SCI论文（www.lunwensci.com）:
摘要：围绕我国高等教育质量监控体系，基于教育部《普通高等学校本科教学工作合格评估指标体系》中对于实践教学的要求和教育部高等教育教学评估中心“高校教学基本状态”数据库，本文筛选连续可观测的分析指标——实践教学因子和教学质量因子，对实验教学的历史数据进行数据采集和预处理，并通过新型因果关系理论方法进行分析和建模，设计并实现了具备神经网络分类特征的高校实验教学质量评估系统。实验表明，所选取的教学因子能够准确反映出它们对教学质量的影响，因果关系模型收敛性较好，适用于高校实验教学质量评价。
关键词：因果关系；神经网络；实验教学；教学质量评估
本文引用格式：王博丞,刘胜娟,闫燕勤,等.基于新型因果关系的高校实验教学质量评估系统的设计与实现[J].教育现代化,2020,7(37):8-10.
Design and Implementation of Experimental Teaching Quality Evaluation System in Colleges and Universities Based on New Causality
WANG Bo-cheng 1,LIU Sheng-juan 1,YAN Yan-qin 1,DU Quan-quan 2
(1.School of Media Engineering,Communication University of Zhejiang,Hangzhou,Zhejiang;2.All Media Experimental Innovation Center,Communication University of Zhejiang,Hangzhou,Zhejiang)
ABSTRACT：Focusing on quality monitoring system of higher education in China,and requirements for practical teaching in"evaluation index system of undergraduate teaching qualification in general colleges and universities"issued by the Ministry of Education and database of"basic state of higher education teaching"issued by higher education teaching evaluation center of the Ministry of Education,the paper chooses continuous and observable analysis indexes--practical teaching factors and teaching quality factors,collects and preprocesses historical data of experiments teaching,and analyzes and modeles with new causality theory method,designs and implements experimental teaching quality evaluation system with characteristics of neural network classification.Experiment shows that selected teaching factors can accurately reflect their impact on teaching quality,and causality model has good convergence,which is suitable for evaluation of experimental teaching quality in colleges and universities.
KEY WORDS：Causality;Neural network;Experimental teaching;Teaching quality evaluation
随着我国高等教育事业的蓬勃发展，实践教学日益凸显出在教育体系中举足轻重的作用。与理论教学不同的是，实践教学更加强调师生互动和参与程度，更加注重培养学生实践动手、解决实际问题的能力。很多高校为实践教学投入了大量人力物力，从客观上满足了学生创新创作的设备及场地需求。但是，如何从根本上提高实践教学质量，仍有很多值得探索。
除了标准教学质量评估体系，对于教学过程的质量把控还可以采用调查问卷、历史数据分析等形式进行，多维度、综合考量教学成效对于实践教学尤为重要。随着近年数据分析、数据预测等理论的不断完善，各行各业都对“历史数据”加以足够的重视，深入挖掘数据之间的内在关系，得到了很多令人惊讶的预测效果，体现出智能技术在数据分析和处理上的优越性[1-2]。高校教育教学过程中产生的历史数据尚未得到充分利用，仅处于采用基本统计分析手段（如平均值、方差）进行处理的阶段，无法真实体现教学中各因素间的非线性因果关系。在密切关注实时教学数据（如出勤率、考试成绩、就业率等）的同时，对历史数据深度挖掘、探索，借助智能分析手段梳理教学中各因素间的内在因果性，将对教学质量的提高起到事半功倍的效果。因此，通过对教学历史数据进行数据挖掘和分析，并结合因果分析理论对高校实践教学质量进行研究和评估具有十分重要的意义。
一研究方法
新型因果关系（New Causality,NC）研究是近年Hu等人提出的对格兰杰因果（Granger Causality,GC）关系的重新定义，采用多元时间序列回归模型对因素之间的因果关系进行量化分析，并在国际上引起了相当的重视。NC方法最初被应用在大脑不同区域之间因果关系的判断，经过理论的不断完善、统计模型的不断修正，在经济学、气象学、社会学等领域同样取得了较为成功的应用。因果分析方法对数据的形式要求较高，一般是时间序列。它通过分析数据间“过去”的特征值来预测“未来”可能的趋势。采用因果分析方法对教育行业固有的学期、学年等周期性历史数据进行深入挖掘，将有助于揭示教育过程中各因素之间真实的内在关系[3-4]。
