基于ID3決策樹算法的高職教學(xué)評價(jià)分析

陳瀟瀟

摘要：學(xué)校每學(xué)期都要積累大量的教學(xué)評價(jià)信息，但對教學(xué)評價(jià)數(shù)據(jù)的處理主要停留在數(shù)值計(jì)算，沒有深入挖掘數(shù)據(jù)背后的邏輯關(guān)系。該文使用數(shù)據(jù)挖掘算法——ID3決策樹算法，分析高職教學(xué)評價(jià)與教師年齡、職稱、學(xué)位的關(guān)聯(lián)，挖掘出有價(jià)值的信息，為教學(xué)管理部門提供決策支持，更好地提升教學(xué)質(zhì)量。

關(guān)鍵詞：教學(xué)評價(jià);數(shù)據(jù)挖掘;決策樹;決策支持;教學(xué)質(zhì)量

中圖分類號：TP311? ? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2021）28-0199-02

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

教學(xué)評價(jià)是指在一定教育價(jià)值觀的指導(dǎo)下，依據(jù)確立的教學(xué)目標(biāo)，使用一定的技術(shù)和方法，對所實(shí)施的各種教學(xué)活動(dòng)、教學(xué)過程和教學(xué)結(jié)果進(jìn)行科學(xué)判定的過程。教學(xué)評價(jià)一般包括教學(xué)過程中教師、學(xué)生、教學(xué)內(nèi)容、教學(xué)方法手段、教學(xué)環(huán)境、教學(xué)管理等因素的評價(jià)。參考高職的課程類別，可將教學(xué)評價(jià)分為：理論教學(xué)評價(jià)、實(shí)踐教學(xué)評價(jià)、理實(shí)一體化教學(xué)評價(jià)。理論教學(xué)評價(jià)項(xiàng)目[1]包括：講課水平、教學(xué)態(tài)度、外語及新技術(shù)滲透、學(xué)生到課率、聽課檢查結(jié)果、學(xué)生評教結(jié)果、課堂互動(dòng)、期末成績等。實(shí)踐教學(xué)評價(jià)項(xiàng)目[1]包括：方案及準(zhǔn)備、操作及說明、總結(jié)及報(bào)告、考核及鑒定等。“理實(shí)一體化”課程的特點(diǎn)為：在人才培養(yǎng)中注重理論教學(xué)與實(shí)踐教學(xué)的深度融合，通過理論與實(shí)踐的相互促進(jìn)提高學(xué)生的專業(yè)綜合能力和實(shí)踐能力，現(xiàn)已成為當(dāng)前應(yīng)用型高校人才培養(yǎng)的一個(gè)發(fā)展趨向[2-4]。根據(jù)其特點(diǎn)，理實(shí)一體化教學(xué)評價(jià)項(xiàng)目[1]包括：教學(xué)設(shè)計(jì)、教學(xué)準(zhǔn)備、講課水平、教學(xué)態(tài)度、外語、新技術(shù)滲透、學(xué)生到課率、課堂互動(dòng)、教學(xué)任務(wù)完成情況、考核等。

傳統(tǒng)的處理教學(xué)評價(jià)數(shù)據(jù)的方法多采取數(shù)值計(jì)算。包括“點(diǎn)估計(jì)法”“等差增值法”“算術(shù)平均值法”“加權(quán)平均值法”[5]。為了讓不同學(xué)科評價(jià)具有可比性，霍本瑤等[6]提出了模糊綜合評價(jià)法。但隨著教學(xué)評價(jià)數(shù)據(jù)的日益增多，教學(xué)評價(jià)數(shù)據(jù)已逐漸呈現(xiàn)出大數(shù)據(jù)3V[7]的現(xiàn)象。不管是過程數(shù)據(jù)還是結(jié)果數(shù)據(jù)都已達(dá)到了一定的容量，院校雖有處理數(shù)據(jù)，但缺乏動(dòng)態(tài)地整合和梳理過程。因此，蘊(yùn)含在數(shù)據(jù)中的規(guī)律無法發(fā)揮潛在的價(jià)值，而數(shù)據(jù)挖掘技術(shù)的出現(xiàn)解決了這一難題。

