英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料
基于数据挖掘技术的计算机教学评价系统中的非结构化信息处理方法
Quan Liu 1 Yongjun Peng 2
1.江汉大学数学与计算机科学学院，武汉430056 中国电子邮箱：liuquanhome@126.com
2.中国人民解放军通信指挥学院，武汉430010，中国电子邮件：pyj1976@163.com
摘要：近年来，随着高校的扩张，教育体制的不断完善，为了大学教学管理的不断改革，大学教师的课堂教学工作量逐年提高，其复杂性也在不断上升。作为高等教育改革先锋的计算机教学改革已经取得了初步成效。但如何提高高校教学质量已成为高等教育工作者共同关心的问题。开展课堂教学评价工作，有利于学校领导和教学管理者全面、准确地掌握教学信息，加强教育管理，提高工作效率，节省人力，物力和财力，提高教学管理的科学决策。本文针对高校计算机教学的具体管理，将数据挖掘技术引入高校教学评价领域。我们改进和优化数字特征提取模型，并通过教学评价数据挖掘，对学生教学质量评估分数的影响，教学优先，如控制类因素的分析能力，发现教师的各种属性之间的映射的教学成绩，并通过数据测试，最终根据中小学教师B / S结构开发了计算机教学评估系统。该系统为教育部门提供决策支持，有利于教育部门更好地开展教学管理，提高教学质量。
关键词：计算机教学；课堂评价；评价体系；数据挖掘；决策树法
1简介
近年来，高等教育发展的关注重点从规模转移到教学质量的提高。建立高素质的教育要对教育有全面的认识和正确的评价[1]。课堂计算机教学是学生知识获取能力的载体，是素质教育的主战场，提高课堂计算机教学质量是教学的关键。因此，课堂计算机教学评估已成为高校管理教育、改进教学、提高教学质量、教学评价的重要手段，是课程开发的重要组成部分[2]。
科学的课堂评价体系是实现课程目标的重要保证，课程标准应根据目标和要求，实施教学过程和有效监控结果。通过考核，学生在学习过程中不断取得进步和获取成功经验，自我认识、自信，促进自身综合运用能力的全面发展[3]。教师在教学中要及时反馈，反思自己的教学行为并进行调整，促进自身教育水平的提高。学校及时了解实施课程的标准，改进教学管理，促进课程的不断发展和提高，课堂管理，教学质量评估是构建科学的、系统的、有效的课堂教学评价体系的重要手段。加强教学质量管理，提高教学质量是很重要的[4]。教学是学校的中心工作，教学质量评估是教学管理的重要组成部分，是提高教学质量和效果的重要手段。促进质量控制保障体系，突出教学和提高教师的教学质量教学作用的中心，培养时代需求，具有创新精神和实践能力的全面发展的人才，需要计算机教学评价体系的发展[5]。
本文针对高校计算机教学的具体管理，将数据挖掘技术引入高校教学评价领域。我们改进和优化灰色层次分析评价模型，并通过教学评价数据挖掘，教学质量对学生分数的影响，教学加分，能够控制诸如课堂分析之类的因素，发现教师的各种属性之间的映射的教学成绩，并通过数据测试，最终基于中学教师的B/S结构开发计算机教学评价体系。本文的主要内容如下：下一节论述了高校计算机教学评估的相关工作。第3节将数据挖掘技术引入高校教学评价领域。在第4节中，对数字特征提取模型进行了改进和优化，找出了教师在各种属性之间的映射关系。我们在第5节得出结论。
2相关的工作
自1915以来，学生评价问卷的第一次公布，西方学者一直对教学评价有80多年的历史。20世纪60年代，课堂教学评价的实践并没有被教师普遍接受[6]。直到70年代，课堂教学的评价才有了更深入的发展[7]。20世纪70年代至80年代是理论和实践的高峰时期，并且形成了世界范围内的趋势。学生评教史可追溯到20世纪20年代教学评教量指标的出版[8]。 Cashin研究了超过1300篇关于学生评价教学专业知识的文章和书籍，基本结论：对教学评价的结果是可信的、稳定的[9]。现在已经成为美国大学学生评估的教学评估用来支持评估的方法之一[10]。
由于其特殊的学科评价，课堂评价作为评价教学结果最活跃、最实用的评估方式，国家学术研究侧重于课堂评价，体现了其重要性和有效性[11]。我国现行的教学评价体系是在苏联教学理论的影响下建立起一套课堂教学评价体系。以教师课堂教学评价为中心，以教材中心的教学理念为指导，建立起一个好的核心课程标准，以教师教学生为重点的书本知识[12]。教学评价标准主要基于课堂分析的各要素的结构，一般分为课堂教学目标、教学内容、教学过程、教学效果的几个要素，这些要素的具体内容是教学理论在具体体现的基本要求上的一个良好的课程。
