教学质量评价指标体系构建、评价方法、装置及电子设备

1.本发明实施例涉及人工智能技术领域，尤其涉及一种教学质量评价指标体系构建、评价方法、装置及电子设备。


背景技术：

2.随着互联网技术的发展，大数据和人工智能相关技术在教学领域得到越来越广泛的应用。在线教学越来越成为教学场景中不可或缺的手段，因此，对于教师在线教学的教学成效评价方法也变得尤为重要，能够帮助教师提升教学质量。
3.然而，如何对教师的在线教学质量进行有效的评价，目前还没有一套成熟的评价体系和评价方法。目前，在线教学过程中，评价指标繁杂，对于如何甄选和优化指标，目前缺乏一种人机协同的方式，且在线教学的中很难做到动态实时地对教师的教学质量进行评价。


技术实现要素：

4.本技术提供了一种教学质量评价指标体系构建、评价方法、装置及电子设备，以解决现有技术中评价指标繁杂，且无法动态实时地对教师的教学质量进行评价的缺陷问题。
5.第一方面本技术提供了一种教学质量评价指标体系构建方法，该方法包括：
6.获取初始教学质量评价指标体系；所述指标体系包括至少一个粗粒度指标以及与其成第一映射关系的相应细粒度指标；
7.按照预设规则，分别对每一个所述细粒度指标进行特征衍生处理，获取与每一个所述细粒度指标对应的至少一个特征指标；
8.对第一细粒度指标对应的特征指标进行筛选，获取符合预设标准的特征指标，并建立所述第一细粒度指标与符合预设标准的特征指标之间的第二映射关系，其中，所述第一细粒度指标为至少一个细粒度指标中的任一个细粒度指标；
9.根据至少一个所述粗粒度指标，与其成第一映射关系的相应细粒度指标、与所述细粒度指标成第二映射关系的符合预设标准的特征指标、所述第一映射关系和所述第二映射关系，获取与所述指标体系对应的置信度；
10.根据所述置信度，对所述符合预设标准的特征指标，以及所述第二映射关系调整，生成目标教学质量评价指标体系。
11.在一个可能实现的方式中，所述对第一细粒度指标对应的特征指标进行指标筛选，获取符合预设标准的特征指标，具体包括：
12.根据第一细粒度指标对应的特征指标和预配置的综合绩效，对预构建的分类器模型进行评估，获取与所述分类器模型对应的拟合度；
13.当所述分类器模型的拟合度未达到预设拟合度阈值时，对所述第一细粒度指标对应的特征指标进行迭代筛选；
14.根据经过筛选后的特征指标和所述综合绩效对所述分类器模型进行评估，直至所
述分类器模型对应的拟合度达到预设拟合度阈值时结束，并将最终剩余的特征指标作为所述符合预设标准的特征指标。
15.在一个可能实现的方式中，所述综合绩效通过以下公式获得：
16.y＝s1*β+s2*(1-β)
17.其中，s1为学生绩效，s2为专家评分，β为综合绩效中学生绩效占比。
18.在一个可能实现的方式中，当所述分类器模型的拟合度达到预设拟合度阈值时，则确定所述第一细粒度指标对应的特征指标均符合所述预设标准。
19.在一个可能实现的方式中，所述根据所述置信度，对所述符合预设标准的特征指标，以及所述第二映射关系调整，生成目标教学质量评价体系，具体包括：
20.若所述置信度未达到预设阈值，则对所述第二映射关系，以及所述符合预设标准的特征指标进行调整，并进入强化学习神经网进行迭代，直至所述置信度达到预设阈值时结束，并将调整后的特征指标，以及第二映射关系作为符合条件的特征指标和第二映射关系；
21.根据所述粗粒度指标、与其成第一映射关系的相应细粒度指标、与所述细粒度指标成第二映射关系的符合条件的特征指标，以及第二映射关系，生成目标教学质量评价指标体系。
22.在一个可能实现的方式中，强化学习神经网络的损失函数中含有拟合度损失项。
23.第二方面，本发明提供了一种教学质量评价方法，通过如第一方面所述的教学质量评价指标体系构建方法所构建的目标教学质量评价体系，对教学质量进行动态评估。
24.第三方面，本发明提供了一种教学质量评价指标体系构建装置，所述装置包括：