數(shù)據(jù)挖掘（Data Mining），是一門在大數(shù)據(jù)背景下應(yīng)運(yùn)而生的學(xué)科。數(shù)據(jù)挖掘是基于數(shù)據(jù)庫技術(shù)、可視化技術(shù)、人工智能技術(shù)、可視化技術(shù)等演變而來，通過對大量的、多維度的數(shù)據(jù)進(jìn)行計(jì)算，從而揭示數(shù)據(jù)間潛在的關(guān)聯(lián)關(guān)系，為決策者提供決策支持。數(shù)據(jù)挖掘技術(shù)，包括關(guān)聯(lián)規(guī)則挖掘、K-Means聚類分析、貝葉斯分類分析、人工神經(jīng)網(wǎng)絡(luò)分析、決策樹分類分析等。近年來，這些數(shù)據(jù)挖掘技術(shù)，在教學(xué)評價(jià)上的研究也日益廣泛。研究通常是在深入研究數(shù)據(jù)挖掘理論和教學(xué)評價(jià)體系建構(gòu)的基礎(chǔ)上，設(shè)計(jì)挖掘算法模型的框架，針對運(yùn)用教學(xué)評價(jià)過程中積累的大量評教數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘。

李橋[8]等使用關(guān)聯(lián)規(guī)則Apriori算法，對編號、年齡、性別、職稱、學(xué)歷和評定分?jǐn)?shù)六項(xiàng)輸入樣本進(jìn)行規(guī)則挖掘，最后得出年齡在36～49歲，職稱為副教授，具有研究生學(xué)歷的教師教學(xué)效果好。董萍[9]使用K-Means算法，對教學(xué)評價(jià)結(jié)果進(jìn)行聚類分析，并將聚類結(jié)果分為四類：優(yōu)、良、中、差，反映出了不同資質(zhì)的老師在教學(xué)質(zhì)量上的差距。趙萬芹[10]等使用BP神經(jīng)網(wǎng)絡(luò)對教學(xué)質(zhì)量進(jìn)行了分析，文章中提到的訓(xùn)練輸入數(shù)據(jù)由“主觀評價(jià)體系”“教學(xué)評價(jià)體系”組成，預(yù)期輸出數(shù)據(jù)由線性加權(quán)法求得，實(shí)際輸出數(shù)據(jù)由BP神經(jīng)網(wǎng)絡(luò)模型得出，實(shí)際輸出與預(yù)期輸出的誤差率較小，證實(shí)了使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行教學(xué)評價(jià)的可行性。

本文通過使用ID3決策樹算法，發(fā)現(xiàn)影響教師教學(xué)的因素，為教師提高教學(xué)水平和教學(xué)質(zhì)量提供決策依據(jù)，為高職學(xué)校教學(xué)管理提供趨勢性、可操作性、有價(jià)值的建議和措施，推動(dòng)高職教育內(nèi)涵式發(fā)展。

1 ID3決策樹算法思想

在構(gòu)建決策樹前，首先介紹兩個(gè)重要的術(shù)語：熵和信息增益。熵是對隨機(jī)變量不確定性的一種度量。如果變量的不確定性越高，則熵值越高;如果變量越穩(wěn)定，則熵值越低。在決策樹分類任務(wù)中，通常希望分類后變量的熵值較低，即分類效果純度較高。信息增益則是衡量熵值下降的程度。例如，原始熵值為20，做完一個(gè)決策之后，熵值變?yōu)?，則信息增益就是20減8等于12。通常情況下，信息增益越大，熵的減小量越大，決策樹的節(jié)點(diǎn)就趨向于更純。在建立決策樹的時(shí)候，會(huì)選擇這兩個(gè)特征進(jìn)行遍歷，通過計(jì)算熵值，選取使得信息增益值最大的特征，這個(gè)特征將優(yōu)先作為決策樹的節(jié)點(diǎn)，依次類推，最終將形成決策樹。

設(shè)[S]是訓(xùn)練樣本集，它包括[n]個(gè)類別的樣本，這些類別分別用[C1]、[C2][…][Cn]表示，那么[S]的熵或者期望信息為：

[entropy（S）=-i=0npilog2pi]? ? ? ? ? ? ? ? ? ? ? ? （1）

其中，[pi]表示類[Ci]的概率。

設(shè)屬性[A]將[S]劃分成[m]份，根據(jù)[A]劃分的子集的熵或期望信息由下式給出：

[entropy（S，A）=i=0mSiSentropy（Si）]? ? ? ? ? ? ? ? ? （2）

其中，[Si]表示根據(jù)屬性[A]劃分的[S]的第[i]個(gè)子集;[S]和[Si]分別表示[S]和[Si]中的樣本書數(shù)目。信息增益用來衡量熵的期望減少值，因此，使用屬性[A]對[S]進(jìn)行劃分獲得的信息增益為：

