[发明专利]一种基于聚类的独立学院学生评教数据分析方法

说明书

本发明公开了一种基于聚类的独立学院学生评教数据分析方法，包括步骤：1）教学评价结果数据的预处理，将数据统一化为文本属性，得到评教数据表；2）采用模糊K‑Modes算法对评教数据表的数据进行分析，得到数据分析的结果。本发明利用聚类分析方法从获得的评教结果数据出发，结合学生的属性特征、课程的属性特征进行大数据分析，发现数据集之中蕴藏的规律，即评教结果是否受主观因素的影响，哪些主观因素又将各自如何影响着最终结果；辅助决策，进一步加强教学管理和提高教学水平，也可以调整优化评价机制使其更加合理化。

技术领域

本发明涉及大数据技术领域，具体涉及一种基于聚类的独立学院学生评教数据分析方法。

背景技术

目前，国内外大学普遍运用一些教学质量评价手段来监督教师的教学效果，从而建设教学质量的监督保障体系。其中，学生作为主体进行评教成为主流形式，该方法能够及时发现并解决教学工作中存在的各种问题，在改进教师教学、增强学生的主动性、提高教学质量方面起到了积极作用。评教过后，学校的管理层根据评教分数的高低对教师进行奖惩以促进良性竞争。

然而，教学评价本身就是一种认识过程，而人在认识过程中受到人心理活动的各种特点制约，因而造成人在认识事物过程中的误差。在学生个体与课程本身均存在差异的情况下，评教结果是否能真实地反映教师教学水平，在业界一直都存在着争议。尤其是独立学院的学生，其学习能力与学习态度需要在督促引导下进一步提高，在这种情况下实施学生评教，评教过程中难免存在敷衍了事流于形式的情况，评教结果往往有失公正公平，因此，更应该对评教数据做进一步的挖掘分析，根据学生特点(包括专业、年级、性别、学习成绩等)、课程属性(包括全校性公选课、专业必修课、专业选修课等)以及评教分数等数据进行聚类，发现该校学生评教的规律，对学校管理层客观对待评教结果提供决策支持。在申请号为201520357875.7的实用新型专利中提出了一种基于云教育服务平台的学生评教系统，该系统改进了传统的发放纸质调查问卷的评教形式，而是通过网络搜集大量的学生评教数据并自动统计出每位教师对应课程的评教分数，而后简单地对这些分数进行报表，却没有对数据源头与结果做深度分析，这就造成数据的浪费和误用。在申请号为201611234631.5的发明专利中摒弃单独使用学生评教的数据源对教学效果进行评价，而是同时考虑学生成绩数据及教学督导评价数据，通过对上述三类数据进行机器学习建立神经网络教学评价模型，挖掘出决定教学质量的核心因素。但是该模型的应用必须满足两个前提条件：其一，学生评教的数据源必须来自于认真诚恳的评教过程，评教分数必须是公正客观的；其二，教学督导必须对每门课提供有代表性的评价数据。然而，学生的从众心理与督导资源的不足都将造成数据源的歪曲与缺失。其实，大量的学生评教数据中隐藏的价值应该被进一步挖掘和利用，否则就会造成信息浪费。数据挖掘正是通过对数据的特征及关联进行算法分析从而达到发现数据现象背后的规律的方法。目前，将数据分析方法应用于评教问题的研究正如火如荼地展开。例如，上海立信会计学院金融学院的黄波在文献“黄波.学生评教的影响因素研究——基于排序Logit/Probit回归的实证分析[J].高等财经教育研究,2014,(4):1-8.”中综合运用描述性统计、相关性分析、逐步回归和排序Logit/Probit回归分析方法，研究了课堂和教师特征对评教结果的影响，算法中选取教师基本信息、教师每学期工作量、学生评教总分、课程成绩分布等变量发现学生成绩因素与评教分的正相关关系以及任课教师的教龄和博士学位分别与评教分正相关和负相关关系。该课题主要针对财经专业的学生评教数据进行分析，因此没有考虑学生专业不同的情况，也忽略了学生年级、性别等个性化差异对评教分数的影响。但是，学生特性是影响评教结果非常重要的因素之一。在该文献中还单方面地总结出专业课较公共课评教分数高，数学与物理等理科课程的评教分数偏低。但是，不同的学生对待不同的课程态度是迥异的，例如，大二大三的学生对待专业课比公选课较为严肃认真，但是大四的学生就未必。因此应该综合各因素一并分析更为全面。现有方法的不足之处是：

1、大多数评教系统只是利用网络收集了大量的学生评教问卷，再根据固定的公式量化结果。学校管理层根据最终分数的排序决定对教师的奖惩，根本没有考虑学生打分的公正合理性，既违背了评教的初衷又削减了教师积极性。