文摘

现有的教学评价体系部分反映了教学效果通过统计报表和其他相关条件,但很难找到有用的知识隐藏在数据库中,并且不能有效地辅助决策支持。为了提高大学课堂教学模式的评价效果,本文主要使用决策树算法和关联规则的数据挖掘技术构建高校课堂教学模式的有效性评价体系基于决策树分析。此外,本文分析了教学信息和评价数据中提取潜在的有用的知识,它可以帮助决策者发现规则和探索各种因素影响教师的教学效果,从而提高教学管理和优化资源配置。此外,本文利用实验教学方法来验证系统的性能模型构造。研究结果表明,该系统构建本文具有一定的可靠性和实用性。

1。介绍

自改革开放以来,教学改革一直占据高等教育改革的最重要的部分。特别是,当计划经济体制转换为市场经济体制和高等教育已经从精英教育阶段向大众教育阶段,教育理念的变化,教育价值观,社会对人才的需求提出了新的要求,大学教育和教学。这敦促大学教育和教学改革不断深化的概念,内容,方法,和其他方面,适应新的经济和社会变化的需求。自从实施“高等教育质量和教学改革工程”,教育部每年都集中在提高教学质量,还将推出一个更大的“教学质量工程。”强调提高高等教育教学质量的教学需要改革,尤其是教学模式的改革,应该朝着提高人才培养的质量1]。

教学模式是教学理论的反应在教育实践和实现教学目标的主要途径。因此,不同的教学模式反映了不同的教学理论和培养不同类型的人才。作为培养人才的重要机构,学院和大学有一个重要的影响人才培养的教学模式的类型。为了实现培养高素质人才的目标,高校需要进行教学改革,探索教学模式与教学目标相一致。

与我国的战略的实施科教兴国的理念,教育走向数字化信息时代提出高新要求大学教室和也提出了严重的挑战传统的课堂教育。有许多问题在传统的教室。例如,传统的教室主要是基于教师,在课堂上学生被动地接受知识,和学生围绕着考试,无法独立思考,不能积极探索和获取知识。这样一个模型不能调动学习者的积极性和热情。学习的效率自然很低。当今社会需要的人才不仅是那些掌握理论知识和基本技能,还那些积极参与的意识,团结合作的意识,意识的挑战,积极性的意识。他们也应该有科学创新的精神和强烈的创新实践能力的人才。所以,我们教育的目的是培养创新人才通过正确的教学模式,满足需求(2]。

信息时代孕育了一个新的翻转课堂教学模式,使其进入人们的视线。互联网技术的发展和大数据使人们通过不同的渠道获取知识。知识转移的方式已经从互动的一种方式。蕴藏和翻转课堂等新兴教学模式进入人们的视线。学校和老师不再。此外,它是人们接受教育的唯一渠道,和高等教育的地位已经动摇。

这也有一个巨大的影响在高校的内部运行机制。因此,我们必须改革传统的课堂教学模式,创造性地使用现代教育技术,引导学生积极学习,充分发挥学生学习的主体作用,促进老师和学生之间的互动和沟通,实现个性化教学,培养创新人才。

传统的高效课堂教学方法主要是多媒体辅助教学方法,教学,很难发现问题。因此,本文结合决策树算法探索高校教学课堂中存在的问题,改变传统的教学模式存在的问题,并做出有针对性的改进。

摘要决策树算法改进的基础上研究的其他文件,以便它能满足知识发现的需要有效的教学模式。本文的模型是用于效果评估。

2。相关工作

因为传统的理性决策模型不能完全解释个体的许多异常现象在实际决策行为中,经济学家和管理学家开始关注“决策过程”,他们建立了一个基于认知心理学的研究框架3]。的核心文献[4)理论是对一系列限制偏好关系,所以偏好关系的表示是一个实值从状态空间映射到空间的结果。换句话说,每个决策者都有自己的实际价值效用函数,称为VNM期望效用函数。决策者面临的不确定性”的风险,”也就是说,决策者知道各种行动,结果的概率分布和决策者为每个结果分配一个特定的值作为一个行动的效用。决策者选择在多个行为按照最大化效用函数的期望值原理(5]。文学的经典视图(6)理论,效用函数线性概率。文献指出,偏好关系是一个二进制关系满足独立公理和阿基米德公理。这项研究在7)结合了期望效用理论和主观概率的定义提出七个公理系统地总结主观概率的预期效用理论。这项研究在8开始从两个简洁的线索和完全总结期望效用理论。从风险决策偏好公理系统和野蛮的决定理论在不确定性的背景下,研究[9证明和总结了公理和偏好的数值表达式。期望效用理论的诞生,各种应用领域有明确的判断标准和系统的研究。例如,在公司的投资决策、融资、资产定价和其他领域纳入预期效用理论系统,他们取得了快速发展10]。同样,期望效用理论的框架下,金融科学研究也取得了令人瞩目的成就11]。