25.获取模块，用于获取初始教学质量评价指标体系；所述指标体系包括至少一个粗粒度指标以及与其成第一映射关系的相应细粒度指标；
26.衍生模块，用于按照预设规则，分别对每一个所述细粒度指标进行特征衍生处理，获取与每一个所述细粒度指标对应的至少一个特征指标；
27.筛选模块，用于对第一细粒度指标对应的特征指标进行筛选，获取符合预设标准的特征指标，并建立所述第一细粒度指标与符合预设标准的特征指标之间的第二映射关系，其中，所述第一细粒度指标为至少一个细粒度指标中的任一个细粒度指标；
28.置信度模块，用于根据至少一个所述粗粒度指标，与其成第一映射关系的相应细粒度指标、与所述细粒度指标成第二映射关系的符合预设标准的特征指标、所述第一映射关系和所述第二映射关系，获取与所述指标体系对应的置信度；
29.处理模块，用于根据所述置信度，对所述符合预设标准的特征指标，以及所述第二映射关系调整，生成目标教学质量评价指标体系。
30.第四方面，本发明提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
31.存储器，用于存放计算机程序；
32.处理器，用于执行存储器上所存放的程序时，实现第一方面中任一项所述的教学质量评价指标体系构建方法的步骤；或者，用于执行存储器上所存放的程序时，实现如第二方面所述的教学质量评价方法。
33.第五方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，所述
计算机程序被处理器执行时实现如第一方面中任一项所述的教学质量评价指标体系构建方法的步骤；
34.或者，被处理器执行实现如第二方面所述的教学质量评价方法。
35.本技术实施例提供的上述技术方案与现有技术相比具有如下优点：
36.本技术实施例提供的该方法，首先获取一种初始教师教学质量评价指标体系，然后基于主动学习和人机协同对基于指标体系中的细粒度指标衍生出的特征指标进行筛选，最后通过人机协同和强化学习，并以置信度为依据对筛选后的特征指标，及筛选后的特征指标和细粒度指标之间的映射关系进行优化，获得目标教学质量评价指标体系。通过目标教学质量评价指标体系对教学质量进行评价，可动态实时地对教师的教学质量进行评价，解决了现有教学质量评价指标体系中评价指标繁杂，且无法动态实时地对教师的教学质量进行评价的缺陷。
附图说明
37.图1为本发明实施例提供的一种教学质量评价指标体系构建方法流程示意图；
38.图2为获取的初始教学质量评价指标体系框架图；
39.图3为本发明实施例提供的基于主动学习和人机协同对衍生的特征指标的筛选的工作流程架构示意图；
40.图4为本发明实施例提供的对衍生的特征指标进行筛选的方法流程示意图；
41.图5为本发明实施例提供的基于人机协同和强化学习对筛选后的符合预设标准的特征指标及其映射关系进行优化的工作流程架构示意图；
42.图6为本发明实施例提供的对筛选后的符合预设标准的特征指标和映射关系进行调整方法流程示意图；
43.图7为本发明实施例提供的一种在线教学质量成效评价装置结构示意图；
44.图8为本发明实施例提供一种电子设备结构示意图。
具体实施方式
45.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
46.为便于对本发明实施例的理解，下面将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本发明实施例的限定。
47.针对背景技术中所提及的技术问题，本发明提供了一种教学质量评价指标体系构建方法，具体为在线教学质量评价指标体系构建方法，具体参见图1所示，图1为本发明实施例提供的一种教学质量评价指标体系构建方法流程示意图，如图1所示，方法步骤具体包括：
48.步骤110，获取初始教学质量评价指标体系；指标体系包括至少一个粗粒度指标以及与其成第一映射关系的相应细粒度指标。
