计算机应用基础课堂教学评价系统

前言：想要写出一篇引人入胜的文章？我们特意为您整理了计算机应用基础课堂教学评价系统范文，希望能给你带来灵感和参考，敬请阅读。

摘要：为实现对教学质量的全面评估，实现对教学工作的优化，开展基于深度学习的计算机应用基础课堂教学评价系统的设计研究。选择IntelHI-100型号服务器、IC-GB36型号存储器、ADAM-2000型号采集器、常规液晶显示屏作为系统硬件设备，在硬件设备的基础上，构建计算机应用基础课堂教学评价指标体系；引进深度学习算法，按照指标进行教学信息的获取，并通过此种方式，对计算机应用基础课堂教学中的教学执行情况进行特征识别；提取并识别教学中不同行为的程度，实现基于卷积网络的教学评价与结果输出。通过对比实验证明，在引入深度学习后设计的评价系统，在实际应用中可以实现对计算机应用基础课程教学情况的准确评价。

关键词：深度学习；计算机应用基础课堂；教学评价

0引言

以计算机应用基础课堂教学课堂为例，此门课程是高校教学中的重点环节，也是大部分专业课程中的基础学习内容[1]。针对此门课程的传统教学评价，都是由高校教育处根据校内管理部门提供的数据报表与简单信息，进行数据隐含价值的分析，但此种评价方式会受到评价者个人主观意识的影响，无法实现对数据隐含价值的深度挖掘，也无法实现对教学质量的全面提升。为了进一步提高教育教学工作的质量，本文将在此次研究中引进深度学习算法，从硬件结构与软件功能等方面，开发一个针对计算机应用基础课堂教学的评价系统，从客观角度发现教学中的价值性行为，提取潜在数据的规律性，实现对教学中多元化数据、复杂化数据的设计与获取，保证对课程教育提供实质性意见[2]。截至目前，相关此方面内容的研究仍存在一些不足，例如，该系统在开发初期的硬件选择工作尚未完善，系统内置程序中的评价功能仍较为单一。为此，本文将基于教育市场持续化发展层面，开展此项工作的进一步研究。

1硬件设计

为满足高校教学工作的需求，本文按照B/S框架，对系统硬件展开设计。相比传统的评价系统，基于B/S架构的评价系统具有操作方便、维护便捷、适配性强等优势。根据教学过程中的评价参与方，设置系统的三个终端分别为用户服务器终端、程序单位存储终端与数据库集成终端[3]。按照此种设计理念，进行系统的综合部署。该系统硬件构成如图1所示。从图1可以看出，该系统中的主要硬件设备包括服务器、存储器、采集器与显示屏，不同的硬件设备在系统中所起到的作用是不同的。根据系统的运行需求，进行系统硬件的配置设计，如表1所示。下述将以系统服务器与存储器为例，进行硬件设备的详细设计。

1.1服务器设计

根据本文上述论述内容，针对评价系统中的服务器，选用IntelHI-100型号可自定义配置，24盘热插拔服务器。该型号服务器存储可被扩展为支持24盘SAS；CPU支持IntelXeonE56核12线程；接口为VGA显示接口；电源为800W冗余（1+1）服务器电源；内存类型为DDR416GRECC；可适用于分布式存储环境；尺寸为650mm×420mm×175mm（长×宽×高）。该型号服务器具备24盘满配336/384TB大容量，能够充分满足本文评价系统对各类评价依据资源数据的存储和运行条件，同时服务器能够支持Intel千兆网络传输，具备两个Intel千兆网口以及IntelX520双万兆光口，能够确保本文评价系统在运行过程中具备极高的运行速度[4]。

