SCI论文（www.lunwensci.com）:
摘要：装备课程教学专业性强，特点显著，人员构成呈多样化。为保证教学质量，及时调整教学策略已成为教员的重点工作内容。传统调整工作多为教员依靠个人经验和学员表现做出调整，主观性强且缺乏科学性。随着信息技术与教育行业的深度融合发展，大数据俨然已成为广大教育工作者的研究热门。本文旨在研究如何通过教学工作中产生的大数据形成调整策略，以优化教学方法、手段及内容，提升教学效果。班次人员构成、课堂表现及课后作业等均为影响教学质量的重要因素，利用历史数据可建立起多因素与教学质量之间的非线性耦合大数据模型，此模型可用于实现对学生群体学习行为的预测，并结合当前教学情况形成优化调整策略，以提升教学质量。采用基于数据驱动的教学动态优化方法，可及时对整个教学过程进行动态优化，保证了教学质量，有效提升了学员的知识水平，促进了战斗力生成，具有一定的研究价值。
关键词：大数据；动态优化；装备课程；预测
本文引用格式：韩超，等.基于大数据驱动的装备课程教学动态优化方法研究[J].教育现代化,2019,6(79):210-211.
一引言
随着实战化进程的稳步推进，装备课程教学在提升部队战斗力方面发挥着至关重要的作用。装备课程专业性强，特点显著，内容多且抽象，既包含多个学科的理论知识，也包含多种型号装备的实践内容[1]。教学内容繁多且抽象，如何短时内完成教学任务且达到应有的教学目标是教学的一大难题。
课程特点、学员情况、岗位任职需求等等都是影响教学的关键因素。传统装备教学中，教员与学员处于一对多的状态，教员没有精力去了解每个学员的不同状态信息，只能通过一些表象，加之自己的教学经验，对教学做出相应的调整，此方式主观性过强，缺乏科学性。大数据的到来以及与教育教学的融合发展，使得大数据日益成为广大教育工作者关注的热门话题[2]。先进的信息技术为大数据的获取与挖掘分析提供了便利条件[3]，大数据时代的这一趋势对教育产生了极大影响。通过获取分析装备教学过程前中后的学员学习行为数据，可挖掘真实信息，反馈并应用于教学，以提升教学质量。
二 大数据诱导下的装备课程教学改变
大数据是当今社会独有的一种新型的能力模式：以一种独有的方式，通过分析海量数据，获得具有巨大价值的信息，以及深刻的洞见[4]。大数据对于教育而言有着十分重要的意义，通过对大量学习者的行为数据进行定量分析之后反作用于教学，形成闭环调整机制，从而动态调整教学。大数据的引入使得教学活动从传统的个人经验模式转向理性的以数据挖掘分析为决策依据的现代化模式。
针对军校装备课程教学而言，其学员组成较为宽泛，教学班次根据学员组成特点进行编排，同一专业各班次所上课程一致，虽然每个班次上课前都会撰写课程设计，但是各班次课程设计内容相差不大，并没有针对教学对象做个性化设计。教学过程并不能严格按照课程设计实施展开，整个教学过程应该是实时处于动态调整状态，调整策略则是通过分析获取的大数据，挖掘出有价值的信息，反馈并应用于教学，提升教学质量。
三基于大数据的装备课程教学动态优化步骤
本文旨在研究一种基于大数据驱动的装备课程教学动态优化方法，建立多个学习行为特征与教学效果之间的非线性耦合大数据模型，并实现对学生群体学习行为的预测，及时调整教学方法、手段及内容，提升教学质量。动态优化主要从以下几个步骤展开。
（一）特征数据的筛选
需根据教学经验，筛选对教学质量有影响的学习行为特征。虽然大数据时代可以将很难量化的信息进行量化处理，转化为数据后进行存储，以备使用，数据的获取不再是问题，但是特征数据选择过多会使得建立的数据模型极其复杂，且很多特征数据之间存在强耦合关系，会降低模型的泛化能力。依托教学单位丰富的教学经验，再加上采用小组研讨，检索文献等方法确定模型的特征数据。
（二）模型数据的处理
数据样本数量大不一定意味着数据价值的增加，相反往往意味着数据噪声的增多[5]。因此前期对数据进行清洗等预处理工作十分重要。数据的清洗过程必须非常谨慎，因为一些细微的有价值的信息可能混杂在庞大的数据集中，如果清洗过度，可能会将有价值信息过滤掉，反之，又达不到清洗效果，所以清洗的程度需要严格控制。同时，数据的归一化问题也需要注意，数据集之中，有的特征数据值是三位数级别，有的特征数据值可能是0到1之间的小数，在建模时，前者会把后者“淹没”，造成数据模型的失真，所以数据预处理方法十分重要[6]。在实际操作中，可采用符合样本分布特性的预处理方法对搜集的数据集进行数据预处理[7]。
（三）数据模型的建立