[gain（S，A）=entropy（S）-entropy（S，A）]? ? ? ? ? ? ? ? ? ?（3）

[gain（S，A）]是指因?yàn)橹缹傩訹A]的值后導(dǎo)致的熵的期望壓縮。

2 實(shí)驗(yàn)過程與結(jié)果分析

實(shí)驗(yàn)流程參照一般的數(shù)據(jù)挖掘過程：數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、規(guī)律尋找、規(guī)律展示四個(gè)步驟。如圖1所示，為本實(shí)驗(yàn)的流程。

2.1 數(shù)據(jù)采集與預(yù)處理

數(shù)據(jù)采集是根據(jù)任務(wù)目的，選取數(shù)據(jù)集。通過前期調(diào)研，收集到了某校100位老師的教學(xué)評價(jià)信息。信息包括4個(gè)維度：教師年齡、教師職稱、教師學(xué)歷、教學(xué)評價(jià)分?jǐn)?shù)。前三個(gè)維值度作為輸入特征數(shù)據(jù)，最后一個(gè)維度的值作為輸出標(biāo)簽數(shù)據(jù)。

數(shù)據(jù)預(yù)處理包括數(shù)據(jù)清洗、數(shù)據(jù)規(guī)約、數(shù)據(jù)變換、數(shù)據(jù)集成。獲取存有教師年齡、職稱、學(xué)歷、學(xué)評教分?jǐn)?shù)的Excel表data1。為方便后續(xù)過程的處理，將教師年齡在35歲及以下的設(shè)置為“青年教師”，特征值標(biāo)記為“young”，其余情況標(biāo)記為“old”。針對學(xué)評教分?jǐn)?shù)85分以下的情況，將標(biāo)簽值為“l(fā)ow”，85分及以上標(biāo)簽值為“high”。表1展示了處理后的部分教師評價(jià)信息。

2.2 尋找規(guī)律

尋找規(guī)律。尋找規(guī)律的目的是采用某種方法把數(shù)據(jù)集里面的規(guī)律找出來，實(shí)驗(yàn)使用Python編程語言實(shí)現(xiàn)ID3決策樹算法。

步驟一：導(dǎo)數(shù)據(jù)。使用pandas庫中“read_excel”函數(shù)將data1數(shù)據(jù)導(dǎo)入程序中。

步驟二：數(shù)據(jù)轉(zhuǎn)換。先將年齡、職稱、學(xué)歷特征下的數(shù)據(jù)轉(zhuǎn)換為字典類型，然后使用DictVectorizer函數(shù)對數(shù)據(jù)進(jìn)行特征抽取和向量化，使得特征值最終變?yōu)椤?”或“1”。代碼如下所示。

x=x.to_dict（orient="records"）? ? ? ? ? ? ? ?（代碼1）

transfer=DictVectorizer（）? ? ? ? ? ? ? ? ? ? ? （代碼2）

x=transfer.fit_transform（x）? ? ? ? ? ? ? ? ? ?（代碼3）

步驟三：設(shè)計(jì)決策樹。決策樹使用的策略是“熵”，層數(shù)為3層。代碼如下所示。

estimator=DecisionTreeClassifier（criterion='entropy'，max_depth=3）? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （代碼4）

步驟四：實(shí)現(xiàn)模型訓(xùn)練。調(diào)用fit函數(shù)，將輸入特征向量與輸出標(biāo)簽作為它的參數(shù)。最終得到estimator決策樹模型。代碼如下所示。

estimator.fit（x，y）? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（代碼5）

2.3 規(guī)律展示

規(guī)律展示是盡可能采用用戶可理解的方式將數(shù)據(jù)規(guī)律展示出來，例如圖形圖表方式。實(shí)驗(yàn)中，使用export_graphviz函數(shù)將決策樹模型以dot形式輸出，并在cmd客戶端將dot文件轉(zhuǎn)換為png文件，從而以可視化的方式展示規(guī)律。代碼如下，最終得到的決策樹模型如圖2所示。

