CN113487213A - 一种基于大数据的职业教育教学评价方法 - Google Patents

Abstract

本发明提供一种基于大数据的职业教育教学评价方法，包括以下步骤，S1：构建智能决策评价指标体系；S2：建立职业教育教学评价模型；S3：可视化展示教学质量评价数据。本发明可以实现教育教学评价指标客观化、实现动态调整权重；实现职业教育中大规模能力诊断方法融合，实现在教学质量评价中实时可视化。

Description

一种基于大数据的职业教育教学评价方法

背景技术

现有技术中构建科学有效教育教学评价体系亟待解决的三大难题：

①重视结果性评价，而忽略了过程性评价

国内高校的教学质量评价工作对教学过程的评价涉及甚少，甚至忽略了过程性评价。教学质量评价仅着眼于期末进行的结果性评价，这样导致的问题是不能将评价结果及时反馈给本学期的课程教学，从而实时进行教学改革，及时提高教学质量。如果调整教学质量评价的发起时间，采用过程性评价，则授课教师就能更早了解自己在授课中存在的问题，并及时修正，从而有效地促进高效教学质量的提升。

②评价数据不全面、评价体系指标难以量化

目前国内高校在进行教学质量评价时，评价的内容主要集中在教师的课堂教学行为上，评价的指标主要包括教学方法、教学内容、教学水平等。现行评价体系没有将师生互动、学习能力培养、学习力等指标纳入教学质量评价中，不注重教师在教学中对学生的引导和培养，因而不能发挥教学质量评价的反哺功能。

③评价结果呈现单一、缺乏交互分析

国内大多数高校对教学质量评价的结果仅进行简单的数据统计，评价结果的展示形式比较单一，评价结果主要呈现评价分数、等级(优秀、良好、合格、不合格等)、参评率等基础指标，没有对评价结果进行分析，更不能达到智能呈现的效果。因而在对相关评价问题进行总结时，不能进行多维分析以及横向和纵向对比。

发明内容

本发明要解决的技术问题是：1现有教育教学评价指标主观臆断、不能动态调整、权重固化；2职业教育中大规模能力诊断方法不能融合应用；3在教学质量评价中不能实时可视化。

本发明提供一种基于大数据的职业教育教学评价方法，包括以下步骤，

S1：构建职业教育教学智能评价指标体系；

S2：建立职业教育教学智能评价模型；

S3：可视化展示教学质量评价数据。

进一步的，所述步骤S1包括，

S101：采集职业教育大数据；

S1011：确定数据输入源，数据输入源包括教室内部具有人脸及行为识别功能的摄像头、学校公共通道的摄像头、手机、智能终端、PC、APP、智慧校园平台、在线课程学习平台、教育教学诊改平台；

S1012：确定采集技术，对于流式数据，采用kafka技术进行数据采集；对于网络非结构话数据，采用大规模并行爬虫技术进行采集；对于传统数据库结构化数据，采用sqoop技术进行抽取；

Sqoop是一款开源的工具，主要用于在Hadoop(Hive)与传统的数据库(mysql,postgresql,...)间进行数据的高校传递，可以将一个关系型数据库(例如：MySQL,Oracle,Postgres等)中的数据导入到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。

Kettle是一个数据仓库产品，可以快速的完成数据的抽取、转换和装载。并且通过图形界面直观的进行项目的设计和测试。同时它也可以通过命令行的方式部署在服务器上。

S1013：确定大数据存储技术，采用HDFS分布式文件系统和Hbase列式数据库进行大数据存储；

S102:教育大数据整合清洗；

S1021：采用Kettle技术将多源数据整合成目标数据，实现数据的实时增量同步，数据的抽取、对比和更新；

S1022：采用Hive大数据仓库技术对数据进行查询和统计分析，得到评价指标体系的训练数据集合；

Hive是基于Hadoop的一个数据仓库工具，用来进行数据提取、转化、加载，这是一种可以存储、查询和分析存储在Hadoop中的大规模数据的机制。hive数据仓库工具能将结构化的数据文件映射为一张数据库表，并提供SQL查询功能，能将SQL语句转变成MapReduce任务来执行。

