文摘
提高大学体育教育的质量具有重要意义,促进学生的心理和生理的集成开发。建立一个更系统、更有效的教育和社会培训需求质量评价等级也是大学体育教育管理的核心。大规模的信息技术提供了新的概念和方法,和供应优势促进教育生态发展支撑。基于网络的教育体系,本文使用大数据来量化体育教学的评价指标,以实现及时的动态评价物理教学和学习的过程。本文构建的评价指标体系,通过结合大学物理教育教学质量定量的和定性的方法。先前的研究的基础上,高校体育教学质量的评价模型基于人工智能质量数据计算设计。实验验证,该模型评估风险系数是1.93低于优化模型。实验还证明了模型有利于提高教育质量。
1。介绍
1.1。背景
随着教育的快速发展,中国更重视体育。在大学物理教育教学质量是一个重要的关系,学生的基本形体,学生的全面发展,和祖国的未来。有很多束缚仍然存在在大学体育教育评价序列步骤中,如过多关注定性评价和结果评价,以成就为参考,教学实践不纳入评价体系,教师缺乏有效的激励措施。如何采取积极、有效的功能,提高当前教育绩效评估指标的层次结构,科学、合理地评价高校体育教育的质量是一个值得我们深入研究的问题。
同时,信息和通信技术的不断整合进我们的生活,教育的环境发生了变化,网络教育已经爆炸了。网络教育在大学学习过程有很大的影响。此外,增加高等教育机构现在有自己的网络教育教学管理系统(1]。在过去,由于客观条件的限制,评价高校体育教学质量通常是间歇性和以结果为导向的,并不能准确反映教学质量的过程。
大数据时代浪潮的冲击下,我们可以获得直观的数据按摩在教学过程中大量数据的帮助下,以优化教学,提高教育教学的质量。因此,迫在眉睫的是考虑如何优化教学质量评价体系和动态评估课程质量与大数据通过计算,这也是本文打算讨论。
1.2。意义
大学体育教育基于网络是一个复杂的多因素系统优化项目,这不仅需要理论教学优化,但也需要学生的实时反馈监督优化,这是比其他学科更互动。因此,它已成为一个现实的需要教育评价的综合信息转换方法。因此,体育教育质量的动态评价的重要性与大数据通过计算和计算机技术已经变得清晰2]。本文的研究从理论和实证的角度来看,为了获得高度差异化的评价数据深度学习下,构建更加科学的评价指标体系,促进大学体育教育的质量和效率在信息环境下。
1.3。相关工作
教学质量评价是学校质量管理的重要途径和重要手段,促进教育的步伐。深化概念的“生命教育”,体育教育的质量吸引了各界的关注。随着大量数据技术的发展,越来越多的人开始研究大数据的概念评估体育教学的质量。
摘要在分析高校体育教育的影响和部门,王采用模糊评价方法,包括学生的参与体育的意识,学生的个人缴费,学生的终身体育教育,学生的体育道德,和团队精神。根据教学成果评价指标体系,体育教学质量的模糊综合评价。同时,提出了评价模型的优化建议(3]。但它并没有在实践中应用优化评价模型。应用获得三个主要组件的输入和输出的三个主要组件。基于索引的原则建设,上述结果是通过使用主成分分析来消除指标之间的相关性。此外,数据包络分析模型建立了比较这24所大学的办学效率和理解每个大学的办学效率和差异(4]。然而,他的研究内容有点一般,没有提出具体的建议高校运行的问题。赵的现状分析和研究高校体育教育教学质量评价体系通过逻辑分析的方法,提出了相应的设计策略体育教学质量评价系统的基于社会发展现阶段的特点(5]。评价主体的评价体系过于单一,不从多层次。黄提出在传统的体育教学存在的问题从多个角度,提出了注重实效的改革措施在大学物理教育教学方面的理性发展的培训计划和建设三级体育教育(6]。注重实效的教学改革是容易一刀切没有科学集成基于过程的评价体系。威廉姆斯56机构筛选随机样本以确定他们是否提供体育和CPE课程。结果表明,70%以上的机构需要体育通识教育要求或提供CPE。进一步的研究表明,许多课程内容分析的因变量的标准,包括课程组成,描述和目标,课程,和评估,所有分数在50%或更高7]。结果表明,物理教育日益受到重视,但研究没有提出一种改进的评估系统。根据多元智能理论,基于层次分析法的赵;根据各评价指标的权重和模糊评价的参与程度信息,提出了模糊综合评价模型的大学物理教育和构建评价指标体系和管理措施的体育教学三个方面的教学,和教与学8]。这个模型是为了评估体育教学有效和在实验中被证实了。太阳不仅理论讨论了体育教育教学质量的有效性,还做了一个实证分析通过使用现有的体育教学质量评价模型。实验分析的结果表明,大多数学生持有积极态度的有效性体育教育教学质量评估中定义(9]。太阳研究支持大学提高教学质量,但没有实验应用验证教师评价模型的有效性。李使用层次分析法评估和提高大学体育教育,为了提高互动体育教育的效率。他提出在网络教学过程中面临的问题和使用网络教学系统实现实时交互和评估过程10]。他提到了整个功能块模型在评估功能多样性仍然不足。