49.首先获取由本领域的专家建立的初始教学质量成效评价指标体系，也称之为教学
质量评价指标体系，该指标体系是在线教学质量评价指标体系，也可以为非在线教学质量评价指标体系，在此不做限定。本文以在线教学质量评价指标体系为例，首先获取由本领域专家建立的基于在线学习的在线教学质量成效评价指标体系，该指标体系主要包括：开放性、促进性、建构性、发展性、敏捷性、个性化和智能化共7个方面粗粒度指标以及相应细粒度指标，该指标体系是初始指标体系框架，具体详见附图2。
50.结合图2，对指标体系中的各粗粒度指标以及相应细粒度指标介绍，在此说明的是，细粒度指标也可以称之为粗粒度指标对应的维度：
51.(1)开放性
52.开放性是指在线教学的时空灵活度以及教学计划在满足个别化学习需求的程度，主要从学生规模、时间灵活、技术整合三个方面进行评价。学生规模维度包括同步上课人数、异步上课人数；时间灵活维度包括课程开放时长、学习内容开放平均时长；技术整合维度包括联通教学平台数、联通社交平台数、联通学习工具数。
53.(2)促进性
54.促进性是通过衡量学生在实现教学目标的过程中的参与度和完成度，来评价教师在促进学生自主学习和学生互动两个方面的有效性。自主学习维度包括学习资源访问率、单元内容完成度、学习任务完成度、作业完成率、测试完成率；学生互动维度包括学生论坛发帖数、学生论坛回帖数、学生创建论坛主题贴比率、异步活动参与率、同步活动参与率、小组活动参与度、小组活动活跃度。
55.(3)建构性
56.建构性是对教师为构筑学生经验、促进学生的意义建构而设计与实施的教学活动进行评价，包括小组协作、人际互动、学习资源、学习体验四个方面。小组协作维度包括建设小组空间数、发布小组任务数、发布小组资源数、发布小组作业数、设置小组评价量规次数；人际互动维度包括创建论坛主题帖数、论坛发帖数、论坛帖子浏览率、学生帖子回复率；学习资源维度包括使用公共资源数、共享公共资源数、上传学习资源数、上传学习资源类型数、上传教学视频数、上传案例资源数；学习体验维度包括发布自主学习任务数、发布互动讨论任务数、发布实训任务数、发布学习任务类型数。
57.(4)发展性
58.发展性是通过学生的增值性指标对促进学生习惯养成、自我调节等能力提升方面的教学功能进行评价，包括目标导向、资源利用、自我测评、时间管理、学习反思五个方面。目标导向维度包括课程指南查看次数变化率、学习进度查询次数变化率；资源利用维度包括资源访问度变化率、学习日历访问次数变化率、学习分析报告访问次数变化率；自我测评维度包括自测完成度变化率；时间管理维度包括内容访问及时性变化率、作业提交及时性变化率；学习反思维度包括笔记记录次数变化率、错题查看次数变化率、作业补交次数变化率。
59.(5)敏捷性
60.敏捷性是对教师基于学情提供教学反馈、调整教学内容的及时性进行评价，包括学情监控、问题反馈、作业及测试反馈、资源更新与评价四个方面。学情监控维度包括学情报告查阅次数、学情报告查阅及时性、学习进度提醒次数；问题反馈维度包括学生问题反馈及时性、小组问题反馈及时性；作业及测试反馈维度包括作业批改及时性、作业反馈及时
性、测试反馈及时性、小组作业反馈及时性；资源更新与评价维度包括学习过程中添加资源数、编辑学习资源次数、资源评价次数、论坛帖子评价次数。
61.(6)个性化
62.个性化是对为学生提供个性化支持与服务、符合学生个性化需求的教学功能进行评价，包括内容推荐、同伴推荐、路径选择、问题解决四个方面。内容推荐维度包括内容推荐次数、推荐内容评分；同伴推荐维度包括同伴推荐次数、推荐同伴组队成功次数；路径选择维度包括学习路径使用率、学习路径完成度；问题解决维度包括学生问题反馈率、小组问题反馈率、问题反馈评分、作业反馈率、测试反馈率、小组作业反馈率。
63.(7)智能化