为了明确变量间的因果性，需要分析多元变量对于同一事件的影响方向和程度。格兰杰因果关系理论在近几十年的发展过程中，不断被世界各国研究人员加以修改和补充。2013年，Hu等人根据长期的格兰杰因果关系检验结果，发现仅根据误差项来评判联合回归模型中加入的第二个变量对第一个变量具备因果性是片面的，甚至结果是错误的[5]。为此，他将联合回归模型中的各个成分过去值所占比例，作为当前值的评判，发展出了NC方法，并成功在美国梅奥医学院应用在脑电信号因果性关系识别和预测。NC考虑了联合回归模型中的所有变量作用，构建如公式（1）所示的线性方程组，求解变量之
根据NC检验结果，每个属性对于目标都有一个因果值。例如，出勤率对合格率的因果性，合格率对升学率的因果性等。为此，构建一组由因果值组成的多维向量，对教学质量这个目标进行回归测试。回归的方法有很多种，目前应用较为成功的技术主要是机器学习。机器学习方法不同于传统数据拟合技术，可以很好地发现、处理和预测数据之间的非线性关系[6-7]。由于影响教学效果的因素有很多，单一某种教学指标（如出勤率提高或教师学历）的提升，不一定带来教学质量的提高。因此，如何分析各个因素与教学水平之间的综合关系，需要借助机器学习方法。目前机器学习方法有很多，本文采用的是多隐层全连接神经网络技术，并对比多种传统算法，如支持向量机、邻近算法和决策树等，设计并实现基于新型因果关系的高校实践教学质量评估系统。系统研究方案如图1所示。
二 结果
国内现阶段相关研究已基本形成实践性教学质量评估体系，我们从中选取可连续观测的指标（见图2），进行数据量化和数据预处理，为系统建模分析做好数据准备。将实践教学历史数据收集、分类和统计。因果分析方法要求时间序列为等间隔采样，因此在选择参考周期时，既需要考虑数据的可靠性，还要满足一般教学规律，如以学期、学年为单位作为时间间隔会比较合理。通过对接教务系统，获取全面、准确的历史数据，真实反映实践教学情况[8-10]。
采用NC研究方法，分别对两组（实践教学因子X、教学质量因子Y）数值进行建模，构建相关性矩阵和多元线性回归模型，确定因子之间的因果性。再讲各个因果值作为特征属性，输入全连接神经网络进行训练。为了简化网络训练成本，本文采用的网络层次具有两个隐层，每个隐层五个节点，以此构建具有五个输入节点的输入层，两个隐层以及两个输出节点的输出层，如图3所示。实质上，是实现了二值分类。网络训练结果如图4所示。系统中设定的迭代次数为100次，但可以观察到，在第20次左右的循环中，模型已经基本收敛，训练误差和验证误差已经基本维持在相同水平线上，且误差较小。
三 结语
本研究采用教学理论与统计分析紧密结合，通过数据特征反映现实教学效果，这不仅仅包括基本的统计手段，例如平均、方差计算等，还包括采用系统建模的方式对数据进行深入挖掘。紧跟国内外研究进展，在前人教学质量研究基础上，对比不同方法，创新性采用新型因果关系理论应用到对实验教学历史数据的分析，该因果关系理论是第一次应用到教育领域因素间的因果性分析，近年已经在经济学、气象学、社会学和脑功能研究等领域真实的反映出事物间相互作用的关系并取得了骄人成绩。诺贝尔经济学奖得主格兰杰发明的因果关系在经济学中得到了成功的应用，普遍用于计量经济学中的效果评估和预测，新型因果关系是对它的拓展和修正，能够更加真实反映出事物间相互作用的关系。为深入挖掘各因素在教学质量评估中所起的作用，在分析过程中充分结合实践教学理论基础以及一线实践教学经验，并且利用教学理论来对统计模型的输出结果进行分析，进而为提高教学质量提出量化依据。
参考文献
[1]戴浩.建设高职智慧教学质量评估系统的价值与意义[J].教育现代化,2019,6(45):151-153+169.
[2]杨欣然,程俊.基于高校内部自评的高等教育质量评价实践--以安徽财经大学为例[J].西昌学院学报（社会科学版）,2016,28(3):123-126,144.
[3]Zheng B,Zhao Z.Study on the Evaluation and Influencing Factors of Graduates’Employment Quality[J].2017.
[4]Camminatiello I,Menini T,Gallo M.Objective measurements of student satisfaction by comparing the effects of different factors[J].Procedia Economics and Finance,2014,17:71-78.
[5]Gnaldi M.A multidimensional IRT approach for dimensionality assessment of standardised students’tests in mathematics[J].Quality&Quantity,2017,51(3):1167-1182.
[6]唐录洁.高校教师教学网上评价系统的设计与实现[D].贵州大学,2010.
[7]田九玲.实验教学质量评价系统的设计与实现[J].渤海大学学报:自然科学版,2013(4):401-406.
[8]李富芸,符谋松.高校教学质量评价系统的设计与实现[J].现代计算机:专业版,2000(12):161-163+169.
[9]高希海.高职高专课堂教学评价系统设计和实现[D].山东大学,2010
[10]耿凤英.高等职业教育教学质量评估的研究[D].武汉理工大学,2004.
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/31338.html