S103:评价指标体系学习；

S1031：通过S1022得到评价指标体系的训练数据集合，采用随机森林方法，收集多个树的子节点对各个类别投票，然后选择获得最多投票的类别作为判断结果，建立职业教育教学评价方法的随机决策森林；

S1032：树的每个节点从采集的评价指标原始特征中随机的选择子集，优化每个树的评价指标数据；

S104:调整评价指标体系，确定评价指标体系后，输入到评价模型，根据模型评价结果反馈动态调整评价指标体系，利用现有学习到的评价指标体系，通过训练数据对评价模型进行训练，如果评价模型目标函数误差很大，则动态调整评价指标体系，反复训练评价模型，直到找到使评价模型目标函数误差满足预设的阈值的评价指标体系终止。

进一步的，所述步骤S2包括，

S201:对职业教育教学评价指标进行降维，

在S104给定训练数据D＝{(x₁,y₁),(x₂,y₂),…,(x_m,y_m)}，m表示训练数据的个数，x，y表示给定训练数据，以平方误差为损失函数，职业教育教学评价指标的优化目标为：

使用L₁范数正规化，令

则(1)式变为：

ω为特征的系数，λ表示用来控制L1正规化影响的权重系数，若f(x)可导，且▽f(x)满足L-Lipschitz条件,即存在常数L＞0，任取x’使得：

其中▽表示微分算子，x_k表示x的第k个位置，在x_k附近对f(x)进行二阶泰勒展开，可得：

其中<*,*>表示内积，根据近端梯度下降法可得：

令

属性a_i为x的第i个分量，假定属性a_i为独立事件，不存在a_ia_j(i≠j)这样的项，i和j表示分量的序号，对(5)式按分量展开，可得闭式解，

取非“0”特征a_i为职业教育教学评价指标的重要指标A'；

S202:再对S201步职业教育教学评价指标的重要指标进行聚类

令自然数k为已知业务的种类数，聚类中心V＝{v₁,v₂,…,v_k}，

为样本集D中第a_i个属性，则

表示样本

属于聚类v_c；b,c表示序号，取值“0”或“1”，有用属性集A'中的每个属性a_i聚类优化模型如下：

其中f＞1是一个可以控制聚类结果的模糊程度的常数，dist_b,c表示第b个样本与第c个聚类中心的距离，计算方式如下：

d为自然数，运用拉格朗日算子求解(8)式得特征聚类的迭代公式：

S203：针对动态环境下各职业教育教学评价指标重要性预测

基于机器学习的方法对动态环境下各职业教育教学评价指标的权值随时间变化建立预测模型，先对职业教育教学评价环境进行感知，根据感知量进行初步预测处理，分辨各种特征，再选择合适的特征进行建立状态方程控制模型，如式(11)所示，

x(k+1)＝Ax(k)+bu(k) (11)

其中x(k)表示第k步的实测量，bu(k)表示第k步的变化量，A为惯性矩阵，根据式(11)可以预测第M步的变化情况，如(12)式所示：

x(k+M)＝A^Mx(k)+A^M-1bu(k)+…+bu(k+M-1) (12)

滚动优化：根据第一步的预测模型，结合职业教育教学评价动态环境下设定优化方案，

反馈校正：根据x(k)的值及特别因素来调整滚动优化模型，

S204：目标达成、课程参与、态度表现三个维度的权重建立动态多目标职业教育教学评价模型，

进一步的，所述步骤S3包括，

S301以驾驶仓图展示学生学习力表现，根据评价模型，学力表现包括目标达成度、课程参与度、态度表现值，目标达成度是指学生在某个知识点是否达到双向细目表中的能力层次要求，测评学生是否达成知识点能力层次要求的方式有三种，一是学生完成基于知识点的测评，二是学生回答基于知识点的课堂提问，三是教师/组长对学生知识点的主题评价，其中知识点相关参数包括：

