论文部分内容阅读
[摘 要]本文主要研究教育大数据下的云南独立学院本科生综合素质评价体系的建立和实现。综合素质能力评价要体现出其引导功能,既要满足独立学院学生自我了解和评价的功能、又要与社会需要接轨,引导本科生逐步自觉地提高自身素质,体现出人才培养的时代特征,同时也体现了学校向应用型大学转型的时代要求。
[关键词]教育大数据、独立学院、综合素质能力
中图分类号:G642.0 文献标识码:A 文章编号:1009-914X(2015)39-0252-02
一、概念
1、大数据
我们所说的大数据并不是简单的,重复的大量数据的堆积,因为这种数据往往信息密度低。美国互联网数据中心将大数据定义为:通过高速捕捉、发现和分析,从大容量数据中获取价值的一种新的技术架构。[1]通俗的说就是四个英文字母V的缩写:Volume(大容量)、Variety(多样性)、Velocity(高速度)、Value(高价值),即对大数据的掌握程度和分析力度可以转化为经济价值的来源。
教育大数据:教育领域中大数据有广义和狭义之分,广义的教育大数据泛指所有来源于日常教育活动中人类的行为数据,它具有层级性、时序性和情境性的特征;而狭义的教育大数据是指学习者行为数据,它主要来源于学生管理系统、在线学习平台和课程管理平台等。[2]
2、大数据关键技术
①数据挖掘:
数据挖掘的操作方法有很多种,本研究我们主要用到的是统计分析法。在数据库字段项之间存在两种关系:函数关系(能用函数公式表示的确定性关系)和相关关系(不能用函数公式表示,但仍是相关确定性关系),对它们的分析可采用统计学方法,即利用统计学原理对数据库中的信息进行分析。
②多元信息融合与Agent:
由于从不同的数据源获取的信息存在着不同的特征,利用面向不同特征的数据的信息融合系统对这些信息加以处理与融合,从而形成比较准确的信息。信息融合的分类方法有很多种,最常见的可按照层次划分为数据层融合、决策层融合和特征层融合。
正因为信息融合的不便,又引入了Agent技术,使用Agent技术对系统进行建模可以划分为两个阶段:首先对系统的的功能要进行全面的需求分析,从而对系统中Agent的角色进行划分,对每个角色所具有的功能和任务进行确定,并对多个角色之间的关系加以明确;然后分别对系统中各个Agent角色进行建模。
③模糊评价法
在评价过程中我们经常用到诸如“优、良、中等、合格、不合格”,“好、较好、一般、较差、差”这些评价词语。因此为了把这些定性的词语定量化,我们选择了模糊评价法。
模糊评价法是一种基于模糊数学的综合评价方法。该综合评价法根据模糊数学的隶属度理论把定性评价转化为定量评价,即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价,它具有结果清晰,系统性强的特点,能较好的解决模糊的、难以量化的问题,适合各种非确定性问题的解决。
3、综合素质能力
是指人们自身所具有各种生理的、心理的和外部形态方面以及内部涵养方面比较稳定的特点的总称。它大体包括身体素质、心理素质、外在素质、文化素质、专业素质等。
二、模型研究
由于综合素质能力评价问题的复杂性以及本科学生的社会性,支持评价的数据不仅来自于学校内部数据,而且还需要来自学校外部数据等。因此系统建立一个主数据库,这个主数据库中的数据高度共享,及时更新。本文中的数据库管理系统不同于一般数据库管理系统,除具有一般数据库管理系统的功能外,它着重考虑的问题有三方面:即面向评价过程组织和管理数据,面向模型、面向模型生成来使用数据,数据描述方面要面向不同的评价主体(图1)。
本系统数据库的上述特点决定了其设计的不同特点,实际上它是在源数据库基础上通过析取或抽取形成的一个主数据库,因此析取是不可缺少的一个环节。数据析取的基本操作包括:聚合操作、子集操作、数据表示及数据描述等。数据析取反映了系统对数据管理的要求:减少数据变化的等级、简化源数据库的分类、简化部件接口等。经过数据析取而建立的数据库,以及与其相关联的词典索引、析取DBMS及会话部件,能够支持评价系统的运行。
