论文部分内容阅读
【摘要】本文在文章[1]建立的评教模型的基础上，进一步给出了数据筛选以及优秀度的算法过程，从而为下一步的软件开发奠定基础。
【关键词】模糊评教模型；优秀度
传统的学生评教方法是用学生评教的成绩求平均值，得到了确定的名次，名次靠前的教师，被认为教学效果是优秀的，名次靠后的教师，被认为教学效果不理想。其实，教学效果优秀与否，是一个很模糊的概念，在集合论理，教学效果优秀的老师是不能组成集合的。在模糊数学里，所有教学效果优秀的老师组成一个模糊集，一位教师是否属于这个集合是不能完全肯定和否定的，因而这是一个典型的模糊模型应用问题。文章[1]中探索了模糊评教的模型，在此基础上，进一步给出模型中数据筛选和优秀度计算的具体算法。
假设某一个教学班级的 个同学对 位任课教师评教，得到一个 的评教成绩矩阵：
一原始评教数据的筛选
可能有的学生出于报复性心理给个别教师评出极低的分数，也有学生出于对教师的特殊感情不客观的评出极高的分数，也有可能在数据抄录的时候产生了错误，当这样的因素哪怕仅仅是使极少的数据失真，但却直接决定评教的结论。例如，有十位学生给一位教师的评教时，有八位同学打出了100分的满分，却有两位同学给出了不客观的评教成绩，比如说50分，那么该教师的评教平均成绩是90分，如果这两位同学给出更低的分数，那么该教师的平均成绩会更低，因而在一个评教成绩数据分布非常集中地的情况下，极少数的严重失真的数据会直接影响评教结果。因而原始的评教数据必须进行合理性筛选。
在正态分布中σ代表标准差，μ代表均值，3σ原则为是指数值分布在（μ-σ，μ+σ）中的概率为0.6826，数值分布在（μ-2σ，μ+2σ）中的概率为0.9544，数值分布在（μ-3σ，μ+3σ）中的概率为0.9974，可以认为，数据的取值几乎全部集中在（μ-3σ，μ+3σ）]区间内，超出这个范围的可能性仅占不到0.3%，所以一个数据的取值在（μ-3σ，μ+3σ）]区间外，认为是不合理的，应该予以剔除。
第一步，计算第 行数据的平均值 。
第二步，计算第 列数据的平均值 。
第三步，计算第 行数据的标准差
。
第四步，计算第 列数据的标准差
。
第五步，原始数据合理性筛选
经过前面的四步，得到了一个信息更全面的矩阵
如果 ，说明第 位同学给第 位老师的评教成绩显著偏离平均值，出现这种情况的可能是该教师的教学水平与同班其他任课教师有显著差异，也可能该生存在不切实际的评教，接下来我们判断 与 的大小关系，如果 说明第 位同学给第 位老师的评教成绩 与其他 位同学对该教师的评教成绩没有显著差别，因而认为 为有效数据，如果 说明第 位同学给第 位老师的评教成绩 与其他 位同学对该教师的评教成绩有显著差别，因而认为 为无效数据，第 位同学的评教存在问题，予以剔除。
二优秀度的计算
原始的评教数据经过筛选之后，除去了不合理数据，剩下的数据必然更为科学，更能反映教师真实的教学水平。但是原始数据中的分数代表的分量是千差万别的，比如，同一个班级里面甲同学评教的最高分是90分，而乙同学评教的最低分是90分，显然这两个90分是有很大差别的；即使这两个90分都是最高分，如果一个与其他教师的成绩相差不大，而另一个与其他教师的成绩相差甚大，那么这两个90的分量也不相同；产生这种现象的原因主要是不同学生在评教中有不同的要求，原则，和标准，从而有的同学打分相对低，有的同学打分相对高。另一方面，应该承认，在该班任课的教师中，该生打分最高的不管具体分值多少，是该生认为教学水平相对而言是好的，但是这种好，有可能比其他教师只是好一点，比如最高分比最低分才高出三四分，也有可能是比其他教师好的很，比如最高分比最低分高出三四十分，还有95分相对于90分的好远远低于90分相对于70分的好。为了处理评教中原始数据存在的这些问题，原始数据需要一个标准化过程，尽可能的使得分数的标准是一致的。
优秀度可以用标准正态分布的概率分布函数来计算，即 所对应的优秀度
从而得到该班学生对任课教师评教的优秀度矩阵
计算第 位教师的优秀度的平均值 作为对该教师的班级评教成绩。任课多个班级的教师，可以计算出所任教的班级平均优秀度作为最终的评教成绩。
用这样的方法计算出来的优秀度，考虑原始评教分数的千差万别，从而尽可能的使对教师评的价在同一个标准上，使得评教结果有极高信度和效度。
参考文献：
