基于数据挖掘技术的高校教学质量评估算法

汪 滢

（南昌师范学院，江西 南昌 330032）

近几年，在信息化发展和社会变革的背景下，教学质量评估方式在精度和实施效率方面已经无法满足信息化和现代化的教学模式，因此各个学科开始不断进行改革[1-2]。准确的高校教学质量评估结果直接关系到教学质量建设工作的全面开展，是高校培养人才方案的关键内容。高校教学质量是一项重要的高校水平评价指标，但是高校教学质量与多种影响因素相关，十分复杂，传统的高校教学质量评估方法构建的评估模型较简单，无法准确有效地进行教学质量评价[3]，因此需要设计新的高校教学质量评估模型。

事实上，近几年国内外教育人员针对高校教学质量评估进行了细化研究，研究结果表明，影响高校教学质量的综合因素较多，涉及的数据信息也十分复杂，传统的高校教学质量评估模型无法有效地统计全部数据信息，导致其评估效果较差[4]，数据挖掘是一种新型计算机技术，可以有效地整合数据信息，实现精准的影响因素分析。

1 基于数据挖掘的高校教学质量评估模型优化设计

1.1 灰色关联分析模型

（1）无量纲处理。由于测量资料的量纲和量值的差异，使得各指标的资料无法比较，因此必须采用无量纲处理消除量纲，本文采用了极差法进行无量纲处理。

（2）比较序列和基准序列的相关系数的计算。

（3）计算关联度。传统的关联度计算公式是求相关系数的平均值，它没有充分地反映出各指标在整体指标评估系统中的重要性，从而导致不准确的结果。为此，本文将每个指数的相关系数乘以权重，并将其相加，以求出最后的关联度。

1.2 构建高校教学质量评估体系

为了进一步提高高校教学质量评估模型的评估精度，在设计高校教学质量评估模型前首先需要构建有效的评估体系。首先根据高校的实际教学质量，选取信息化评价维度，确定评价指标体系的相关指标种类；其次，为了保证指标的可操作性，本文将影响高校教学质量的具体因素划分出来，构建指标群体，设计的高校教学质量评估体系，如图1所示。由图1可以判断教学质量评估的具体范围，有效地提高了高校教学质量评价的精度。

图1 高校教学质量评估体系

1.3 基于数据挖掘设计高校教学质量评估算法

本文使用数据挖掘技术设计高校教学质量评估算法，该算法可以根据各个数据之间的识别关系挖掘数据规律，判断其对教学质量的影响程度[5]，设计的高校教学质量评估算法S如式（2）所示。

在使用上述算法进行决策时可能会出现不同的特征单元，为了保证决策最优化，本文设计的模型结合CR理论进行模型优化，可以将设计的决策模型使用Charnes-Cooper变换，此时得出的表达模型具有优化性，可以使用该表达模型进行决策，保证决策结果最优化。

1.4 分析教学质量评估灰色关联

结合上述的高校教学质量评估决策结果，可以进一步分析教学质量评估灰色关联，在高校教学质量评估的过程中，可能会产生相关的误差因子，降低整体评估效果，因此本文通过式（3）计算灰色关联评估。

式中，g代表灰色关联评估指标；f代表实际关联度，该计算式可以有效地计算出各个评估因素的灰色关联数值，将模型内部的相关评估因子与实际灰色关联数值进行比对，比对数值高于1.00证明存在误差因子，反之则证明不存在误差因子，可以实现有效评估。

1.5 构建高校教学质量评估模型

根据上文的灰色关联分析情况，可以构建DEA数据挖掘高校教学质量评估模型，首先需要假设模型的实际投入，并根据投入系数设计初级效率评估向量，此时该评估向量与实际决策标准有重要关联，可以根据决策单元规模构建教学质量评估模型K，如式（4）所示。

在实际使用过程中发现，该模型还具有线性规划性，因此，可以根据该模型的线性规划标准，对该模型进行进一步优化，提取全部的决策单元，进行综合求解，保证决策模型内部的决策单元与实际DEA相符，实现高精度教学质量评估。

2 实例分析

2.1 概况及准备

为了验证本文设计的基于数据挖掘技术的高校教学质量评估模型的实际评估效果，选取某大学进行实例分析，搭建高校教学质量评估的实例分析平台，CPU为16Core、内存为128 GB、磁盘为3 TB、带宽为1000 Mb/s，硬盘为12 TB，操作系统为CentOS 7，本文主要采集该大学的影视策划专业的教学质量信息作为实验数据，采集到的实验数据集共包含300个数据样本，随机抽取数据集中的20名学生，设计高校教学质量灰色关联度系数r计算式，如式（5）所示。

式中，n代表教学质量参考系数；k代表参考灰色关联度，使用该计算式计算后可以分别计算抽取的20名学生的教学质量灰色关联度评价系数，如表1所示。

表1 灰色关联度系数

由表1可知，得到的灰色关联度系数均低于最大关联系数值，证明选取的学生符合教学质量模型分析标准，基于此，可以设计高校教学质量评估模型评估指标g计算式，如式（6）所示。

式中，s代表学生注意力反馈数值；a代表教学质量综合因素系数，计算的高校教学质量评估模型评估指标越高，证明其评估效果越好，评估精度越高，可以以此为依据进行后续的应用效果评价。

2.2 应用效果与讨论

结合上述的实例分析概况和准备工作，可以进行有效的模型应用效果评估，分别使用本文设计的基于数据挖掘技术的高校教学质量评估算法和传统的高校教学质量评估模型对随机抽取的10名学生进行教学质量评估，使用公式（6）分别计算两个模型的教学质量评估模型评估指标，应用效果如表2所示。

由表2可知，本文设计评估模型的评估指标数值较高，证明本文设计模型的评估效果较好，具有准确性，有一定的应用价值。

表2 应用效果

并采用两种模型对表1中10名学生的教学质量进行评估，统计每名学生的教学质量评估精度，结果如图2所示。

图2 高校教学质量评估精度比较

由图2可知，本文设计评估模型的评估指标数值较高，证明本文设计模型的评估效果较好，具有准确性，有一定的应用价值。传统方法的教学质量评估精度平均在60%左右，教学质量评估误差较大，教学质量评估效果较差。而本文方法的教学质量评估精度平均在85%左右，远远高于传统方法的教学质量评估精度，这是因为本文方法引入了数据挖掘技术，构建DEA数据挖掘高校教学质量评估模型，克服了当前评估过程中存在的一些问题，有效提高了评估效果。

3 结束语

综上所述，本文基于数据挖掘技术设计了新的高校教学质量评估模型，将设计的决策模型使用Charnes-Cooper变换，使得出的表达模型具有优化性。为了提升整体评估效果，计算灰色关联评估，本文进行实例分析，结果表明，本文设计的高校教学质量评估模型的评估指标数值较高，评估效果较好，具有准确性，有一定的应用价值，可以作为后续大学生教学优化的参考。■