1.2存储器设计

在完成对服务器的选型后，由于在本文评价系统当中含有海量与计算机应用基础课程相关的信息内容，因此需要更大容量的存储器对海量信息进行存储[5]。针对这一问题，选用IC-GB36型号电可擦除只读存储器作为本文评价系统的存储器。IC-GB36型号存储器接口采用2-Wire,I2C类型；电源电压范围为1.7~5.5V；工作温度范围为-35~+75°C；最大时钟频率为1MHz；数据保留时限为100年。将IC-GB36型号存储器作为本文评价系统中的存储器，以此结合存储器中的计算机应用基础课堂教学信息对其效果进行评价。

2软件设计

2.1获取计算机应用基础课堂教学评价指标

为实现对高校计算机应用基础课堂教学的精准化评估，保证教学工作的全面优化，需要在完成对该系统的硬件设计后，获取影响课堂教学的相关因素，将其作为评价指标。此次构建的评价指标体系整体按照层次分析法构建，建立计算机应用基础课堂教学评价指标体系，如表2所示。按照表2所示的内容，获取计算机应用基础课堂教学评价指标，并在教学中根据教师执教的实际情况，进行指标体系的填充与完善。

2.2基于深度学习的教学执行特征识别

完成上述研究后，引进深度学习算法，按照指标进行教学信息的获取，并通过此种方式，对计算机应用基础课堂教学中的教学执行情况进行特征识别。在此过程中，将数据窗口的固定长度作为节点最大值，综合聚合层中的数据，进行节点数值的深度学习。可将学习的过程表示为下述计算公式。式中，D表示对网络节点参数的深度学习过程；表示为输入参数；i表示参数对应的评价指标；k表示参数的平均加权值；s表示参数的非线性表达方式；b表示参数局部特征；v表示参数集成网络的层数；t表示深度学习与单次迭代平均处理时长；表示聚合网络特征。

2.3基于卷积网络的教学评价与结果输出

在上述设计内容的基础上，引进卷积神经网络，根据识别的教学执行特征，进行教学评价结果的输出。在此过程中，提取并识别教学中不同行为的程度，将程度作为教学质量优化条件。根据与之方面相关的优化条件进行参数行为的匹配[6]。例如，当执行的行为可满足计算机应用基础课堂高质量教学行为时，将参数设定为上限值，以此为依据，将数据导入卷积网络进行迭代处理，得到评价查询结果，并根据教学中相关数据的完整度，进行教学行为的定性评估。

3对比实验

结合本文上述论述，从硬件和软件两个层次实现对评价系统的理论设计后，为了验证这一评价系统的实际应用效果，开展如下对比实验。在实验中选择将本文提出的基于深度学习的评价系统作为实验组，将基于云平台的评价系统作为对照组，将两种评价系统应用到某高校计算机专业中，并针对计算机应用基础课堂教学情况进行评价。为了实现对评价系统运行情况的直观检验，选择将两种评价系统完成运行得出的评价结果置信度作为对系统评价的量化指标，系统评价结果的置信度计算公式为（2）式中，表示为两种评价系统在运行后得出的评价结果与实际计算机应用基础课堂教学的专家软件平均评价结果相比的置信度；表示计算机应用基础课堂教学综合评价结果；表示通过两种评价系统得出的评价结果。根据公式（2），对两种评价系统的应用效果进行评价。已知公式（2）中置信度的取值范围在0~1之间，若数值越接近1，则说明评价结果的置信度越高，评价结果越符合实际。根据上述分析，针对该高校五名不同教师的计算机应用基础课程教学效果进行评价，并将评价结果的置信度记录并绘制如图2所示。从图2中两条曲线可以看出，实验组评价系统对五节计算机应用基础课堂教学情况的评价结果置信度均在0.70以上，并且随着评价次数的增加，评价结果的置信度逐渐提高，评价价值提升。而对照组评价系统对五节计算机应用基础课堂教学情况的评价结果置信度均未超过0.50。通过上述置信度的取值变化特性可以得出，实验组评价系统得出的评价结果更符合实际，而对照组评价系统得出的评价结果与实际相差较大。

作者:聂文芳 单位:南昌应用技术师范学院