基于数据挖掘的计算机实验教学效果评价研究

孟祥光，郭东伟

（吉林大学 软件学院，吉林 长春 130021）

0 引 言

随着计算机技术的不断发展，大多数高校开设了计算机相关专业，在计算机相关课程的教学中，计算机实验是必不可少的部分，计算机实验教学可以提高学生的动手能力，使高校的优质教学资源得到共享，提高了教学资源利用率[1⁃3]。在计算机实验教学过程中，提高计算机实验教学效果是高校一直追求的目标[4⁃6]。

计算机实验教学效果评价是提高教学效果的一个重要手段，因此许多研究机构以及高校对计算机实验教学效果评价问题进行了相关的研究[7⁃9]。最初是通过一些专家对计算机实验教学效果进行评价，该方法的计算过程十分繁琐，评价时间长，由于每一个专家的偏好不一样，导致计算机实验教学效果评价结果的主观性比较强，无法对教学效果进行客观评价[10⁃11]。随着人工智能技术的发展，当前计算机实验教学效果评价主要采用自动化方法，如基于BP神经网络的计算机实验教学效果评价方法、基于模糊理论的计算机实验教学效果评价方法、基于相关向量机的计算机实验教学效果评价方法以及基于支持向量机的计算机实验教学效果评价方法[12⁃14]。这些方法均有自己的优势，同时它们的缺陷也十分明显，如模糊理论只能对计算机实验教学效果进行线性建模与评价，而BP神经网络经常出现过拟合的计算机实验教学效果评价结果，相关向量机以及支持向量机的计算机实验教学效果存在评价效率低等问题[15]。

为了提高计算机实验教学效果评价效果，本文提出了数据挖掘的计算机实验教学效果评价方法，并与其他计算机实验教学效果评价方法进行了对比实验，结果表明，本文方法能够准确对计算机实验教学效果进行评价，解决了传统计算机实验教学效果评价方法存在的问题。

1 数据挖掘的计算机实验教学效果评价方法

1.1 建立计算机实验教学效果评价体系

为了客观地对计算机实验教学效果进行评价，首先建立计算机实验教学效果评价的指标体系，基于科学、全面、客观、可操作、数据易收集等原则，建立如表1所示的计算机实验教学效果评价指标体系。

表1 计算机实验教学效果评价指标体系

1.2 建立计算机实验教学效果的等级划分

计算机实验教学效果评价是对教学效果进行量化处理，需要对每个教学指标进行量化才能进行建模，本文采用100分制，将计算机实验教学效果划分5个等级，它们的对应关系具体如表2所示。

表2 计算机实验教学效果的等级划分

1.3 确定计算机实验教学效果评价指标的权重值

1）建立判断矩阵。通过上下层之间比较，确定不同指标的重要程度，本文对计算机实验教学效果评价指标重要性程度采用1~9值进行标度，重要性标度含义具体见文献[16]。

2）层次单排序。将判断矩阵的每一列进行归一化计算，得到计算机实验教学效果评价指标的权重，权重计算公式具体如下：

式中：n表示列的数量，即计算机实验教学效果评价指标的数量；a i j表示指标i相对于指标j的重要性。

3）判断矩阵的一致性。在实际应用中，需要对矩阵的一致性进行检验，只有满足一致性，判断矩阵才是合理的。一致性指标计算公式为：

式中λmax表示最大权重值。

4）通过查表得到判断矩阵的阶数，计算平均随机一致性指标（RI），通过式（3）计算一致性比例（CR），如果其值小于0.1，那么表示判断矩阵是合理的，也表示得到的权值是有效的。

通过层次分析法确定计算机实验教学效果评价指标的权重值，具体如图1所示。

图1 计算机实验教学效果评价指标的权重值

1.4 最小二乘支持向量机

针对支持向量机学习效率低的问题，有学者提出了最小二乘支持向量机[17]，其改变了支持向量机的约束条件，具体如下：

对式（4）进行变换，得到等价的二次优化形式，具体如下：

引入拉格朗日乘子αk，建立拉格朗日函数，即有：

根据式（7）~式（10），可以得到拉格朗日乘子αk和偏置向量b的值。

引入核函数代替内积操作：K(x,x i)=φT(x)φ(x)，那么最小二乘支持向量机的决策函数为：

1.5 数据挖掘的计算机实验教学效果评价思路

基于数据挖掘的计算机实验教学效果评价思路为：首先建立计算机实验教学效果评价的指标体系，采用层次分析法确定每一个指标的权重；然后采集计算机实验教学效果评价指标的相关数据，并确定教学效果等级，建立计算机实验教学效果评价的学习样本；最后采用最小二乘支持向量机对计算机实验教学效果变化特点进行描述，建立计算机实验教学效果评价模型。

