如ID3、C4.5，CART）、关联规则算法（如Apriori、FP-growth）、聚类算法（如K-MEANS、K-MEDOIDS、Clara、Clarans）等，研究和改進挖掘算法是教学质量评价平台建设的重要技术支撑点。

4 结语

教育大数据涵盖了教育教学过程中的一切相关的数据，包括学校的教学环境、实验设备、后勤保障、师资结构、教学观念、教改能力、课堂互动、在线教学等资源性、支撑性和过程性的教学因子。教育大数据以宏大的数据量为基石，全面的反应了高校教学质量的各种指标因素，对高校教学质量评价有重要的理论意义和实践价值。同时，教育大数据的数量之大已无法用传统方法进行采集、整理和分析，必须借助先进的技术才能有效处理教育大数据，大数据技术是最佳的教育大数据挖掘技术，教学质量评价大数据平台是大数据技术应用于教学质量管理与评价的重要应用系统，对高校教学质量的提升有重要的作用。首先，利用教学质量评价大数据平台，能有效提高教学质量评价的效率，大数据平台不再通过人工方式获取和处理数据，而是借助音视频智能网络终端可以实时动态采集各类教学活动相关资料，并利用先进算法让计算机自动对所采集的数据进行分析获得评价结果;其次，利用教学质量评价大数据平台，能实现评价过程全面化，大数据平台能将高校教学活动相关的各个方面有机地整合到一起，全面收集影响教学质量的各种信息，并对教学过程进行全程跟踪和动态监督，从而对教学质量进行全面全程全员的评价;另外，利用教学质量评价大数据平台，能提高评价结论精准度，大数据技术凭借先进的数据算法，在全面全程教学质量评价数据源的基础上，参照科学评价评价指标体系进行精确分析判定，能够极大地提高高校教学质量评价的精准度。

参考文献：

[1]徐慧芳，陈原艳.大数据背景下地方高校教学质量评价体系的构建探索[J].牡丹江教育学院学报，2020（07）：35-36+81.

[2]唐秀忠，兰晓俐，陈洪磊.基于大数据的高校教学质量评价系统设计研究[J].开封文化艺术职业学院学报，2020，40（02）：120-122.

[3]刘璐.大数据时代高校数字化校园建设[J].中国管理信息化，2020，23（09）：212-214.

[4]郭猛，那日苏，特日格乐，包东明.数字化校园数据交换平台建设研究[J].信息与电脑（理论版），2020，32（11）：237-239.

[5]黄旭彬.构建校园大数据采集与评价分析平台的关键技术[J].计算机产品与流通，2020（08）：14-15.

[6]陈敬彬.基于NoSQL数据库的空间大数据分布式存储策略[J].计算机产品与流通，2020（08）：40.

[7]贺丽丽.探讨云计算模式下大数据处理技术[J].科技视界，2020（26）：95-96.

[8]王玉.大数据时代Hadoop和Spark技术研究[J].品牌研究，2020（04）：88-90.

[9]崔巍.大数据挖掘与分析的关键技术研究[J].中国新通信，2020，22（08）：62.

作者简介：敬国东，硕士研究生，副教授，四川中医药高等专科学校质量管理办公室主任，长期从事教学质量管理、课程体系建设和高职教学工作，主要研究计算机辅助教学与管理教学的理论研究、软件开发和体系建设;刘晓莉，讲师，四川中医药高等专科学校英语教师。