文摘
解决数字大学教学质量评估算法的局限性以及大型评估错误现有算法,提出了一种独特的大学数字教学质量评价方法基于多层次分析。首先,现有的高校数字教学质量评价研究开发数字教学质量的评价指标。然后,识别和计算的重量数字教学质量指标,指标权重评估矩阵构建和数字教学质量评估指标的权重绘制使用多级结构树模型。然后,从上到下的树,本文计算评价指标的等级。此外,本文计算指数评价的隶属度,正常化的评价指标,并完成数字教学质量评估与数字计算教学的信心。实验结果表明,该方法的数字教学质量评价指标有高度的准确性和评估误差较低。
1。介绍
教学质量评价描述了教育评价,教学作为评价对象。这是整个教育评价的基石和核心。具体数学目标、教学规范和标准用来评估教学质量。其中包括教学系统的检测和评估,评估教学效果和教学目标的实现程度,使相应的价值判断使用科学和现实技术提高教学过程(1]。目前,大多数中国高校配备最新的硬件和软件(2]。在教学过程中,我们可以积极采用现代教学设施,可以大大提高教学质量。相同的基本数学改革的前提下,不同的教师仍有自己的教学风格。因此,教师的课堂教学风格一直影响整个教学过程的质量。为了区分不同的课堂教学,没有足够的科学的方法来鼓励优秀的落后和共同政策。因此,在评价一个老师的表现,完成课时指数和作业指定的学校,教学质量和效果已经成为纯粹的软指数,这大大挫伤教师的热情。同时,教室是学生学习的最,课堂教学是提高整体教学质量的关键(3]。开发一个公平的目标数字教学质量评价系统是准确地分辨老师质量和白车身数字化教育的好处。高等教育是中国教育的一个关键组成部分。高等教育的质量直接影响质量的高级技能,国民经济增长的水平。连续扩招逐步揭示了矛盾在教学和科研设备、教师的数量和质量、基础设施建设、和其他方面的普通高等院校。毛入学率的提高带来了学生的质量,而对高等教育的质量构成了潜在的威胁(4]。
在中国高等教育的日益普及,数字教学辅助在整个教育系统的变换。数字教学的质量监督和评估机制是重要的措施,确保教学质量(5]。是至关重要的建立一个公平和科学的方法,监测和评价数字教学的质量。结果,这个领域的研究人员进行了大量的质量评价研究,产生积极的结果。作者在6)提出了一个多媒体教育质量评价方法使用灰色关联分析和神经网络。这种技术创建一个多媒体基于灰色关联分析的质量评价方法和神经网络来解决一些缺陷多媒体质量评价。这种技术创建一个多媒体基于灰色关联分析的质量评价方法和神经网络来解决一些缺陷多媒体质量评价。他们使用灰色关联分析计算的重量多媒体教学质量评价指标的分类器和神经网络来构造多媒体教学质量等级。最后,使用各种多媒体教学质量评价方法进行仿真测试。研究结果表明,提出的技术的多媒体教学质量大于95%。相比之下,比较方法的准确率的多媒体教学质量评价还不到95%。同时,多媒体教学质量评价的建模效率都得到了极大的改进。它引入了一个新颖的研究方法评估多媒体教育的质量;然而,它考虑少数字教学质量指数数据,具有一定的缺陷。 Zhang et al. [7)开发了一种基于主动学习的补充教学质量评价方法支持向量机(SVM)。这项研究提供了一个的课堂教学质量评价指标体系,考虑到现有的情况在很多方面。创建一个模型来衡量课堂教学质量使用主动学习支持向量机。实验是在收集到的数据集相关大学的教学质量。实验结果表明,该评价模型优于现有评估模型的准确性和效率,而且它可能产生优越的高校教学质量评估结果。这种方法很简单,生产率高,但是很少有迹象表明片面的研究对象。李等人。8)提供一个数据具有方法论评价大学教学质量。开始,模型检查和分析当前文学在大学教学质量评估和确定影响高校教学质量评价的元素。模型元素,然后收集信息影响大学教学质量,分配一个年级的大学教学质量基于专家判断,并创建一个学习样本的大学教学质量评估。最后,提出了一种数据具有技术培训学习样本构建大学教学质量评级使用BP神经网络模型。具体的例子是用来说明大学教学质量模型的好处。研究结果显示,数据挖掘可以用来描述不同的大学教学质量等级,并提供高精度的大学教学质量评估结果。此外,与以前的方法相比,高校教学质量评价的错误远远低,有显著的好处。然而,数字教学质量的评估是严重不足,必须改善。