许多异常现象经常出现在决策基于期望效用理论的研究,如隔离效果,反射效果,确定效果,共同比率效应,和共同结果的效果。因此,期望效用理论的改进方向是更新和放弃独立性公理和确定的原则和使用另一组公理形成新的理论体系获得了预期效用理论的延伸,也就是说,各种非期望效用理论(12]。

决策树用于图形代表决定,可用随机因素,他们的后果。通常是从左到右,由决策节点(广场),机会节点(圈),结束节点(三角形),和分支(箭头)从一个节点到另一个地方。此外,所有决策树从一个决策节点称为根节点开始(13]。从根节点出现的分支和其他决策节点代表一组可用的决策(选择),并且只可以选择其中一个。实现的决定可能导致最终结果(结果节点,也称为终点),随机事件(节点)的机会,或另一个决策问题(决策节点)14]。产生的分支从机会节点代表了可能实现相应的随机事件及其概率(15]。由于实现随机事件,可能出现三种情况:决策者必须做出另一个决定,另一个随机事件发生时,或最终结果。在给出的数学定义决策树之前,我们首先区分动态选择和静态的概念选择(16]。静态选择:如果一个或多个个人必须作出最后决定之前(不可撤销的意义上)可选彩票(或阶段的复合彩票)是解决,然后一个静态的选择。换句话说,“自然”将不会采取任何行动,直到决策者采取了他所有的行为毫无保留地(17]。它体现在决策树作为当且仅当没有机会节点之前选中的节点,和给定的决策树代表一个静态的选择问题。动态选择:如果需要做出决定后,某些不确定性已经得到解决,则称为动态选择这样的决定。可能有几个原因动态选择。原因之一是,决策者可能不需要(甚至不能)做出决定,直到解决了一些不确定性。另一个原因可能是可用的选择将取决于结果的不确定性18]。在任何情况下,动态选择情况将包括至少有一些选择,决策者可以或必须推迟,直到自然状态做了一些行动。它体现在决策树,当且仅当有选择节点至少有一次节点后,给定的决策树代表一个动态选择问题(19]。

静态选择和动态选择的区别如下:静态选择场景意味着所有决策之前将不可逆转地不确定性是解决。然而,动态选择情况区分每个决策的决策者的计划选择节点的决策问题(即在根节点)与实际选择当达到给定的决策节点(20.]。

3所示。决策树算法的学习环境

模糊是最常见的一种模糊规避各种应用程序。它的目标可以表示为如下优化问题:

在这里,d是距离函数测量原样品之间的距离x和模糊样本和 是分类器的决策函数,输出输入样本的分类结果吗x。这个优化问题的目标是找到最小扰动增加x的目的,从而达到改变的输出f。常用的距离测量功能 ,和 ,它被定义为(21] 在哪里是我th特性的样本x,米代表的数量特征的样本,x原样品,是模糊样本。当p是0,距离函数计算样品的修改的数量特征。在实验中,根据实际应用适当的距离计算功能选择。

敌对的样本模糊神经网络模型是由优化以下问题,即满足图像像素值约束的前提下,最小的干扰,可以使生成的对抗性的样本分类错误的进入l类发现: 在哪里是指损失函数的神经网络l目标类别的标签,也就是说, 和c是惩罚参数,用于控制的大小 。L-BFGS被用来解决这个问题。虽然这方法具有良好的性能,它是更昂贵的计算敌对的样本。

本文提出一种方法基于快速梯度符号,即构造敌对的通过计算样本的成本函数的梯度模型相对于神经网络的输入:

通过增加样本时模型的损失x分为正确的样本,神经网络可以分成其他类别,也是一种没有方向的模糊的(也就是说,没有具体的模糊目标)。

标签平滑修改标签y在模型训练的训练样本。y是由标准的基向量。

它不使用一个炎热的编码:

在这里,k代表的数量分类,t的下标是正确的类别,然后呢是一个参数设定的用户。当它是1,类别是一个炎热的编码。这种方法可以抵抗模型是基于模糊梯度。此时,模型的训练,这种方法可以减少梯度得到模糊的人,从而减少模糊参数的成功率(22]。

本文提出了一种防御蒸馏法拒绝模棱两可。最初的蒸馏技术旨在压缩大型模型到一个小模型,同时保持模型的准确性。然而,防守蒸馏方法不会改变模型的大小但产生一个模型平滑输出表面和对扰动的敏感性较低,因此,旨在改善模型的鲁棒性。如图1,它首先列车初始网络T与数据X和softmax设置的温度T在这个时间。然后,它使用相同的数据X概率向量 ,训练和网络设置蒸馏预测的网络。与样品的原始类相比,概率向量包含更多的信息分类。实验的结果证明使用防御性蒸馏可以减少敌对模棱两可的成功率90%。