1.4。创新点
进步教育管理的专业应用先进的数据。本文支持大数据的深度挖掘。本文的创新有以下三个方面:(1)多个试图定量分析方法确定指标的权重分配及其有效性检查和比较;(2)尝试构建一个科学、动态的基于网络的大学体育教育评价体系和方法框架;(3)它突破了传统的学校教学质量的评价方法,这有利于促进教育管理的信息和数据。
2。评价是大学体育教育标准的大量的数据
2.1。大量的数据技术和连续数据采集方法
依靠云计算、大数据挖掘技术可以进行分布式信息挖掘大量数据和流程有意义的数据11]。这是一个不可抗拒的趋势分析大量的数据计算应用于教育和管理。大数据获得的数据更客观和真实的比传统的数据收集方法,如问卷调查和人工判断,因为收集的数据的对象可以是无知的,不会担心人际关系(12]。处理大量的信息更准确,与更多的维度和完整的动态过程。它可以避免之前的教育决策的缺点,这是一个全新的尝试和教育管理质量的飞跃。大数据技术是分不开的存储技术,感知技术和云计算,构成整个过程的数据收集、处理、存储、和结果形成(13,14]。具体结构如图1。
大数据是一个机器学习的新领域。它的目的是研究如何自动提取数据从多层次特征表示。其基本思想是将从原始数据中提取特征通过一系列的非线性转换从低到高,从具体到抽象,从一般到具体。深度学习不仅改变了传统的机器学习方法,但也会影响人类的理解认知15]。目前,取得新突破语音识别、图像理解,自然语言处理,等等。
2.2。教育质量评估方法
根据不同的主题,教育评价方法可分为学生评价、同行评价、同行评价、教师自我评价,教育部评估,和其他评估机构评估16]。从的角度来看整个教育教学的联系,它还包括形成性评价、过程评价和终止评估。的方法,它可以分为两类:定性评价和定量评价。定性评价重点是教育质量的主观判断基于现有的知识和经验。定量评价是基于数据的分析方法,模糊数学,统计(17]。
一般来说,应该是全面的科学的评价方法,结合定性和定量评价,形成性和终结性评价,评价不同的主题(18]。大支持的研究方向是教学水平评估数据和本文的基础,所以定量分析尤为重要,这可以帮助我们确定评价因素的权重,通过算法相关的指标。以下着重于常用的分析方法(19]。
2.2.1。模糊综合评价方法
模糊综合评价方法是一种评价模型,可以实现定性和定量评估。这种方法可以结合确定性因素和随机因素综合评价和常被用来确定教学质量指标和权重20.]。假设组成的评价指标集米的因素是 。的基础上我,设置 是由n类型的决策。由于每个因子有不同的影响,需要确定重量分布的因素,被认为是模糊集的我和标记为 在哪里 代表的重量我th因子和n判断并不是绝对的“是”或“否”。因此,综合判断也应该被视为模糊集 ,表示为 在哪里 反映了第i个判断的位置在整个人口21]。
因此,模糊评价有三个基本因素:因素集我;评价集 ;单因素评价,也被称为模糊映射;
可以引起的模糊关系
B引发一个模糊变换
(年代,P,B)构成了模糊综合评价模型,输入的重量分布O获得一个综合评价
后R获得,隶属函数可以用来获得评价结果。
2.2.2。灰色关联度分析方法
提出了灰色关联度分析方法与经验数据和不确定性因素。这种方法量化的问题很难进行定性。系统中所有相关元素的相关程度是衡量关联度分析方法(22]。假定序列包含的引用α是
假设有T评价中的对象集。然后,比较序列组成的α第i个对象
对数据进行无量纲处理,然后计算的绝对值参考和比较序列之间的差异在不同的点:
然后,计算最小和最大差异以及差异序列:
相关系数的计算公式参考序列和比较序列如下: 在哪里分辨率系数大于0小于1,和小吗值,高分辨率的关联度23]。
通过以上计算,灰色关联序列组成的α第i个对象的灰色关联系数可以得到如下:
最后,加权处理方法被用来计算关联度: 在哪里灰色关联度值,每个参数的重量, 。
2.2.3。层次分析法
层次分析法(AHP)用于计算每个因素的权重系数综合评价。它是一个系统的方法定量和定性相结合的方法,解决了矩阵(24]。首先,教学质量评价目标应该分解一层一层地直到他们细分为可量化的因素。给出了两层因素指标的权重计算方法如下。
一个矩阵:
的最大特征值对应的特征向量米可以通过使用公式,每个因素的权重分布可以得到特征向量正常化γ。
上面的计算获得的重量分布是否合理和有效的要求矩阵的一致性测试。在公式(15),CI和RI是一般矩阵的一致性指标和平均随机一致性指标。CR是随机一致性比率从前面两个的比率。如果CR < 0.10或 ,这个矩阵是可以接受的。否则,因素矩阵需要修改。
2.2.4。德尔菲法
定性描述语言形式的评价不仅是一种方法,也是一种哲学思考和逻辑分析,用于显示、分析和处理的信息特征评价对象。它的目的是了解事物的本质,形成一个整体评价对象的视图。基于性能的观察和分析,现实中,状态,或文学的评价主体、评价结论的评价价值取向的主题,如得分和写评论和系统性能。定性评价是一种评标方法,使用的知识、经验和判断评标人员评估和比较评标的形象。定性评价包括观察、分析、归纳和描述。
德尔菲法,也称专家调查法,是一种方法,邀请一些专家来评估和判断某个决定基于他们自己的经验。在这种方法中,几个专家不知道其他专家参与调查(25]。这个方法是一个匿名程序的调查方法,它是用来预测可能的情况和因素和判断系统中相关影响因素的重要性。本文将使用这种方法初步设置一些因素,可能影响教育教学的质量。
2.2.5。方法比较
层次分析法是一种计算重量的方法,模糊综合评价方法是一种综合评价方法的问题。在模糊综合评价,层次分析法(AHP)可以用来分配每个因素的权重。因此,这两个是互补的。而层次分析法和灰色关联分析,层次分析法过于主观。有时构造矩阵不能通过一致性测试,和灰色关联分析方法可以弥补数理统计带来的缺陷,不会显示定量结果和定性之间的不一致的结果。
2.3。基于网络的大学体育教育水平的评估项目
大数据的优势不仅在于其庞大的数据,也能够进行专业分析获得的数据(26]。不仅是因果关系的研究,而且关系研究。高校教学质量评估,基于大数据的一个评估系统的建设是实现科学化的必要条件,指数化,信息化教学水平评估(20.]。本文设计的功能评价体系。由于大学教育评价主体的多样性和教学的复杂性指标,与分层分布式结构评价模型是必需的。除了数据层,它还需要一个权威关系层、功能层和显示层(27]。本文的模型是基于Java语言设计实现,主要功能包括评估系统、数据采集和筛选,数据服务和综合分析。这系统采用浏览器/服务器结构,不需要额外的安装应用程序,和这种方法的优点是方便获取数据,不会增加成本,因为用户数量的缺点是安全控制能力可能不足,从左到右的特定系统结构,如图2。在下一步中,我们将努力设计系统作为一个应用程序,它可以支持Android系统,IOS系统,和微软系统,以确保广泛的可用性。
有五个模块在功能层,教学评价指标管理、教学评价任务管理、基础管理、教学评价数据管理、监督和评估管理的整个过程。教学评价指标设计根据不同评价的身份,和具体内容将反映在实验;教学评价的任务是定期组织学校开展教学课程和教师教学评价;总结了评价数据管理模块的数据,和关联度分析(28]。
3所示。实验和分析
3.1。实验安排
3.1.1。实验对象
考虑到样本选择的合理性,本文不选择科学和工程学院或文理学院。相反,在中国南部综合性大学作为一个例子,与所有学校的本科生和教师为主要调查对象。基于获得的数据来自学校的网络教学平台,数据挖掘和分析体育教育质量评价过程的一年级的学校在2021年进行。学校提供了一个共有13个物理教育课程(羽毛球、乒乓球、篮球、足球、瑜伽、太极、跆拳道、滑旱冰、排球、健美操、铅球、游泳、和掷标枪)。学生和教师的基本职业信息表1。
3.1.2。实验环境
本文研究支持大数据技术和分布式处理结构。教育和教学评价系统的结构图已经被上面提到的。摘要实验计算机系统Windows 7,数据库使用MySQL5.7.17, Java作为设计语言和Web的主要平台。特定的网络结构如图3。
