一种基于知识自动化的课程群支撑度评价方法
【专利摘要】一种基于知识自动化的课程群支撑度评价方法，主要涉及知识自动化领域，包括：获取课程教学数据；对数据进行预处理，采用IF?IDF算法计算课程知识接口覆盖度；利用机器学习对样本进行学习获取知识规则，并用发现分析模型表示供决策服务调用；采用决策管理循环架构进行知识迭代更新与决策分析；综合利用前修课程接口支撑度评价、后续课程支撑度评价以及课程考试评价来进行课程群支撑度评价。本发明具有自主分析决策能力，能够高效预测课程群对毕业要求支撑度评价。
【专利说明】
一种基于知识自动化的课程群支撑度评价方法
技术领域
[0001 ]本发明设计一种基于知识自动化的课程群支撑度评价方法，特别涉及知识自动化 领域。
【背景技术】
[0002] 2015年3月，教育部推出国际实质等效的《工程教育专业认证标准》，其实际意义表 现在:密切工程教育与工业界的联系，提高工程教育人才培养的产业适应性;建立与注册工 程师制度相衔接的工程教育专业认证体系;促进工程教育的国际交流，实现国际互认。课程 群评价作为教育课程改革的一个重要环节。针对课程培养过程，评价从课程群的整体性出 发，注重与前修和后续课程的关联性。在考核内容中加入适当前修课程的内容进行复习和 巩固，能为后续课程打下基础，并在课程评价内容中，将专业技能、社会使用能力和职业能 力纳入课程考核内容中，能够全方面提升学生的综合素质。
[0003] 随着互联网在教育领域的应用，信息技术的飞速发展，教学信息资源的数量快速 增长，如何利用海量教学数据进行课程群支撑度评价成为亟待解决的问题。知识作为经济 增长的最为重要的生成要素，在知识经济时代具有战略意义的核心竞争力并日益受到重 视。所谓决策知识自动化，作为大数据时代的决策分析方法，展示了知识自动化基础上的决 策管理，业务规则与预测分析，运用机器学习和自动决策技术来提高业务决策的能力，将获 取的信息或知识进行加工，使其变得更加有效合理，并用来分析和指导教学行为。
[0004] 对于课程群评估考核体系，已有的研究同样可以运用到后续课程的评估。但是由 于形成性评估有许多方式和手段而且运用起来大多比较繁琐。
[0005] 因此，如何能让形成性评估做到更加全面、客观、准确、科学，知识自动化理论引入 课程群支撑度的评估。
【发明内容】
[0006] 有鉴于此，本发明提出了一种基于知识自动化的课程群支撑度评价方法，用于解 决现有基于教学数据对课程群支撑度评价。
[0007] -种基于知识自动化的课程群支撑度评价方法，属于知识自动化领域，具体包括 如下步骤： 步骤S1获取课程教学数据； 步骤S2对数据进行预处理，采用IF-IDF算法计算课程知识接口覆盖度； 步骤S3利用机器学习对样本进行学习获取知识规则，并用发现分析模型表示供决策服 务调用； 步骤S4采用决策管理循环架构进行知识迭代更新与决策分析； 步骤S5综合利用前修课程接口支撑度评价、后续课程支撑度评价以及课程考试评价来 进行课程群支撑度评价。
[0008] 所述步骤S1获取课程教学数据所述数据进一步包括:前修课程的教学大纲、申请 课程的教学大纲、后续课程教学大纲、申请课程考核数据、申请课程对前修课程考核数据、 后续课程对申请课程的考核数据。
[0009] 所述步骤S2中数据处理进一步包括：去除缺陷、冗余数据，估计遗失数据的缺失 值，对考核文本的知识接口进行关键词词频统计。
[0010] 采用TF-IDF算法计算课程知识接口覆盖度包括： 知识接口关键词i对应的相关度C采用TF-IDF方法计算，
其中，i为，TFi(d)为关键词在文档d中出现的频率，N为所有文档数目，DF为含有关键词 i的文档数目。
[0011] 所述步骤S3进一步包括:基于知识自动化利用机器学习以大量历史数据为输入进 行分析，对数据建模，归纳出规则集，并将所获取的分析模型封装进知识库供决策服务调 用， 所述步骤S4进一步包括:获取具备自适应的规则更新课程群支撑度预测分析知识库的 初始诊断规则，并删除与初始诊断规则相冲突的具备自适应的诊断规则。
[0012] 评价过程中规则集如下所述：