第二十世纪80年代以来，由于西方教育理论和方法的影响，在我国的教学评价标准中确定了一些实践的新尝试[13]。比如，在内容上，在课堂教学中，在理解教育的重要性的同时，更多地加强学生的学习，开始强调主体意识，把学生作为教学的主人，把学习和发展看出主观的。但总的来说，未能突破现有的架构和框架，原有的问题依然存在。我国在教学理论的教学标准仍然不超过苏联规定的课堂教学，但是在评价标准的制定上引入定量方法，制定了一些课堂教学评价量表。教学评价标准目前存在以下问题[14]：
（1）在传统教学中，强调智力成就目标，忽视学生的情感、态度、价值观，评价标准的发展，教师预定完成教学目标，是衡量一门好课程的一个非常重要的指标。教师们对教学理解的真正目标往往局限于实现目标的智力成就。
（2）重视教师的课堂教学技能，忽视学生的课堂状态和实际收获。目前的教学评价标准，主要针对教师的评价，教学目标明确，教学结构合理，教学紧凑，精细化课堂提问，媒体适当使用，板书优美，教学举止自然，语言流畅等等。
3数据挖掘技术在高校教学评估中的应用
A数据挖掘的基本概念
数据挖掘是从大量不完整的、嘈杂的、模糊的、随机数据的实际应用中，提取隐含在其中，人们事先不知道的，但是潜在有用的信息和知识的过程[15]。数据挖掘的同义词类似于数据融合、数据分析和决策支持。这个定义包括几个层次的含义：数据源必须是真实的、大量的、有噪声；发现用户对知识感兴趣；发现可以被接受的和被理解的，可以使用的知识：不需要找到适合所有知识的标准，只支持特定的发现问题。
从广义上讲，数据、信息就是知识的表达，但人们对于概念、规则、模式、规则和约束等知识是比较概念化的。它是形成数据作为知识的来源，就像矿石开采或黄金开采一样。原始数据可以结构化，如关系数据库数据；也可以半结构化的，如文本、图形和图像数据；甚至分布在异构数据上。这可以在数学知识或非数学知识中找到；可以解释，可以概括。发现的知识可以用于信息管理，查询优化，决策支持和过程控制，也可以作为身体维护的数据。因此，数据挖掘是一门跨学科的应用，它将人们从低层次的数据、简单的查询提升到从为数据挖掘提供决策支持的知识。
数据挖掘算法的质量将直接影响KDD发现知识的准确性，目前的大多研究集中在KDD的数据挖掘算法和技术应用上，所以人们往往不会严格区分数据挖掘与知识库之间的相互关系。在高层次的过程中数据识别的数据库知识在高层次的过程中是有效的，新颖的，潜在有用的，最终可理解的模式。
B数据挖掘过程
数据挖掘可分为三个主要阶段：数据准备、数据挖掘、表达和结果解释。其结果的表达和解释可分为以下几个方面：评价、解释模式模型、巩固和应用他们的知识。数据库知识发现是一个是重复三个阶段的实施过程的多步骤的过程。
（1）数据准备阶段
数据准备阶段，在整个数据挖掘过程中所占的比例最大，过程可分为数据选择、数据预处理和数据转换。数据选择手段是指从已有的数据库或数据仓库中提取相关数据，形成目标数据。数据预处理指的是数据清理、处理丢失的数据值、冗余、不一致和过时的问题。数据转换的主要目的是精简数据维度，从最初的功能，找到真正有用的能减少数据挖掘功能。
（2）数据挖掘阶段
数据挖掘是KDD最关键的一步，也是全技术难点所在。这个阶段是真正的数据挖掘。首先确定挖掘方法，通过比较，选择合适的挖掘方法（如决策树、人工神经网络、遗传算法等）。然后，选择一个挖掘算法的方法。算法直接影响挖掘模型的质量。完成准备工作后，可以运行数据挖掘算法模块。
（3）根据最终用户的决策目的进行阶段的表达和解释结果
信息提取中提取的信息是最有价值的。对于在用户或机器中发现的模式的数据挖掘阶段，要对要删除的模式进行冗余或不相关的评估；不能满足用户要对模型的要求，需要返回到上一阶段，重新选择方法，重新挖掘数据。
C常见的数据挖掘方法
数据挖掘是人工智能、用于发展和筛选的机器学习方法，结合传统的统计方法、模糊方法和可视化技术对数据库进行研究，形成了数据挖掘的方法和技术。数据挖掘方法和技术可分为以下六大类：
（1）归纳式学习法
