文摘
思想政治教育(IAP)是社会主义建设的灵魂。为主要地位的“四个有”的培养社会主义建设事业,高校的肩膀上一个重要的教育任务。然而,标准,科学、系统、可行的评价指标体系缺乏IAP理论课程的教学。因此,强烈要求使用现代科学技术来建立一个完整的、客观、可行的课堂教学评价体系,评估过程的优化也是一个迫切需要解决的重要问题。教学评价理论和机器学习相结合的方法,分析了评价指标通过获取评价数据的合理性,并优化评价体系。通过比较传统机器学习分类算法的优缺点,分析了基于加权朴素贝叶斯分类器设计的教学评价,评价模型的具体流程建设。实验结果表明,基于加权朴素贝叶斯算法的分类模型是合理和可行的教学评价。结合加权贝叶斯分类增量学习的原则,分类模型的性能优于传统的分类模型。
1。介绍
它一直是一个首要任务为党和国家投资IAP教育项目,为创造社会主义的基石。持续发展的市场经济体制的改革,我国的精神和文化事业正面临前所未有的挑战。决定在这方面在17中央委员会第六次全体会议,于10月15日至10月18日,2011年,这是名为“深化文化体制改革,推动社会主义文化的发展与繁荣。“具体地说,该决议说,在当今不断变化的社会环境,需要鼓励社会主义文化事业的发展和进步,以及发挥的作用的重要性,文化软实力,必须给予充分考虑。如今,在我国社会主义初级阶段,由于不平衡的物质文明和精神文明建设,诚实和道德等问题时有发生。迫切需要用社会主义核心价值体系来规范和指导方向。为了进一步文化体制改革,推动社会主义文化的巨大增长和繁荣,需要熟练的建筑商(1]。因此,它已成为一个重要的任务培养“四所有物人”能够促进社会主义精神的成长和发展。
高校紧密的联系在一起,“四所有物人”的造型知识和政治人物的主面前成长和创造社会主义“四所有物人”[2),社会主义文化体制改革,实现文化繁荣和发展的目标。是高校的主要方法为教育学生IAP问题[3- - - - - -5]。17全国委员会第六次会议的中共中央在加拿大也清楚的问题,提出了促进文化繁荣。IAP理论课程应该认真对待作为一种促进中国先进文化的发展。
现在稳步发展IAP理论课程运用几个项目由中国共产党的精神基本上符合中央文件提出的要求。然而,仍然有一些问题。教学工作的质量保证的有效发展的内部动力的课程。从根本上提高,有必要找出问题和科学分析的基础上进行有针对性的改进。在此基础上,学院和大学思想政治理论课程应该彻底调查和评估他们的教学质量6]。然而,看现有的相关领域的研究成果和实际调查结果在这个阶段,尽管研究IAP教育学院和大学已经完成了,它不是很难遇到这样的例子。大量的工作需要做过IAP理论课程可以考虑全面,和一些重要的主题需要解决和进一步研究。
这一主题的研究目的是利用机器学习的方法来解决问题的传统的课堂教学评价指标如模糊和相对单一的评价模式7,8]。使用数据挖掘技术来探索内部各种因素之间的关系,影响教师的教学效果和教学水平的教学评价数据和优化现有的指标体系。通过研究和优化机器学习算法,构造一个教学评价模型,以减少主观因素。实现快速和客观判断的教学质量和教学管理提供有效的指导。研究这个话题可能假设扩大使用数据挖掘技术在教育和提供新的想法和技术参考评估的教学方法。解决的问题,太多的主观评价的教师在旧的方式,试图提供一个可靠的教学工作者、教学评价方法和改进的效率和信誉评价。节2的这篇文章中,我们回顾了相关文献我们的工作。节3我们解释了不同的方法和算法,包括拟议的方法和算法。节4,我们执行一些实验,用不同的算法。然后,我们比较和分析结果,证实了该技术的完美。最后,我们得出结论的研究部分5。
2。相关工作
至关重要的学院和大学教育课程对意识形态和政治作为整体的一部分,教育的使命。系统地讲授IAP道德课程是遵循马克思主义和中国的理论结果9]。这是一个主要的手段获取政治和意识形态的知识,以及获得理论知识的重要手段。其目的是为了培养学生的社会主义人格通过学校组织的教学活动。通过教学,培养后卫,社会主义建设者和接班人,以满足社会主义的基本要求。学院和大学教学的重要组成部分的任务是教IAP课程。然而,实际的结果是,学校不重视,老师很难处理,学生不感兴趣,和实际教学效果并不令人满意。