S3011：基于知识点的测评

知识点权重：根据双向细目表中的能力层次要求等级作为权重值，

知识点权重比例NP为

t(Q)表示当前知识点权重，C(Q)课程知识点最大权重，

当前课时知识点权重总值CNP为

CNP＝∑NP (14)

知识点在本堂课中的权重NCP为

测评试题：主要以客观题形式呈现，学生在课中、课后完成的基于知识点的测评试题，将影响学生在该知识点中的达成度；具体算法如下：，

基于知识点Q的测试试题标准得分为：

Q∈{0,1} (16)

每道测试的满分TF为

为难度系数，每道测试的实际得分SF为

SF＝TF×τ (18)

τ为标准得分，则知识点目标达成度NA为

本课时测评试题类目标达成度TNA为

TNA＝∑NA×NCP (20)

NCP为知识点NA在本堂课中的权重，

S3012：课堂提问，主要通过课堂教学过程中教师根据当前课堂知识点的实时提问及学生回答情况、学生互评数据，实现关联知识点的达成度计算，

基于知识点的课堂提问标准得分τ为：

τ∈{1，0.5，0} (21)

完全正确(1)、部分正确(0.5)、完全错误(0)，

课堂提问类目标达成度QNA为

Ts为总分；

S3013：主题评价：主要针对实操、实训类开放性主题，评价主体由教师、组长组成，教师评价组长，组长评价组员，教师对组长的评价结果，将影响组员的结果，评价形式采用星级模式，

基于知识点的课堂评价得分x可根据星级得到对应的分数，最多5分，

主题评价类目标达成度ENA为

本课时的目标达成度为

S302课堂画像

S3021：课堂参与度以(25)式计算所得：

CP＝TT×0.6+QT×0.2+DT×0.1+ST×0.1 (25)

其中，TT为教师布置的课前预习题、课堂练习题、课后作业的完成次数/要求次数；QT为课堂教学中回答问题的次数、评价的参与次数/要求次数；DT为课堂教学中讨论参与次数/要求次数；ST为自主学习资源素材的有效次数/要求次数，

S3022：态度表现值

态度表现包括课堂考勤、课堂评价两方面，

令每次考勤学生的得分为K，则学生N次考勤后的计分KQJF为

其中，k∈{1，1,0,0.5,0.7，0.3}，签到1分，公假1分，旷课0分，早退0.5分，病假0.7分，事假0.3分，

课堂评价KDPJ如(27)式所示：

KDPJ＝CP×0.7+KQJF×0.3 (27)

