K-Means聚类在教育教学评价中的研究与应用

张晓丽

【摘要】

我国高校现行的课堂教学质量评价体系主要是从学生学习效果和教师教学效果两方面进行评价，本文主要在定性分析的基础上，结合KMeans聚类分析，从定量的角度评价学生的学习效果，并依据学生类别的不同以及课程的特点，改进教学策略，选取科学的教学方法，增强教师教学效果并提高教师教学质量.

【关键词】教育教学评价;KMeans聚类;系统聚类

一、引言

教学质量评价的实施对教学改革和教学管理等一系列教学工作有一定的指导作用.虽然目前高校教育教学的形式越来越多样化，但课堂教学依然是高校教学的主要形式.教师如何依据学生实际掌握知识的情况和学生自身的差异（如贫富差距、家庭社会差距、文化背景差异、性别差异、自身个体发展差异等），在课堂上进行因材施教，采取不同的教学策略，进而提升教学质量，促进课程体系改革，对今后的教育教学质量的提高以及学生的全面发展起着举足轻重的作用.

二、问题及现状

我国传统的教育教学形式基本上都采取一刀切的標准，教学设计以及课堂评价标准的统一，直接限制了学生自身的成才与发展.我国高校现行的课堂教学质量评价体系的不规范、不科学以及反馈的时效性不强，使得教师往往只关注学生的分数以及基础知识，忽视了学生的情感、价值观等因素，因此，当下的评价手段不能很好地引导教师教学和学生学习，这严重影响了教学质量的提高和学生的全面发展.我们可以将聚类分析算法引用到学生学情的分析中，而考试作为检验学生学习情况的重要手段，我们可以结合学生的考试成绩，进行分类，从而对学生的学习能力和知识水平进行综合评价，进而提升高校教育教学质量和学生学习积极性.

三、K-Means聚类分析理论

聚类分析也称为群分析，是一种数据挖掘技术，主要依据样品或指标的相似程度，进行归组并类，从而达到对样品或变量进行精准分类的目的.常见的聚类分析方法包括两种，一种是系统聚类分析（分层聚类），另一种是KMeans聚类分析（K-均值聚类）.

系统聚类分析与K-Means聚类分析原理是完全不同的，系统聚类侧重的是样品中不同类与类之间的合并，而K-Means聚类是让样品向选定的聚类中心进行凝聚，通过不停迭代，达到最佳分类效果.

我们对比系统聚类分析和K-Means聚类分析，容易发现，系统聚类分析对距离和规则的限制少，无须预设聚类数.但该算法计算复杂度过高，对异常值和缺失值敏感，很可能造成聚类链状，比较适合处理小样本的聚类问题;而K-Means聚类分析计算量小，占用内存少并且处理速度快，比较适合处理数据量大、变量较多的聚类分析.同时，基于K-Means聚类结果的有效性检验主要取决于轮廓系数，对于第i个元素xi，其轮廓系数s（i）越接近于1，则说明样本i聚类合理;若s（i）越接近于-1，则说明样本i更应该分到另外的类别;若s（i）越接近于0，则说明样本i在两类别的边界上.聚类结果的整体轮廓系数即为所有xi的轮廓系数的平均值.

四、聚类分析过程

本次教育教学评价聚类分析的数据，主要采用某大学2015级数学教育1504班全班50名同学在2015-2016学年第二学期所修主要课程的考试成绩，这里用1-50（序号）来表示每一位学生;所修主要课程共15门，包括专业课和通识课.专业课主要向学生传授专业的知识和技能;通识课的目的在于促进学生在思想、情感、能力等方面的全面发展，塑造完整人格.

1.数据预处理.

由于K-Means聚类分析对数据相关性、缺失值、异常值较敏感，因此，在进行聚类分析之前，我们必须对数据进行相关性、异常值检验以及数据标准化处理.

通过相关性检验发现，各指标间相关系数最高为0.7277，因此，我们可认为各数据间的相关性较低，在此，不予以处理.我们通过异常值检验发现（表1），数据中虽然存

在异常值，但个数并不是很多，不影响整体效果，可不予以处理.同时，由于所有的数据采用的都是百分制，各指标间的水平相差不大，具有相同的量纲，因此，我们可直接使用原始指标值进行分析.

2.数据分析.

通过K-Means聚类分析结果显示（表2），整个样本数据分为3类，平均轮廓系数为0.1008991，这说明聚类效果特别好，且属于0类的样本有21个，属于1类的样本有16个，属于2类的样本有13个.

3.数据透视表分析.

为便于分析，这里将所有课程按编号和名称排序：1.中华诗词之美、2.阅读与写作、3.现代教育技术、4.数学分析、5.解析几何、6.高等代数、7.大学英语、8.音乐、9.汉字文化书写、10.体育与健康、11.毛中特概论、12.形势与政策、13.科学技术概论、14.心理学、15.就业指导.数据透视表分析结果如下（表3）：

从该表中，我们可以清晰地看到：整个样本数据的聚类结果分为3类.0类学生在中华诗词之美、大学英语、体育与健康、科学技术概论知识的学习中，成绩中等偏上，这部分学生专业课成绩普遍偏低，但通识课成绩相对较好一些，这说明这部分学生在思想和学习方面比较主动，在今后的教学中，教师应建立专业学科主导模式，加强专业多元化教学与实践相结合，提升学生在专业课方面学习的兴趣.1类学生在现代教育技术、汉字文化书写、形势与政策等非专业学科学习中，成绩中等偏下，这部分学生入学成绩普遍偏低，专业课成绩和通识课成绩均不理想.针对这部分学生，教师应加强对其进行思想教育和心理疏导，鼓励其在兴趣爱好及实操能力等方面重点发展.2类学生在阅读与写作、现代教育技术、数学分析、解析几何、高等代数、心理学、就业指导等专业知识和综合类学科的学习中能力都特别强，其专业课和通识课成绩均良好，教师可将这部分学生作为来年专升本的重点培养对象，鼓励其在加强专业学习的同时，多参加各种实践活动，促进其全面综合发展.

五、结束语

综上所述，教育教学质量评价对高校教学质量提升和学生全面发展至关重要，而K-Means聚类分析作为数据挖掘的一种重要技术，对完善高校课堂教学质量评价体系举足轻重.本文将聚类分析算法引用到学生学情的分析中，通过检验学生学习情况（学习成绩），对其进行分类，并对不同类别的学生情况进行综合评价，这样可以真正做到因材施教，提升高校教育教学质量和学生学习的积极性.

【参考文献】

[1]唐成成.聚类分析在高校课堂教学质量评价中的应用[D].重庆：重庆师范大学，2017.

[2]叶晶.高校教学质量评价体系的构建分析[J].教育教学论坛，2017（48）：159-160.

[3]冯国生，刘荣，吕振通，等.SPSS统计分析与应用[M].北京：机械工业出版社，2014.