基于數據挖掘的計算機實驗教學效果評價研究

孟祥光，郭東偉

（吉林大學 軟件學院，吉林 長春 130021）

0 引 言

隨著計算機技術的不斷發展，大多數高校開設了計算機相關專業，在計算機相關課程的教學中，計算機實驗是必不可少的部分，計算機實驗教學可以提高學生的動手能力，使高校的優質教學資源得到共享，提高了教學資源利用率[1?3]。在計算機實驗教學過程中，提高計算機實驗教學效果是高校一直追求的目標[4?6]。

計算機實驗教學效果評價是提高教學效果的一個重要手段，因此許多研究機構以及高校對計算機實驗教學效果評價問題進行了相關的研究[7?9]。最初是通過一些專家對計算機實驗教學效果進行評價，該方法的計算過程十分繁瑣，評價時間長，由于每一個專家的偏好不一樣，導致計算機實驗教學效果評價結果的主觀性比較強，無法對教學效果進行客觀評價[10?11]。隨著人工智能技術的發展，當前計算機實驗教學效果評價主要采用自動化方法，如基于BP神經網絡的計算機實驗教學效果評價方法、基于模糊理論的計算機實驗教學效果評價方法、基于相關向量機的計算機實驗教學效果評價方法以及基于支持向量機的計算機實驗教學效果評價方法[12?14]。這些方法均有自己的優勢，同時它們的缺陷也十分明顯，如模糊理論只能對計算機實驗教學效果進行線性建模與評價，而BP神經網絡經常出現過擬合的計算機實驗教學效果評價結果，相關向量機以及支持向量機的計算機實驗教學效果存在評價效率低等問題[15]。

為了提高計算機實驗教學效果評價效果，本文提出了數據挖掘的計算機實驗教學效果評價方法，并與其他計算機實驗教學效果評價方法進行了對比實驗，結果表明，本文方法能夠準確對計算機實驗教學效果進行評價，解決了傳統計算機實驗教學效果評價方法存在的問題。

1 數據挖掘的計算機實驗教學效果評價方法

1.1 建立計算機實驗教學效果評價體系

為了客觀地對計算機實驗教學效果進行評價，首先建立計算機實驗教學效果評價的指標體系，基于科學、全面、客觀、可操作、數據易收集等原則，建立如表1所示的計算機實驗教學效果評價指標體系。

表1 計算機實驗教學效果評價指標體系

1.2 建立計算機實驗教學效果的等級劃分

計算機實驗教學效果評價是對教學效果進行量化處理，需要對每個教學指標進行量化才能進行建模，本文采用100分制，將計算機實驗教學效果劃分5個等級，它們的對應關系具體如表2所示。

表2 計算機實驗教學效果的等級劃分

1.3 確定計算機實驗教學效果評價指標的權重值

1）建立判斷矩陣。通過上下層之間比較，確定不同指標的重要程度，本文對計算機實驗教學效果評價指標重要性程度采用1~9值進行標度，重要性標度含義具體見文獻[16]。

2）層次單排序。將判斷矩陣的每一列進行歸一化計算，得到計算機實驗教學效果評價指標的權重，權重計算公式具體如下：

式中：n表示列的數量，即計算機實驗教學效果評價指標的數量；a i j表示指標i相對于指標j的重要性。

3）判斷矩陣的一致性。在實際應用中，需要對矩陣的一致性進行檢驗，只有滿足一致性，判斷矩陣才是合理的。一致性指標計算公式為：

式中λmax表示最大權重值。

4）通過查表得到判斷矩陣的階數，計算平均隨機一致性指標（RI），通過式（3）計算一致性比例（CR），如果其值小于0.1，那么表示判斷矩陣是合理的，也表示得到的權值是有效的。

通過層次分析法確定計算機實驗教學效果評價指標的權重值，具體如圖1所示。

圖1 計算機實驗教學效果評價指標的權重值

1.4 最小二乘支持向量機

針對支持向量機學習效率低的問題，有學者提出了最小二乘支持向量機[17]，其改變了支持向量機的約束條件，具體如下：

對式（4）進行變換，得到等價的二次優化形式，具體如下：

引入拉格朗日乘子αk，建立拉格朗日函數，即有：

根據式（7）~式（10），可以得到拉格朗日乘子αk和偏置向量b的值。

引入核函數代替內積操作：K(x,x i)=φT(x)φ(x)，那么最小二乘支持向量機的決策函數為：

1.5 數據挖掘的計算機實驗教學效果評價思路

基于數據挖掘的計算機實驗教學效果評價思路為：首先建立計算機實驗教學效果評價的指標體系，采用層次分析法確定每一個指標的權重；然后采集計算機實驗教學效果評價指標的相關數據，并確定教學效果等級，建立計算機實驗教學效果評價的學習樣本；最后采用最小二乘支持向量機對計算機實驗教學效果變化特點進行描述，建立計算機實驗教學效果評價模型。

