基于 SparkMLlib 智能课堂教学评价系统的设计与实现 (一)

本篇文章是智能课堂教学评价系统系列文章的第一篇

主要讲此系统的研究意义、解决的主要问题及研究方法

一、本系统研究意义

1. 近年来大数据、深度学习等新的科学技术应用迅猛发展，进行教学质量评测的过程信息统计、收集、分析却依旧停留在人工阶段，不仅浪费人力物力，还存在着耗时长、数据不准确、过程型数据遗漏或者无法采集等多种弊端，建立在这种不完整数据之上的分析结果只能揭示某些特定的问题，缺乏综合性。此外，不同来源的数据之间难以整合，因为采集成本等原因，获得的数据缺少持续性，导致数据内部隐含的信息连接被割裂。如何通过教师的个人情况、教学特点、教学内容与学生学习情况、学习效果来挖掘这些信息和教师发展、学校教学质量人才培养的联系，已成为教学质量评价研究的重点。

2. 针对这种现状，本课题创新性提出了“基于 SparkMLlib 智能课堂教学评价系统”的评估方案，本方案通过对教师历年的教学评价和问卷调查、课堂行为观察、课堂教学方式等，能够对教师教学质量进行评估；其次通过数据可视化对教学质量效果评估结果进行展示，通过直观展示该教师在教学能力提升方面的能力偏向，有助于建立教师档案，并对后续教师教学工作进行合理分配，教师也可以进行自我完善。

就提高教学质量目标而言，从教师的教学准备、教学过程、教学结果的三个教学层次，设计教学评估方案。同时，抽取创新教师教育课程理念，优化教师教育课程结构，改革教程教学内容等其他所需的关键因素参数，利用线性回归理论，计算教师教学质量评价体系建设综合属性权重模型。再依据拓扑思维与上述权重模型，构建教师教学质量评价体系建设关联拓扑，制定教学质量优化改进建议，进行迭代阶段性优化。同时，以教学讨论和教学实践为主要驱动力，最终实现教学质量提升。

二、国内外有关本系统的研究动态

1. 目前国内教育高速发展，同时信息化技术也在高速发展，但是用在教育中的信息技术，即教育现代化程度还远远达不到信息化发展的程度，尤其是在智能教育方面，虽然国内早有相关研究，但是还没有形成一个完整的体系，目前绝大多数学校教育模式还处于传统模式。

2. “智能+教育”国内目前处于研究阶段，还具有巨大的上升空间，发展潜力巨大，但是相关查阅资料较少，所以开发难度相对较大。

3. 国内虽有部分学校引入智能课堂技术，但是也仅仅是用于教学辅助工具，并没有把智能课堂真正的融入进教学规划中、也是因技术不成熟，不能完全依赖于此，但是相信在不久的未来，智能课堂教学一定成为一种主流。

三、本系统研究的基本内容

1. 基于当下火热的人工智能技术，以及目前非常成熟的机器学习库，结合当前课堂教师教学内容，以及学生反馈等各种指标维度信息，从大量的业务数据以及系统日志数据中提取有价值的信息，利用机器学习框架（SparkMLlib）对有利用价值的数据进行深度分析，最终得到教师讲课维度分析，教师排行榜，学生偏好，学科分布，知识点分布，各学科及各学院教研数据分析，备课情况等，对教师形成一个交流圈，相互学习各个教师中优秀的点，达到共同进步，相互学习的目的。

2. 本课题以学生为主体，教师为主导，以“课前、课中、课后”三层教学环节中多属性、拓扑、汇聚数据的智能化分析技术为基础，以现代教学方法和手段、高素质的实验教学队伍、完善的实验教学条件和管理制度为保障，使平台能够将过程数据、构建起来自己的评价体系。

3.通过评价体系平台一方面反馈给教师，使教师通过学生表现、作业、试卷分析环节反思教学的得失，发现教学中的不足，自觉矫正教学内容、教学方法、教学手段和考核方式，努力提高教学质量；另一方面反馈给学校，为学校考核教师教学效果、评估教学质量、把握教与学的总体状况提供重要的参考依据。数据反馈路径主要有三种，一是通过教学信息管理数据库，制成网页并汇编成册供教师、管理者和决策者随时查阅；二是转入课程评估数据库和专业建设数据库，作为课程评估和专业评估的重要依据之一；三是作为教师教学质量考核的重要依据之一。

四、本系统拟解决的主要问题

1. 本套系统主要解决高校学生与教师在教学方面互动性不强，沟通不及时等方面而导致的一系列问题，通过本系统，能够让学生与教师双方都有一个全面的认识。

2. 目前全国大多数高校教学评价是每学期一评，这样评教对学生来说意义并不大，本套系统可以对教师评教做到每周一评，让教师在教学过程中能够及时调整适合本学期学生的教学方式。

3. 如何建立指标维度是本套系统的关键，需要大量的调研才能决定哪些维度是对教师教学有帮助的。

4. 本系统需要教师和学生积极参与，才能获取到大量的数据，数据是本系统的基石，没有数据就没有分析。

5. 选择合适的算法是成功的关键，需要对数据进行先前研究才能决定使用的算法。

6. 本系统另一关键技术是数据模型的建立，如何进行模型评估，训练模型以及调参，如何防止模型的欠拟合以及过拟合，模型的好坏关系着数据分析的准确率，如何做到经验风险最小化。

五、研究方法

1. 本套系统的完整体系包括：后端业务系统、前台展示系统、数据采集系统，数据分析系统，因任务量过大，时间有限，所以只能着重完成数据采集及数据分析系统。

2. 数据采集模块分为：数据采集、数据清洗、数据转化。进行数据采集的内容包括教学数据（含教师数据、学生数据、教学情况数据、设备状态数据、教室状态数据等）。对数据源（各种数据库系统，数据文件），进行数据读取、数据清洗、数据集成统一，数据质量检验、数据装载、合成目标数据库

3. 数据分析是平台的核心，主要包括：建立事实表、维度表、拓宽表、数据集市、特征工程(数据归一化和标准化，数据降维，数据集切分)、数据建模、训练模型、模型验证（K 则交叉验证）、预测误差、维度分析。 分析的数据有两部分：一个部分是应用传统的统计计算的方法对评价数据进行初步分析, 并对每一个教师的评价结果以具体的分数的形式给出一个量化的结果; 另一部分就是应用数据分析技术对采集的评价数据进行挖掘分析, 发现隐藏在数据中有用的知识, 并将其提取出来供学校和相关教师学习和借鉴。

4. 制定评价标准：高阶性方面对老师的知识、能力、素质进行评价，考核综合能力和高级思维。创新性方面的评价主要体现在教师课程内容的设置是否具有前沿性和时代性，教学形式是否具有先进性和互动性。通过同行专家的听课结果，对老师是否进行深度备课，深度反思，学生是否进行深度预习，深度复习进行简要评价。

六、主要创新点

1. 在教育和互联网结合方面，目前市面上比较成熟的是在线教育模式，而传统课堂教学+人工智能这种模式应用较少，本系统将人工智能和机器学习应用到传统的课堂教学中去，帮助教师更好的教学，让学生对课堂教学充满兴趣，更好的理解和吸收本堂课的知识。

2. 本系统可智能分析教师课堂教学过程中存在的问题及改进的地方，帮助教师更好的教学。对每个教师作出一个用户画像，在学生选课阶段，可针对学生喜欢不同的讲授风格选择最适合自己的教师。

3. 本系统中学生可对每堂课进行评课议课，系统将会从这些讨论的数据中提取出关键数据，然后得出本堂课的评分，知识点分布，学生吸收情况等。