文摘
随着社会经济的不断发展,教育受到越来越多的关注。作为高等教育的一个重要组成部分,它深刻地影响了近年来数据的时代。为了评估大数据对高等教育管理的影响,介绍了时变镜头算法(TLA)分析教师和教育管理的业务需求,解决教育管理的业务流程,教育思想和教育实践。通过学习和挖掘相应的技术,提高相应的教育能力,并使用大数据协助管理高等教育。仿真结果表明,时变集群抽样算法是有效的。
1。介绍
很少有文献在高等教育研究的实验设计,这表明这种方法在高等教育的应用潜力尚未被开发(1- - - - - -4]。三因子实验是在两个年级进行评估的因素可能会影响质量的本科和研究生课程。这三个因素包括类的内容,学生的数量和长度的类。研究表明,时间和内容的课程在本科生和研究生课程的重要因素。此外,大学生喜欢在下午上课,但是研究生说,早上上课的学习效率相对较高(5,6]。此外,一个案例研究的实验设计,提出了提高大学教学质量在首尔,韩国。这项研究中定量和定性地分析了影响教师教学质量的因素和选择两个因素,可以由教师和三个因素控制,不能由教师控制进行分析,以探索最佳的教学方法(7- - - - - -9]。结果表明,与学生保持密切关系的开始,手里拿着一个双月学习会话是最有效的。随着数据的时代,获得数据的手段和方法越来越丰富,和所有行业都受到信息技术的影响。高等教育作为教育产业的一个重要组成部分,越来越受到信息技术的影响(10,11]。如何使用大数据的技术和方法来管理和高等教育创新,改变传统教育的弊端,引导教育的质量和水平,进一步提高研究[12,13]。
如何衡量教师教学有效性一直是激烈辩论。最主要的原因是缺乏清晰定义的教学效果。根据相关研究,教学效果及其概念之间有明显的差异(14]。例如,作为一名教师,在他的领域的深度研究并不一定与教学效果成正比。作者认为,教学效果的有效性应被教师和学生。教学效果不仅是学生的学习效果也满意程度的学习过程。本文的研究是基于这个定义,它与教学效果在一个简单的学生的学习过程和感受。在这项研究中,我们试图理解影响教学效果的因素从学习的角度。进一步结合大数据对高等教育管理的影响,介绍了时变集群抽样算法,通过教育管理的角度,思考,实践,和其他教育管理业务的梳理,明确教师的需求,管理员和相关教育,提高教育管理水平和管理通过大数据分析和挖掘,从而进一步帮助教育管理工作和提高高等教育教学质量。
2。时变集群抽样算法
针对当前算法的缺点,时变集群抽样算法。集群抽样主要是通过时间来实现进行自适应调整,以进一步减少计算延迟甚至计算碰撞引起的大数据,提高算法的效率(图1)[15,16]。
3所示。时变Pretransmission力量增强的方法
假设n节点在大学同时传输数据在特定的时间,整个网络传输增益G( ,n)下列公式所示:
任何节点的时变表达式T(T)可以通过独有的模型(1)通过使用傅里叶反变换,如以下公式所示:
其中,表示信道加密因子,它通常是散列随机变换;代表当前节点的传输功率;一个(t)是时变系数,可以得到以下模型:
稳定的数据信号通过采样信号在相等的时间内,如以下公式所示:
显然,对于任何不同的节点,所示的信号模型(5)必须在不干扰状态,如以下公式所示:
4所示。聚类抽样稳定性方法
TLA算法的详细步骤如下(图2):步骤1。传动功率下可以获得大数据根据TLA算法,如以下公式所示: 步骤2。能源是在模型上进行抽样(1)获取最大能量发射系数,如以下公式所示: 相关模型(参数是一样的1)。步骤3。节点在该地区的筛选,如图2,能源阈值ω得到如下公式所示: 步骤4。总能量阈值集群的下列公式所示: 在哪里x表示聚类收敛时间函数,它通常是拉普拉斯算子的变量和国防部()代表了模块化的功能。步骤5。仅当当前聚类能量低于所示模型(10),重新开始互译2步。算法结束。