64.智能化是指能够针对学情和学习需求给予反馈、辅导的智能化程度，体现对规模化高质量教学的支持能力，包括感知智能化、答疑智能化、评测智能化、辅导智能化四个方面。感知智能化维度包括学习数据自动化采集次数、自动化采集的学习数据模态类型数、学情分析使用次数、学情分析报告评分；答疑智能化维度包括智能答疑使用次数、智能答疑平均时长、智能答疑知识库知识点数、智能答疑评分；评测智能化维度包括智能评测使用次数、智能评测题目数、智能测评题目类型数、智能评测知识点/能力目标覆盖率、智能评测学生评分；智能辅导维度包括智能辅导使用次数、智能辅导平均时长、智能辅导知识点覆盖率、智能辅导策略类型数、智能辅导评分。
65.步骤120，按照预设规则，分别对每一个细粒度指标进行特征衍生处理，获取与每一个细粒度指标对应的至少一个特征指标。
66.步骤130，对第一细粒度指标对应的特征指标进行筛选，获取符合预设标准的特征指标，并建立第一细粒度指标与符合预设标准的特征指标之间的第二映射关系，其中，第一细粒度指标为至少一个细粒度指标中的任一个细粒度指标。
67.步骤120，主要是衍生出后续所需的特征指标，而步骤130，主要是针对衍生出的特征指标进行筛选，最后筛选出符合要求的特征指标，用于下一步的操作，具体的，图3为本发明实施例提供的基于主动学习和人机协同对衍生的特征指标的筛选的工作流程架构示意图，如图3所示，整个过程，是主动学习和人机协同的一个过程，专家、指标生成器和分类器均参与其中，图4为本发明实施例提供的对衍生的特征指标进行筛选的方法流程示意图方法流程示意图，结合图3和图4，该过程包括以下步骤：
68.步骤1301，根据第一细粒度指标对应的特征指标和预配置的综合绩效，对预构建的分类器模型进行评估，获取与分类器模型对应的拟合度。
69.步骤1302，当分类器模型的拟合度未达到预设拟合度阈值时，对第一细粒度指标对应的特征指标进行迭代筛选。
70.步骤1303，根据经过筛选后的特征指标和综合绩效对分类器模型进行评估，直至分类器模型对应的拟合度达到预设拟合度阈值时结束，并将最终剩余的特征指标作为符合预设标准的特征指标。
71.具体的，指标生成器的主要作用，是基于基础指标，生成一些其他特征，用于后续的模型训练。在此，在步骤120中，即按照预设规则，分别对每一个细粒度指标进行特征衍生处理，获取与每个细粒度指标对应的至少一个特征指标，即，按照预设规则，生成基于细粒度的特征指标。举例说明：基础指标为做作业的次数，输入到指标生成器中后，后续会衍生
出很多其他特征，例如：平均每周的作业次数、每周最大的作业次数，亦或是经过转换过的标准化的作业次数。即生成基于这个基础指标的多种特征指标。
72.而在本步骤中，指标生成器生成机制是：由专家设计的在线教学质量成效评价体系的初始框架提供的粗粒度的高阶指标，由指标生成器基于高阶指标进行细粒度聚合提取，提取方式不限于均值、标准差、中位值、最大值、最小值和变异系数等函数，不限于单一细粒度，可以结合多个细粒度一起构建，即单个粗维度下会生成众多基于细粒度的特征指标。也就是说，指标生成器，基于评价体系中的细粒度指标，进一步形成具体的后续模型构建所需指标。分类器的主要作用是，基于机器学习算法，通过输入指标生成器生成的指标，以综合绩效为目标值，构建分类器模型，并进行迭代训练，迭代训练后，会计算出评价模型的一些指标，比如，二分类的准确率高不高，或是拟合度高不高，在该发明中，后续会根据拟合度进行模型评价。
73.而在本发明中，综合绩效是由以下公式获得的：
74.y＝s1*β+s2*(1-β)
75.其中，s1为学生绩效，s2为专家评分，β为综合绩效中学生绩效占比。