研究的有效性教授教的课程在高校政治理论和意识形态依赖于理论和实践从古代和现代的中国文化和世界其他地区。中国学者和专业人士经常提到中国和外国的传统理论和实践引入新项目以来IAP理论课程在大学(10,11]。根据教育教学的实际情况的理论课程,进行不同层次的研究意义、功能、重要性,以及启动指示系统的评估和评价教育教学质量的理论课程,积累了丰富的思想,在实践中产生了不同的指导角色。IAP理论课程的学院和大学教室很少研究的教育教学质量。仍有许多改进的空间在教育和教学质量在学院和大学课程IAP理论。迫切需要扩大了研究的范围,无论是理论还是应用。
下面是一些示例评论这项研究的结果对指导原则来评估高校思想政治理论课程。发育评估的概念必须包括在评估过程。IAP理论课程是教因为各种各样的原因,但最终目标是帮助学生和教师共同成长,促进多元化的评价方法,评价主体的多元化,评价内容的三维表现方式,以及评价过程的动态特性。不断实现“学习”的促销评估,促进“教学”评价,通过评价促进发展。美平中指出“五重点大学IAP理论”课程教学评价在大学IAP理论课程教学评价,评价的概念“关注教师和学生的共同发展”是一个发展性评价的概念。一个评价系统,是基于科学和人类可持续发展的目标,以及一个评价体系,鼓励个人参与评估,评估自我反省,追求专业发展和全面质量改进定位(12]。张Sheqiang中指出“教学评价的三个问题IAP理论”课程在高校的教学和评估的评估IAP理论课程还必须坚持科学发展观,实现全面、协调、可持续发展的教学评价,更好地为教育教学服务工作。
当前数据挖掘的发展产生了重大的影响与教育有关的研究在过去的几年里,特别是在数据收集、存储、分析和决策。教育领域的数据挖掘已经收到了很多学者和研究人员的兴趣。可以获得大量的学生信息,教师信息,并在教学过程中教学数据。然而,这些大量数据背后隐藏的信息不能被有效的利用。数据挖掘技术的引入可以挖出更多有价值的知识。自2005年以来,许多国际会议的主题是智能教育数据挖掘。教育的持续发展也促进了研究的进步扩大教育数据挖掘的理论和实现。2008年,加拿大蒙特利尔举办第一届国际会议上教育数据挖掘。八个会议迄今已经成功举办,《教育数据挖掘(JEMD) [13]。
教学评估的过程已经从一个定性评估的定性和定量评估新技术开发。然而,它通常是重要的为了建立健全数据模型定量分析各种数据源。加权平均的方法,鉴定技术,AHP层次分析法(14),模糊综合评价方法(15),神经网络模型方法(16),和马尔可夫链方法17)是最广泛使用的方法来评估教学在美国和全世界。目前,学者们决定评价指标的重量主要是使用模糊综合评价方法和层次分析法(18- - - - - -20.]。例如,学者如李Xingmin集成的层次分析方法和模糊综合评价教学质量,导致一个非常科学的量化过程,增强了评价结果的科学性和可靠性。
利用粗糙集理论来克服非理性的指数权重的问题的一个方面相关研究将机器学习技术集成到教师评估系统(21),引入决策树分析教学数据(22),而教学质量的影响因素进行调查使用关联规则算法。进一步的研究发现,人工神经网络可用于模型教育为了评估(23,24]。彭女裙,例如,应用人工神经网络理论,建立了相关数学模型,量化指标全面,然后建造了一个贝叶斯神经网络模型获得更合理的评价结果(25]。它提出了在文献[26)利用小波神经网络来构造一个数学模型来评估教学质量。有很多缺点使用神经网络作为一个应用程序的方法,包括一个倾向为当地落入极端点样品的高度依赖。
总之,近年来,科学家们已经取得了重大进步领域的教师评价研究。然而,教学评价理论研究的深度更大,研究评价的内容较少,技术和工艺和技术使用非常简单。为了克服的缺点在传统课堂评价定性和定量评价,更多的研究需要在数据挖掘和机器学习。