5。表征和应用大数据的解释
与数据采集技术和设备的不断发展,各行各业的数据显示爆炸性增长,渗透到每个人的生活必需品,比如出租车跟踪,外卖物流配送,公交路线查询。一方面,爆炸的数据的管理带来了困难。另一方面,如何从这些大量的数据提取和我的有效信息是非常重要的,它可以为决策者提供数据支持。
在大学管理中,大数据仍然提出了许多复杂的特点,如学生对新生注册,书借贷,或为教师评分条目。这些数据的生成需要合理、有效的管理。大数据收集数据的能力大大超过总量依赖传统意义上的信息。因为大数据净化高信息容量的能力,它在很大程度上避免决策错误或偏差造成的“小体积信息”的数据。同时,大数据处理速度快,快速分析和收集数据,编辑,和加工,为教育管理提供强有力的支持,是在传统教育不可比拟的管理,也扩展了教育管理的空间和潜力。此外,大数据的数据分析也使得教育管理更准确的定位,特别是教育管理的规律,更有现实意义。例如,老师想知道类考试成绩的平均分数和分布的有300多人,每个类的考试成绩。计算,这些需要提取和挖掘现有的成绩,有效地分析和清洗,改变了传统的教育管理,提高教育管理的深度和潜力。
此外,高校的教育管理也将涉及到高校的位置。一方面,它需要综合考虑根据当地规划、土地需求,工业布局。另一方面,它还需要考虑因素,如软件和硬件设施和学校资源。传统的管理方法很难在短时间内解决。因此,它需要大数据分析、计算,和我的数据在一个特定的短时间实现高等教育管理的有效性。
6。大数据的应用程序路径优化高等教育管理
6.1。提高数据读写的教师和管理人员
虽然大数据分析和管理教学并不完全新的东西,大数据的完整应用程序的实现还需要从教师和管理人员。教师和管理人员从业人员和数据驱动的组织教学和管理。他们的做法是否可以实现直接相关教师和管理人员的质量。在某种程度上,大数据将原始广泛教学精读教学。教师可以使用数据来“看”教学。因此,它是非常必要的帮助教师和管理员适应教学在大数据的时代。数据读写能力不是一个单一的主题;评价密切相关,统计,信息,和课程知识素养。大学教师应该“跨行业”知识的掌握,如Excel,苹果的数据,谷歌的电子表格、融合表,和其他统计工具,使用Socrata,事实,博客,新闻,Typepad、CSS、JavaScript和其他数据生成软件和分析软件。教师和教学管理人员必须熟悉数据为了追踪学生的行为和学生的行为进行概率分析。 At the same time, by mining a large area and a large amount of data, it is possible to interpret the “black box” of the student’s learning process. Therefore, most teaching and management personnel should improve data literacy through school-based training, out-of-home training, online learning, and so on; colleges and universities should also use it as the basic skills and compulsory courses for the assessment of college teaching and management personnel under the new normal class to implement.
