大数据驱动的计算机教学效果评价模型

高 兴

（沈阳音乐学院公共基础部，辽宁 沈阳 110818）

1 引言

计算机作为高校重要的课程，[1，2]其教学效果直接影响计算机专业素质培养，因此如何提高计算机教学效果十分关键。计算机教学效果极为重要，教师是否能胜任计算机教学是高校管理部门需重点考虑问题。[3-5]

目前针对计算机教学效果评价研究较多，有学者等人研究基于用户满意度的计算机教学效果评价；[7]有学者等研究大数据背景下的计算机教学效果评价，[8]均可实现教学效果评价，但评价效果较差。计算机教学效果评价模型的设计面临巨大挑战。支持向量回归模型是目前广泛应用于评价领域的大数据驱动模型，其针对非线性、高维度评价问题具有较高优势。[6]为此，提出了大数据驱动的计算机教学效果评价模型，将支持向量回归模型应用于计算机教学效果评价中，避免评价容易陷入局部最优以及过学习的缺陷，提升评价有效性。

2 基于大数据驱动的计算机教学效果评价模型

2.1 构建计算机教学效果评价体系

利用层次分析法和专家评价法建立计算机教学效果评价体系，首先确定计算机教学效果评价的主层次模型，如图1所示。

图1 主层次模型

利用层次分析法令所确定的主层次因子互相比较，建立主因素比较矩阵，如表1所示。

表1 主因素比较矩阵

表1中不同指标的重要性由1、2、3表示，分别表示两个元素同等重要、比较重要以及很重要。[9]建立矩阵最大特征根为5.9865，矩阵阶数为6，对矩阵阶数以及特征根实施一致性检验公式如下：

式中， 表示比较矩阵的一致性比率[10]； RI与CI分别表示平均随机一致性指标以及成对比较矩阵不一致程度。

依据比较矩阵特征向量值获取不同评价指标权重，[11]教学效果评价指标权重如表2所示。

表2 评价指标权重

2.2 支持向量回归

支持向量机是基于统计学理论的大数据驱动算法，支持向量机常应用于小样本情况下的机器学习。支持向量机利用优化模型获取全局最优解，有效避免局部最优以及过学习情况，[12]可应用于回归以及分类问题。支持向量机应用于回归问题时即支持向量回归模型，设存在独立同分布观测样本：

求解公式(1)获取最佳回归函数y=f(x)，即可解决回归问题。

依据统计学理论可知实际风险并不受经验风险最小化影响，支持向量回归模型采用结构风险最小化原理作为学习模型，可将复杂度以及经验风险最小化[13]，令样本数量有限时仍具有较高的输出函数平滑性以及推广能力。

支持向量回归模型公式如下：

采用不敏感函数ε作为损失函数时，可得：

将支持向量回归问题转化为优化问题，即：

将拉格朗日乘子α*与αi引入上述优化问题，利用对偶问题解决优化问题公式如下：

求解公式(5)获取最优的α*与αi，选取KKT 条件获取偏置值，即：

将以上求解所获取系数代入公式（2），即可实现基于大数据驱动的计算机教学效果评价。

基于大数据驱动的计算机教学效果评价是数据泛化拟合问题，将各评价指标值与权重值作为输入样本，依据输入样本进行学习，计算不属于学习样本集内输入数据获取相应输出值。支持向量回归输出样本为各中间节点的线性组合，不同中间节点与支持向量机和输入样本内积相对应。

3 实例分析

选取某大学作为实验对象，该高校于2017年引入计算机教学。选取网络调查问卷方式针对该高校学生发放调查问卷，共发放调查问卷数量为15000份，回收有效调查问卷数量为13586份，选取其中9000份作为大数据驱动的训练样本，剩余调查问卷作为测试样本。利用SPSS软件分析调查问卷结果，调查问卷结果的信度系数值为0.995，KMO值为0.935，信度系数值与KMO值均高于0.9，说明该调查问卷结果具有较高效度以及信度，可应用于计算机教学效果评价中。采用本文模型利用所回收调查问卷评价该校计算机教学效果，选取10分制作为教学效果评价结果表示形式。

选取均方误差作为评价指标，统计本文模型所采用大数据驱动模型在不同惩罚系数时的输出结果，统计结果如图2所示。图2实验结果可以看出，惩罚系数为100时，本文模型所采用大数据驱动模型输出结果均方误差最低，表明此时大数据驱动模型具有较高的输出性能，应用于计算机教学效果评价时，可有效提升评价精度，设置采用大数据驱动模型应用于计算机教学效果评价的惩罚系数为100。

图2 不同惩罚系数时输出结果

采用本文模型评价计算机教学效果结果如表3所示。表3实验结果可以看出，采用本文模型可实现计算机教学效果评价，评价结果为6.3分，表明该校计算机教学效果为中等，仍具有较高的提升空间。该校应针对评价结果，从亲和力、创新能力等评分较低的指标提出相对改进措施，提升计算机教学效果。

表3 本文模型评价结果

为进一步检测本文模型评价性能，将本文模型评价结果与专家评价法评价结果对比，计算本文模型评价计算机教学效果的相对误差，并将本文模型与文献[12]模型以及文献[13]模型对比，对比结果如图3所示。图3实验结果可以看出，本文模型采用大数据驱动模型评价计算机教学效果，评价结果的相对误差明显低于另两种模型。本文模型评价计算机教学效果各项一级指标的相对误差均低于0.2%，而另两种模型评价计算机教学效果的相对误差均高于0.3%。计算机教学效果评价是典型的非线性问题，不同模型评价结果存在较大差异，专家评价法具有较高的权威性，本文模型评价计算机教学效果与专家评价法评价结果相差较小，说明本文模型可替代专家评价法应用于计算机教学效果评价中，有效节省人力资源，提升评价效率。

图3 不同模型评价精度对比

统计采用本文模型评价计算机教学效果各一级指标所需时间，并将本文模型与文献[12]模型以及文献[13]模型对比，对比结果如图4所示。图4实验结果可以看出，采用本文模型评价计算机教学效果评价时间均低于另两种模型，本文模型评价各一级指标时间均为200ms以内。结合图3实验结果可知，本文模型可在保持较高评价精度同时具有较高实时性，验证本文模型具有较高的评价性能。本文模型评价性能优越，可应用于计算机教学效果评价实际应用中。

图4 不同模型评价时间对比

调查问卷中设置意见回答部分，从调查问卷中剔除“无”“没有”等无用信息，利用在线词频分析工具获取意见、策略中出现频次较高的词语如图5所示。图5实验结果可以看出，互动性、趣味性为排名较前、出现频率较高的词语，说明高校学生较重视计算机的生动性以及趣味性。高校开设计算机时，应重视生动性以及趣味性的改进，可从教学内容以及评价方式等部分提升计算机教学效果，活跃计算机教学课堂，培养高校学生的自主学习意识。

图5 关键词频次结果

4 结论

利用大数据驱动模型实现计算机教学效果评价，并通过实例分析验证该模型可实现计算机教学效果有效评价，评价效果较好。大数据驱动模型具有较高的评价精度，应用范围广，应用于评价问题中具有更好的应用前景，可通过选取合理的损失函数和核函数提升评价性能。高校利用所研究模型明确计算机教学过程所存在问题，可通过提升教学综合能力、改善传统教学观念、丰富教学模式等模型提升计算机教学效果。