3所示。方法
本章的重点是评估课堂教学方法的发展。首先,让我们看一看一些更成熟的分类方法。朴素贝叶斯算法发现有更多的优势在教学评价理论和实验验证。加权朴素贝叶斯算法的增量学习算法建议作为教学的评价模型。
3.1。评价方法基于传统的分类算法
作为监督学习过程的一部分,分类是一个重要的问题。分析训练数据和识别的模型或正确描述每个类总结它的属性。模型可以推断出这些新数据与未知标签所属类使用创建的类描述。然后使用这个描述对未来测试数据进行分类数据集。学习和分类的两个基本过程,分类的挑战。一个合适的学习方法是学习分类器的基础上,利用训练数据集的学习过程。新的输入实例利用分类的新的输入实例分类过程。
朴素贝叶斯,支持向量机,再邻居,决策树(DT)、神经网络等等都是常见的机器学习中分类技术。中殿贝叶斯(NB)算法是一种基于贝叶斯定理的分类方法。一个简单的分类模型是用来介绍功能的假设条件独立。这种类型的分类模型被称为支持向量机(SVM)。使用一个线性分类器构造分类器,它定义了特征空间的最大时间间隔。使用再(资讯),假设训练数据集和分类已经建立了一个实例。假设你已经知道的类标签k最近的训练例子和你想预测类使用多数表决或其他方法。DT范式的一个实例是由树结构表示,它象征着分类的过程实例根据他们的品质。特征选择、决策树的创建和决策树修剪都是常见的阶段决策树学习。非线性综合评价可以通过使用人工神经网络解决。可以充分逼近任意复杂的非线性关系,非线性过程可以模仿不知道根本原因的信息。
有一系列的特征为每个分类技术,以及分类的影响往往是由应用程序环境和数据属性。是不可能找到一个分类器,适用于各种各样的问题和属性。以下是side-by-by-side比较几种常见的分类算法,前面所提到的,见下表1。
分类算法可以用于教师评价过程取决于需求。类标签是基于一系列评价属性值、利用和评价等级作为输入。作为一个评价结果,新的评价属性的值将分配一个最有可能的类标签的分类方法。为了保证评价结果的有效性,必须选择一个合适的分类器算法。性能可以通过分类器的精度评估。衡量样本的数量之间的关系,正确分类器分类和样本的数量在一个特定的测试数据集。公式如下所示: 在哪里代表了准确率,代表样本正确分类的数量,是样品的总数。
3.2。评估基于加权朴素贝叶斯分类器的设计
为了描述的设计评价分类器的基础上WNB, NB算法的原理,我们提出了三种算法,可以组合在一起来确定测试数据的类别。此外,评价属性权重确定算法。
3.2.1之上。朴素贝叶斯算法的原理
贝叶斯分类,它来源于理论,是一个分类的方法,利用贝叶斯定理。估计每个类别的先验概率的分类过程,必须学习大量的训练数据,分类理论的核心前提。在那之后,确定一个对象的可能性X可以分为多个组。最后,全班最高的后验概率视为实例。假设训练数据集, 是属性变量设置,是属性的数量。 类变量的集合,类别的数目,那么可以表示为训练样本吗 ,在哪里表明样本的类标签是众所周知的。可以表示成 ,并确定给定类型的测试样本的机会,这个公式
在贝叶斯分类、朴素贝叶斯分类算法(NB算法)是最有效的算法之一。使用分类模型是有利的,因为它容易理解,计算效率,稳定。当与其他分类器相比,决策树、支持向量机等,它在某些情况下表现更好。图1显示了朴素贝叶斯模型的最简单的网状结构:
根节点是一个类变量,叶节点 是属性变量。尽管事实NB分类模型是基于传统的贝叶斯分类模型,该模型中不受限制的独立属性。当在现实世界中是一个常数,NB方法的计算公式可以写成: 在哪里类的先验概率,通过训练数据是可以习得的。计算公式是 在哪里代表类的数量,在训练样本表示训练样本的总数。
假设所有属性变量条件独立的和没有任何关系,以确保NB的正确性的方法。如果数据收集包含大量属性,计算成本是非常高的。通过引入条件独立性假设,计算成本可以减少而牺牲一些计算精度。的计算公式可以简化如下:
如果训练数据是足够了, 都可以从训练数据。可以确定的类别测试数据通过结合上述三种算法。
3.2.2。评估属性权重确定算法
朴素贝叶斯计算有效方法。条件被假定是不相关的,和重量分配给每个条件属性在决策分类设置为1,这意味着他们都是平等的价值。当所有的权重设置,默认分类的准确性降低。根据这项研究,重量分配给一个属性是由属性的贡献如何在数据使用加权朴素贝叶斯分类(WNB)的方法。以及保持朴素贝叶斯算法的速度快,它最小化分类器的依赖条件独立性假设。提出了计算的公式如下:
在分类,例如,功能的重量是由为了量化不同的特征在同一类别的相关性。作为增加,那么相关的特征的重要性在分类。特定的应用程序最重要的是确定权重分配给每个属性加权天真的模型。
使用数据从教学评价数据调查每个评估特性之间的关系的教学评价数据和总体评价的价值,这是发现每个索引的值有不同程度的影响评估结论。本研究调查详细计算重量的方法给出每个评估的特点通过使用class属性的相对概率。每个属性可能会有不同的值。使用表明其特定值, 。假设一个特定的实例 ,当属性的需要的值 ,的类别 ,的相对概率的计算公式和无关紧要的概率的属性关于如下: 其中数表示的统计数字。当属性的值是,属于类别、属性权重的计算公式如下:
因此,加权朴素贝叶斯分类方法的精确计算公式如下:
有在数据收集特性如果类标签 。有每个属性的可能值,因此所有属性的总重量 。的特殊价值和重量相同的属性不同。不同类别分配不同的权重相同的属性值。最后一步:每个特征值转换为加权平均,以及由此产生的所有类别的值进行比较。分类的结果是所有类别的类别。分类的结果的最大数目的类别分。
3.3。增量学习加权贝叶斯分类
与不断增加的数据,把所有的形式训练集到内存中计算一次不能解决实际问题。采用增量学习的原则可能会因此减少计算机的性能需求。因为贝叶斯分类器允许增量学习,可以减少算法的时间消费的主要部分计算过程逐步完成的。此外,训练数据的质量影响的有效性分类算法在预测。一般来说,一个更大的训练样本提高预测和普遍性的能力。分类器的训练样本不能完成一次在现实世界中,因此,他们必须逐步完成。
分类算法在本文主要使用加权朴素贝叶斯方法。贝叶斯增量学习过程实际上更新原始类先验概率和属性条件概率 。因为增量学习的分类器不需要重新训练分类模型,它是简单的以新收集的数据分类模型,并做出必要的调整模型的参数。具体修正公式如下:
修改公式贝叶斯先验概率的增量算法:
条件概率贝叶斯增量算法的修正公式: 在哪里和家庭更新的类属性先验概率和条件概率后,添加一个新的样本,代表原始数据记录的总数,代表原始数据的总数记录属于一类 ,和代表了一定的价值功能。
也需要重新计算新添加的属性值的样本集,以占样本在每个类别的数量增加了。在每个属性,更新相关概率和不相关概率值结合前面的示例数据的统计值,然后更新每个属性的权重的更新。使用公式(10)和公式(11)和加权贝叶斯公式(9),的概率的类别每个数据记录可以计算。
4所示。实验和分析
在本节中,我们进行的实验方法和算法。这些实验的结果进行了调查和分析。
4.1。基于传统分类算法的实验结果
尝试在现有的教学评价数据集,本节将使用上述五个机器学习分类技术来评估算法的可行性。机器学习python skleam包提供了一个算法函数,用于每个分类方法的实验结果进行比较。实验,训练数据的200件和100件的测试数据。经过10迭代的交叉验证,平均分类精度计算使用公式(1)。这项研究的结果在图所示2。
图3显示了每个算法的平均时间消耗相同的实验数据集。
因为朴素贝叶斯方法的分类精度相当的好,在这个数据集和它的运行时间是最低的,和朴素贝叶斯算法用来设计教学评价模型,如上所述的实验结果。
4.2。基于加权朴素贝叶斯算法的实验结果
在本节中,这些实验是进行Windows10操作系统实验平台,这是写在Python3.5编程语言进行算法开发。
4.2.1。准备比较NB和WNB算法之间的分类精度