76.在此，需要专家根据标准或经验，设置预设标准，即设置拟合度阈值，看分类器模模型训练后的拟合度是否符合专家设置的拟合度阈值，若拟合度符合要求，则特征指标汇入指标库，迭代结束，即迭代结束后，最终符合预设标准的特征指标都汇入指标库。而不符合要求的特征指标，会进行筛选，有些指标会剔除，有些指标会保留，比如根据回归方程中，x对y 的影响系数高不高，筛选出一些对分类器模型贡献度较高的前n个特征指标，将这个前n个特征指标以及其余粗粒度的映射关系作为新指标返回多模态数据池，从而进入下一次循环。而在进入下一次循环前，专家会对其进行标注，标注的内容有：该特征指标的映射关系是否合理、该特征指标是否保留、保留的特征指标按重要程度进行排序。比如，专家可以标注特征指标的重要程度为0-1，数值越大说明该指标越重要。
77.总得来讲，整个过程就是对细粒度指标对应特的筛选，获取符合预设标准的特征指标，并建立与该细粒度指标与符合预设标准的特征指标之间的第二映射关系，其中，第一细粒度指标为指示一个细粒度指标中的任一个细粒度指标。
78.在整个的筛选过程中，可以是先对某一个细粒度指标对应的所有特征指标进行筛选，等该细粒度指标对应的特征指标筛选完后，再应用相同的方式，一一对其余细粒度指标对应的特征指标进行筛选，直至所有的细粒度指标对应的特征指标筛选完成。也可以是对所有细粒度指标对应的特征指标一起进行筛选，选择出所有符合要求的特征指标，这个在此不做限定。
79.步骤140，根据至少一个粗粒度指标，与其成第一映射关系的相应细粒度指标、与细粒度指标成第二映射关系的符合预设标准的特征指标、第一映射关系和第二映射关系，获取与指标体系对应的置信度。
80.步骤150，根据置信度，对符合预设标准的特征指标，以及第二映射关系调整，生成目标教学质量评价指标体系。
81.具体的，图5为本发明实施例提供的基于人机协同和强化学习对筛选后的符合预设标准的特征指标及其映射关系进行优化的工作流程架构示意图，图6为本发明实施例提供的对筛选后的符合预设标准的特征指标和映射关系进行调整方法流程示意图；结合图5
和图6所示，该优化过程包括：
82.步骤1501，若置信度未达到预设阈值，则对第二映射关系，以及符合预设标准的特征指标进行调整，并进入强化学习神经网进行迭代，直至置信度达到预设阈值时结束，并将调整后的特征指标，以及第二映射关系作为符合条件的特征指标和第二映射关系。
83.步骤1502，根据粗粒度指标、与其成第一映射关系的相应细粒度指标、第一映射关系、与细粒度指标成第二映射关系的符合条件的特征指标，以及第二映射关系，生成目标教学质量评价指标体系。
84.具体的，在步骤130中，筛选后，有些指标剔除了，有些指标保留了，留下的指标形成一个新的指标体系，也就形成了一种新的结构，体系内每层的权重是多少，需要经过步骤150中的强化学习的映射关系的优化机制来确定。比如：个性化指标，后面又分了内容推荐、同伴推荐、路径选择和问题解决等，个性化到同伴推荐的具体权重是多少，内容推荐次数到推荐内容评分，或是，内容推荐次数到内容推荐的权重是多少？具体的，每个环节的权重，均是通过强化学习和人机协同的方式去实现，迭代是基于损失函数，所以内部强化学习需要一个损失函数，强化学习在训练过程中需要损失函数的计算然后进行反向传播系数更新，而一般的损失函数支持不起迭代，在本技术中，我们把损失函数进行了改进和优化，在基础的损失函数上加入了损失项，来改进和优化损失函数，而损失函数基于此来优化权重，通过该步骤，有助于在迭代的过程中选出合适的教学直播。其逻辑是：我们把映射关系输入到强化学习神经网络中，最开始的映射权重是随机的，比如a到b的映射，其权重是0.3，经过多次迭代后，权重可能变为0.6。
85.比如，教师在线教学成效＝a1*智能化+a2*个性化+a3*敏捷性+a4*开放性+a5*促进性+a6*建构性+a7*发展性，其中，a代表权重，通过强化学习后，才能知道每个a代表多少。
86.同时，开放性、促进性、建构性、发展性、敏捷性、个性化和智能化又通过各自底层的维度由权重相乘相加得到。如开放性＝b1*学生规模+b2* 时间灵活+b3*技术整合。
