论文部分内容阅读
高校教学质量监控是高等教育的核心问题之一。作为反映高校的教学状况和培养人才质量的重要依据之一，高校长期积累的教育数据对于评判高校的办学实力、教学水平、育人质量具有重要意义。本文利用深度学习等先进数据的挖掘手段，提出一种新的高校教学质量监控机制。该机制面对大量的教育数据，有效地提取出具有重要意义的信息，并从中整理出教学数据与高校人才培养质量之间的函数关系。实践证明：该机制可以用于评价学校学生的学业进展、教学质量、人才培养模式、专业建设等方面的成果，不但可以发现潜在问题，还能预测未来，对于实现智慧教育具有一定意义。教学质量是高校的生命线，如何构建符合校情的教学质量保障长效机制是高校生存与发展的必然要求。国内外众多学者和教学管理人员对普通高校本科教学质量内部监控体系进行了大量理论和实践的研究，取得了一定的成果。本文结合教育部教育信息化十年发展规划的要求，根据本校人才培养的要求，利用深度学习技术等先进的数据挖掘手段，根据本校在教学过程中形成的大量教学数据，提出一种基于深度学习技术下的教学质量监控机制，并以此为基础，有效实现教学质量监控过程中的及时介入，进一步提升教学和人才培养的质量。
高校教学质量监控的难点
当前一些高校没有良好的方法将教师的教学与人才培养的成果联系起来，只能将教师的教学评估和毕业生就业质量报告分成两部分来做，即将教师的教学评估、学生的成绩分析与学校毕业生的按时毕业率、就业情况等的分析割裂开来，这无疑切断了教师的教学效果与毕业生的人才质量之间的联系。各高校在长期的教学过程中，已经积累并存储了大量的教育数据，但是没有很好地利用这些数据对教学质量和人才培养质量进行相关性分析。因此有必要制定一个能够综合评估和预测人才培养质量的方案，将教师的教学水平、学生学习能力等因素进行量化分析，实现人才质量的可预测化。
深度学习技术
深度学习（Deep Learning）可以自动地从海量数据中学习并总结特征，因此它不需要通过人工方式进行样本类别的标注完成学习，極大地推进了智能自动化。深度学习采用了与神经网络相类似的层次结构：系统是由输入层、隐藏层（可单层、可多层）和输出层组成的多层网络，只有相邻层的单元（节点）之间有连接，而同一层节点和跨层节点之间无连接。这种层次结构，和人类的大脑结构比较接近。因此，可以利用高校在长期教学过程中积累的海量教育数据，运用深度学习技术来探究现有数据与教学质量之间潜在的量化关系与规律。
利用深度学习技术来构建高校教学质量的监控机制
本文提出的基于深度学习技术下的教学质量监控机制的结构，根据以往的学生数据来评估教师的教学质量以及对现有学生的发展进行预测，以制定教育决策，主要由以下四个步骤组成。
采集历史教学数据，分析其合理性，建立数据库
根据深度神经网络的特点和每一个学生在学习期间的情况以及对应的教师的教学运行状态，把其毕业之后的发展情况制作成标签，以此形成每一个学生毕业前的学习状况和毕业后的人才培养结果一一对应的训练集。比较合理的特征参数有课前教案评分、课堂纪律评分、其他教师听课打分、学生平均成绩、学生给教师评教打分等信息。除此之外，对于学生自身的情况，可以采用已完成课程成绩，以教师和同学对其在学习能力、知识素养、独立解决问题能力、沟通交流能力等因素上全面打分的评价方案，定性分析学生的素质并录入数据库。对于高校人才培养目标的评价，首先可以根据学生毕业时的情况来进行，以毕业时的学分成绩、获奖情况和毕业设计三个方面来考虑培养结果。其次可以从学生的职业发展和社会价值来评价培养结果，通过薪酬和就业单位的评价（包括知识掌握水平、个人素养、工作态度、团队合作能力）等因素来评价人才质量。
以历史教学数据为基础，深度学习神经网络