dot -Tpng C：＼Users＼Desktop＼allElectronicsData.dot -o example.png? （代碼6）

由決策樹的根節(jié)點(diǎn)可以得出：value值左側(cè)數(shù)據(jù)代表得分為high的樣本數(shù)量，右側(cè)數(shù)據(jù)代表得分為low的樣本數(shù)量。在決策樹的第二層，有熵值為0的葉子節(jié)點(diǎn)。此葉子節(jié)點(diǎn)反映的信息為：年輕的，學(xué)位不是博士學(xué)位的老師，學(xué)評教分?jǐn)?shù)較低。這是因?yàn)椋贻p的教師剛接觸工作崗位，不管在教學(xué)方法還是科研領(lǐng)域，都缺乏一定的經(jīng)驗(yàn)。學(xué)校教務(wù)管理部門、人力資源部門，可以為每位青年教師配備一名導(dǎo)師進(jìn)行教學(xué)指導(dǎo)，并定期開展青年教師說課大賽，舉辦教學(xué)、科研講座，組織青年教師參與培訓(xùn)，提升青年教師在教學(xué)、科研方面的業(yè)務(wù)能力。

隨著人工智能與大數(shù)據(jù)技術(shù)的發(fā)展，大學(xué)教學(xué)內(nèi)容的科學(xué)性逐步加強(qiáng)，跨學(xué)科內(nèi)容增多，尤其對于一些新興前沿的知識，更需要扎實(shí)的學(xué)術(shù)背景。擁有高學(xué)歷的教師，具有較高的科研水平，在運(yùn)用合理的教學(xué)方法的同時(shí)，可以帶領(lǐng)學(xué)生進(jìn)行知識的鉆研，指導(dǎo)學(xué)生進(jìn)行科學(xué)探究，提升了課堂學(xué)習(xí)的積極性。這也是高學(xué)歷教師教學(xué)評價(jià)分?jǐn)?shù)較高的原因。

3 結(jié)語

本文詳細(xì)介紹了用ID3決策樹算法分析教學(xué)評價(jià)的過程。同時(shí)對挖掘過程進(jìn)行了分析，找出影響教學(xué)評價(jià)的因素，真正實(shí)現(xiàn)了“以評促學(xué)、以評促教”，教學(xué)相長，提高教學(xué)質(zhì)量的目的，為教學(xué)改革提供了重要的參考價(jià)值。數(shù)據(jù)挖掘算法是一個(gè)很有前景的領(lǐng)域，未來勢必在教育管理方面發(fā)揮出更深遠(yuǎn)的影響。

參考文獻(xiàn)：

[1] 賈文雅.數(shù)據(jù)挖掘在高職教學(xué)質(zhì)量評價(jià)體系構(gòu)建中的研究與應(yīng)用[M].長春：吉林科學(xué)技術(shù)出版社， 2019：209-211.

[2] 施曉秋，徐贏穎.工程教育認(rèn)證與產(chǎn)教融合共同驅(qū)動(dòng)的人才培養(yǎng)體系建設(shè)[J].高等工程教育研究，2019（2）：33-56.

[3] 鄒心遙.創(chuàng)新能力導(dǎo)向的高職理實(shí)一體化實(shí)訓(xùn)室建設(shè)[J].實(shí)驗(yàn)室研究與探索，2017，36（4）：225-228.

[4] 王昌輝.高職院校理實(shí)一體化教育及其課程教學(xué)質(zhì)量評價(jià)體系研究[J].教育理論與實(shí)踐，2015，35（33）：28-30.

[5] 李榮英. 高職高專教學(xué)評價(jià)數(shù)據(jù)處理方法探討[J]. 教育與職業(yè)， 2006（30）：178-180.

[6] 霍本瑤， 郝艷莉.高職教師課堂教學(xué)質(zhì)量評價(jià)的現(xiàn)狀及對策[J]. 職教論壇， 2009（14）：56-57.

[7] 中央政府門戶網(wǎng)站.國務(wù)院關(guān)于印發(fā)促進(jìn)大數(shù)據(jù)發(fā)展行動(dòng)綱要的通知[EB/OL].http：//www.gov.cn/zhengce/content/2015-09/05/content_10137.htm，2015-09-05.

[8] 李橋， 陽春華. 關(guān)聯(lián)規(guī)則Apriori算法在教學(xué)評價(jià)中的應(yīng)用[J]. 計(jì)算機(jī)與數(shù)字工程， 2010（6）：49-51.

[9] 董萍. 聚類分析在教學(xué)評價(jià)中的應(yīng)用[J]. 湖南工程學(xué)院學(xué)報(bào)（自然科學(xué)版）， 2010（1）：74-77.

[10] 趙萬芹， 孔令超. 基于BP神經(jīng)網(wǎng)絡(luò)的教學(xué)質(zhì)量評價(jià)的探討[J]. 化工高等教育， 2011（1）：101-105.

【通聯(lián)編輯：李雅琪】