87.那么一阶维度如学生规模、时间灵活又是根据最终框架筛选剩下的指标经过权重相乘相加得到，比如，【技术整合】最终三个指标都筛选留下，那么技术指标＝c1*联通教学平台数+c2*联通社交平台数+c3*联通学习工具数，以此类推。
88.具体的，基于强化学习神经网络，在损失函数中加入与拟合度相关的损失项，并进行迭代训练，最终形成各个低阶维度到高阶维度的荷载，也称之为权重，即最终形成各个低阶指标到高阶指标的权重，并将该网络结构和荷载系数等输入到置信度筛选器。强化学习神经网络损失函数中加入结构拟合度损失项：
[0089][0090]
其中，j(θ):常规的损失函数的相反数公式；其中，j(θ):常规的损失函数的相反数公式；为基于指数的拟合度损失项；β:指标的标准化因子载荷； x2:指标结构的卡方值；df:指标结构的自由度；γ:当前指标与其他指标的相关系数；n:当前指标下的因子数。
[0091]
将平均方差提取值ave和组合信度cr作为拟合度的基础指标：
[0092]
ave＝(∑γ2)/[(∑γ2)+∑var(ε)]
[0093]
cr＝(∑γ)2/[(∑γ)2+∑var(ε)]
[0094]
其中，γ：荷载；var(ε)：误差方差。
[0095]
需要说明的是，载荷即权重，是指映射关系的中低纬度形成高纬度的权重。通过前面的描述，我们也可知：在进行强化学时，会初始化一权重，经过迭代后，此权重会得到优化和更新，迭代结束后的权重就是最终的权重。置信度筛选器会对该结构和数据进行基于结构方程的置信度计算，并计算拟合度、平均方差提取值ave、组合信度cr等指标。
[0096]
步后续专家会判断置信度是否达标。
[0097]
若置信度达标，则结束迭代。若置信度不达标，专家对特征指标和第二映射关系结构进行筛选和调整，并将调整后的特征指标和第二映射关系结构重新传入强化神经网络进行迭代。
[0098]
需要说明的是，在强化学习阶段设置筛选标准，同时对指标是否进入下一阶段的强化学习进行标注，如果需要设置一个评价标准，专家可以标注一个数值0-1，数值越大越说明该指标越应该进入下一阶段的迭代。
[0099]
具体的，专家可以给出筛选的标准，这里不做具体的指定。比如可以设置荷载小于0.4剔除，ave大于0.5予以保留，cr大于0.7予以保留等，具体的规则需要专家设定。同时专家可以设定每个维度最低的指标数或者最高的指标数等。将置信度结果交由专家进行标注，专家标注内容有两项：指标结构调整和指标是否舍弃。经专家标注后生成的新的结构和指标重新传入强化学习神经网络进行迭代。直到置信度达到理想水平和专家满意为止，将最终调整后的特征指标，以及第二映射关系作为符合条件的特征指标和第二映射关系。
[0100]
由粗粒度指标、与其成第一映射关系的相应细粒度指标、第一映射关系、与细粒度指标成第二映射关系的符合条件的特征指标、第二映射关系，生成目标教学质量评价指标体系。通过前面的描述，可知教学质量评价体系的构建过程，可以理解共分为三步：第一步，构建初始评价指标体系，包括步骤110；第二步，基于细粒度指标的衍生特征的筛选，包括步骤120 和步骤130；第三步，对指标和映射关系的优化，生成最终的评价指标体系，包括步骤140和步骤150。
[0101]
本发明实施例提供的一种教学质量评价方法，可以通过如上述任一实施例所介绍的教学质量评价指标体系构建方法所构建的目标教学质量评价指标体系，对教学质量进行动态评估。
[0102]
本发明实施例提供的一种教师教学质量评价指标体系构建方法，首先获取一种初始教师在教学质量评价指标体系，然后基于主动学习和人机协同对基于指标体系中的细粒度指标衍生出特征指标选取，最后通过人机协同和强化学习，并以置信度为依据对筛选后的指标，及筛选后的指标与细粒度指标之间的映射关系进行优化，获得目标教学质量评价指标体系，通过目标教学质量评价指标体系对教学质量进行评价，可动态实时地对教师的教学质量进行评价，解决了现有教学质量评价指标体系中评价指标繁杂，且无法动态实时地对教师的教学质量进行评价的缺陷。