根据前面的技术的缺点,这项工作提供了一个多层次分析算法的研究来评估高校数字教学质量。以下是精确的技术程序检查摘要:步骤1。我检查目前的数字高校教学质量评估和计算数字高校教学质量评价指标的基础上,现有的场景。步骤2。建立数字教学质量评价指标的权重,我创建了一个评估指标权重矩阵。步骤3。我设计一个多层次结构树模型,然后建立评估指标是按照等级排名从上到下。我也计算评价指标的隶属度,正常化的评估指标,并完成数字教学质量的评价通过计算数字教学的信心指标。
2。数字教学质量的评价指标和体重
2.1。高校数字教学质量评价的现状
个人经验,用学生的成绩、教师自我评价,综合得分领导人,然后寻求平均分数,或者主观评分直接通过一些特征在教学过程中,仍然是用来评估高校数字教学质量(如优秀教学贡献和教学事故)。这意味着人工水平是基于定性分析。然而,由于大量的数据收集和统计总结,手工教学质量评价方法往往使信息的及时性和准确性难以保证。这种评价方法仍然依赖于个人经验和侧重于定性分析,缺乏客观性和定量分析。特别是当做出综合评价教师长期的工作,它既不全面也不进程内评估特定时期或一些突出的特点9]。
首先,一些指标经常用于高校数字教学质量的评估,和所使用的指标应该正确代表教师的活动。我们不能做一个部分,并根据当前状态综合评估的一个或多个指标。这种评估是不公平的和不科学的,因为它只在一些地区评估教学的显著贡献或只有很少的教学强调错误(10]。
第二,学校评估高校数字教学的质量评定学生的老师,结合领导老师的分数,然后利用统计到达平均分数。这种评估技术似乎是“包罗万象”,然而事实并非如此。众多指标的相关性和相互关系在这种技术将被忽略。因为不是每一个指标都是同样重要的是在教学过程中,从实证的角度,利用人工技术来确定数字的分数高校教学质量评价是耗时且乏味。不过,它不会实现数字教学质量的客观和公正的评价。
最后,加权机制和评价指标是不科学的。两个特征的评估体系对评价对象的影响最大。一方面,评估者是否能够客观地评价研究对象;然而,考虑到当前的技术条件,评估师评估评价对象客观的能力是没有保证的11]。
另一方面,它是确定指标体系及其权重是否公平。在这方面,某些评价系统的指标体系及其权重系统介绍了根据用户的需求,在系统建设过程中不能修改用户使用和缺乏灵活性。
2.2。数字教学质量的评价指标
我应用模糊综合评价理论12)来创建一个数字教学质量评价指标基于数字质量评价的现状。如何适当地估计每个评价指标的权重是一个至关重要的话题在模糊综合评价的理论和实践。它提供了评估结果基于众多标准(或许多法官)评估,并结合评价结果(10)的各种元素(或多个法官)。
假设和代表两个有限的大学数字质量评价理论,分别
其中,代表数字的集合(或法官)和质量评价因素表示大学数字质量评价评论的集合(或评价结果的集合)。数字化质量评估因素的大学名单 ,给出的模糊评价的东西使用一个模糊集的数字质量评价一所大学的评论设置(或评价结果集)如下:
其中, ,在哪里 和 。
然后,评价矩阵的数字质量评价指标可以得到如下:
大学数字质量的评价指标主要采用矩阵法进行评估,同时,它必须满足的条件公式3,U和表示模糊集 或一个向量 ,和代表的综合评价结果指标或一个向量。根据上面的计算,确定大学数字教学指标(13]。
2.3。重量计算的数字在大学教学质量评价指标
在获得上述高校的数字化教学指标,重量(14上述评估的指标必须通过创建一个网络教学质量评价矩阵计算。表达的评价矩阵R。上面的教学质量评价指标的一个子集 。在本文中,我将所有的教学质量影响因素和构造的评价矩阵 可行的领域的影响因素,为代表R,
通过数字教学质量的评估,计算过程如下:
为了提高精度的影响研究数字教学质量,加入会员和评估值反复计算,和所有的评估价值影响数字教学质量的指标,这是用SS。定量在线课堂教学质量的模糊综合评价结果可以计算如下:
重量测定和计算的数字在大学教学质量指标,该框架指标权重评价矩阵确定的重量数字教学质量评价指标,为后续评价奠定了基础。
3所示。实现高校数字教学质量评估算法基于多层次分析
多层次分析是一种常用和模糊数学的基本方法。它由一个数量的评估指标以及权重分配给每个指标在所有指标。“多层次”一词指的是指标而不是自己评估指标的层次结构。在一个树结构的形式,这些指标是相互联系的15]。这些指标的基本结构如图1。
