姜賽達(dá)

摘要：為提高高職高專院校教學(xué)質(zhì)量的評價精度和效率，結(jié)合高職高專院校教學(xué)過程和評價體系，提出基于歐氏距離的二又樹支持向量機（Distance binary tree SVM，簡稱DBT-SVM）算法的高職高專院校教學(xué)質(zhì)量評價模型。該模型中的算法結(jié)合了聚類中的關(guān)于類距離的概念，是二叉樹支持向量機的改進(jìn)算法，使最先分離出的類在上層節(jié)點處分開。經(jīng)過實例測試，該算法相比其他算法在識別率和分類訓(xùn)練時間都有所提升。該模型可以滿足高職高專院校教學(xué)質(zhì)量的評價要求。

關(guān)鍵詞：教學(xué)質(zhì)量；評價模型；支持向量機；二叉樹

中圖分類號：TP301.6 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2018）24-0104-03

1 引言

高職高專院校教學(xué)質(zhì)量不僅是高職高專院校教育質(zhì)量的重要組成部分，而且影響高職高專院校培養(yǎng)人才的質(zhì)量。在高職高專院校培養(yǎng)人才的過程中，教學(xué)過程起著舉足輕重的作用。而教學(xué)質(zhì)量評價直接影響著教師的教學(xué)成效和學(xué)生學(xué)習(xí)效果的評價，同時對高職高專院校所進(jìn)行的多樣性的教育教學(xué)課程改革的成效性的評定起著重要的指標(biāo)作用[1]，因此建立一個快速準(zhǔn)確有效客觀的教學(xué)質(zhì)量評價體系模型是非常有必要的和具有重要意義的[2]。在建立教學(xué)質(zhì)量評價模型的過程中，有很多因素影響著評價模型，其中不同的因素影響的程度不一樣。這就需要我們在建立評價模型的過程中不僅要對評價模型組成的各個要素細(xì)致選擇，而且要對它們的組合方式進(jìn)行綜合考量。

針對高職高專院校教學(xué)質(zhì)量評價模型的構(gòu)建，依據(jù)各自評價指標(biāo)的側(cè)重不同所采用的理論模型也各不相同。其中最有成效和突出表現(xiàn)的是采用神經(jīng)網(wǎng)絡(luò)方法構(gòu)建的教學(xué)質(zhì)量評價模型[3]。在神經(jīng)網(wǎng)絡(luò)中，由于采用了自組織學(xué)習(xí)擬合這種方法，因此這種方法采用的評價指標(biāo)非常貼合高職高專院校教學(xué)質(zhì)量的評價指標(biāo)。同時神經(jīng)網(wǎng)絡(luò)方法在處理信息上具有多種優(yōu)點，在并行處理以及容錯程度上具有明顯的優(yōu)勢。但是由于神經(jīng)網(wǎng)絡(luò)自身方法上的局限性，在局部最小點容易出現(xiàn)問題等，因此在實際使用時，經(jīng)常出現(xiàn)評價結(jié)果和實際結(jié)果出現(xiàn)較大的差距，并且運行時間比較長等問題。除了神經(jīng)網(wǎng)絡(luò)方法外，還有采用了專家系統(tǒng)、灰色理論以及線性回歸等多種方法。這些方法在實際使用中有各種各樣的缺陷[4]。

為解決以上的缺陷，結(jié)合高職院校教育和課程教學(xué)的特點和評價方法，提出了基于DBT-SVM多類別分類算法的高職院校教學(xué)效果評價方法。

2二叉樹支持向量機

2.1二叉樹支持向量機

支持向量機（SVM）最開始的設(shè)計是面向二分類問題，而高職高專院校教學(xué)質(zhì)量評價是多類分類問題，所以采用將多個二類分類器用不同的方式進(jìn)行組合的方法來解決多類分類問題。但是這種方法會由于樣本類別數(shù)目的增多而處理時間急劇上升，同時也會因為存在不可分的區(qū)域從而降低分類的準(zhǔn)確度，同時也降低了分類的效率。

為了克服了以上算法的缺陷，提出基于二又樹的SVM多類分類算法（Binary Tree SVM，簡稱BT-SVM），通過構(gòu)造二叉樹的方式比較類別間的類間距離，就是在分類過程中重復(fù)地將所有類別分成兩個類，然后將每個類再分成兩個類，直到分類結(jié)束[5]。與上述算法相比，一個是所有區(qū)域都可分類，另一個是處理時間減少。

但是在實際情況當(dāng)中，由于樣本的數(shù)量不大，怎樣使二叉樹的結(jié)構(gòu)比較合理和分離出節(jié)點，而又盡可能地達(dá)到完全的狀態(tài)，從而提高算法的性能。在BT-SVM算法的基礎(chǔ)上，基于歐氏距離提出改進(jìn)的二叉樹支持向量機（Distance Binary Tree SVM，簡稱DBT-SVM）多類分類算法。該算法是二叉樹支持向量機的改進(jìn)算法，結(jié)合了聚類中的類距離概念使兩組樣本最大化。 同時，結(jié)合近似完全二叉樹的概念使得第一個分離的類在上層節(jié)點處分離。