2 仿真测试

2.1 实验环境

为了测试数据挖掘的计算机实验教学效果评价效果，采用如表3所示的测试环境进行仿真实验，为了使实验结果具有可比性，在相同测试环境下，选择BP神经网络的高校教学效果评价方法、支持向量机的高校教学效果评价方法进行对比实验，选择评价正确率、建模时间作为实验结果好坏的评价标准。

表3 计算机实验教学效果评价实验的测试环境

2.2 实验数据

为了使计算机实验教学效果评价结果具有通用性，选择计算机专业相关的10门课程作为实验对象，每一门课程采集不同数量的样本，具体如表4所示。

2.3 实验结果与分析

2.3.1 计算机实验教学效果评价正确率对比

对于每一门课，从表4中选择4 5的样本数据作为训练样本，通过本文方法和对比方法进行学习，建立相应的计算机实验教学效果评价模型，然后剩余1 5的样本数据作为测试样本，采用本文方法对它们进行评价，统计每一门课的评价正确率，结果如图2所示。

表4 计算机实验教学效果评价测试对象

图2 计算机实验教学效果评价正确率对比

对图2的评价正确率进行分析可以得到如下结论：

1）BP神经网络的计算机实验教学效果评价方法误差最大，其评价正确率的平均值为82.95%，这是因为BP神经网络对训练校本的数量要求比较大，而且表4中部分课程的样本数量比较少，达不到大样本的要求，使得BP神经网络的计算机实验教学效果评价结果不稳定，因此无法获得理想的计算机实验教学效果评价结果。

2）支持向量机的计算机实验教学效果评价效果要优于BP神经网络，其评价正确率均值为91.79%，主要是因为支持向量机是一种针对小样本的机器学习算法，没有BP神经网络对训练样本数量的限制，降低了计算机实验教学效果评价误差。

3）本文方法的计算机实验教学效果评价正确率均值为93.82%，略高于支持向量机，但是远高于BP神经网络，因为本文方法采用最小二乘支持向量机对计算机实验教学效果变化特点进行描述，能够建立更优的计算机实验教学效果评价模型，解决了神经网络评价结果不稳定的缺陷。

2.3.2 计算机实验教学效果评价效率对比

建模时间也是衡量计算机实验教学效果评价方法的重要指标，为此分别统计3种方法的计算机实验教学效果评价的训练和测试时间，分别如图3和图4所示。

图3 计算机实验教学效果评价的训练时间

图4 计算机实验教学效果评价的测试时间

从图3可以发现，支持向量机的训练时间最长，这是因为支持向量机每增加一个样本，就要重新训练一次，增加了计算机实验教学效果评价的时间复杂度，因此虽然支持向量机的计算机实验教学效果评价正确率高，但是其建模时间比较长，整体性能不佳；而本文方法的训练时间要远远少于支持向量机，同时也要略少于BP神经网络。

从图4可以发现，3种方法的计算机实验教学效果评价测试时间相差不大，但是本文方法的计算机实验教学效果评价建模的总体时间最低，提升了计算机实验教学效果评价效率，可以对大规模计算机实验教学效果数据进行评价，具有更广的应用范围。

3 结 语

计算机实验教学效果评价是当前研究的热点，针对当前传统计算机实验教学效果评价方法存在的局限性，为改善计算机实验教学效果评价结果，提出基于数据挖掘的计算机实验教学效果评价方法，并与其他计算机实验教学效果评价方法进行对比测试，结果表明，本文方法可以从历史数据中挖掘出计算机实验教学效果变化特点，实验教学效果评价十分准确，减少了评价误差，同时建模时间最短，获得了比对比方法更高的评价效率，可以为实验教学效果管理者提供有价值的参考意见，为提高计算机实验教学效果打下良好的基础。