6.2。改造和升级现有的学院和大学的数据平台
在大数据时代,数据服务相关教学管理和当前教学管理的复杂性。他们也是一个现代产品技术开发和技术集成的数据平台。因此,正确的定位数据的状态和大学本身是一个先决条件的需求开始建设基于数据的教学服务的环境。强大的学院和大学可以介绍IBM智能云教育系统或黑板上分析系统中,相对格式良好的市场,并使用它的报告系统,了解学生、教师和管理人员。当然,当地的学院和大学可以依靠他们的信息化研发优势和配合云项目或大型数据库开发教育数据跟踪、数据分析、运营管理等方面的教学数据管理系统。同时,学院和大学可以使用其他数据平台进行数据行为挖掘和实践从小型microgoals和运行在线课程中的教学资源管理或扩大教学管理项目的研究和开发的基础上,现有的平台和开展项目的细节。具体规章制度使用大数据划分和澄清与税款数据公司合作,和专业的数据公司用来升级的早期预警系统或信息处理技术大学数据系统,以创建一个自信和相对安全的数据支撑了教学管理环境,为充分发挥的推动作用大数据在教学管理过程。
6.3。熟悉学习分析和教育采矿技术
从大数据的角度教育管理应用实践,学习数据挖掘和分析技术是两个核心技术。这两种技术都有自己的重点在特定应用程序中,但是他们也有许多共同点。领域的学习者知识建模、行为建模,建模经验,领域知识建模、趋势分析、自适应、和个性化,数据挖掘和学习分析技术已经被应用。当然,学习分析技术和数据挖掘也有其自己的应用程序空间。其中,学习分析技术有两个基本功能:反射和预测。网上支持教师反思自我,调整教学思路和方法提出了基于教学对象的接受。英国BrightBytes学习分析方法更为典型。它可以预测学生的表现,反映了学生的个人绩效,并提供及时的反馈给教师。学生成绩系统分类和提出红色危险警告学生面临风险。教师与学生可以面对面交流具体问题或自动推辅助教学资源,学生通过系统。 Data mining technology focuses more on the analysis of various types of data in the educational background environment to make relevant teaching decisions, such as intelligent analysis of curriculum design, learning mode, and teaching evaluation, and more emphasis is on the data behind the data relationship clarification. In general, data mining focuses on the discussion of educational models, and learning analysis focuses on the research and judgment of known problems. Therefore, in the process of big data management, it is necessary to strengthen the core technologies of the two big data education management applications, learning analysis, and education mining.
高等教育已经进入了DT时代的时代,和教育教学管理也迎来了新一轮的改革。教师和管理员应注意大数据作为当代工具,应该“深感培养”大数据,优化现有的管理体制,促进大数据的深度集成和教学管理,并提高学生的个人经验和教学管理人员。大数据是用于驱动的实现教育管理信息化、促进教学改革和教育效率和满足需求的个性化教育和智能教育的时期。
6.4。仿真实验
本文主要关注以下两个目标:(1)实验设计不仅可以用于制造设计和(2)实验设计应用于高等教育的研究。实验选择不同年级和专业的本科生大学黑龙江为研究对象。实验分为以下四个步骤:①实验的初步规划;②设计实验步骤;③进行实验;④分析实验结果。
6.4.1。初步的实验计划
在规划阶段,要求学生评价教学效果影响因素从自己的主观视角。从选择两个年级100多名学生,和学生被分成多个组,每组不超过8人。从学生的主观视角,影响教学效果的因素主要是由两部分组成:首先是教师的教学内容是否与实际应用密切相关;第二个是课程中使用的教材是否易于理解和易于学习。为了试图引导学生找到潜在的因素和过程变量,影响教学效果,教师选择实验有10年的教学经验和专业背景。在这项研究中,教学效果主要是指学生的反思和教学质量的特点。为简单起见,每个影响因素定义了两个水平。被假定为线性的影响因素,确定各因素的定义和等级每组的学生。实验结束后,学生最初的20个潜在因素及其水平。