2.2算法描述

3基于二叉樹支持向量機的高職高專院校教學(xué)質(zhì)量評價模型

3.1構(gòu)建高職高專院校教學(xué)質(zhì)量評價體系

針對高職高專院校教學(xué)質(zhì)量評價的評價體系有多種理論和方法，每種理論和方法都有各自的側(cè)重點。本文結(jié)合了多種方法的優(yōu)點提出以教師和學(xué)生為兩大主體，兩大主體采用多個指標(biāo)。具體指標(biāo)如圖1所示。

3.2基于二叉樹支持向量機的高職高專院校教學(xué)質(zhì)量評價工作步驟

結(jié)合高職高專院校的教學(xué)過程和評價指標(biāo)體系，基于改進(jìn)的二叉樹支持向量機，將多個二叉樹支持向量機分類器組合在一起，從而得到高職高專院校教學(xué)質(zhì)量評價工作流程，如圖2所示。

4教學(xué)質(zhì)量評價的測試實驗

4.1數(shù)據(jù)來源

選擇商丘職業(yè)技術(shù)學(xué)院的課堂教學(xué)效果作為研究對象，根據(jù)教學(xué)質(zhì)量評價指標(biāo)搜集樣本數(shù)據(jù)，由專家進(jìn)行教學(xué)質(zhì)量評估并結(jié)合具體實際得到教學(xué)質(zhì)量等級值。由此得到150個樣本。其中，x1表示代課次數(shù)，x2表示批改作業(yè)次數(shù)，依次類推，x13表示講課的條理性、層次性，y表示教學(xué)質(zhì)量。部分?jǐn)?shù)據(jù)如表1所示。

4.2結(jié)果與分析

分別將SVM、BT-SVM和DBT-SVM這三種算法對實驗數(shù)據(jù)集進(jìn)行分類測試，分別得到這三個算法的準(zhǔn)確率結(jié)果。實驗結(jié)果顯示，在預(yù)測準(zhǔn)確率上，DBT-SVM算法要高于SVM和BT-SVM算法。DBT-SVM算法避免了在BT-SVM算法中由于偏二叉樹中結(jié)構(gòu)中的錯誤累計而造成的現(xiàn)象，同時避免了SVM算法中因為存在不可分的區(qū)域，從而降低分類的準(zhǔn)確度。DBT-SVM算法結(jié)合了聚類中的關(guān)于類距離的概念，以及近似完全二叉樹的概念使得最先分離出的類在上層節(jié)點處分開，從而提高劃分準(zhǔn)確度。實驗結(jié)果如表2所示。

為了統(tǒng)計實驗中這三種算法的時間消耗，分別用這三種算法對數(shù)據(jù)集進(jìn)行10次實驗，取其平均值得到結(jié)果。如表3所示。

實驗結(jié)果顯示DBT-SVM算法相比SVM算法在時間上優(yōu)勢比較明顯，但是跟BT-SVM算法相比在時間上相比并不明顯。主要是因為實驗樣本數(shù)據(jù)的數(shù)量和類別比較少。有理由相信，隨著數(shù)據(jù)量和類別的增加，在時間效率上，DBT-SVM算法跟BT-SVM算法相比會有較為明顯的優(yōu)勢。

5 結(jié)論

高職高專院校教學(xué)質(zhì)量不僅影響著高職高專院校教育質(zhì)量，而且影響高職高專院校培養(yǎng)人才的質(zhì)量。為提高高職高專院校教學(xué)質(zhì)量的評價精度和效率，結(jié)合高職高專院校教學(xué)過程和評價體系，本文提出了基于DBT-SVM多類別分類算法的高職院校教學(xué)效果評價方法。該模型基于歐氏距離的二叉樹支持向量機多類分類算法，是二叉樹支持向量機的改進(jìn)算法。該算法結(jié)合了聚類中的關(guān)于類距離的概念，同時結(jié)合近似完全二叉樹的概念使得最先分離出的類在上層節(jié)點處分開。經(jīng)過實例測試，該算法相比其他算法在識別率和分類訓(xùn)練時間都有所提升。該模型可以滿足高職高專院校教學(xué)質(zhì)量的評價要求。

參考文獻(xiàn)：

[1] 高等教育大眾化條件下教學(xué)質(zhì)量評價體系研究現(xiàn)狀[J]. 劉強，戴起勛. 江蘇大學(xué)學(xué)報（高教研究版），2003（2）.

[2] 關(guān)于高職高專院校教學(xué)質(zhì)量管理與監(jiān)控體系建設(shè)的探析[J]. 李巧林，鄭傳寧，王章豹. 合肥工業(yè)大學(xué)學(xué)報（社會科學(xué)版），2001（3）.

[3] 汪旭暉，黃飛華. 基于BP神經(jīng)網(wǎng)絡(luò)的教學(xué)質(zhì)量評價模型及應(yīng)用[J]. 高等工程教育研究，2007（5）

[4] 劉偉，孫林. 基于支持向量機的課堂教學(xué)質(zhì)量評價[J]. 合肥工業(yè)大學(xué)學(xué)報（自然科學(xué)版） ，2010，33（7）：968-971.

[5] 宋召青，陳垚.基于支持向量機的多類分類算法綜述[J]. 海軍航空工程學(xué)院學(xué)報，2015（5）.

【通聯(lián)編輯：王力】