基于移动终端的系统设计采用B / S架构,用户移动终端,可以实现通过浏览器用户登录,评估过程和结果的查询操作,系统管理员进行后台维护工作,包括系统数据导入和条目,并维护一个复杂的操作系统功能。实现WEB服务器仍将作为一个浏览器支持。基于这个系统,一个人工智能大数据就可以形成教学质量监控平台通过整合语言处理、图像识别、机器学习、数据挖掘等技术,可以实现实时监控和高校教学质量的动态监测。
3.2。实验过程
这个实验是大致分为以下部分:(1)指标体系的建设。评价指标是教学评价的基础。因此,实验的第一步是建立一个科学的评价指标体系。系统主要通过专家调查确定可能的影响因素,然后确定重量和改进索引通过定量方法。(2)系统功能设计和模型应用程序。使用设计方案在教学系统中,一个学期保存和操作数据。(3)总结和分析数据。在教学评价的大量信息,数据是核心的,人工智能教学质量监控系统是为了获取所需的信息和数据进行质量分析。
3.2.1之上。指标体系建设
除了教育和科学的结合,构建指标体系的原则也需要定性分析和定量分析的结合。它不仅可以反映评价指标的特点,但也做出决定基于知识和经验。因此,专家问卷设计在这个实验中,德尔菲法是用来询问专家意见确定评价指标。
(1)确定一级指标和权重分配。指的是以前的研究的结果,本文设计了第一轮专家调查问卷的设置高校体育教学评价体系和部门,形成了第二轮问卷在此基础上,最后确定二级指标。基于德尔菲评价的理论体系和教育和教学评价的基本原则,第一轮专家调查问卷的指标初步确定如下:教学水平、教学态度、教学氛围、教学效果,情感上的刺激,和设施环境。评分系统的设计是基于9尺度层次分析法的重要性,如表所示2。通过配对和专家评分的主要指标比较。
一般来说,专家根据选择的数量的大小问题。一些研究表明,如果超过9专家的数量,其有效性将达到最高。德尔菲法的过程一般包括:分类,总结,和统计后获得专家的意见是预测的问题,然后匿名反馈给专家,再次征求意见,集中注意力,并再次反馈,直到达成共识。本文四个专家感兴趣的教育评价信息,有一定的学术成就被邀请去得分。最后,建立了四个矩阵根据问卷调查的结果。为了确保矩阵结果的有效性,进行了一致性测试的四个矩阵。最终一致性比率是0.0398,0.0653,0.0952,和0.0643,所有小于0.1,因此可以使用矩阵。然后,使用层次分析法得到六个一级指标的权重。同样,矩阵的一致性测试也进行了层次分析法,最后结果是小于0.05。这些矩阵是非常可靠的。 The results obtained based on the four matrices are shown in Figure4。
后相对应的特征向量矩阵的最大特征根是工作规范化,获得最终的重量分布水平指数如表所示3。由此,我们可以看到,体重指数是最高的(教学水平),其次是指数D(教学效果),最小的重量指数F(设施和环境),这表明教学水平和效果是高教育质量评价的重要性。
(2)确定二级指标和权重分配。第二轮问卷发布,和第二级指标制定基于一级指标的测定,与多个二级指标对应于每一个一级指标。二级指标开发制定如下。
四个指标上设置教学水平,如下A1(清晰和准确的解释PE技术原理),A2(科学的体能训练负荷和时间安排不会让学生厌恶),A3(能够掌握和分享最新的体育教育趋势的主题,刺激学生的兴趣),A4(教学内容是明确的和有针对性的教学)。
以下指标设置教学态度B,分别为:B1(教师精力充沛和热情),B2(注意学生的生理和心理状态,能及时发现学生的问题,和提供指导),B3(注意教学反馈和合理调整课程内容),和B4(教学过程组织和吸引人的)。
设置以下指标教学气氛C: C1(教学内容安排是有趣和吸引学生),C2(专注于刺激学生的兴趣和灵活使用教学方法),和C3(学生积极参与学习,愿意积极配合教学)。在教学效果上设置以下指标D: D1(学生可以掌握体育教育的相关理论和技能通过学习),D2(可以增强学生的意识活动锻炼和养成锻炼习惯),D3(完成教学任务设定的课程);设置以下指标情绪激发E: E1(和谐师生关系),E2(培养学生的合作和沟通能力,培养学生的情感、态度、和价值),E3(爱体育活动和理解相关的精神通过学习)。对设施环境指标集F如下:F1(相关体育器材和教具准备充分的准备),F2(相关体育场馆满足标准),和F3(可以充分利用体育场馆)。