S303：通过“全流程”教师教学质量可视化，实现教师画像

基于教师教学质量评价指标体系，对教学设计、教学实施、教学评价等全流程数据进行分析可视化，实现教师画像：

教学计划基础数据：当前课次基础数据包括，知识点/技能点的能力层次要求、素材数量、试题数量、前置学科成绩(均值)、前置知识点达标率、预习通过率、上一课次达标率，

知识点达标：根据课程双向细目表对知识点的能力层次要求，对学生进行测评，

当前课次教学计划：系统根据课程教学计划显示本课次的知识点/技能点及能力层次要求、素材、测评试题的数量

当前班级学习行为数据：根据学生开学前完成本课程调查问卷表，系统分析出学生的学习行为基本数据；

当前班级学习质量数据：根据学生前置学习质量数据、课前预习测评数据，系统分析出学生的前验数据；

知识点达标：根据课程双向细目表对知识点的能力层次要求，对学生进行测评。

本发明的有益效果是，采用本发明的技术方案，可以实现教育教学评价指标客观化、能动态调整权重；实现职业教育中大规模能力诊断方法融合，实现在教学质量评价中实时可视化。

附图说明

图1为本发明流程图。

具体实施方式

实施例1

本实施例具体实现步骤如下：

S1：数据驱动的智能决策评价指标体系构建。首先，针对当前教育质量评价存在数据分散，零碎，缺乏整体性，系统性的问题，没有真正意义上的教育大数据库，采用爬虫、kafka、sqoop技术对智能终端、PC、APP、智慧校园平台、诊改平台、课程学习平台产生的结构化、半结构化、非结构化多源教育大数据进行数据抽取；针对当前教育教学质量评价缺乏标准化、科学化的教育大数据库，采用Hive技术对教育大数据进行清洗；针对当前的教学评价普遍存在实际操作性不强，特别是对学生的个人评价主要依靠学生个人主观判断，缺乏对学生个体数的积累，评价极具有较强的主观性，通过数据挖掘、机器学习技术学习得到评价指标体系。利用学习的评价指标体系构建评价模型、用训练数据对评价模型进行训练、通过评价模型结果反馈，前馈动态调整评价指标体系。通过反复不断地训练评价模型，找到更优的评价指标体系。

可分解为：

S101：海量职业教育大数据采集

S1011：确定数据输入源：数据输入源包括教室可进行人脸及行为识别的摄像头、学校公共通道的摄像头、手机、智能终端、PC、APP、智慧校园平台、在线课程学习平台、教育教学诊改平台。

S1012：确定采集技术：对于流式数据，采用kafka技术进行数据采集；对于网络非结构话数据，采用大规模并行爬虫技术进行采集；对于传统数据库结构化数据，采用sqoop技术进行抽取。

S1013：确定大数据存储技术：采用HDFS分布式文件系统和Hbase列式数据库进行大数据存储。

S102:教育大数据整合清洗

S1021：利用Kettle技术将多源数据整合成目标数据，去实现数据的实时增量同步，数据的抽取、对比和更新。

S1022：采用Hive大数据仓库技术对数据进行查询和统计分析，得到评价指标体系的训练数据集合。

S103:评价指标体系学习

S1031：通过S1022得到评价指标体系(训练数据集合)，采用随机森林方法，收集很多树的子节点对各个类别投票，然后选择获得最多投票的类别作为判断结果，建立职业教育教学评价方法的随机决策森林。

S1032：由于随机森林建立时的基本子系统也是决策树，尽管每个树都很好的学习了训练数据，但各个树之间仍有很大不同。树的每个节点可以从这些采集的评价指标原始特征中随机的选择子集，来优化每个树的评价指标数据。

S104:评价指标体系调整

确定好评价指标体系后，输入到评价模型，根据模型评价结果反馈动态调整评价指标体系。利用现有学习到的评价指标体系，通过训练数据对评价模型进行训练，如果评价模型目标函数误差很大，不满足要求，则动态调整评价指标体系。反复训练评价模型，直到找到使评价模型目标函数误差满足预设的阈值的评价指标体系终止。

S2：模型构建。传统教学评价指标理论性和主观性比较强，通常需要有丰富教学评价经验的教育专家进行决策，评价模型才能取得良好的效果。评价模型在具体应用时，由于指标体系的确定对教育专家的依赖性很强，所以评价模型没有很好的泛化能力。传统的教育教学评价指标偏于主观臆断、随意性较大，指标数量一旦确定就不容易调整、指标权重分配多依据经验，利用这样的指标体系得到的教育教学评价结果经常与测评对象的真实情况存在不一致。基于研究任务1将客观数据、主观数据建立的职业教育教学评价指标的重要程度进行分析。由于职业教育教学评价指标数据量大，且每个指标含有多个变量，因此，需要先对研究S1职业教育教学评价指标进行降维，再对重要指标进行聚类，接着针对动态环境下各职业教育教学评价指标重要性预测，最后建立动态多目标职业教育教学评价模型。

可分解为：

S201:对职业教育教学评价指标进行降维

在S104给定训练数据D＝{(X₁,Y₁),(X₂,Y₂),…,(X_m,Y_m)}，考虑线性回归模型，以平方误差为损失函数，则职业教育教学评价指标的优化目标为：

