基于云理论的实践教学环节成绩评定方法

陈维佳

关键词： 实践教学 云模型 评价体系 数据挖掘

中图分类号： TP302 文献标识码： A 文章编号： 1672-3791（2024）01-0178-04

实践教学是学校教学工作的重要组成部分，是深化课堂教学的重要环节，是学生获取、掌握知识的重要途径［1］。通过设定具体目标，可以激发学生学习的主动性，使学生在实践过程中将所学习的理论知识运用到对实际装置或技术的研究中，并实现对技术理论更深层次的理解［2］。随着“新工科”教育的不断推进，以“解决复杂工程问题”为导向回归实践教学，培养和提高学生工程实践能力、创新思维，以适应新形势下的人才培养需求［3］。本文以课程设计为例介绍一种基于云模型的成绩评定方法，弥补了之前评价方法的不足，发现了教学过程中存在的问题，成绩评价更加准确客观，教学质量得到了提升。

1 实践教学环节成绩评定体系

在工科专业课教学中，实践教学环节一般包括专业课内实验、独立设课实验、课程设计、生产实习与毕业设计等。以课程设计为例，根据《西安邮电大学实践教学成绩评分标准》中自动化专业相关要求，考核项目分为三部分。第一部分为学习态度和纪律，占比20%，考核内容包括预习报告质量、考勤签到情况，考查学生学习积极性与前期理论知识功底。第二部分为实践能力考核，包括软件原理仿真、硬件实物焊接与调试。该部分为实践环节考核核心内容，考查学生解决实际工程问题的能力，占比50%。第三部分为实验报告与答辩，占比30%，考核内容包括答辩过程中问题回答情况，实验报告的完整性、规范性与准确性，学生整理资料与书面表达能力。评分标准内容与分级如图1 所示。该标准贯穿实践教学每个环节，考查内容全面具体，体现了教学过程的系统性和科学性，符合专业认证背景下的工科人才培养需求。

因为实践环节教学考查具有复杂性、创造性、主观性和模糊性的特点，所以采用等级评定制度判定成绩。等级定性评定方比较简单，不需要复杂的计算，可以更客观地反映学生的知识掌握情况。但是现有方法存在一些问题，即等级之间只有序列性不适合做四则运算，难以进行综合分析［4］。教师只能凭借教学经验根据二级考核指标结果给出最终成绩等级，具有一定的主观性和片面性。

把云模型应用到实践教学环节的定性评价中，可以合理划分学生成绩，使评价结果更加准确、客观，并且能够将学习过程细化，充分反映学生的学习态度、理论知识掌握情况、动手实践能力、书面和语言表达能力，同时也能反馈实践环节授课教师的教学方法是否合适、每个模块教学质量的高低以及选题的难易。新的评价方法克服了以往方法中难以综合分析的弱点，具有较高的准确性和客观性。

2 云模型原理

2.1 正态云模型及其数字特征

云模型的概念因粒子进化演化而来，由中国科学院李德毅院士首次提出。云模型可以实现定性概念和定量数据之间的转化，弥补了概率论和模糊数学中处理不确定性问题的不足［5］。目前云模型已经广泛应用于预测、综合评价、算法改进、知识表达等领域，以及解决与数据挖掘相关联的智能控制、影像解析识别等相关问题。

2.3 评价集云模型

实践教学环节采用五级制计分，通过学生的表现给出5 个等级评价，因此需要建立统一的等级评价标准，并确定各级标准的数字特征。将评语［不及格，及格，中等，良好，优秀］转化为评定值［1，2，3，4，5］，利用黄金分割法［9］将论域分为5 个小云，较小云的熵和超熵是所临较大云的0.618倍。黄金分割法广泛应用于各个领域质量和安全等级的评估中，具有较高的实用性和精准度。利用正向云发生器，每个等级云产生1 000 个云滴，生成五级评价集的云模型如图2 所示，其各级数字特征如表1所示。

建立评价集云模型之后，需要利用隶属度得出成绩等级。隶属度是模糊评价函数中的基本概念，通过计算每一个学生成绩对应等级的隶属度，根据最大隶属度原则确定评价结果。隶属度计算公式如下：

基于云模型的成绩等级评定方法总结步骤如下。

（1）确定评价指标和成绩数据，利用式（1）～式（4）求出每个二级指标子云的数字特征。

（2）根据二级指标权重，利用式（5）～式（7）将多维二级指标云模型融合，得出一级指标父云的数字特征和高斯云分布。

（3）根据一级指标权重重新融合数据，得到最终成绩的综合云模型。

（4）通过成绩数据样本确定五级制评价云的数字特征，建立五级制评价云模型。

（5）利用式（8）和式（9）计算出成绩数据对应每个评价等级的隶属度。

（6）根据最大隶属度原则确定每个数据归属的等级。

3 实例分析

以西安邮电大学自动化学院某班自动控制原理课程设计成绩为例，全班34 人，每个同学的6 个评语对应6 个实践教学评价标准二级指标。将评语［不及格，及格，中等，良好，优秀］转化为评定值［1，2，3，4，5］，量化评语数据得到一个34×6 的决策矩阵。首先将6 个二级指标云融合为3 个一级指标综合云，再将一级指标云融合成最终成绩的综合云。融合过程中各个云模型数字特征具体见表2。

通过式（8）计算每位同学的成绩加权值，再利用式（9）计算等级的隶属度，在5 个隶属度中找出每组最大值。根据最大隶属度原则，最大值对应的等级即为这个学生的成绩。各等级云模型可以帮助分析各个指标的教学情况，便于教师发现学生共性问题。由表2 可知，指标一的云期望值最大最聚集，说明学生预习情况和考勤方面表现很好，班级整体纪律学风优良。指标二的云期望较低熵和超熵较大，模型相对较发散，表明学生对课程主体知识掌握存在一定分层。个别同学理论知识扎实，但是不善于运用于实践。为了解决这个问题，教师有针对性地及时指导学生，学生要有意识地自己多思考、多练习。指标三在三组数据中云层最厚，全班学生在答辩过程中各方面表现差距较大，个别实验报告规范性欠缺。成为一位合格的工程师，不仅要有扎实、精湛的知识体系，也需要具备精准的语言表达能力和严谨求实的科学精神。

最终成绩综合云参数为C₀（3.71211.30950.4737），如图3 所示，图中星号为成绩数据云滴。总成绩大部分云滴隶属度高于0.7，说明学生各项成绩比较均衡。图中个别云滴最大隶属度小于0.2，则说明该同学各项成绩跨度很大，有强项也有明显的短板。对于这种成绩严重不均衡的学生，需要在接下来的课程中设置针对性的练习，重点解决薄弱环节，这样可以显著提高教学质量和效率。基于云模型的成绩评定方法跟传统加权求平均方法相比，可以尽可能多地挖掘隐藏在成绩数据中的有价值信息，充分体现大数据时代智能算法的优势。

4 结语

现有的实践环节成绩评价规则，是教师依据先前教学经验制定的定性概念与数值區间的对应关系，具有一定的主观性、片面性和局限性。经过以上深入的研究，利用基于云模型的评价算法，可以得出每位学生成绩对应的定性概念区间，更准确和客观。在此基础上挖掘更多隐藏的、细化的信息，较好地弥补了以前评价方法的不足，对后续的学习和教学工作都有重要意义。