二级指标的评估表如表所示4。
第二轮问卷,9-scale重要性程度也用于分数和使用AHP分配指标权重。第二级矩阵和重量分布的结果得到如图5。
二级指标的权重分布正常化。公式如下:是主要指标下的二级指标的权重系数,然后呢主要指标的权重系数。
因此,二级指标如图的重量6。
指标的筛选过程,我们结合专家意见和一致性测试矩阵。主要指标和辅助指标的一致性测试值都小于0.1,因此可以判断矩阵是有效的。与此同时,专家没有明显的意见提出指标,但是只有在原来的基础上修改了表指标。修改的程度并不是很大。与前后相比,后者的二级指标的具体表达式更为科学和标准化。最后,体育教学质量的评价指标体系在高校解决如表所示5。
3.3。大数据的应用和数据分析教学质量评价模型
3.3.1。人工智能大数据评估过程
建立了评价指标体系和完善后,我们设计不同的电子问卷对不同体育课程学生评价教学和教师教学评估。这个模型的评价数据来自不同的应用系统中的主题,每个主题帐户是独立的。他们评价根据评价指标体系,分类,和系统收集数据,最后根据综合评价结果不同的评价主体,系统是嵌入到灰色关联分析;在此基础上,基于模糊数学综合评价,得到反馈教师组和教务主管可以查询结果,在此基础上调整课程。整个评估过程人工智能监测如图7。
3.3.2。比较分析模型的应用程序
为了验证优化综合评价方法确实更好,本文进行了实验比较,随机选择两个大学的课程,整理数据,和测试的方法优化前和优化后,分别从教学水平、教学态度和教学效果。这两组数据的随机选择在这个实验中,分别的羽毛球和乒乓球课程数据大学。为此,多个测试进行收集监测稳定性误差分析数据,和排序结果如图所示8。
从图可以看出8,不管哪门课程,教学质量监控的稳定误差实验组明显低于对照组,并监控效率更好。除了比较误差数据,模型的准确性还应该测试和评估。为了测试模型的屏蔽效应在不可信的数据,实验还收集实验数据来评估平均风险,如图9。教学评价的影响的结果表明,风险监控模型设计这个实验是关于1.93低于对照组;也就是说,这个实验的应用程序模型的准确性更高,和数据可靠性较低可以从大量的数据过滤,可以大大促进评估系统的可靠性。
3.3.3。动态分析的教育水平的评估
教育评估数据的一部分,在2021年的春天和教育评价数据分析了在2021年的秋天,和评价的结果,采用SPSS软件进行了测试。结果表明,体育教师的平均评价结果在2021年秋,高于2021年的春天,高出3.36分。体育课程的教学质量在2021年上半年高。
两种类型的样本的总体数据统计发现符合正态分布,如图10。司木露测试用来测试样本的评价数据的重要性。最终结果数据显示两个样本之间没有显著差异,表明评价结果的评价指标体系是相对稳定的。在这项研究中,评价结果的有效性和可靠性的物理教育质量高。
4所示。讨论
本文致力于大学体育教育质量评价的动态分析账户大规模数据,构造一个数据深度挖掘模型,并构造一个网络评价体系使用java语言,它提供了一种可靠的大学体育教育评价的信息。在实施的过程中评价模型,定性评价和定量评价相结合的用于建立一个优化的教学质量评价指标体系。主要和次要指标显然是通过德尔菲法筛选,和分层分布的权重指标和辅助指标由层次分析法和模糊综合评价方法,从而实现指标的科学信息。
为了保证数据的有效性,使用各种方法来验证数据的有效性。AHP是生成的矩阵的一致性测试,并在实验中获得的样本Z测试。同时,比较实验的实验评价模型对照组和实验组之间进行,选择和两所学校的体育课程进行分析。实验结果表明,优化评价模型实验误差小,精度高,并具有良好的过滤效果在大数据时代无关的信息。实验组的风险系数低,和对照组的风险系数是1.93。
5。结论
实验方案应用到一年级体育课程的评价和分析中国西南地区的一所大学,大学体育教学过程的连续捕获一个学年。结果显示,两组之间没有显著差异的实验。上述内容表明,体育教学评价方案在这个实验中具有良好的稳定性,和反馈信息可以有效地帮助教师提高教学质量。它可以清楚地看到从两个样本之间的平均差在2021年的春天和秋天。在春天秋天的得分是80.02,是76.34。
数据可用性
没有数据被用来支持本研究。
的利益冲突
作者宣称没有利益冲突的任何金融机构关于报告的材料在这个手稿。