为了缓解过拟合问题，使用L₁范数正规化，令

则(1)式变为：

ω为特征的系数。若f(x)可导，且▽f(x)满足L-Lipschitz条件,即存在常数L＞0，任取_x'使得：

其中▽表示微分算子。在x_k附近对f(x)进行二阶泰勒展开，可得：

其中＜*,*>表示内积。根据近端梯度下降法可得：

令

属性a_i为x的第i个分量。假定属性a_i为独立事件，不存在a_ia_j(i≠j)这样的项。对(5)式按分量展开，可得闭式解

取非“0”特征a_i为职业教育教学评价指标的重要指标A'。

S202:再对S201步职业教育教学评价指标的重要指标进行聚类

将样本按相似程度划分类别，使得同一类中的元素之间的相似性比其他类的元素的相似性更强。目的在于使类里元素的同质性最大化和类间元素的异质性最大化。其主要依据是聚到同一个数据集中的样本应该彼此相似，而属于不同组的样本应该足够不相似。分别对(6)式得到的属性集A'中的每个属性a_i的样本进行聚类。

令k为已知业务的种类数，聚类中心V＝{v₁,v₂,…,v_k}，

样本集D中第a_i个属性。则

表示样本

属于聚类v_c，取值“0”或“1”，可得有用属性集A'中的每个属性a_i聚类优化模型如下：

其中f＞1是一个可以控制聚类结果的模糊程度的常数。dist_b,c表示第b个样本与第c个聚类中心的距离，计算方式如下：

运用拉格朗日算子求解(8)式得特征聚类的迭代公式：

S203：针对动态环境下各职业教育教学评价指标重要性预测

基于机器学习的方法对动态环境下各职业教育教学评价指标的权值随时间变化建立预测模型。先对职业教育教学评价环境进行感知，根据感知量进行初步预测处理，分辨各种特征，再选择合适的特征进行建立状态方程控制模型，如式(11)所示。

x(k+1)＝Ax(k)+bu(k) (11)

其中x(k)表示第k步的实测量，bu(k)表示第k步的变化量。根据式(11)可以预测第M步的变化情况，如(12)式所示：

x(k+M)＝A^Mx(k)+A^M-1bu(k)+…+bu(k+M-1) (12)

滚动优化：根据第一步的预测模型，结合职业教育教学评价动态环境下设定优化方案。

反馈校正：在实际应用中，各个学校、各个专业所面临的学生、家长、就业的企业都是不一样的，且存在很多人为主观的因素，所以需要根据x(k)的值及特别因素来调整滚动优化模型。

S204：目标达成、课程参与、态度表现三个维度的权重建立动态多目标职业教育教学评价模型。

S3：教学质量评价可视化展示。针对现有多源数据采集与管理平台进行优化，以大数据管理与融合技术研究成果为依据，开发基于大数据技术的可视化展示。以学生为中心，围绕学生、教师、课程，在关键技术攻关与模型构建的基础上，结合教学评价中的结构数据、半结构化数据、非结构数据，建设教学设计可视化、教学实施可视化，最终实现“学生画像”、“课堂画像”、“教师画像”的教学质量评价可视化。

可分解为：

S301三维一体”学生学力表现可视化，实现学生画像

以驾驶仓图展示学生学习力表现，根据评价模型，学力表现包括目标达成度、课程参与度、态度表现值。目标达成度是指学生在某个知识点是否达到双向细目表中的能力层次要求。测评学生是否达成知识点能力层次要求的方式有三种，一是学生完成基于知识点的测评，二是学生回答基于知识点的课堂提问，三是教师/组长对学生知识点的主题评价。其中知识点相关参数包括：

S3011：基于知识点的测评

知识点权重：根据双向细目表中的能力层次要求等级作为权重值。

知识点权重比例NP为

TNA＝∑NA×NCP (13)

t(Q)表示当前知识点权重，C(Q)课程知识点最大权重。

当前课时知识点权重总值CNP为

CNP＝∑NP (14)

知识点在本堂课中的权重NCP为

测评试题：主要以客观题形式呈现，学生在课中、课后完成的基于知识点的测评试题，将影响学生在该知识点中的达成度；具体算法如下：。

基于知识点Q的测试试题标准得分为：

Q∈{0,1} (16)

每道测试的满分TF为

为难度系数。每道测试的实际得分SF为

SF＝TF×τ (18)