从教学评价数据库数据用于交叉验证研究,与200年的数据记录选为训练集和100数据记录选择测试集分类精度评价。在10交叉验证试验。这是显示在表2每个实验如何进行。
通过实验发现,朴素贝叶斯方法的平均分类精度为0.81,而加权贝叶斯算法也得到了相似的结果,平均分类精度为0.84。一般来说,加权朴素贝叶斯算法优于普通朴素贝叶斯分类算法在数据从教学评价数据。
4.2.2。分类精度的比较
反向传播(BP)神经网络中最常用的方法现在教学评价研究,但对于更好地理解教学评价的研究,本研究采用WNB分类器发展的评估模型和它的效率与传统方法的比较。规范化是用来比例转换成小数在[0,1]区间利用BP神经网络技术来处理训练数据。为了预测评估水平的新的数据样本,构造一个模型通过指定一个错误阈值。
200年BP算法实验,从评价数据库数据记录是随机选择作为训练集,和100年的数据记录评价数据库随机选择测试集。根据调试测试的结果,最成功的实验参数设置如下:作为激活功能,学习速率为0.005,5000年周期的数量,都是根据特征的数量。输入层、隐藏层和输出层节点设置为8、6、1。
训练后的神经网络方法,下面的表3进行测试的结果表明:
从表3NB算法分类精度比较,WNB图以图形方式描述的算法5。
由于大量的优秀评级的真正的教学评价数据集,很少有额外可用的成绩。因此,当与分层数据训练分类模型,如果提取的训练数据集不同,实验结果会有一定程度的影响。WNB算法平均分类精度为0.85,而BP方法平均分类精度为0.75。WNB算法分类效果比BP方法,根据测试数据。这个实验还发现,WNB算法比BP方法平均消耗更少的时间,平均0.15比0.63年代的时间消耗。WNB算法,另一方面,更快和更准确。有很多优势使用WNB教学评价方法。
4.3。增量学习实验结果
创建一个增量基于加权朴素贝叶斯分类模型,完成建设。设置初始训练数据集在200年和100年测试数据集,然后逐渐增加训练样本集。在相应的表中4,一块测试数据的精确计算结果在每个阶段的增量从池中随机选择的可能的结果:
如表所示5,当使用增量分类器进行分类,计算结果更倾向于正确的类别,这表明属于正确的类别的概率值增加。其他类别的概率值降低。随着训练数据逐渐的增加,平均分类正确率的变化如表所示5:
WNB算法和增量学习使用相同的实验数据集的时间消耗比较WNB算法和“Add_WNB”算法。运行时间对比图如图6。
实验表明,使用增量方法提高了分类模型。避免再培训和计算之前训练数据集,所有所需的增量模型进行分类,计算新的数据,整合与过去训练价值,和更新所需的模型参数。结果,分类模型所得的节约时间和提高生产力。
5。结论
尽管经典分类算法的优点在教学评价模型中,他们也有自己的缺点。为了评估教育影响,加权朴素贝叶斯(WNB)方法已被纳入评估过程。我们可以看到,技术是现实和可行的教学评估基于实验的结果。最后,提出了增量学习的概念,提高分类器,实验比较nonincremental分类器的结果。实验表明,增量学习方法提高分类器的性能,减少所需的时间过程。
为了解释数据挖掘和机器学习方法的使用分析和建模数据的教师评估的背景下,本文深入描述了分类算法和增量学习方法。机器学习的分类方法是用于评估模型发展到进一步提高教学评价的科学性和可行性。以下是本研究的主要结论:(1)创建一个基于机器学习的分类技术的教学评估模型通过引入加权贝叶斯算法和提出设计分类器。由于大量的数据训练,每个特定的权重分配评价指标,评价结果值自动计算根据评估数据。运行时间和分类精度表明,加权朴素贝叶斯方法优越比经典的BP神经网络技术来评估教学效果。(2)加权贝叶斯增量学习方法用于解决迅速扩张的数据集的问题。模型参数不断修改基于新添加的样本数据,提高了算法的效率,减少了大量的时间来处理数据。通过进行实验和分析结果,我们证实了增量学习方法可以提高时间效率和评价模型评价数据时大。
数据可用性
在当前的研究中使用的数据集是可从相应的作者以合理的要求。
的利益冲突
作者宣称没有利益冲突。