[发明专利]基于深度学习的随堂扫码评教数据有效性分析方法

说明书

本发明提供的基于深度学习的随堂扫码评教数据有效性分析方法，包括：收集随堂扫码评教数据，得到评教数据集；对评教数据集进行预处理，得到标记后的评教数据集，并将标记后的评教数据集划分成训练集、验证集和测试集；利用训练集对深度神经网络进行训练，得到多个候选的深度神经网络模型；利用测试集对候选的深度神经网络模型进行测试，最终筛选出效果最好的深度神经网络模型。本发明创新性地提出了一种将深度学习算法应用于评教数据分析的新思路，首次将深度学习应用于解决评教数据有效性的判别问题，借助深度神经网络来学习教师、课程以及学生三者的自身属性与评教数据有效性相关的深层特征。

技术领域

本发明涉及大数据分析和模式识别领域，更具体的，涉及一种基于深度学习的随堂扫码评教数据有效性分析方法。

背景技术

教学质量是高校人才培养的生命线，为了能够建设一个完善的教学质量监督体系，国内外高校纷纷采取了各式各样的教学质量评价手段来对教师的教学质量进行监督。其中最常见的做法是由学生来对教师的教学质量进行评估，这样不仅能够及时地发现并解决教学工作中存在的问题，还对改进教师工作、激发学生的学习积极性以及提高教学工作的效果等方面都发挥着重要作用。然而在学生评教过程中难免会存在敷衍了事流于形式或是受到私人恩怨等主观情绪影响评教的情况，使得评教结果的客观性难以得到保证，这也导致业界一直对评教结果是否能真实地反映教师教学水平存在着争议。尤其是在越来越多的高校开始参考学生评教结果来对教师进行奖惩的今天，缺乏公平公正的评教结果会对教师的工作积极性产生不容忽视的消极影响。

现有的大多数评教方法只是将焦点放在收集到的学生的评教数据上，然而教师、课程以及学生作为教学活动中的三大主体，都会对教学活动的效果产生影响。所以为了得出更加客观的教学评价结果，理应将教师以及课程的相关数据也纳入评教数据分析的过程。上海立信会计学院金融学院的黄波在文献“黄波.学生评教的影响因素研究一一基于排序Logic/Probit回归的实证分析[J].高等财经教育研究,2014(4):1-8.”中综合运用描述性统计、相关性分析、逐步回归和排序Logic/Probit回归分析方法，研究了教师和课程特征对评教结果的影响。算法中选取了教师基本信息、教师每学期工作量以及课程成绩分布等变量发现学生成绩因素与评教分的正相关关系以及任课教师的教龄和博士学位分别与评教分呈正相关和负相关的关系。

近年来出现了一些方法借助机器学习来进行评教数据分析。机器学习是一种数据驱动的决策方法，它是人工智能的一种形式，从实践的意义上来说，机器学习是一种利用数据训练出模型，然后使用模型预测的一种方法。厦门大学嘉庚学院的辜萍萍在专利“一种基于聚类的独立学院学生评教数据分析方法[P].福建：CN108256102A,2018-07-06.”中采用了机器学习算法中的模糊K-Modes算法对评教数据表的数据进行分析。而深度学习是机器学习中一种基于对数据进行表征学习的算法，其他的机器学习算法需要使用手工设计的特征来对模型进行训练，而深度学习算法能够自动地从数据中提取对解决问题有帮助的低层次或高层次特征。一般来说，在数据量充足的情况下，深度学习算法的表现会比其他传统的机器学习算法更为优异。

综上所述，现有方法存在的可改进之处有：

1、大多数评教分析方法没有考虑学生评教打分时的公正合理性，使用不公正的评教数据会对最终得到的教学评价结果的客观性产生影响。

2、分析评教数据时没有综合地考虑教师、课程以及学生这三者对评教结果的影响。

3、将机器学习运用于评教数据分析时，使用的都是聚类或支持向量机等传统的机器学习算法，没有尝试过将在大数据分析中表现优异的深度学习算法应用于评教数据分析的相关问题。

发明内容

本发明为克服现有的评教系统在使用过程中出现的因为评教学生的从众心理、主观偏见或是授课教师干预评教等情况下产生的无效评教数据而影响到评教活动公正合理性的技术缺陷，提供一种基于深度学习的随堂扫码评教数据有效性分析方法。

为解决上述技术问题，本发明的技术方案如下：