每组当时几次投票决定最初的因素减少到一个很小的数字。后的第一个11个因素确定多个民意调查,以便后续筛选,进一步识别最重要的因素。为了研究11个因素两个等级,PB判别方法被用来设计实验。受试者分为14个组每组有7到8人。每组的得分影响教学效果的因素从1到10,1是最低分和10是得分最高的。选择两种不同的学生成绩进行相同的实验,提高实验的可重复性。
6.4.2。实验设计阶段
根据因素的组合获得的初步规划实验,进行实验设计。在本部分中,使用筛查PB的12倍,筛选试验设计不能区分主效应和交互作用的影响,但可以确定显著影响因素;因此,设计仅用于研究的主要效果,并在实验研究或之间的强相互作用因素分析,这种方法不应使用。PB设计非常强大在确定最小数量的实验室运行或在实验中最重要的因素。图3显示了表编码格式的筛检试验。每个因素的低品位筛选试验表取代“−1”和优质取代“1”。
6.4.3。测试执行阶段
在2019年和2020年的第一学期,来自同一所学校超过100名本科生被选来收集实验数据。提高实验的可靠性,Plackett-Burman设计使用完全相同的因素。实验进行了12次,11个因素选择影响教学效果,使足够的自由来计算实验错误。在表格的最后一列1,教学效果的平均分数成绩可以看到2019年和2020年的平均得分存在差异,在相同的实验条件下不同等级。
6.4.4。实验结果分析
图4显示了TLA算法的测试结果,性病机制,LTC机制时的节点数量不断增加。从结果,尽管LTC机制进一步实现自适应的传输信道噪声性病机制,它可以进一步减少链路拥塞的节点故障问题导致的节点故障现象;然而,该算法只需要主/备用模式节点,当有大量的数据传输,容易导致网络拥塞。因此,上传带宽性能比TLA算法。
图5显示了测试结果的数据采集TLA算法的误码率,性病机制,LTC机制时的节点数量不断增加。TLA算法总是有一个数据采集率低和具有显著的优势。性病机制和LTC机制不如TLA算法链接抖动性能和容易造成数据采集错误链接抖动。因此,TLA算法在数据采集误码率性能有明显的优势。
图6视觉显示链接的抖动性能的测试结果TLA算法,性病机制,LTC机制。显然,TLA抖动频率对应的链接算法显著低于控制机制。TLA算法可以最大化的传播性能两个维度的物联网节点采集和链接的稳定性。它不仅可以提高节点采集的效率,而且大大减少了抖动的发生联系,所以链接抖动频率很低。
图7显示了TLA算法的误码率测试结果,性病机制,LTC机制。从图可以看出,TLA算法的误比特率很低,波动范围是相对温和的。
然后,分析了实验数据得到有效、合理的结论。数据进行了分析,实验结果验证了使用图形工具。首先,产生最大的影响因素的平均分数确定教学效果。人们关心的因素往往是最重要的实验。事实上,不重要的因素是同样重要的产品或服务的质量。一般来说,它是控制成本的重要因素在最经济的水平,促进节约成本。图8显示了绝对值的每个因素对教学效果的影响,以3.05为参考线。在统计,超过5%的参考线的任何因素是重要的。
图8在筛选试验表明,最重要的因素是(重要性的顺序):(1)讲师的背景(2)教师的专业素质(3)教师的教学风格(4)在课堂上老师和学生之间的互动(5)设施(6)课程评价方法(7)类型的练习设置的讲师
不那么重要的因素包括学生反馈,课程内容,会议的频率,和支持材料。
实验的最后阶段是分析和理解每个因素的最佳设置,以提高教学效果在最大的程度上的平均得分。为了实现这一目标,主要使用效果图。主效应图显示了每个因素的每个水平平均响应值,所以每个因素的影响的相对强度的实验可以比较。这些符号在图8表明这一趋势的影响,教学效果的平均分数是否增加或减少,和显示效果的强度大小。如果影响价值的因素是积极的,这意味着有更高的效率影响因素的平均分数教学效果。
7所示。结论
由于缺乏理解流程设计的好处,相对较少的应用实验设计流程理解在许多服务环境的技术。此外,有一个先入为主的错误的思维方式这一过程实验设计仅限于制造业。本文介绍了时变采样算法聚类分析教师和教育管理的业务需求,通过解决教育管理的业务流程,教育思想和教育实践。通过学习和挖掘相应的教育能力是提高相应的技术,和大数据是用来协助高等教育管理。仿真实验的结果清楚地表明,影响教学效果的因素基于学生的直觉和猜不完全相同的筛选试验的结果,为其广泛应用提供更多的动力。
数据可用性
标签数据集用于支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是由清华大学。