检索结果-南通市图书馆

检索条件"主题词=学生评教信度特征"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

学生评教数据挖掘及教学应用研究

学生评教数据挖掘及教学应用研究

引用

作者：杨雪亭河北经贸大学

学位级别：硕士

学生评教数据是教育大数据领域的重要组成部分,在一定程度上反映了教师教学质量。本文针对H大学的真实评教数据,提出十一个描述学生评教信度的特征,然后利用聚类算法确定学生信度等级,再针对剔除敷衍评教数据后的学生评教数据进行聚类分... 详细信息

学生评教数据是教育大数据领域的重要组成部分,在一定程度上反映了教师教学质量。本文针对H大学的真实评教数据,提出十一个描述学生评教信度的特征,然后利用聚类算法确定学生信度等级,再针对剔除敷衍评教数据后的学生评教数据进行聚类分析,实现教师类别数据标注,最后利用分类算法构建教师类别预测模型,利用回归算法构建教师分数预测模型。通过向学生反馈评教信度类别,督促学生认真评教,使学生评教更加客观有效;通过向教师反馈教师类别与评分,督促教师认真教学,及时反思,使学生评教数据发挥作用。论文的主要工作如下:(1)构建学生评教信度特征,对学生评教数据信度分级。对H大学的学生评教数据进行整理,首先对数值型、文本型评教数据进行图表分析,制定能描述学生评教数据客观程度的特征。然后统一数据量纲,分析数据特征之间的相关性,并进行特征选择。使用PCA进行数据提取与可视化,使用K-means算法对学生评教信度数据进行聚类,得到了不同客观程度的学生评教数据。(2)预测教师类别。提取高客观度的学生评教数据,并运用聚类分析方法识别不同教学水平的教师,为后续分类模型的训练提供了有效的样本数据。根据教师聚类结果,对教师分类。本文使用WOA(Whale Optimization Algorithm)-BPNN(Back propagation neural network,BPNN)算法对教师类别数据进行模型构建。实验结果表明,该模型能有效地进行教师类别预测。(3)根据课程特征与教师特征,对教师分数预测。利用基于Stacking的回归模型,集成了Ada Boost(Adaptive Boosting,自适应增强)、RF(Random forest,随机森林)、XGBoost(e Xtreme Gradient Boosting,极限梯度提升)、KRR(Kernel Ridge Regression,核岭回归)四种算法,再用Stacking模型与单个学习器Ridge加权组合预测教师分数。实验结果表明,该模型效果优于其他单个模型。

关键词：学生评教信度特征评教信度分类 K-means算法神经网络算法 Stacking集成学习

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于数据挖掘的高校学生评教信度方法研究

基于数据挖掘的高校学生评教信度方法研究

引用

作者：雒明雪河北农业大学

学位级别：硕士

学生评教是高校评教的重要组成部分,学生评教的质量直接影响学校教师评估的准确性,进而影响学校各方面教学活动。目前,针对高校评教的研究主要集中在教师评教指标,以及学生评教数据的纠偏等方面,未能从学生评教态度出发解决上述问题,具... 详细信息

学生评教是高校评教的重要组成部分,学生评教的质量直接影响学校教师评估的准确性,进而影响学校各方面教学活动。目前,针对高校评教的研究主要集中在教师评教指标,以及学生评教数据的纠偏等方面,未能从学生评教态度出发解决上述问题,具有一定的局限性。本研究针对河北农业大学学生评教数据,构建了一组用于评价学生评教信度的特征集,然后利用聚类算法合理确定学生信度等级个数,最后利用分类算法构建学生评教信度预测模型。通过将评教等级以星级的方式反馈,强化学生评教意识,促进学生端正评教态度,使学生评教更加有效客观,从而使教师评价结果更加公正,让高校评教更好的为学校决策提供有力支撑。论文的主要工作如下:(1)学生评教信度特征构建。收集河北农业大学学生评教数据,通过探索性分析的方式对评教数据中客观分数和主观评语进行分析,构建了一组能对学生评教信度进行有效衡量的数据特征,同时,采用归一化方法统一量纲,并对数据特征进行相关系数分析,进一步优化了数据特征。(2)基于改进K-means算法的学生评教信度分级。根据学生评教信度特征,结合K-means算法,提出了基于邻域空间密度优化的K-means算法,该算法首先将数据进行网格划分,筛选出高密度网络,然后根据迭代因子不断合并网格中心,得到候选网格集,最后基于距离算法进行初始聚类中心选择,进行K-means聚类。改进算法在公共数据集上较原始算法准确率提升超过10%,同时提升了迭代效率。利用改进的K-means算法对学生数据进行聚类分析,辅助解决学生评教信度分级问题,实现了学生评教信度数据标注。(3)基于改进BP神经网络的学生评教信度预测。根据学生评教信度特征和数据标注结果,本文提出了基于乌鸦搜索改进的BP神经网络预测算法,对学生评教信度进行模型构建。该算法首先根据实验确定BP神经网络的网络结构和参数,然后利用乌鸦搜索算法对BP神经网络初始阈值和权值进行优化,避免了结果陷入局部最优,同时提升了预测准确率。改进算法在学生评教数据集上预测准确率达到95%,较原始BP网络提升5%,同时结果具有较好的稳定性。

关键词：学生评教信度特征评教信度分级评教信度预测改进K-means 改进BP神经网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：