一个复杂的问题分成无数的组件使用这种结构模式(或元素)。每个组件也可以分解为多个组,每个都有自己的层次结构。这些在这个研究水平分为三组:(一)目标层。评估对象的评估目标,反映了系统评价目标或预定义的目标或结果分析问题。只有一个目标或元素可能会发现在这个级别的最高水平。(b)标准层。它描述了目标的中介联系,如计划,测量,和策略用于实现它。它是一组或规则评估任何迹象。标准层,subcriterion层,每个subcriterion,准则层之间的联系是所有可能的水平。subcriterion层描述前和后续层之间的关系。每一层可以有许多标准或组件,子层次报告前水平的标准。(c)指标层。这一层显示了目标的中间连接,以及解决方案,测量,方法和实现目标的其他选项。你可以有许多计划或元素在这个级别,即最低水平。
在数字教学质量评估,确定数字教学指标和权重后,多层次分析方法用于判断关键数字教学指标。我设置的重要性指标指数集合中的数据然后进行判断 。我定义的成员多级评价指标如下:
在公式, 和 表明模糊,我代表了我评价的因素n评价因素,j代表了j评级的米评价等级,b代表的成员j评价等级。
根据(16、多层次分析是评估通过确定评价指标的层次结构。确定评价指标的等级是高端的顺序来执行的。数字教学质量评价的多级结构如图2:
在图2,有米指标层K的重量,总数字教学质量评估 。此时,K层包含n指标(k−1),按此顺序排序。如果该指数的指数k - 1是独立的 ,值为0;然后,评价结果如下:
与数字教学质量评价错误,进一步处理首先规范如下:
归一化计算评价结果的信心来确定最终的评价结果是否可信如下:
的公式,代表了积极的分布,是总体方差,代表总体的标准偏差。
在数字教学质量评价,我首先设计多级结构树模型,然后确定评价指标的层次结构评价的顺序。此外,我计算评价指标的会员通过数字化教学的信心指标,最后计算数字教学质量评价的评价。
4所示。实验分析
4.1。实验协议设置
实验研究是进行这项工作来验证提出的性能评估技术。实验用英语专业大学一年为研究主题。类共有80名学生。多媒体设备被用来教班上英语专业。在一周内,多媒体教师教三个专业类。成绩作为对照组。专业课程教学这门课不是在多媒体在课堂上为学生B的功效评价技术是评估证明A和B类的学术成就在过去的一个学期。实验研究是进行这项工作来验证提出的性能评估技术。实验用英语专业大学一年为研究主题。在实验中收集的数据处理由专业软件来验证实验的正确性。
4.2。实验指标设计
实验的性能分析的影响指标用于实验。方法的结果比较,评价指标的准确性和质量评估的误差作为实验指标本文的实验分析。实验中学的孩子们的成就提供了数据,实验分析是基于学生的成功。
4.3。实验结果分析
提议的方法,多媒体教学质量评价基于灰色关联分析和神经网络和数据挖掘算法的正确性是用来测试方法的性能。表1总结了研究结果。
表1和图2说明的准确性结果建议技术基于灰色关联分析和数据挖掘算法的高校教学质量评价模型。样品的准确性评价数据大约是96%,基于灰色关联分析的准确性和多媒体教学质量评价是大约89%,和高校教学质量评价模型基于样例评估数据大约是85%。这种方法确定的迹象,另一方面,更准确。这是由于模糊理论的方法的使用,从而增加我们的方法的有效性。精度比较结果通过不同方法评价指标(%)在图所示3。
该模型、灰色关联分析、神经网络多媒体教学质量评估,学院教学质量评价模型被用来评估样本评价数据评价错误。图4描述了样本评价数据评价的结果错误。
图4表明该方法、灰色关联分析和神经网络多媒体教学质量评估,和高校教学质量评价模型基于数据挖掘算法是截然不同的。建议方法有最低的样品评估错误,总是小于2%,而其他两个方法总是更大。这是因为该方法计算的会员指数评估,完成数字教学质量的评价指标,然后提高了该方法的有效性。
表2表明,只有这种方法的一致性检查(CR)分数小于0.1的三个方法。在这所大学的教学质量评价模型基于数据挖掘算法,CR值都在0.1以上。这表明技术和实际的评价结果是最一致,表明该方法是成功的。
5。结论
本文提出一种多级分析数字教学质量评价模型。本文建立了一个分层的树型模型基于数字化教学质量指数和的重量评估矩阵。在该方法中,我首先确定评价的会员,然后正常化结束前的数字教学信心指数数字教学质量评估。实验结果表明,数字化教学质量评价指标是非常准确而很难实现(16]。
数据可用性
使用的数据来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或人际关系可能出现影响工作报告。