τ为标准得分。则知识点目标达成度NA为

本课时测评试题类目标达成度TNA为

TNA＝∑NA×NCP (20)

NCP为知识点NA在本堂课中的权重。

S3012：课堂提问，主要通过课堂教学过程中教师根据当前课堂知识点的实时提问及学生回答情况、学生互评数据，实现关联知识点的达成度计算。

基于知识点的课堂提问标准得分τ为：

τ∈{1，0.5，0} (21)

完全正确(1)、部分正确(0.5)、完全错误(0)。

课堂提问类目标达成度QNA为

Ts为总分。

S3013：主题评价：主要针对实操、实训类开放性主题，评价主体由教师、组长组成，教师评价组长，组长评价组员，教师对组长的评价结果，将影响组员的结果，评价形式采用星级模式。

基于知识点的课堂评价得分x可根据星级得到对应的分数，最多5分。

主题评价类目标达成度ENA为

本课时的目标达成度为

S302课堂画像

S3021：课堂参与度以(25)式计算所得：

CP＝TT×0.6+QT×0.2+DT×0.1+ST×0.1 (25)

其中，TT为教师布置的课前预习题、课堂练习题、课后作业的完成次数/要求次数；QT为课堂教学中回答问题的次数、评价的参与次数/要求次数；DT为课堂教学中讨论参与次数/要求次数；ST为自主学习资源素材的有效次数/要求次数。

S3022：态度表现值

态度表现包括课堂考勤、课堂评价两方面。

令每次考勤学生的得分为K，则学生N次考勤后的计分KQJF为

其中，k∈{1，1,0,0.5,0.7，0.3}，签到1分，公假1分，旷课0分，早退0.5分，病假0.7分，事假0.3分。

课堂评价KDPJ如(27)式所示：

KDPJ＝CP×0.7+KQJF×0.3 (27)

S303：通过“全流程”教师教学质量可视化，实现教师画像

基于教师教学质量评价指标体系，对教学设计、教学实施、教学评价等全流程数据进行分析可视化，实现教师画像：

教学计划基础数据：当前课次基础数据包括，知识点/技能点的能力层次要求、素材数量、试题数量、前置学科成绩(均值)、前置知识点达标率、预习通过率、上一课次达标率。

知识点达标：根据课程双向细目表对知识点的能力层次要求，对学生进行测评。

当前课次教学计划：系统根据课程教学计划显示本课次的知识点/技能点及能力层次要求、素材、测评试题的数量

当前班级学习行为数据：根据学生开学前完成本课程调查问卷表，系统分析出学生的学习行为基本数据(包括学习态度、学习动机、学习风格的调查问卷)

当前班级学习质量数据：根据学生前置学习质量数据、课前预习测评数据，系统分析出学生的前验数据。

知识点达标：根据课程双向细目表对知识点的能力层次要求，对学生进行测评。

前期教学反馈数据：教学反馈数据主要指学生在某阶段(每次课结束或每周等)内完成课堂教学后，对个人针对教学活动的主观描述。当前班级学习过程数据：根据学生在每次课结束后的个人评价数据、本课程前期课堂教学活跃度、达标率，系统分析出教师个体的教学效果。系统根据行为数据，智能推荐最佳适合本班学生的最佳教学活动。根据前验知识数据，智能推荐需要强化教学的前置知识点，根据学生预习情况重新划分本课次各知识点/技能点的时间分配。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于大数据的职业教育教学评价方法，其特征在于，包括以下步骤，

S1：构建职业教育教学智能评价指标体系；

S2：建立职业教育教学智能评价模型；

S3：可视化展示教学质量评价数据。

2.如权利要求1所述的一种基于大数据的职业教育教学评价方法，其特征在于，所述步骤S1包括，

S101：采集职业教育大数据；

S1011：确定数据输入源，数据输入源包括教室内部具有人脸及行为识别功能的摄像头、学校公共通道的摄像头、手机、智能终端、PC、APP、智慧校园平台、在线课程学习平台、教育教学诊改平台；

