中外合作专业网络课程教学评价浅析

前言：想要写出一篇引人入胜的文章？我们特意为您整理了中外合作专业网络课程教学评价浅析范文，希望能给你带来灵感和参考，敬请阅读。

摘要:疫情期间很多中外合作办学专业纷纷开始远程授课的网络教学方式。然而，网络课程的教学质量难以把握，具有学生状态难以全面监控、缺乏对教师的监督机制、课后反馈和辅导困难等问题。课程教学效果进行有效评价是教学的效果的重要方法。本论文对本校中外合作教学中实施网络教学的课程，针对学生和任课老师所具有的特点，设计了适用于疫情期间中外合作专业网络课程教学评价的一套具体方法，该方法利用当前热点的人工智能技术，不仅能充分利用传统教学质量评价模式的优点，而且能结合深度网络模型对图片和视频等大数据的处理，具有评价客观和全面的优点。

关键词：中外合作；教学质量；教学评价；网络课程

1引言

随着经济的发展和社会的进步，高等教育开始逐渐从精英化向大众化发展[1-2]。因此，使高等教育更好地适合我国国情，并满足国家和社会对高层次人才的需求，是高等教育改革急需解决的问题[3-5]。教育教学水平的提高，不仅需要有大量具有优良品德和高水平教学能力的优秀教师[6-8]因此，因此，提高教师质量并完善教师队伍建设是目前高等教育当前和今后长期需要解决的迫切任务，而建立完善的教学质量考核评价制度是保证该任务顺利实现的关键[9-10]。自2020年3月以来，因为全球疫情原因，大部分的中外合作专业的学生都开始实施网络教学。然而，目前已有的教学评价方法主要适合于传统的课堂教学，往往借助单一的评价方式，评价的结果取决于学生和教师的评价，由于这样的评价方法无法细分到每条规则上，对于“评什么”和“怎么评”存在着较大的争议。因此，无法将传统的教学质量评价方式直接应用于应用到网络教学中。对于中外合作专业的网络教学而言，开发出一套客观、全面和标准的评价体系是需要迫切解决的问题。

2传统的教学质量评价存在的问题

传统的教学质量评价机制虽然取得了较大的进步，但仍然存在着一些问题：(1)评价的主体单一。大部分的高校往往采用以学生为主、以督导为辅的教学质量评价机制，从总体上来说，学生的评价虽然在一定程度上反映了课程教学质量的教学水平，但有时也存在着评价不客观、不真实的情况，同时高校的督导也无法做到对每位教师的全面评价，因此，引入更多的评价主体，构建多个评价主体共同作用的评价体系是一个需要解决的问题。(2)评价的参照指标不全面。评价的参照指标往往就是若干评价原则，体系结构不够完善，包含的指标大部分是对作业是否按时批改、上课是否互动、是否及时考勤等信息进行评价，评价的指标不全，很难实现对教师的课堂教学效果进行真实的评价。因此，如何有效地设出一个全面的参照指标体系，从而构建更全面和综合的评价系统是影响评价评价真实度的关键问题。(3)虽然高校教学质量评价体系的构建是一个热点问题，但是目前已有的研究通常侧重构建教师评价的理论体系，而对于具体如何去实现，缺乏有效的模型，同时多种理论各有可取之处。如何有效融合各种评价指标，并将其加入模型设计中，是将评价体系进行落地并实时应用的保障性问题。本论文将致力于解决以上三个问题，即构造更为完整的指标体系，结合学生、督导、考勤系统、作业提交系统、课堂摄像头所提供的多模态信息，构建一个具有较大表示能力的模型。该模型能够融合以上多方面提供的信息，对教学质量的水平进行全面综合的判断，并基于判断的结果给出具体的改进错误，实现对教师教学的全方位正反馈。

3评价体系设计

3.1课程教学评价参考指标体系的设计

课程教学评价参考指标体系的设计将在原来有的学生和督导评价体系的基础上，利用现代信息技术，使得高校中均普遍存在各类系统，如考勤管理系统、作业提交和批改系统、小组谈话记录系统等信息能被有效应用，这些系统中蕴含了重要的信息，与课程教学质量有着非常密切的关系，将这些信息均作为教学质量评价参考体系的组成部分，从而设计一个完整的指标体系。教学质量评价体系的参照指标主要包括：考勤系统、学生评价系统、上课视频、作业提交和批改系统和小组谈话记录系统，其体系结构如图1所示。