数据模型的建立是整个流程的核心环节，由于数据量庞大，数据之间又呈现出耦合非线性关系，采用传统建模方法建立模型时，会存在很多条件假设，使得模型准确度下降。所以在建立模型时选择基于大数据的智能建模方法，例如，最小二乘支持向量机、神经网络等等[8,9]。基于大数据的智能建模方法能够自主学习训练样本中所体现出的有价值信息，属于一种“黑箱”建模方法，此方法无需建立复杂的机理模型，而是通过大量训练数据的训练，使得黑箱模型能够具有大量真实数据所体现出的一致特性。同时，数据模型兼具相当的学习能力和泛化能力[10]，保证了模型精度，为后续模型预测打下基础。由于没有哪一种数据建模方法适用于所有建模工作，所以在实际建模过程中，可选择多个数据建模方法进行数据模型的建立，选择学习能力和泛化能力均较优的建模方法作为最终的建模方法。所建立的模型并非一成不变，随着教学工作的发展，一些教学工作内容也在潜移默化的发生着改变，所以，后续需要用新的样本不断的优化数据模型，以保证数据模型的先进性。
（四）学员群体学习行为预测
对群体学习行为的预测是数据选择、数据预处理和模型建立后的最终目标。整个教学过程应该是实时处于动态调整状态，调整策略则是通过将当前班次学员的学习行为数据输入已建立好的数据模型中，模型输出即为对学员群体学习行为的预测，预测值可作为调整策略的参考，以及时调整教学方法、手段及内容，提升教学质量。
本文采用基于大数据的智能建模方法进行建模，模型学习能力和泛化能力较强，准确度较高。先期可针对一门主干课程进行展开，通过小组多次论证，查阅文献等，确定影响教学质量的多个弱耦合因素。而后，选择均值滤波，归一化等方法对所取数据进行预处理工作。然后，采用预处理后的数据建立起数据模型，为保证数据模型的学习能力和泛化能力，可采用十字交叉验证法[11]建立模型，建模时将数据分为10等份，每次选择其中9份进行模型训练，剩下的1分进行模型的测试，以此反复进行训练和测试，最终得到学习能力和泛化能力均较好的数据模型。将本班次学习行为数据输入建立好的模型中得到预测数据，预测数据结合教学情况形成调整策略，以动态调整课程教学。通过不断的将模型的输出作为反馈并作用于当前的教学过程，形成一个闭环调整机制，保证了教学质量。为了保证数据模型的先进性，还需要不时的采用新数据优化和改进数据模型。
整个装备课程教学动态优化过程如图1所示。
四结论
大数据时代的到来，使得传统的装备课程教学方法可依托大数据强大的优势做出进一步改进升级，从而更加适应现代装备课程教学的需要。基于大数据的教学过程动态优化方法，保证了教学质量，有效提升了学员的知识水平，促进了战斗力生成，具有一定的研究价值。
参考文献
[1]姜会霞，史连艳，范书义.某导弹装备教学模式的探索与实践[J].2017(1):87-89.
[2]仝玉婷.从预测行为到支持适应性教学—大数据促进教育变革的新取向[J].中国教育信息化，2016（11）：35-39.
[3]许艳.大数据时代的数据应用与高校教学管理[J].北华航天工业学院学报，2016,26（4）：44-46.
[4]吴文光.大数据时代的图书馆服务创新研究[J].农业图书情报学刊，2015（6）：169-172.
[5]王兰成，刘晓亮.网上数字档案大数据分析中的知识挖掘技术研究[C].第二十七届全国计算机信息管理学术研讨会，2013.
[6]谈爱玲，毕卫红.基于KPCA和LSSVM的蜂蜜近红外光谱鉴别分析[J].激光与红外，2011，41(12):1331-1335.
[7]俞立平，潘云涛，武夷山.学术期刊综合评价数据指标标准化方法研究[J].图书情报工作，2008，53(53):136-139
[8]郑小霞，钱峰.基于PCA和最小二乘支持向量机的软测量建模[J].系统仿真学报，2006，18(3):739-741
[9]章毅，郭泉，王建勇.大数据分析的神经网络方法[J].工程科学与技术，2017，49（1）：9-18.
[10]易明雨，肖赤心，潘晖，舒文杰.用于大数据分类的快速隐层优化分布式极限学习机[J].计算机工程与应用，2019.
[11]吴陈，张明华.基于最优朴素贝叶斯分类器的个人信用预测[J].江苏科技大学学报（自然科学版），2012，26（4）：376-380.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！ 文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jiaoyulunwen/29599.html