S1012：确定采集技术，对于流式数据，采用kafka技术进行数据采集；对于网络非结构话数据，采用大规模并行爬虫技术进行采集；对于传统数据库结构化数据，采用sqoop技术进行抽取；

S1013：确定大数据存储技术，采用HDFS分布式文件系统和Hbase列式数据库进行大数据存储；

S102:教育大数据整合清洗；

S1021：采用Kettle技术将多源数据整合成目标数据，实现数据的实时增量同步，数据的抽取、对比和更新；

S1022：采用Hive大数据仓库技术对数据进行查询和统计分析，得到评价指标体系的训练数据集合；

S103:评价指标体系学习；

S1031：通过S1022得到评价指标体系的训练数据集合，采用随机森林方法，收集多个树的子节点对各个类别投票，然后选择获得最多投票的类别作为判断结果，建立职业教育教学评价方法的随机决策森林；

S1032：树的每个节点从采集的评价指标原始特征中随机的选择子集，优化每个树的评价指标数据；

S104:调整评价指标体系，确定评价指标体系后，输入到评价模型，根据模型评价结果反馈动态调整评价指标体系，利用现有学习到的评价指标体系，通过训练数据对评价模型进行训练，如果评价模型目标函数误差很大，则动态调整评价指标体系，反复训练评价模型，直到找到使评价模型目标函数误差满足预设的阈值的评价指标体系终止。

3.如权利要求1所述的一种基于大数据的职业教育教学评价方法，其特征在于，所述步骤S2包括，

S201:对职业教育教学评价指标进行降维，

在S104给定训练数据D＝{(x₁,y₁),(x₂,y₂),…,(x_m,y_m)}，m表示训练数据的个数，x，y表示给定训练数据，以平方误差为损失函数，职业教育教学评价指标的优化目标为：

使用L₁范数正规化，令

则(1)式变为：

ω为特征的系数，λ表示用来控制L1正规化影响的权重系数，若f(x)可导，且

满足L-Lipschitz条件,即存在常数L＞0，任取x’使得：

其中

表示微分算子，x_k表示x的第k个位置，在x_k附近对f(x)进行二阶泰勒展开，可得：

其中<*,*>表示内积，根据近端梯度下降法可得：

令

属性a_i为x的第i个分量，假定属性a_i为独立事件，不存在a_ia_j(i≠j)这样的项，i和j表示分量的序号，对(5)式按分量展开，可得闭式解，

取非“0”特征a_i为职业教育教学评价指标的重要指标A'；

S202:再对S201步职业教育教学评价指标的重要指标进行聚类

令自然数k为已知业务的种类数，聚类中心V＝{v₁,v₂,…,v_k}，

为样本集D中第a_i个属性，则

表示样本

属于聚类v_c；b,c表示序号，取值“0”或“1”，有用属性集A'中的每个属性a_i聚类优化模型如下：

其中f＞1是一个可以控制聚类结果的模糊程度的常数，dist_b,c表示第b个样本与第c个聚类中心的距离，计算方式如下：

d为自然数，运用拉格朗日算子求解(8)式得特征聚类的迭代公式：

S203：针对动态环境下各职业教育教学评价指标重要性预测

基于机器学习的方法对动态环境下各职业教育教学评价指标的权值随时间变化建立预测模型，先对职业教育教学评价环境进行感知，根据感知量进行初步预测处理，分辨各种特征，再选择合适的特征进行建立状态方程控制模型，如式(11)所示，

x(k+1)＝Ax(k)+bu(k) (11)

其中x(k)表示第k步的实测量，bu(k)表示第k步的变化量，A为惯性矩阵，根据式(11)可以预测第M步的变化情况，如(12)式所示：

x(k+M)＝A^Mx(k)+A^M-1bu(k)+…+bu(k+M-1) (12)