课程群支撑度规则集=T1*前修课程支撑度评价+T2*考试评价+T3*后续课程支撑度评 价， 其中，T1、T2和T3分别为前修课支撑度程评价、考试支撑度评价、后续课程支撑度评价 的权重系数。
[0013] 所述步骤S5进一步包括:利用决策需求分析，基于前修课程支撑度评价、后续课程 支撑度评价以及课程考试评价来进行课程群支撑度评价子决策结果结合相对应知识进行 最终课程群支撑度评价决策制定。
[0014] 本发明从知识自动化的视角出发，结合机器学习，对海量教学数据分析，利用TF-IDF方法计算文本相似度比对，得到知识覆盖度。本发明具有自主分析决策能力，能够高效 预测课程群对毕业要求支撑度评价。
【附图说明】
[0015] 图1为基于知识自动化的课程群支撑度评价方法流程图 图2为发现分析模型框图 图3为决策服务循环架构图 图4为决策需求分析制定决策需求图表(DRD)。
【具体实施方式】
[0016] 下面结合实施方式并参照附图，对发明技术方案进行清楚描述。应该指出的是下 面说明仅仅是示例性的，而不是为了限制本发明的范围以及其应用。此外，在一下说明中， 省略了对公知知识和技术的描述，以避免不必要地混淆本发明的概念。
[0017] 图1为本发明实施例公开的一种基于知识自动化的课程群支撑度评价方法流程 图。该方法包括： 步骤S1获取课程教学数据； 本实施例中以大学英语后续课程为例，所述获取课程教学数据包括:前修课程高中英 语的教学大纲、大学英语课程的教学大纲、后续课程教学大纲、大学英语课程考核数据、前 修课程考核数据、后续课程对申请课程的考核数据。大学英语的前修课程本实施例预设为 高考英语、目前高校大学英语后续课程的设置大致分为以下三类:一是语言技能类课程如 《英语翻译》，二是文学文化类课程，如《电影赏析》，三是专门用途类英语，如《商务英语写 作》将不同文档数据按照类别归入预料训练集合中，训练集用于文本分类器的训练和构造 过程。数据从基于网络空间的信息收集与分析教学方法（Space-based inf ormation search and analysis learning，S_ISAL)(空间ISAL)中获取。
[0018] 步骤S2对数据进行预处理，采用IF-IDF算法计算课程知识接口覆盖度； 所述数据处理进一步包括:去除缺陷、冗余数据，估计遗失数据的缺失值，对考核文本 的知识接口进行关键词词频统计。
[0019] 本实施例中，采用分类工具对语料训练集文本进行分词语料训练集文本经过分词 后的词语为文本的特征项，特征项构成文本的特征空间，然后删除初始文本特征空间中缺 陷冗余词语，最后分别对语料训练集合文本总数，各个类别总数、特征想词频、特征想所述 文本数进行统计。
[0020] 采用TF-IDF算法计算课程知识接口覆盖度，综合考虑特征项的词频与逆文本频 率，包括： 知识接口关键词i对应的相关度C计算如下：
其中，i为，TFi(d)为关键词在文档d中出现的频率，N为所有文档数目，DF为含有关键词 i的文档数目。C最终获得结果进行知识覆盖度决策评价。分别计算出每门考试的覆盖度，考 试评价的最终得分，应该受考试题目内容对课程接口覆盖度的制约。如果覆盖度小于某一 个阈值，例如0.7,那么这个达成度的计算无效或者是失败。
[0021 ]本实施例预设某班大学英语考试试卷知识接口覆盖度为0.95，考试平均成绩为 85，则大学英语的考试评价=0.95*85=80.75 步骤S3利用机器学习对样本进行学习获取知识规则，如图2发现分析模型框图述并用 发现分析模型表示供决策服务调用。
[0022]本实施例中，首先，在每章节教学内容开始之前，通过直接控制法，布置各个小组 完成相应的课堂学习资料。然后，课堂上一般采取总教学课时1/3的时间让各个小组的组员 分享资料和信息。基于知识自动化利用机器学习以大量历史教学数据为输入进行分析，对 数据建模，归纳出规则集，并将所获取的分析模型封装进知识库供决策服务调用。发现分析 模型，模型生成的业务知识可被用于自动的制定决策，但同时模型本身是一个决策管理流 程到预测分析建模的输出。以实际支撑度作为输入，生成课程群支撑度规则集，最终获得预 测课程支撑度。