本文研究的本科生综合素质评价属于多评价主体、多层次、多属性评价结构模型。该类综合评价问题是一类非常普遍的复杂评价问题。求解结构类型,其模型库结构的研究具有普遍意义。本文将针对该类问题的结构特点设计一套通用模型库结构,通过与数据库技术相结合,使其具有可重用性,并且可定制,符合本科生综合素质发展的动态性评价要求。
三、案例研究
本科生综合素质评价是基于本科生培养过程的动态评价,针对不同类别的本科生培养的不同阶段和不同的评价目标,用不同的评价模型、评价准则来进行评价。本科生综合素质评价主要应解决两个问题:(1)如何确定评价指标模型;(2)如何构建与评价指标模型相应的权重及权重系数。评价模型正确选择是本科生综合素质评价的重要一环,本科生综合素质的特征作为一个相对的概念,单一的绝对数值不起任何作用,没有参照物,很难进行正确的评价,所以合理选择原有数据库中的多个类型相關的本科生进行比较,通过知识库和专家系统进行合理协调,来制定一种相对性评价基准,具有实际的意义。
本研究针对教育督导、教师、管理人员、学生和毕业生就业单位管理人员,进行本科生综合素质指标体系中的指标重要程度问卷调查,发放问卷108份,回收问卷95份,回收的有效问卷86份,有效问卷的回收率为90.5%。将问卷中的“非常重要、重要、一般、不太重要、很差”等模糊语言用语言标度集s={s0=很差,s1=不太重要,s2=一般,s3=重要,s4=非常重要}来表示,对问卷进行加权平均处理,得到各指标在绩效评价中的重要程度见表1。 根据调查结果分析,上面提出的素质评价指标体系中的指标的重要程度大部分在一般到重要之间,一部分处于重要与非常重要之间,因此这个指标体系中的指标运用于本科生综合素质评价是合适的。
四、展望
本课题主要研究教育大数据下云南独立学院本科生综合素质评价体系的建立和实现。
本科生综合素质的评价体系及评价指标的建立,能够从评价开始阶段就可对本科生的差异化程度做一个量化的评价。它是通过对本科生的特征信息的各个节点的分析,由各个节点的量化指标,来综合确定这一本科生的差异化特征。这一指标的确定可作为可定制的本科生综合素质的评价模型选择一个依据,为本科生综合素质评价的更加合理、有效和方便快捷地提供了一个手段。
本课题针对本科生综合素质能力的可定制评价问题展开研究,虽然取得了一定的创新以及具有实用价值可以付诸实践的成果,本课题的研究工作领域还有较大的扩展前景,希望能够在以下几个方面展开进一步深入研究:
(l)在差异化评价方面,本课题按照性别、年级、培养特色及本科生特长等差异化指标对本科生进行了分类调查。“十年树木,百年树人”,人才的培养是一个系统工程,应该在一个更宽泛的范围来考察人才的培养,注重人才的跟踪和反馈机制。
(2)研究如何发挥本科生综合素质评价在本科生培养过程中的监控功能,评价本科生综合素质的提高,使之朝着培养目標迈进。本课题在本科生评价的监控功能以及风险控制机制方面的研究还存在不足。
(3)从实证角度来看,本课题进行的本科生综合素质评价研究是基于智能评价支持系统之上的,目前在广泛应用上还会存在一定障碍,主要问题是专家知识库的构建和数据库的实现存在技术上和管理上的困难,系统中信息的可靠性和全面性的实现还需要各方的努力。
参考文献
[1] John Gantz&David Reinsel. Extracting Value from Chaos [EB/OL].http://www.em c.com/collateral/analyst-reports/idc-extracting-value-from-chaos-ar.pdf.