将以往所有学生在校学习期间的各种表征参数以及对应的教师的教学质量参数作为训练集，每一个学生对应一个特征向量（n为学生人数），学生毕业以后的发展情况参数作为向量标签，每个特征向量和相应的向量标签是一一对应的关系，对所有的特征向量构成的集合以及对应的向量标签进行训练、学习，获取深度学习神经网络模型M。对每一个学生对应的特征向量而言，有，其中，依次对应该生在学校学习期间的各项表征参数以及对应的教师的教学质量参数，如学生的课程成绩、学科竞赛获奖、学生评教打分等，对每个特征向量对应的向量标签，有 ，其中，依次对应该生毕业之后的发展情况参数，如毕业深造率、用人单位对其的满意度、工作薪酬水平等。
根据当前的教学数据，预测教学培养的结果
当需要预测一批在校学生毕业以后的发展状况时，可将所有学生在校学习期间的各种表征参数以及对应教师的教学质量参数作为测试集，每一个学生对应一个特征向量，所有的特征向量构成的集合，放到我们训练好的深度学习神经网络模型中，即可得到对应的向量标签，即该生毕业以后的发展状况。
反馈到教学活动中，做好教学质量的监测与预警
根据深度学习模型的预测结果，高校的教学管理部门可以采取相应的措施。对于教学质量有待提高的教师，可以安排经验丰富的教师指导其工作，有针对性地提高其教学水平，改进教学方式。对于学困生，应当秉持因材施教的理念，积极地引导学生端正学习态度，尽可能地减少学困生不合格的情况。最终建立科学合理、可持续发展的教学质量监测与预警反馈机制，提升高校的教学水平和人才培养质量。
最后，我们选取了学校某专业学生的数据展开了一系列实验，预测结果达到预期，这不仅初步验证了本文的理论部分，也为以后展开大型的实验提供了有价值的参考。
结语
本文给出了一种基于深度学习技术下的高校教学质量监控机制构建的新方法，经过教学实践检验，证实该方法能够达到较好的监控效果。本文提出的方法对于教学和人才培养质量的及早预测和干预都具有重要意义。与传统的方法相比，本文提出的方法具有数据驱动的特点，因此能够应用于不同层次高校的具体场景中。如何根据已有的预测结果进行有效的干预，从而最大化干预效果，是我们未来将要研究的重要内容之一。
基金项目：浙江省教育规划课题“基于深度学习技术的教学质量监控机制研究”（项目编号：2018SCG217；项目负责人：舒振宇）；宁波市领军和拔尖人才培养工程择优资助科研项目“面向智能制造产业的三维数字几何模型形状分析算法研究”（项目编号：NBLJ201801010；课题负责人：舒振宇）；宁波市教育科学规划重点课题“信计专业‘一核两翼三能’理科应用型人才培养‘5×3’工作机制构建”（项目编号：2018YZD008；负责人：于欣）
高校教学质量监控的难点
当前一些高校没有良好的方法将教师的教学与人才培养的成果联系起来，只能将教师的教学评估和毕业生就业质量报告分成两部分来做，即将教师的教学评估、学生的成绩分析与学校毕业生的按时毕业率、就业情况等的分析割裂开来，这无疑切断了教师的教学效果与毕业生的人才质量之间的联系。各高校在长期的教学过程中，已经积累并存储了大量的教育数据，但是没有很好地利用这些数据对教学质量和人才培养质量进行相关性分析。因此有必要制定一个能够综合评估和预测人才培养质量的方案，将教师的教学水平、学生学习能力等因素进行量化分析，实现人才质量的可预测化。
深度学习技术
深度学习（Deep Learning）可以自动地从海量数据中学习并总结特征，因此它不需要通过人工方式进行样本类别的标注完成学习，極大地推进了智能自动化。深度学习采用了与神经网络相类似的层次结构：系统是由输入层、隐藏层（可单层、可多层）和输出层组成的多层网络，只有相邻层的单元（节点）之间有连接，而同一层节点和跨层节点之间无连接。这种层次结构，和人类的大脑结构比较接近。因此，可以利用高校在长期教学过程中积累的海量教育数据，运用深度学习技术来探究现有数据与教学质量之间潜在的量化关系与规律。
利用深度学习技术来构建高校教学质量的监控机制
