运用信息熵的方法进行课程评估数据分析的探索

摘要：课程评估是落实OBE理念，提升专业建设水平，提高人才培养质量的关键环节。课程评估的实施，最终要通过对课程数据的处理，实现对课程的评价，进而对教学进行反馈和持续改进。数理统计为课程评估提供了众多可选的方法。信息熵的方法优势是避免人工赋权的主观性，根据数据的特征自动完成赋权，从而区分不同的课程。以信息熵的方法为例，选取10门课程的模拟数据，进行了课程评估数据分析的探索。

关键词：课程评估;OBE理念;数据分析;信息熵

中图分类号：TP311        文献标识码：A

文章编号：1009-3044（2022）17-0122-02

1 引言

决定学校人才培养质量的关键因素之一是课程建设水平，课程评估是检验、推动课程建设的重要途径。新时代全国高等学校本科教育工作会议和“新时代高教40条”均强调了课程建设和课程评估的重要意义。课程评估的重要环节是指标的确定和数据分析。本文列举了常用数据分析方法在课程评估中的运用场景，并以信息熵的方法为例对多门课程进行了实验性评价。

2 课程评估的意义

高等教育数量和规模发展到一定程度后，提升质量，加强内涵将成为高等教育人才培养的核心问题，2018年“新时代全国高等学校本科教育工作会议”提出要推进“四个回归”，把人才培养的质量和效果作为检验一切工作的根本标准。“新时代高教40条”提出，推动课堂教学革命，加强学习过程管理，完善质量评价保障体系，强化高校质量保障主体意识，强化质量督导评估[1]。

教育评估在层次上可划分为学校评估、专业评估和课程评估。目前，我国的高等教育评估工作重点正从对学校办学水平的评估转向对具体专业的教学评估上。专业是不同课程的有机组合，课程的质量决定了专业的质量。因此，教育评估最终的落脚点是课程评估。课程评估的主要作用是发现教学过程中的问题，激励教师有针对性地开展教学改革，改进教学方法，从而进一步提高教学质量。

3 目前課程评估的发展趋势

目前课程评估已从小规模的试点发展到大规模的普及阶段;评估方法上已从简单的调查问卷发展到网络化智能化阶段;评估理念逐步从评教师教学到评学生学习阶段;评估指标体系逐步从照搬国外经验到适合各学校校情的阶段。作为发展中的事物，课程评估也在逐步完善，笔者认为有如下趋势：

一是向全过程评估发展。应当形成一个全程性的评估机制，把日常反馈、教学调查和期末评价有机结合起来。尤其加强过程性的评估，及时反馈，促进教学改进，才能发挥课程评估的作用。

二是向多元主体发展。教学是一个多维的复杂系统。因此，需要建立一个学生评价、专家评价、领导评价、同行评价、教师自评有机结合的综合评估体系。

三是向多层级发展。学校层面，应该发挥主导者的作用，颁布指导性意见。学院层面，按照学校的指导意见，区分不同专业，分别制定课程评估标准，使评价指标更加适应院系和专业特点。

四是向闭环发展。课程评估的目的，在于检验学生学习的成果是否达到培养目标，教师的教学是否有效促进了学生的学习，结果主要用于促进教学持续改进，从而形成闭环。

4 课程评估指标体系和数据处理

课程评估体系要达到真实反映学生学习状况、学习成果，达到促进课程建设和提升教学质量的效果，评估指标构建是关键的环节。但是指标构建是个复杂的系统工程，需要考虑的因素很多。目前，各高校在学生中心、成果导向和持续改进为核心观点的OBE理念的引领下，制定了新的培养方案、教学大纲、教学执行大纲。课程评估的指标选择，也应当符合这种趋势。从教学目标与学习成果、教学内容与教学策略、课堂教学行为与效果、成绩评定与反馈、教学资源与学习支持等五个方面去构建指标体系，进而对这五个方面的指标进行细化，分别制定多级指标体系和评价标准。

建立了科学的指标体系，最终评估时要通过评估对同一专业的多门课程要进行综合排序或者分类。课程评估大量的工作将落实到数据分析上面。随着计算机技术和人工智能技术的飞速发展，多种优异的统计分析方法已经成功运用到课程评估的数据分析当中。