Defense-GAN的工作流程图如图2。虽然在模糊Defense-GAN已被证明是非常有效的防御,它的成功在很大程度上依赖于氮化镓的表现力和发电机的能力。此外,培训GAN是具有挑战性的。如果不进行适当的培训,防守能力将显著降低。

建立决策树的过程是一个连续的过程划分数据集(图3)。每次选择一个功能根据一个特定的特征选择标准,根据所选的数据集划分功能。直到只有一个类型的样本数据集或其他终止条件得到满足,建立完成。由于决策树可以清楚地表达其决策过程可视化,广泛用于恶意软件检测、网络入侵检测、垃圾邮件检测。三个常用的决策树是在下面讨论,包括清晰决策树ID3 [23]。

代表一个清晰决策树ID3,使用信息增益来衡量每个特性的分类能力。我们给出了一个数据集X,每个样本x有n特性,表示为 和每个特性有e值,即 。样例x属于y类别, 和c类别的总数。信息增益定义为(24]

在这里,代表了样本集的功能价值在数据集 , 代表样本集的大小,也就是说,样本的数量代表了信息熵,定义如下:

在这里,代表的比例k类型数据集和样品b对数函数的基础。在信息技术领域,b通常设置为2。如果是一个连续变量,可以通过离散化计算信息增益特性。

模糊决策树模型,应用模糊逻辑。它使用模糊逻辑决策树处理不准确的知识。我们假设有一个模糊的数据集X。这里的功能 ,值的模糊集V表示为(25]

这里的隶属程度表示程度属于 。明确的数据集,它首先需要模糊的隶属函数,然后使用模糊决策树来处理它。

模糊决策树的代表之一,FID3还使用信息增益(见以下公式)选择功能。在这里,模糊数据集的大小是由模糊程度的数据:

YST使用模糊特征选择,每一次,最小的模棱两可的特性是选定的节点。的属性 ,它的歧义等于每个属性的模糊权重值:

在这里,样本的比例的特性需要的值和代表了歧义的功能价值 。

在这里,

我们计算分类样本的概率k当是 。 代表的比例样本所属的类别k在样本集, ,当 , 。

决策树,目前有两个主要的黑盒模糊方法。一个是治疗目标分类器作为一个数据库(Oracle)问阿目标分类器对样本的分类标签。它可以接受输入和返回的类标签样本,这是该指数概率值最大的分类:

在这里,代表了最终的分类标签样本x和指的是jth价值的最终输出的概率向量分类器啊,也就是说,样本被分为的概率j类。基于可用的信息,通过收集到的样本集足以代表任务完成的目标分类器,使用数据生成方法中所描述的人物4,另一种模型可以逐渐学会了方法的决策边界目标模型o。然后,模糊的人可以用学到的信息替代模型制定模糊策略,然后模糊目标模型。替代模型和目标模型可以是一个齐次模型或非齐次模型。

目前,模糊模型的方法通常使用梯度信息修改样本,DT的决策函数是没有可微的,是不可能获得的梯度信息来指导模糊操作。因此,本文提出一种sensitivity-based测量标准来解决这个问题;的影响,通过计算样本特性变化对成功的起毛,最重要的特征子集选择迭代起毛。和代表增加和减少的影响特性通过 ,它被定义为(26]

在这里,样本的信心吗x属于模型的输出tth类别和 是改变样本。当 , ;否则, 。的大小决定根据样本的值范围特性,通常设置为一个相对较小的值。该算法旨在从原样品x然后迭代修改模糊样本直到找到最优模糊样本和分类错误的决策树。在每个迭代中,最大的功能或将添加一个干扰的或 。重复这个过程,直到样本分类错误,或改变样本超过最大扰动限制,或迭代的数量超过最大迭代次数限制。

的输出ID3决策树分类标签,和分类的信心没有提供输出。因此,本文采用一种基于路径深度计算方法 。H是一组路径从根节点到叶节点的决策树。函数计算节点路径的数量h, 计算样本的数量x满足条件的道路h。

因此,减少 可以提高ID3分类样本的概率为真正的类别,从而实现成功的目标模糊性。这两个信息的帮助下,我们得到的定义ID3 [27]:

在这里, 和代表了在H组路径,将样本划分为样本的类别t。因为可能有多个路径的ID3输出类别t选择最大价值。模棱两可的目标是削弱样本之间的关系x和它的类别t。越小 ,分类样本的机会就越大x到其他类。

在FID3路径h每个分支的隶属度是获得成倍增加 ,然后,它乘以类别概率向量(叶子节点)来获取类别概率路径的结果h样本x。最后,对分类结果的路径x在FID3被添加到获得样本FID3的分类结果x,FID3的分类标签x是最高的类别概率的分类结果。因此,的定义得到:

在这里, 代表分类样本的概率t类型的叶节点的路径h和 代表了样本的程度x属于路径h。如果修改后的功能可以减少在成本限制下,模糊的目标可以实现。从上面的分析,分类的信心CYST可以获得的

即YST以最大隶属程度的路径为分类的信心。

从理论分析,提出了模糊算法的时间复杂度 ,在哪里n代表的数量特征,问代表时间问目标分类样本,和设置最大迭代数。的大小n取决于应用程序场景中,模糊成本有关,这些因素都与DT。唯一的区别在该算法的时间复杂度模糊CDT和FDT问。决策树的复杂性越高,就越大问。一般来说,自从CDT决策过程通常是相对简单的,问CDT小于FDT。

4所示。基于决策树的教学模式评价体系

教学模式的评价体系主要包括三种类型的用户的需求。系统管理员的需求管理系统。教师的需求是登录来查看自己的教学评价结果在教学评价结束后,及时改变自己的教学方法基于评估结果来提高教学质量。学生的需求是登录到系统后评估他们自己的老师教学评价活动的开始。

根据系统的需求分析,系统的用例图如图的需求5。

教学评价系统的流程图如图6。

流程图主要由以下部分组成:(1)教师基本信息的收集和处理,进行学生评价信息,和同行信息在数据库中统一格式。(2)教学评估数据挖掘系统:收集获得的数据到数据库中,然后,根据数据挖掘后获得的数据,为管理决策者提供最新、最有价值的信息或知识,帮助他们迅速而正确地做出决定。(3)数据挖掘:确定矿业的任务或目的根据提出的问题决策者的特点,简化和数据库中的相关数据进行预处理,然后挖出新的和有效的知识从精简数据。数据挖掘教学评价体系为决策者提供有效的知识。(4)数据库:这个主要是存储各种数据相关老师的信息。系统存储老师的基本信息和各种信息的数据库中的教师的教学活动。(5)知识库:这包括获得有用的信息数据挖掘之后,也就是说,规则提取,用于管理决策者的决策。

系统完成的功能:用户权限设置,确保系统的安全;数据库查询功能允许用户直接修改数据库中的数据不开数据库;决策树算法的简单性和速度的最大优势是系统;有非常方便的数据库备份和恢复功能,如图7。

5。系统评价

本文使用SQL Server 2020数据库在设计教学评价体系。程序的机制已经发生了改变。没有传统意义上的主程序。程序执行的基本方法是“事件”来驱动子程序的操作(或流程)。例如,用鼠标单击命令按钮将生成一个命令。“单击事件”按钮将执行一个程序的响应。针对VB的上述特点,本系统选择系统的VB6.0作为开发工具。

根据上面的分析,验证了系统的性能。本文结合实际需要验证的性能基于决策树的大学课堂教学系统分析。本文以大学为例进行实验教学。通过这个系统,分析了教学方法和学生的学习方法和定量处理手册在系统评价得分。在学院和大学使用该系统后一段时间,学生和教师评估系统。首先,本文验证系统上的教学评价的影响,结果如表所示1和图8。

从上面的分析,我们可以看到,大学课堂教学的分析系统模型构建基于决策树分析本文在教学评价有良好的性能。在此基础上,本文对教学系统的战略制定的影响,结果如表所示2和图8。

从表可以看出1和图9相比之下,文献[15),本文的研究成果有优势在教学效果评价和本文的大部分超过85点,所以本文的教学效果可以被称为优秀的。

通过上面的实验教学和评价分析,我们可以看到,大学课堂教学的有效性评价体系模型基于决策树分析本文构造有一定的实用效果。

我们比较的影响决策树模型与神经网络和摘要K——问题挖掘算法的高效教学模式和统计问题挖掘的效果进行比较。结果如表所示3和图10。

从表2和图10的评价结果,可以看出本文教学策略制定更合理的比文献[10并制定有针对性的教学方法。因此,可以认为本文的系统模型参考制定教学策略中有一定的优势。

6。结论

教学质量是生存的基础的远程教育大学、和教学评价是一种有效的手段,全面提高教学质量,提高教师的教学水平,规范教师的教学行为。数据挖掘的应用教学评价已经解决了这个问题。使用数据挖掘方法,分析教学信息和评估数据,我们可以提取隐藏潜在的有用的知识,可以帮助决策者找到规则,并探索各种因素影响教师的教学效果,从而提高教学管理、优化资源配置和提高教学质量。本文主要使用决策树算法和关联规则的数据挖掘技术构建高校课堂教学的有效性评价体系模型基于决策树分析。系统后,系统构建的有效性验证本文通过实验教学方法。

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

这项研究是由青年基金项目在学校的东北师范大学哲学社会科学”研究日本小学学校合作的实践及其影响因素:教师群际关系”的角度(项目编号:1809215)。