[2] 徐鹏.大数据视角分析学习变革[J].远程教育杂志,2013,(6):12.
[关键词]教育大数据、独立学院、综合素质能力
中图分类号:G642.0 文献标识码:A 文章编号:1009-914X(2015)39-0252-02
一、概念
1、大数据
我们所说的大数据并不是简单的,重复的大量数据的堆积,因为这种数据往往信息密度低。美国互联网数据中心将大数据定义为:通过高速捕捉、发现和分析,从大容量数据中获取价值的一种新的技术架构。[1]通俗的说就是四个英文字母V的缩写:Volume(大容量)、Variety(多样性)、Velocity(高速度)、Value(高价值),即对大数据的掌握程度和分析力度可以转化为经济价值的来源。
教育大数据:教育领域中大数据有广义和狭义之分,广义的教育大数据泛指所有来源于日常教育活动中人类的行为数据,它具有层级性、时序性和情境性的特征;而狭义的教育大数据是指学习者行为数据,它主要来源于学生管理系统、在线学习平台和课程管理平台等。[2]
2、大数据关键技术
①数据挖掘:
数据挖掘的操作方法有很多种,本研究我们主要用到的是统计分析法。在数据库字段项之间存在两种关系:函数关系(能用函数公式表示的确定性关系)和相关关系(不能用函数公式表示,但仍是相关确定性关系),对它们的分析可采用统计学方法,即利用统计学原理对数据库中的信息进行分析。
②多元信息融合与Agent:
由于从不同的数据源获取的信息存在着不同的特征,利用面向不同特征的数据的信息融合系统对这些信息加以处理与融合,从而形成比较准确的信息。信息融合的分类方法有很多种,最常见的可按照层次划分为数据层融合、决策层融合和特征层融合。
正因为信息融合的不便,又引入了Agent技术,使用Agent技术对系统进行建模可以划分为两个阶段:首先对系统的的功能要进行全面的需求分析,从而对系统中Agent的角色进行划分,对每个角色所具有的功能和任务进行确定,并对多个角色之间的关系加以明确;然后分别对系统中各个Agent角色进行建模。
③模糊评价法
在评价过程中我们经常用到诸如“优、良、中等、合格、不合格”,“好、较好、一般、较差、差”这些评价词语。因此为了把这些定性的词语定量化,我们选择了模糊评价法。
模糊评价法是一种基于模糊数学的综合评价方法。该综合评价法根据模糊数学的隶属度理论把定性评价转化为定量评价,即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价,它具有结果清晰,系统性强的特点,能较好的解决模糊的、难以量化的问题,适合各种非确定性问题的解决。
3、综合素质能力
是指人们自身所具有各种生理的、心理的和外部形态方面以及内部涵养方面比较稳定的特点的总称。它大体包括身体素质、心理素质、外在素质、文化素质、专业素质等。
二、模型研究
由于综合素质能力评价问题的复杂性以及本科学生的社会性,支持评价的数据不仅来自于学校内部数据,而且还需要来自学校外部数据等。因此系统建立一个主数据库,这个主数据库中的数据高度共享,及时更新。本文中的数据库管理系统不同于一般数据库管理系统,除具有一般数据库管理系统的功能外,它着重考虑的问题有三方面:即面向评价过程组织和管理数据,面向模型、面向模型生成来使用数据,数据描述方面要面向不同的评价主体(图1)。
本系统数据库的上述特点决定了其设计的不同特点,实际上它是在源数据库基础上通过析取或抽取形成的一个主数据库,因此析取是不可缺少的一个环节。数据析取的基本操作包括:聚合操作、子集操作、数据表示及数据描述等。数据析取反映了系统对数据管理的要求:减少数据变化的等级、简化源数据库的分类、简化部件接口等。经过数据析取而建立的数据库,以及与其相关联的词典索引、析取DBMS及会话部件,能够支持评价系统的运行。