[0103]
以上，为本发明提供的教学质量评价指标体系构建方法，以及教学质量评价方法实施例，下文中则介绍说明本发明所提供的教学质量评价指标体系构建装置，具体参见如
下。
[0104]
图7为本发明实施例提供的一种教学质量评价指标体系构建装置，该装置包括：获取模块701、衍生模块702、筛选模块703、置信度模块704 和处理模块705。其中，
[0105]
获取模块701，用于获取初始教学质量评价指标体系；指标体系包括至少一个粗粒度指标以及与其成第一映射关系的相应细粒度指标。
[0106]
衍生模块702，用于按照预设规则，分别对每一个细粒度指标进行特征衍生处理，获取与每一个细粒度指标对应的至少一个特征指标。
[0107]
筛选模块703，用于对第一细粒度指标对应的特征指标进行筛选，获取符合预设标准的特征指标，并建立第一细粒度指标与符合预设标准的特征指标之间的第二映射关系，其中，第一细粒度指标为至少一个细粒度指标中的任一个细粒度指标。
[0108]
置信度模块704，用于根据至少一个粗粒度指标，与其成第一映射关系的相应细粒度指标、与细粒度指标成第二映射关系的符合预设标准的特征指标、第一映射关系和第二映射关系，获取与指标体系对应的置信度。
[0109]
处理模块705，用于根据置信度，对符合预设标准的特征指标，以及第二映射关系调整，生成目标教学质量评价指标体系。
[0110]
可选的，筛选模块703，具体用于：
[0111]
根据第一细粒度指标对应的特征指标和预配置的综合绩效，对预构建的分类器模型进行评估，获取与分类器模型对应的拟合度；
[0112]
当分类器模型的拟合度未达到预设拟合度阈值时，对第一细粒度指标对应的特征指标进行迭代筛选；其中，第一细粒度指标为至少一个细粒度指标中的任一个细粒度指标；
[0113]
根据经过筛选后的特征指标和综合绩效对分类器模型进行评估，直至分类器模型对应的拟合度达到预设拟合度阈值时结束，并将最终剩余的特征指标作为符合预设标准的特征指标；
[0114]
建立第一细粒度指标与符合预设标准的特征指标之间的第二映射关系。
[0115]
可选的，综合绩效通过以下公式获得：y＝s1*β+s2*(1-β)
[0116]
其中，s1为学生绩效，s2为专家评分，β为综合绩效中学生绩效占比。
[0117]
可选的，处理模块705，具体用于：
[0118]
若置信度未达到预设阈值，则对第二映射关系，以及符合预设标准的特征指标进行调整，并进入强化学习神经网进行迭代，直至置信度达到预设阈值时结束，并将调整后的特征指标，以及第二映射关系作为符合条件的特征指标和第二映射关系；
[0119]
根据粗粒度指标、与其成第一映射关系的相应细粒度指标、第一映射关系、与细粒度指标成第二映射关系的符合条件的特征指标，以及第二映射关系，生成目标教学质量评价指标体系。
[0120]
本发明实施例提供的教学质量评价指标体系构建装置中各部件所执行的功能均已在上述任一方法实施例中做了详细的描述，因此这里不再赘述。
[0121]
本发明实施例提供的一种教学质量评价指标体系构建装置，首先获取一种初始教师教学质量评价指标体系，并基于主动学习和人机协同对基于指标体系中的细粒度指标衍生的特征指标选取方法，最后通过人机协同和强化学习，并以置信度为依据对筛选后的特征指标，及筛选后的特征指标和细粒度指标之间的映射关系进行优化，获得目标教学质量
评价指标体系，通过目标教学质量评价指标体系对教学质量进行评价，可动态实时地对教师的教学质量进行评价，解决了现有教学质量评价指标体系中评价指标繁杂，且无法动态实时地对教师的教学质量进行评价的缺陷。
[0122]
如图8所示，本技术实施例提供了一种电子设备，包括处理器111、通信接口112、存储器113和通信总线114，其中，处理器111，通信接口 112，存储器113通过通信总线114完成相互间的通信，