[1]马先超.关于模糊评教模型的探索［J］.北京：科技咨询，2013，（9）
【关键词】模糊评教模型；优秀度
传统的学生评教方法是用学生评教的成绩求平均值，得到了确定的名次，名次靠前的教师，被认为教学效果是优秀的，名次靠后的教师，被认为教学效果不理想。其实，教学效果优秀与否，是一个很模糊的概念，在集合论理，教学效果优秀的老师是不能组成集合的。在模糊数学里，所有教学效果优秀的老师组成一个模糊集，一位教师是否属于这个集合是不能完全肯定和否定的，因而这是一个典型的模糊模型应用问题。文章[1]中探索了模糊评教的模型，在此基础上，进一步给出模型中数据筛选和优秀度计算的具体算法。
假设某一个教学班级的 个同学对 位任课教师评教，得到一个 的评教成绩矩阵：
一原始评教数据的筛选
可能有的学生出于报复性心理给个别教师评出极低的分数，也有学生出于对教师的特殊感情不客观的评出极高的分数，也有可能在数据抄录的时候产生了错误，当这样的因素哪怕仅仅是使极少的数据失真，但却直接决定评教的结论。例如，有十位学生给一位教师的评教时，有八位同学打出了100分的满分，却有两位同学给出了不客观的评教成绩，比如说50分，那么该教师的评教平均成绩是90分，如果这两位同学给出更低的分数，那么该教师的平均成绩会更低，因而在一个评教成绩数据分布非常集中地的情况下，极少数的严重失真的数据会直接影响评教结果。因而原始的评教数据必须进行合理性筛选。
在正态分布中σ代表标准差，μ代表均值，3σ原则为是指数值分布在（μ-σ，μ+σ）中的概率为0.6826，数值分布在（μ-2σ，μ+2σ）中的概率为0.9544，数值分布在（μ-3σ，μ+3σ）中的概率为0.9974，可以认为，数据的取值几乎全部集中在（μ-3σ，μ+3σ）]区间内，超出这个范围的可能性仅占不到0.3%，所以一个数据的取值在（μ-3σ，μ+3σ）]区间外，认为是不合理的，应该予以剔除。
第一步，计算第 行数据的平均值 。
第二步，计算第 列数据的平均值 。
第三步，计算第 行数据的标准差
。
第四步，计算第 列数据的标准差
。
第五步，原始数据合理性筛选
经过前面的四步，得到了一个信息更全面的矩阵
如果 ，说明第 位同学给第 位老师的评教成绩显著偏离平均值，出现这种情况的可能是该教师的教学水平与同班其他任课教师有显著差异，也可能该生存在不切实际的评教，接下来我们判断 与 的大小关系，如果 说明第 位同学给第 位老师的评教成绩 与其他 位同学对该教师的评教成绩没有显著差别，因而认为 为有效数据，如果 说明第 位同学给第 位老师的评教成绩 与其他 位同学对该教师的评教成绩有显著差别，因而认为 为无效数据，第 位同学的评教存在问题，予以剔除。
二优秀度的计算
原始的评教数据经过筛选之后，除去了不合理数据，剩下的数据必然更为科学，更能反映教师真实的教学水平。但是原始数据中的分数代表的分量是千差万别的，比如，同一个班级里面甲同学评教的最高分是90分，而乙同学评教的最低分是90分，显然这两个90分是有很大差别的；即使这两个90分都是最高分，如果一个与其他教师的成绩相差不大，而另一个与其他教师的成绩相差甚大，那么这两个90的分量也不相同；产生这种现象的原因主要是不同学生在评教中有不同的要求，原则，和标准，从而有的同学打分相对低，有的同学打分相对高。另一方面，应该承认，在该班任课的教师中，该生打分最高的不管具体分值多少，是该生认为教学水平相对而言是好的，但是这种好，有可能比其他教师只是好一点，比如最高分比最低分才高出三四分，也有可能是比其他教师好的很，比如最高分比最低分高出三四十分，还有95分相对于90分的好远远低于90分相对于70分的好。为了处理评教中原始数据存在的这些问题，原始数据需要一个标准化过程，尽可能的使得分数的标准是一致的。
优秀度可以用标准正态分布的概率分布函数来计算，即 所对应的优秀度
从而得到该班学生对任课教师评教的优秀度矩阵
计算第 位教师的优秀度的平均值 作为对该教师的班级评教成绩。任课多个班级的教师，可以计算出所任教的班级平均优秀度作为最终的评教成绩。
用这样的方法计算出来的优秀度，考虑原始评教分数的千差万别，从而尽可能的使对教师评的价在同一个标准上，使得评教结果有极高信度和效度。
参考文献：
[1]马先超.关于模糊评教模型的探索［J］.北京：科技咨询，2013，（9）