聚类分析在高校教务系统中的应用研究

　　摘要：在教育大局势的不断改革之下，教师队伍不断地扩充。各高校的师资储备越来越多，如何提高教师的教学水平，成为了很多高校急需解决的难题。教学质量评价在某种意义上成为衡量教师教学的方向标。该文选取我院专业教师的教学质量评价分数作为研究对象，以聚类分析为挖掘向导来分析教学质量的各种因素，得出不同专业、不同职称教师对教学质量评价的影响程度。
　　关键词：教学质量评价；数据挖掘；聚类分析；凝聚聚类算法
　　中图分类号：TP301 文献标识码：A 文章编号：1009-3044（2016）13-0018-03
　　Abstract： Under the education situation of the reform， teachers constantly expanding. More and more universities faculty reserves， how to improve teachers" teaching level， has become the need to solve the problem of many colleges and universities. Teaching quality evaluation in some sense， become the direction of the teacher"s teaching standard. This article selects in our professional teachers teaching quality evaluation scores as the research object， by clustering analysis for mining the guide to analyze the various factors of teaching quality， it is concluded that different professional， different title teachers" influence on teaching quality evaluation.
　　Key words：teaching quality evaluation； data mining； clustering analysis； clustering algorithm
　　大数据成为了当今非常热门的话题。数据的大量存储和简单罗列并没有给出数据实际的应用价值。在高校教学管理中，教师的教学质量评价数据也渐渐地成为了高校存储数据的重要组成部分[1]。而各高校如何有效的评价教师的教学水平和教学质量的高低，很大程度上没有准确的标准和统一的规范。而每个学期的教学质量评价数据某种程度上是可以给出教师教学水平的参考数据。这样的参考数据如果能够使用数据挖掘的相关方法去分析和计算，所得出的结论是可以为职能部门提高参考意见。
　　数据挖掘作为数据分析和应用的有效手段在日益增多的大数据面前可以显示出足够的应用价值。而现实生活中可以应用大数据进行分析的地方非常的多。学生每个学期对所任课程教师的教学评价成为了高校教学管理数据中非常重要的组成部分。本文引用我校教师教学质量评价数据进行分析和挖掘，最终得出有意义的参考价值数据。
　　1 教学质量评价的必要性及采取的方法
　　目前各高校教师岗位的不断扩充，对于高等院校教育的学生而言，教学质量的好坏将极大地影响他们在社会上的竞争力[2]。如果采用传统的评价指标和体系即学生掌握知识的多少和教师上课数量的多少来衡量已经不能很好地反映教师的教学质量水平。在科技快速发展的今天如果还只是停留在传统的数量统计层次是很难适应社会的高效发展。
　　如今各大高校都采用学生的教学质量评价分数来衡量教师本学期教学质量的高低。虽然某种程度上存在一定的不客观性。但是随着评价体系的不断改革，现有的评价分数已经能很好地反映该现实问题。比如学生评价数据的前10%和后10%的数据会被去掉、数据中出现的满分和零分也会去掉、在评价标准中增加了适当的权重值。这样得出的有效分数就能客观分析出相应的结论。下表为学生评分表的一级指标和二级指标。
　　面前正在我校施行的评价体系并没有区分不同专业课程、不同语种课程和公共选修课程的评价区别。所有课程采用的是相同的评价指标。以我校广东外语外贸大学南国商学院的教学质量评价体系中的指标和权重值如下。
　　为避免学生在给教师的评分中占据主导地位，应适度加强教师学生互评以及学生之间的互评，舍弃评分中不合常理的数据，以达到评分的公平性。因此，制定完善的评价体系是全面推动素质教育的关键所在[2]。
　　2挖掘对象及挖掘过程
　　2.1数据选择
　　此次运用的是广外南国商学院信息学院16名教师在2012-2014年中一个学期对比四个学期（四年评分采取四年的评分取平均分值）的聚类结果为切入点，以期待获得更多更好的有实用价值的数据信息，评价标准如表3，在学生评分表中教师工号采取顺序虚拟工号，加权平均分后的表如表3。
　　2.2 挖掘过程
　　2.2.1 聚类算法[3]
　　聚类算法文字描述如下[a-d]
　　1）初始分类。令k=0，每个模式自成一类，即Gi（0）={xi}（i=1，2，…，c）。
　　2）计算各类间的距离Dij，生成一个对称的距离矩阵D（k）=（Dij）m+n，m为类的个数。
　　3）找出前一步求得的矩阵D（k）中的最小元素，设它是Gi（k）和Gj（k）间的距离，将Gi（k）和Gj（k）两类合成一类，于是产生新的聚类G1（k+1），G2（K+1），…，令m=m-1。
　　4）检查类的个数。如果类书m大于2，令k=k+1，转至2）；否则，停止。