3.2数据的预处理

参考指标体系中对应的数据均是服务器中存在的数据，这些数据往往无法没有标签，不能采用机器学习模型来直接学习。因此，需首先对这些进行预处理，即对这些数据加上标签。当数据加上标签后，就可以将其输入深度模型并模型进行训练。例如，对考勤管理系统指标进行预处理时，就可以将其当场出勤人数与班级总人数的利率作为数据，而标签则是某一比例对应的教师对学生管理能力的分值，这样就实现了数据的打标签。要利用机器学习模型来学习教师评价系统，需要对参照师表系统中的数据进行格式化处理：(1)考勤系统：将上课对应的出勤率作为数据，而标签为老师对上课的管理能力，此时的标签设计如下：a)出勤率为95%的数据对应的标签为老师对学生的管理为“优”；b)出勤率为80%-95%的数据对应的标签为老师对学生的管理为“中”；c)出勤率为小于80%的数据对应的标签为老师对学生的管理为“差”。(2)学生评价系统：学生评价系统的数据则直接将规则作为数据，而学生给出的评价作为标签。(3)上课视频系统：上课视频系统将视频帧作为数据，每个视频帧中学生抬头的数量和做笔记的数量作为输入，此时标签设计如下：a)抬头和作笔记的人数超过90%时对应的标签为上课教学效果为“优”；b)抬头和作笔记的人数超过75%-90%时对应的标签为上课教学效果为“中”；c)抬头和作笔记的人数超过60%-75%时对应的标签为上课教学效果为“差”。(4)作业提交和批改系统：上课视频将视频帧作为数据，其中学生抬头的人数和做笔记的人数作为输入，此时标签设计如下：a)学生及时提交作业同时教师在规定时间内批准完毕时，对应的标签为教师对作业的管理能力为“优”；b)学生未及时提交作业或者教师未及时批改作业，拖延至规定时间的一个星期内时，对应的标签为教师对作业的管理能力为“中”；c)学生未及时提交作业或者教师未及时批改作业，拖延至超过规定时间多于一个星期时，对应的标签为教师对作业的管理能力为“差”。(5)答疑系统：统计每周老师答疑的次数，来评价老师对课外辅导的重视程度，此时标签设计如下：a)每周答疑次数超过5次时对应的标签为教师对课外辅导重视程度为“优”；b)每周答疑次数多于2次少于5次时对应的标签为教师对课外辅导重视程度为“中”；c)每周答疑次数少于2次时对应的标签为教师对课外辅导重视程度为“差”。(6)小组谈话系统：统计每次小组中督导和教师的语音谈话，语音的标签需要手动标记。当某语音反映的教师教学比较正面时，设计相应的教学评价标签，当反应师德比较正面时，设计相应的教师师德标签。

3.3深度模型的设计与实现

为了使得构建的教学质量评价体系能够进行实际的应用，拟设计一个基于深度模型的教学质量评价系统。该教师质量评价系统采用带标签的数据作为网络的输入，将标签作为对应的输出，端到端的训练深度网络模型。由于该系统需要考虑多模态的信息，因此网络要设计为并行结构，使得多模态信息能够有效融合。采用VGG16作为基础网络，如图2所示，该网络共包含16个需要学习参数的卷积层和全连接层，第1层为3个64*3*3的卷积核，第2层为2个3*3的卷积核，第3层为3个256*3*3的卷积核，第4层为3个512*3*3的卷积核，第5层为3个512*3*3的卷积核，前5层的每一个层都是下采样层，实现特征为原来的1/2，最后为两个4096的全连接层。VGG16的初始参数是通过ImageNet进行训练，然后将训练好的模型用于作为教师评价体系的初始模型。对于图1所示的教师评价体系，仅有上课视频为二维数据，因此可以直接作为网络的输入。其他服务器上的数据以及语音数据都是1维数据，这些数据则放在倒数第二个全连接层，而输出端的神经元的数量由于1000修改为方案2中标签的数量。因此，基于VGG16的改进模型如图3所示：在建立了教师评价的深度学习模型后，就可以利用前面采集的数据对网络进行训练，其优化的损失函数如下所示：其中W为要求解的权重矩阵，即模型中的参数矩阵，S为每个输入数据的预测值，Y为真实标签；λ2为正则化因子，通常取值为大于0小于1的数值。W1表示采用1范数对参数W进行正则化，以使得学习的参数矩阵尽可能的稀疏化。当公式(1)所示的损失函数小于预设的阈值时，训练结束。此时对于任意教师对应的输入数据x，即可以得到其对应的输出，即该教师在各个指标体系上的得分F(x;W)。如果想要进一步得到该课程质量的综合评分，可以在图3后增加Softmax层，其对应的输出为：其中，Ftx;W,i表示网络的第i个输出端的值，因此，最后的分数就是每个参照指标的权重乘以公式(2)对应的概率并乘以100，即可以得到分数mark为：i=1ix;W,i其中，αi为网络的各个输出端权值，即参考指标的权值，并满足∑i=1Nαi=1。因此，对课程的综合评分可以通过神经网络的输出F以及相应的权值αi(∑i=1Nαi=1)进行加权来得到。

4结束语

为了更好地实现对疫情期间中外合作专业网络的课程教学评估，从而实现对课堂教学质量的持续改进。本文实现了一种综合各类指标的评估系统，该系统全面综合了考勤系统、学生评价系统、上课视频系统、作业提交和批改系统、答疑系统和小组谈话系统。将课堂获取的视频数据作为网络的输入，并在输出端融合其他如考勤系统、学生评价系统和答疑系统等数据，从而获得最终的教学质量评价结果。

作者:钟珊 潘威 单位:常熟理工学院 计算机科学与工程学院