归纳学习是研究的重点。归纳学习是研究的重点。从技术的角度，将方法和信息理论引入集合论的方法中。信息理论是运用决策树的原理。在知识工程中，决策树是一种简单的逐渐将案例分类为不同的类别的知识表示。由于分类规则更直观，因此更容易理解。这种方法的实用效果好，影响较大。集合论是较早实施的方法。近年来，随着粗糙集理论的发展，集理论方法已迅速发展。
（2）关联规则的方法
关联规则方法是知识模型的重要数据库。关联规则的概念早在1993年就由Agrawal提出。为了处理事务数据库，后来扩展到关系数据库，主要目的是从数据库挖掘关联规则集之间的点。经典的Apriori算法，由于很多研究者已经提出了很多改进算法来提高挖掘效率，并且扩展了关联规则的应用。
4数字特征提取模型
基于内容的数字检索，通过提取底层特征的低表达的数字内容，这是不同于基于文本的使用手动标注的数字检索。因此，通过视频将数字化的结构转化为若干代表性的关键帧，还需要提取这些关键帧的特征。数字特征是一种主要的颜色特征、纹理特征、形状特征和运动特征。
A.颜色特征
颜色特征是在数字提取中广泛应用的视觉特征。主要原因是颜色和图像中包含的对象或场景都非常相关。此外，与其他视觉特征相比，图像本身的颜色特征本身就是方向的依赖性较小，具有很强的坚固性。颜色直方图可以基于不同颜色空间和坐标系。最常见的颜色空间是RGB颜色空间，因为大部分的数字图像是在这个颜色空间表达。然而，RGB空间结构不符合人们的主观色彩相似性判断。因此，人们提出了基于HSV空间、HSI空间，Lab空间的颜色直方图的空间，因为他们更接近人的色彩的主观理解。HSV空间是最常用的颜色直方图空间之一。它的三个组成部分代表的颜色，饱和度和价值。从RGB空间到HSV空间转换公式如下：
由于RGB颜色空间的值（R，G，B，R，G，B）[ 0,1，hellip;，255 ]。HSV空间的转换（H，S，V）
价值计算如下：
操作人员需要将颜色直方图的颜色空间划分为若干个小的颜色范围，每个单元格之间成柱状图，这个过程叫做颜色量化。然后，通过计算每个区域内的颜色，可以获得颜色直方图之间的像素数。有许多方法来量化颜色，比如矢量量化，聚类方法或神经网络。最常见的做法是将每个组件的颜色空间（维度）均匀分配。相比之下，聚类算法将考虑到图像在整个空间中颜色分布的特点，从而避免了一些在极稀疏情况下的像素数量，使量化更有效。此外，如果图像是RGB直方图格式是HSV空间，我们可以确认从RGB空间预建到HSV空间之间的量化查找表的欲构建的数量，从而加快了直方图计算的过程。
B.纹理特征
表面纹理或结构反映了通常不是由某种类型的视觉图案的均匀性引起的颜色或亮度的性质，例如斑马线，树木和其他表面图案。直观上，纹理更明显，但许多纹理的变化与心理影响难以准确描述。没有正式或一致的定义纹理表面结构的对象数组，包含重要信息及其与周围环境的联系，视觉信息的纹理特征在评估系统应用中被广泛标注。Tamura纹理具有六个视觉特性：粗糙的纹理特征、对比度、方向性、线性性、规律性和粗糙度。目前使用较多的前三种，后三种与前三种有大的相关性。
（1）粗糙度
粗糙度的计算可分为几个步骤。首先，计算图像的大小为2Ktimes;2k像素的活动窗口，平均像素强度值。
然后，针对每个像素，计算其水平和垂直非重叠窗口的平均强度差异。
（2）对比度
对比度是获得的像素强度的统计分布。相反，它是由定义。是四个矩，是方差，对比度用下面的公式计算。
这个值给出了整个区域在全球范围内的对比度。
（3）向度
首先计算的计算方向的方向是需要在每个像素的梯度矢量。向量的模式和方向定义如下：
# H和#V分别从以下的水平和垂直变化两家运营商获得的图像。
C.形状特征
不同于底层的颜色或纹理特征，所述表达的形状特征必须基于图像到对象或区域。傅立叶形状描述符的基本思想是用物体边界的傅立叶变换作为形状描述。假设物体的二维轮廓由一系列像素坐标组成。。N是轮廓像素总数。这些边界点的坐标可以表示为三个形状，分别是曲率函数，质心距离和复杂坐标函数。轮廓线被定义为一个点的曲率的切线角相对于轮廓弧长度的变化率。曲率函数可以表示为：
（s）是切向轮廓角，定义为：
从对象边界的质心距离被定义为从中心点到对象的距离。
复数坐标函数用复数像素坐标表示：
协调这一复杂的功能会产
全文共6241字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[142683]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