本文提出的基于深度学习技术下的教学质量监控机制的结构，根据以往的学生数据来评估教师的教学质量以及对现有学生的发展进行预测，以制定教育决策，主要由以下四个步骤组成。
采集历史教学数据，分析其合理性，建立数据库
根据深度神经网络的特点和每一个学生在学习期间的情况以及对应的教师的教学运行状态，把其毕业之后的发展情况制作成标签，以此形成每一个学生毕业前的学习状况和毕业后的人才培养结果一一对应的训练集。比较合理的特征参数有课前教案评分、课堂纪律评分、其他教师听课打分、学生平均成绩、学生给教师评教打分等信息。除此之外，对于学生自身的情况，可以采用已完成课程成绩，以教师和同学对其在学习能力、知识素养、独立解决问题能力、沟通交流能力等因素上全面打分的评价方案，定性分析学生的素质并录入数据库。对于高校人才培养目标的评价，首先可以根据学生毕业时的情况来进行，以毕业时的学分成绩、获奖情况和毕业设计三个方面来考虑培养结果。其次可以从学生的职业发展和社会价值来评价培养结果，通过薪酬和就业单位的评价（包括知识掌握水平、个人素养、工作态度、团队合作能力）等因素来评价人才质量。
以历史教学数据为基础，深度学习神经网络
将以往所有学生在校学习期间的各种表征参数以及对应的教师的教学质量参数作为训练集，每一个学生对应一个特征向量（n为学生人数），学生毕业以后的发展情况参数作为向量标签，每个特征向量和相应的向量标签是一一对应的关系，对所有的特征向量构成的集合以及对应的向量标签进行训练、学习，获取深度学习神经网络模型M。对每一个学生对应的特征向量而言，有，其中，依次对应该生在学校学习期间的各项表征参数以及对应的教师的教学质量参数，如学生的课程成绩、学科竞赛获奖、学生评教打分等，对每个特征向量对应的向量标签，有 ，其中，依次对应该生毕业之后的发展情况参数，如毕业深造率、用人单位对其的满意度、工作薪酬水平等。
根据当前的教学数据，预测教学培养的结果
当需要预测一批在校学生毕业以后的发展状况时，可将所有学生在校学习期间的各种表征参数以及对应教师的教学质量参数作为测试集，每一个学生对应一个特征向量，所有的特征向量构成的集合，放到我们训练好的深度学习神经网络模型中，即可得到对应的向量标签，即该生毕业以后的发展状况。
反馈到教学活动中，做好教学质量的监测与预警
根据深度学习模型的预测结果，高校的教学管理部门可以采取相应的措施。对于教学质量有待提高的教师，可以安排经验丰富的教师指导其工作，有针对性地提高其教学水平，改进教学方式。对于学困生，应当秉持因材施教的理念，积极地引导学生端正学习态度，尽可能地减少学困生不合格的情况。最终建立科学合理、可持续发展的教学质量监测与预警反馈机制，提升高校的教学水平和人才培养质量。
最后，我们选取了学校某专业学生的数据展开了一系列实验，预测结果达到预期，这不仅初步验证了本文的理论部分，也为以后展开大型的实验提供了有价值的参考。
结语
本文给出了一种基于深度学习技术下的高校教学质量监控机制构建的新方法，经过教学实践检验，证实该方法能够达到较好的监控效果。本文提出的方法对于教学和人才培养质量的及早预测和干预都具有重要意义。与传统的方法相比，本文提出的方法具有数据驱动的特点，因此能够应用于不同层次高校的具体场景中。如何根据已有的预测结果进行有效的干预，从而最大化干预效果，是我们未来将要研究的重要内容之一。
基金项目：浙江省教育规划课题“基于深度学习技术的教学质量监控机制研究”（项目编号：2018SCG217；项目负责人：舒振宇）；宁波市领军和拔尖人才培养工程择优资助科研项目“面向智能制造产业的三维数字几何模型形状分析算法研究”（项目编号：NBLJ201801010；课题负责人：舒振宇）；宁波市教育科学规划重点课题“信计专业‘一核两翼三能’理科应用型人才培养‘5×3’工作机制构建”（项目编号：2018YZD008；负责人：于欣）