“互联网+”背景下高校课程编排系统的构建研究

时间：2024-05-04

陈莹郭娟谢瑾

摘要：该文提出了一种高校课程编排系统的构建方法。设计了相应的评价模型，提高了算法的性能。最后进行了仿真实验，验证了所提教学平台设计算法在性能上的优越性。

关键词：层次结构;教学平台;互联网

中图分类号：G301.6

文献标志码：A

文章编号：1009-3044（2019）34-0162-02

1 课堂教学评价模型

单凭期末考试的成绩是不能衡量课堂质量的。从教学转型的方向和高校应用型人才培养的目标来看，一个好的课堂应涵盖科学准确的教学目标和德育渗透，教学项目要突出重点，层次分明，延伸性强，教学方法要做到教化为本，手段多样，呈现互动性，教学质量高可靠，熟练规范，氛围活跃，教学目标明确。此外，在军事院校的教学中，地方高校和军校的研究生阶段不设问答。因此，课堂评价应包括教师对问题和答案的参与情况以及问题和答案的结果。课堂教学模式评价功能应从筛选、选择转向激励、反馈和调整。评价项目应当从重视成绩向全面发展转变。评价人员应从单一转为学生、教师、教师同仁和专家共同参与评估。因此，构建了以下层次模型：

2 课堂教学评价的层次模型

根据以上的层次模型，定义了以下与算法相关的公式：

1）在一级评价指标中（对应第二层次），假设教师自我评价、教师间相互评价、专家评价和学生评价分别为A1、A2、A3和A4，一级指标因子集为A= {AI，A2，A3，A41。

2）在二级评价指标中（对应第三层次），假设教学目标、教学项目、教学方法、教学质量、教学效果和问答为B1、B2、B3、B4、B5、B6，二级指标因素集为B={B1、B2、B3、B4、B5、B61。

3）在三级评价指标中（对应第四层次），假设二级指标Bi （i=l，2，3，4，5，6）下的三级指标是一组Cil，Ci2，Ci3，Ci4，Ci5，被记为Ci Cil，Ci2，Ci3，Ci4，Ci5），如果三级指标将CI设置为二级指標Bi（i=l，2，3，4，5，6）的下级，则包含的因子不超过6个，将执行以下步骤：直接忽略具有缺少项的集合Ci的缺少项。例如，C1被记为{C1l，C12}，对应于{精确教学，符合实际}。

4）评价定义为四个层次：优秀（90-100）、良好（80-90）、通过（60-80）和不及格（0-60），分别记为Z1，22，23和24，我们建立评价集Z{ Z1，22。23，24}。

5）确定了评价指标体系的权重。权重在模型中占有重要地位，直接影响到综合评估的结果。本文用加权法确定了成对比较矩阵。假设有一个集合D=f D1，D2，D3，D4，D5，D6}（-个随机的例子，不同于一级指标因子集合），则模糊一致性判断矩阵构造如下：

根据相关理论，利用本文计算所用的MATLAB软件，可以计算出最大特征值对应的特征向量W集合的权向量。此外，还介绍了SAAtv层次分析法中不一致性的定义和不一致矩阵中求权向量的求法。SAA押将CI= （d-m）/（m-l）定义为一致性指数，其中d表示A的最大特征值，m表示A的阶，引入随机一致性指数RI，其值如下：

对于m>=3的成对比较矩阵A，其一致性指数CI与同阶随机一致性指数RI之比f即m相同）称为一致性比CR。

CR=CI/RI<0.1

当CR=CI/RI〈0.1时，A的不一致度在允许范围内，其特征向量可作为权向量。根据上面的描述，权重向量为VA=[VAl，VA2，VA3，VA4），在一级因子索引集中。VB=[vl，v2，v3，v4，v5，v6]在二级因子索引集中。VBl=[vll，v12]在三级因子索引集中。

VB2=[v2l，v22，v23，v24】

VB3=[v31，v32，v33，v34，v351

VB4=【v3l，v32，v33，v34】

VB5=[v51，v52，v53，v54，v55】

VB6=【v61，v62]

6）第四层次中的综合判断矩阵被定义为Tjk（j=1，2，3，4，分别表示教师自我评价问卷、教师间相互评价问卷、专家评价问卷和学生评价问卷形成的综合判断矩阵）。利用Excel软件对问卷原始信息进行处理，得到课堂评价的6个三级指标集中每个因素的优秀率、良好率、通过率和不及格率。

7）第三层次综合判断矩阵定义为Q，第三层次各因素综合判断矩阵为Qji=Rji*VBi（i_1、2、3、4、5、6）。Qji=Rji*Vbi（i=1，2，3，4，5，6）。Qj=[Qj1，Qj2，Qj3，Qj4，Qj5，Qj6]T最终可以得到。（j=1、2、3、4，分别代表教师自我评价、教师间相互评价、专家评价和学生评价得出的第三层次综合判断矩阵）。

8）第二层次中的综合判断矩阵定义为S1，S2，S3和S4，可通过教师的自我评价、教师之间的相互评价、专家评价和第二层次中的学生评价来计算。它的计算方法是：

Sj=VB*Qj=[v1，v2，v3，v4，v5，v6]*[Ql，Q2，Q3，Q4，Q5，Q6]T.

9）评价等级及评分表。

分数向量为U=[95，85，70，53]T。

10）第二层次计算教师自我评价、教师间相互评价、专家评价和学生评价的得分Ul，U2，U3，U4.Ui=Si*U （i=l，2，3，4）。

11）最终结果=[U1，U2，U3，U4]*VA==[U1，U2，U3，U4]*[VA1，VA2，VA3，VA4]。

3 实验分析

该实验项目被我国一所大学的计算机课程表所选择和验证。基于计算机的课程安排见表4。在开发了基于Visual C++的计算机排课系统。

实验中选取了标准的PSO算法作为比较算法。选择目标函数值和演化时间作为评价指标。实验共进行了20次。每100次演化一次，查询并获得当前种群的最优分布自适应值。用该方法对算法的运行时间进行了比较。图1显示了模拟结果。图2显示了基于计算机的课程安排的一些结果。

图l给出了本文算法和PSO算法的平均自适应值的收敛曲线。可见，本文提出的算法比PSO算法的收敛速度快。文中算法的收敛精度高于PSO算法。图2给出了在计算机排课系统中，本文算法的运算时间与PSO算法的比较。可见.本文算法所用的时间明显小于PSO算法。计算机排课效果比较见表5。

表5比较了基于计算机的算法与PSO算法之间的距离效应。从表5可以看出，本文的算法在站点利用率、课程省略数、教师满意度和基于计算机的课程编排的碰撞率等指标上优于PSO算法。这表明该算法在应用基于计算机的课程编排系统中的有效性。

4 结束语