[0123]
存储器113，用于存放计算机程序；
[0124]
在本技术一个实施例中，处理器111，用于执行存储器113上所存放的程序时，实现前述任意一个方法实施例提供的一种教学质量评价指标体系构建方法，包括：
[0125]
获取初始教学质量评价指标体系；指标体系包括至少一个粗粒度指标以及与其成第一映射关系的相应细粒度指标；
[0126]
按照预设规则，分别对每一个细粒度指标进行特征衍生处理，获取与每一个细粒度指标对应的至少一个特征指标；
[0127]
对第一细粒度指标对应的特征指标进行筛选，获取符合预设标准的特征指标，并建立第一细粒度指标与符合预设标准的特征指标之间的第二映射关系，其中，第一细粒度指标为至少一个细粒度指标中的任一个细粒度指标；
[0128]
根据至少一个粗粒度指标，与其成第一映射关系的相应细粒度指标、与细粒度指标成第二映射关系的符合预设标准的特征指标、第一映射关系和第二映射关系，获取与指标体系对应的置信度；
[0129]
根据置信度，对符合预设标准的特征指标，以及第二映射关系调整，生成目标教学质量评价指标体系。
[0130]
可选的，对第一细粒度指标对应的特征指标进行指标筛选，获取符合预设标准的特征指标，具体包括：
[0131]
根据第一细粒度指标对应的特征指标和预配置的综合绩效，对预构建的分类器模型进行评估，获取与分类器模型对应的拟合度；
[0132]
当分类器模型的拟合度未达到预设拟合度阈值时，对第一细粒度指标对应的特征指标进行迭代筛选；
[0133]
根据经过筛选后的特征指标和综合绩效对分类器模型进行评估，直至分类器模型对应的拟合度达到预设拟合度阈值时结束，并将最终剩余的特征指标作为符合预设标准的特征指标。
[0134]
可选的，综合绩效通过以下公式获得：
[0135]
y＝s1*β+s2*(1-β)
[0136]
其中，s1为学生绩效，s2为专家评分，β为综合绩效中学生绩效占比。
[0137]
在一个可能实现的方式中，当分类器模型的拟合度达到预设拟合度阈值时，则确定第一细粒度指标对应的特征指标均符合预设标准。
[0138]
可选的，根据置信度，对符合预设标准的特征指标，以及第二映射关系调整，生成目标教学质量评价体系，具体包括：
[0139]
若置信度未达到预设阈值，则对第二映射关系，以及符合预设标准的特征指标进行调整，并进入强化学习神经网进行迭代，直至置信度达到预设阈值时结束，并将调整后的
特征指标，以及第二映射关系作为符合条件的特征指标和第二映射关系；
[0140]
根据粗粒度指标、与其成第一映射关系的相应细粒度指标、与细粒度指标成第二映射关系的符合条件的特征指标，以及第二映射关系，生成目标教学质量评价指标体系。
[0141]
可选的，强化学习神经网络的损失函数中含有拟合度损失项。
[0142]
或者，处理器处理器111，用于执行存储器113上所存放的程序时，实现如上述任一实施例提供的一种教学质量评价方法，包括：通过如上述任一实施例所介绍的教学质量评价指标体系构建方法所构建的目标教学质量评价指标体系，对教学质量进行动态评估。
[0143]
本技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如前述任意一个方法实施例提供的一种教学质量评价指标体系构建方法的步骤；
[0144]
或者，被处理器执行如上述任一实施例提供的一种教学质量评价方法。
[0145]
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0146]
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0147]
实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。