聚类分析也称群分析、点群分析，是研究分类的一种多元统计方法。通过聚类分析，可以将所评估的课程进行分类，从而区分不同的课程，也可以确定课程的等级[2]。

模糊综合评价法借助模糊数学合成运算的原理，对受到多个模糊因素制约的事物进行总体评价。该方法为解决课程评估中难以消除的模糊性和主观性提供了解决方案，在课程评估中引入模糊综合评判模型是一种效果较为理想的评估方法[3]。

人工神经网络（Artificial Neural Network，即ANN ）是从信息处理的维度对人脑神经元网络进行抽象。在模式识别、智能机器人、预测估计等领域已广泛应用，表现出了良好的智能特性。课程评估中运用人工神经网络可以用于分类、择优和预测等问题[4]。

此外，还用很多方法用于课程评估数据分析，比如主成分分析法，层次分析法，模糊综合评价的方法和信息熵的方法。后文以信息熵的方法为例进行数据处理。

5 基于信息熵的课程评估数据处理

课程评估实施中，最终要通过对所收集到的课程数据的处理，实现对课程的评价，进而开展课程的反馈和持续改进。在OBE理念指导下的课程评估，从教学目标与学习成果、教学内容与教学策略、课堂教学行为与效果、成绩评定与反馈、教学资源与学习支持等五个方面对课程进行评估。等次上每门课程可以划分为“特优、优秀、良好、尚可、待改进”五个等次，假设对应“5、4、3、2、1”五个数值。如果仅仅用简单加权的方法进行处理，无法对优劣课程进行区分。引入数据智能分析的方法，可以有效区分不同课程，以信息熵的方法为例进行数据分析。

5.1 信息熵的原理

熵最早出现在热力学领域，申农（C. E. Shannon）将其引入信息论，称之为信息熵[5]。按照信息论的原理，度量系统有序程度用信息，度量系统的无序程度用熵。假如某个系统存在多种不同的状态。每种状态出现的概率为[pi][（i=1，2，…，m）]时，则该系统的熵就定义为：

[E=-i=1mpi?lnpi]               （1）

从公式1可以看出：某个属性的熵值[Ej]越小，说明变异程度越大，蕴涵的信息量越大，在综合评价中该属性发挥的作用越大，其权重应该越大。

5.2 数据处理示例

假如收集到10门同类专业课程或公共课程的数据，如表1所示。

运用信息熵的方法，分别对课程原始数据进行标准化、计算贡献度、贡献度总量和权重，最终求出各门课程的综合加权分值。通过分值能够对课程进行区分。与普通计算原始总分，求平均值或加权平均的方法相比。信息熵的方法的优势主要是，不需要人工赋权，各个指标的权重由数据自身的关系决定。当两门课程的部分指标数据接近，部分指标数据差异性较大时。差异接近指标的权重分配较小，数据差异性较大的数据指标权重分配较大。从而能够准确区分多门课程。如表2所示。

6 结论

随着教学工作内涵建设和质量的重要性日益提升，课程评估必将成为一项常态化的工作。推进课程评估的信息化、智能化和专业化是必经之路。探索課程评估数据分析新技术、新方法也是课程评估的重要研究方向，同时也是提高课程评估质量和效果的有效手段。

参考文献：

[1] 熊丙奇.落实《新时代高教40条》，强化质量评价保障机制[J].上海教育评估研究，2018，7（6）：26-28，35.

[2] 孟海东，任敬佩.基于云计算平台的聚类算法[J].计算机工程与设计，2015，36（11）：2990-2994.

[3] 李澎林，鲍挺，李伟.校园安防综合评价模型的研究与应用[J].浙江工业大学学报，2021，49（4）：368-373，383.

[4] 李文正，崔皖新.不同人工神经网络在字母识别中的性能比较研究[J].物联网技术，2021，11（8）：44-46，51.

[5] 周薇，李筱菁.基于信息熵理论的综合评价方法[J].科学技术与工程，2010，10（23）：5839-5843.

收稿日期：2021-08-27

基金项目：河南工业大学2020年度本科教育教学改革研究与实践项目：《基于OBE理念和智能决策方法开展课程评估的研究与实践》（编号：2020JXGG004）;以学生发展为中心的《形式基础》课程综合改革研究（编号：XYJ2020049）

作者简介：朵天林（1977—），男，博士，副教授，主要研究方向为数字媒体技术的教学与研究。