[0023]步骤S4采用决策管理循环架构进行知识迭代更新与决策分析； 图3为决策服务循环架构图 其中，获取具备自适应的规则更新课程群支撑度预测分析知识库的初始诊断规则，并 删除与初始诊断规则相冲突的具备自适应的诊断规则。
[0024]评价过程中规则集如下所述：
课程群支撑度规则集=T1*前修课程支撑度评价+T2*考试评价+T3*后续课程支撑度评 价， 其中，T1、T2和T3分别为前修课支撑度程评价、考试支撑度评价、后续课程支撑度评价 的权重系数。
[0025] 步骤S5综合利用前修课程接口支撑度评价、后续课程支撑度评价以及课程考试评 价来进行课程群支撑度评价； 图4为决策需求分析制定决策需求图表(DRD) 其中，利用决策需求分析，基于前修课程支撑度评价、后续课程支撑度评价以及课程考 试评价来进行课程群支撑度评价子决策结果结合相对应知识进行最终课程群支撑度评价 决策制定。
[0026] 本实施方式从知识自动化的视角出发，结合机器学习，对海量教学数据分析，利用 TF-IDF方法计算文本相似度比对，得到知识覆盖度。本发明具有自主分析决策能力，能够高 效预测课程群对毕业要求支撑度评价。
[0027] 以上所述仅仅对本发明的较佳实施方式而已，并非对本发明作任何形式上的限 制，凡是依据本发明的技术实质对以上实施方式做的任何修改，等同变化与修饰，均属于本 发明技术方案的范围内。
【主权项】
1. 一种基于知识自动化的课程群支撑度评价方法，属于知识自动化领域，其特征在于， 该方法包括如下步骤： 步骤Sl获取课程教学数据； 步骤S2对数据进行预处理，采用IF-IDF算法计算课程知识接口覆盖度； 步骤S3利用机器学习对样本进行学习获取知识规则，并用发现分析模型表示供决策服 务调用； 步骤S4采用决策管理循环架构进行知识迭代更新与决策分析； 步骤S5综合利用前修课程接口支撑度评价、后续课程支撑度评价以及课程考试评价来 进行课程群支撑度评价。2. 根据权利要求1所述的基于知识自动化的课程群支撑度评价方法，其特征在于，所述 步骤Sl获取课程教学数据所述数据包括:前修课程的教学大纲、申请课程的教学大纲、后续 课程教学大纲、申请课程考核数据、申请课程对前修课程考核数据、后续课程对申请课程的 考核数据。3. 根据权利要求2所述的基于知识自动化的课程群支撑度评价方法，其特征在于，所述 步骤S2中数据处理包括:去除缺陷、冗余数据，估计遗失数据的缺失值，对考核文本的知识 接口进行关键词词频统计。4. 根据权利要求2所述的基于知识自动化的课程群支撑度评价方法，其特征在于，所述 步骤S2中采用TF-IDF算法计算课程知识接口覆盖度包括： 知识接口关键词i对应的知识点覆盖度C采用TF-IDF方法计算，其中，i为，TFi(d)为关键词在文档d中出现的频率，N为所有文档数目，DF为含有关键词 i的文档数目。5. 根据权利要求4所述的基于知识自动化的课程群支撑度评价方法，其特征在于，所述 步骤S3包括:基于知识自动化利用机器学习以大量历史数据为输入进行分析，对数据建模， 归纳出规则集，并将所获取的分析模型封装进知识库供决策服务调用。6. 根据权利要求5所述的基于知识自动化的课程群支撑度评价方法，其特征在于，所述 步骤S4包括:获取具备自适应的规则更新课程群支撑度预测分析知识库的初始诊断规则， 并删除与初始诊断规则相冲突的具备自适应的诊断规则； 评价过程中规则集如下所述：课程群支撑度规则集=Tl*前修课程支撑度评价+T2*考试评价+T3*后续课程支撑度评 价， 其中，Tl、T2和T3分别为前修课支撑度程评价、考试支撑度评价、后续课程支撑度评价 的权重系数。7.根据权利要求6所述的基于知识自动化的课程群支撑度评价方法，其特征在于，所述 步骤S5包括:利用决策需求分析，基于前修课程支撑度评价、后续课程支撑度评价以及课程 考试评价来进行课程群支撑度评价子决策结果结合相对应知识进行最终课程群支撑度评 价决策制定。
【文档编号】G06Q50/20GK105894410SQ201610193652
【公开日】2016年8月24日
【申请日】2016年3月31日
【发明人】段斌, 冯玉洁, 章兢
【申请人】湘潭大学