2 仿真測試

2.1 實驗環境

為了測試數據挖掘的計算機實驗教學效果評價效果，采用如表3所示的測試環境進行仿真實驗，為了使實驗結果具有可比性，在相同測試環境下，選擇BP神經網絡的高校教學效果評價方法、支持向量機的高校教學效果評價方法進行對比實驗，選擇評價正確率、建模時間作為實驗結果好壞的評價標準。

表3 計算機實驗教學效果評價實驗的測試環境

2.2 實驗數據

為了使計算機實驗教學效果評價結果具有通用性，選擇計算機專業相關的10門課程作為實驗對象，每一門課程采集不同數量的樣本，具體如表4所示。

2.3 實驗結果與分析

2.3.1 計算機實驗教學效果評價正確率對比

對于每一門課，從表4中選擇4 5的樣本數據作為訓練樣本，通過本文方法和對比方法進行學習，建立相應的計算機實驗教學效果評價模型，然后剩余1 5的樣本數據作為測試樣本，采用本文方法對它們進行評價，統計每一門課的評價正確率，結果如圖2所示。

表4 計算機實驗教學效果評價測試對象

圖2 計算機實驗教學效果評價正確率對比

對圖2的評價正確率進行分析可以得到如下結論：

1）BP神經網絡的計算機實驗教學效果評價方法誤差最大，其評價正確率的平均值為82.95%，這是因為BP神經網絡對訓練校本的數量要求比較大，而且表4中部分課程的樣本數量比較少，達不到大樣本的要求，使得BP神經網絡的計算機實驗教學效果評價結果不穩定，因此無法獲得理想的計算機實驗教學效果評價結果。

2）支持向量機的計算機實驗教學效果評價效果要優于BP神經網絡，其評價正確率均值為91.79%，主要是因為支持向量機是一種針對小樣本的機器學習算法，沒有BP神經網絡對訓練樣本數量的限制，降低了計算機實驗教學效果評價誤差。

3）本文方法的計算機實驗教學效果評價正確率均值為93.82%，略高于支持向量機，但是遠高于BP神經網絡，因為本文方法采用最小二乘支持向量機對計算機實驗教學效果變化特點進行描述，能夠建立更優的計算機實驗教學效果評價模型，解決了神經網絡評價結果不穩定的缺陷。

2.3.2 計算機實驗教學效果評價效率對比

建模時間也是衡量計算機實驗教學效果評價方法的重要指標，為此分別統計3種方法的計算機實驗教學效果評價的訓練和測試時間，分別如圖3和圖4所示。

圖3 計算機實驗教學效果評價的訓練時間

圖4 計算機實驗教學效果評價的測試時間

從圖3可以發現，支持向量機的訓練時間最長，這是因為支持向量機每增加一個樣本，就要重新訓練一次，增加了計算機實驗教學效果評價的時間復雜度，因此雖然支持向量機的計算機實驗教學效果評價正確率高，但是其建模時間比較長，整體性能不佳；而本文方法的訓練時間要遠遠少于支持向量機，同時也要略少于BP神經網絡。

從圖4可以發現，3種方法的計算機實驗教學效果評價測試時間相差不大，但是本文方法的計算機實驗教學效果評價建模的總體時間最低，提升了計算機實驗教學效果評價效率，可以對大規模計算機實驗教學效果數據進行評價，具有更廣的應用范圍。

3 結 語

計算機實驗教學效果評價是當前研究的熱點，針對當前傳統計算機實驗教學效果評價方法存在的局限性，為改善計算機實驗教學效果評價結果，提出基于數據挖掘的計算機實驗教學效果評價方法，并與其他計算機實驗教學效果評價方法進行對比測試，結果表明，本文方法可以從歷史數據中挖掘出計算機實驗教學效果變化特點，實驗教學效果評價十分準確，減少了評價誤差，同時建模時間最短，獲得了比對比方法更高的評價效率，可以為實驗教學效果管理者提供有價值的參考意見，為提高計算機實驗教學效果打下良好的基礎。