滚动优化：根据第一步的预测模型，结合职业教育教学评价动态环境下设定优化方案，

反馈校正：根据x(k)的值及特别因素来调整滚动优化模型，

S204：目标达成、课程参与、态度表现三个维度的权重建立动态多目标职业教育教学评价模型。

4.如权利要求1所述的一种基于大数据的职业教育教学评价方法，其特征在于，所述步骤S3包括，

S301以驾驶仓图展示学生学习力表现，根据评价模型，学力表现包括目标达成度、课程参与度、态度表现值，目标达成度是指学生在某个知识点是否达到双向细目表中的能力层次要求，测评学生是否达成知识点能力层次要求的方式有三种，一是学生完成基于知识点的测评，二是学生回答基于知识点的课堂提问，三是教师/组长对学生知识点的主题评价，其中知识点相关参数包括：

S3011：基于知识点的测评

知识点权重：根据双向细目表中的能力层次要求等级作为权重值，

知识点权重比例NP为

t(Q)表示当前知识点权重，C(Q)课程知识点最大权重，

当前课时知识点权重总值CNP为

CNP＝∑NP (14)

知识点在本堂课中的权重NCP为

测评试题：主要以客观题形式呈现，学生在课中、课后完成的基于知识点的测评试题，将影响学生在该知识点中的达成度；具体算法如下：，

基于知识点Q的测试试题标准得分为：

Q∈{0,1} (16)

每道测试的满分TF为

为难度系数，每道测试的实际得分SF为

SF＝TF×τ (18)

τ为标准得分，则知识点目标达成度NA为

本课时测评试题类目标达成度TNA为

TNA＝∑NA×NCP (20)

NCP为知识点NA在本堂课中的权重，

S3012：课堂提问，主要通过课堂教学过程中教师根据当前课堂知识点的实时提问及学生回答情况、学生互评数据，实现关联知识点的达成度计算，

基于知识点的课堂提问标准得分τ为：

τ∈{1，0.5，0} (21)

完全正确(1)、部分正确(0.5)、完全错误(0)，

课堂提问类目标达成度QNA为

Ts为总分；

S3013：主题评价：主要针对实操、实训类开放性主题，评价主体由教师、组长组成，教师评价组长，组长评价组员，教师对组长的评价结果，将影响组员的结果，评价形式采用星级模式，

基于知识点的课堂评价得分x可根据星级得到对应的分数，最多5分，

主题评价类目标达成度ENA为

本课时的目标达成度为

S302课堂画像

S3021：课堂参与度以(25)式计算所得：

CP＝TT×0.6+QT×0.2+DT×0.1+ST×0.1 (25)

其中，TT为教师布置的课前预习题、课堂练习题、课后作业的完成次数/要求次数；QT为课堂教学中回答问题的次数、评价的参与次数/要求次数；DT为课堂教学中讨论参与次数/要求次数；ST为自主学习资源素材的有效次数/要求次数，

S3022：态度表现值

态度表现包括课堂考勤、课堂评价两方面，

令每次考勤学生的得分为K，则学生N次考勤后的计分KQJF为

其中，k∈{1，1,0,0.5,0.7，0.3}，签到1分，公假1分，旷课0分，早退0.5分，病假0.7分，事假0.3分，

课堂评价KDPJ如(27)式所示：

KDPJ＝CP×0.7+KQJF×0.3 (27)

S303：通过“全流程”教师教学质量可视化，实现教师画像

基于教师教学质量评价指标体系，对教学设计、教学实施、教学评价等全流程数据进行分析可视化，实现教师画像：

教学计划基础数据：当前课次基础数据包括，知识点/技能点的能力层次要求、素材数量、试题数量、前置学科成绩(均值)、前置知识点达标率、预习通过率、上一课次达标率，

知识点达标：根据课程双向细目表对知识点的能力层次要求，对学生进行测评，

当前课次教学计划：系统根据课程教学计划显示本课次的知识点/技能点及能力层次要求、素材、测评试题的数量

当前班级学习行为数据：根据学生开学前完成本课程调查问卷表，系统分析出学生的学习行为基本数据；

当前班级学习质量数据：根据学生前置学习质量数据、课前预习测评数据，系统分析出学生的前验数据；

知识点达标：根据课程双向细目表对知识点的能力层次要求，对学生进行测评。

Images