本文研究的本科生综合素质评价属于多评价主体、多层次、多属性评价结构模型。该类综合评价问题是一类非常普遍的复杂评价问题。求解结构类型,其模型库结构的研究具有普遍意义。本文将针对该类问题的结构特点设计一套通用模型库结构,通过与数据库技术相结合,使其具有可重用性,并且可定制,符合本科生综合素质发展的动态性评价要求。
三、案例研究
本科生综合素质评价是基于本科生培养过程的动态评价,针对不同类别的本科生培养的不同阶段和不同的评价目标,用不同的评价模型、评价准则来进行评价。本科生综合素质评价主要应解决两个问题:(1)如何确定评价指标模型;(2)如何构建与评价指标模型相应的权重及权重系数。评价模型正确选择是本科生综合素质评价的重要一环,本科生综合素质的特征作为一个相对的概念,单一的绝对数值不起任何作用,没有参照物,很难进行正确的评价,所以合理选择原有数据库中的多个类型相關的本科生进行比较,通过知识库和专家系统进行合理协调,来制定一种相对性评价基准,具有实际的意义。
本研究针对教育督导、教师、管理人员、学生和毕业生就业单位管理人员,进行本科生综合素质指标体系中的指标重要程度问卷调查,发放问卷108份,回收问卷95份,回收的有效问卷86份,有效问卷的回收率为90.5%。将问卷中的“非常重要、重要、一般、不太重要、很差”等模糊语言用语言标度集s={s0=很差,s1=不太重要,s2=一般,s3=重要,s4=非常重要}来表示,对问卷进行加权平均处理,得到各指标在绩效评价中的重要程度见表1。 根据调查结果分析,上面提出的素质评价指标体系中的指标的重要程度大部分在一般到重要之间,一部分处于重要与非常重要之间,因此这个指标体系中的指标运用于本科生综合素质评价是合适的。
四、展望
本课题主要研究教育大数据下云南独立学院本科生综合素质评价体系的建立和实现。
本科生综合素质的评价体系及评价指标的建立,能够从评价开始阶段就可对本科生的差异化程度做一个量化的评价。它是通过对本科生的特征信息的各个节点的分析,由各个节点的量化指标,来综合确定这一本科生的差异化特征。这一指标的确定可作为可定制的本科生综合素质的评价模型选择一个依据,为本科生综合素质评价的更加合理、有效和方便快捷地提供了一个手段。
本课题针对本科生综合素质能力的可定制评价问题展开研究,虽然取得了一定的创新以及具有实用价值可以付诸实践的成果,本课题的研究工作领域还有较大的扩展前景,希望能够在以下几个方面展开进一步深入研究:
(l)在差异化评价方面,本课题按照性别、年级、培养特色及本科生特长等差异化指标对本科生进行了分类调查。“十年树木,百年树人”,人才的培养是一个系统工程,应该在一个更宽泛的范围来考察人才的培养,注重人才的跟踪和反馈机制。
(2)研究如何发挥本科生综合素质评价在本科生培养过程中的监控功能,评价本科生综合素质的提高,使之朝着培养目標迈进。本课题在本科生评价的监控功能以及风险控制机制方面的研究还存在不足。
(3)从实证角度来看,本课题进行的本科生综合素质评价研究是基于智能评价支持系统之上的,目前在广泛应用上还会存在一定障碍,主要问题是专家知识库的构建和数据库的实现存在技术上和管理上的困难,系统中信息的可靠性和全面性的实现还需要各方的努力。
参考文献
[1] John Gantz&David Reinsel. Extracting Value from Chaos [EB/OL].http://www.em c.com/collateral/analyst-reports/idc-extracting-value-from-chaos-ar.pdf.
[2] 徐鹏.大数据视角分析学习变革[J].远程教育杂志,2013,(6):12.