一种基于人工智能大数据的省级教育教学评估系统

技术领域

本发明属于大数据分析技术领域，特别是涉及一种基于人工智能大数据的省级教育教学评估系统。

背景技术

大数据，或称巨量资料，指的是需要新处理模式才能具有更强的决策力、洞察力和流程优化能力的海量、高增长率和多样化的信息资产。在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》中大数据指不用随机分析法这样的捷径，而采用所有数据进行分析处理。

随着现代科技技术发展，大数据分析的应用领域越来越多。

传统的教师教学质量评估方式主要为学生评估、同行评估、督导专家评估。在学生评估中，学生带着感情色彩打分的现象非常普遍。在专家评教中，以及同行评估中，由于时间精力有限等原因，这类评价者会选择被评价者一堂课进行。只通过一个堂课来评价授课教师的授课质量有失偏颇，而评估多堂课又需要大量人力物力。

针对上述问题，本申请文件提供了一种基于人工智能大数据的省级教育教学评估系统，能够有效解决上述问题。

发明内容

本发明的目的在于提供一种基于人工智能大数据的省级教育教学评估系统，通过系统数据库记录大量与教育教学相关的数据以及对应的评估结果，采用决策树算法关联行为与结果构建分类模型，并根据分类模型对预处理后的分类数据作出评估结果，解决了现有的教学评估受个人感情影响较大、评估不准确的问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为一种基于人工智能大数据的省级教育教学评估系统，包括数据库、数据采集单元、查询统计单元、综合评估单元和系统维护单元；

所述数据采集单元包括数据采集模块、数据预处理模块和多源转换模块；所述数据采集模块用于根据教学评估需求从数据库中采集大量数据；所述数据预处理用于对选取好的数据进行初步的处理直至处理后的数据能够被系统识别和操作；所述多源转换模块用于预处理后的数据进行合并、转换；

所述查询统计单元包括查询模块和统计模块；所述查询模块用于对数据以及评估结果进行查询；所述统计模块用于对数据处理结果进行统计并展示；

所述综合评估单元包括决策树模块和分类模块；所述决策树模块用于对多源转换模块处理后的数据进行分析处理，总结出数据规律生成决策树评估模型；所述分类模型用于分类规则进行订制，将数据进行分类处理；

所述系统维护单元包括用户管理模块和数据管理模块；所述用户管理模块用于省内老师和学生的资料进行存储；所述数据管理模块用于对系统运行处理的数据进行存储。

优选地，所述数据预处理包括了对数据的集成、转换和清洗；当清洗过程中，出现间接数据和不完整数据，需要对数据进行填补和挖掘分类。

优选地，所述挖掘分类采用层次分析方法，具体步骤如下：

步骤S1：建立层次结构模型；

步骤S2：构造成对比较矩阵；

步骤S3：计算权重；

步骤S4：计算组合权向量并做组合一致性检验。

优选地，所述步骤S1中，建立层次结果模型包括准备情况、教学效果、教学内容、职业道德和教学方法五个指标。

优选地，所述步骤S3中，在计算权重的过程中，需要归一化处理得到特征向量W。

优选地，所述步骤S4中，根据步骤S2求出矩阵的最大特征值和特征向量W，得到一致性指标CI，计算公式如下：

式中，n为矩阵的维数。

优选地，所述决策树评估模型中包含了多个树分支和叶子节点；所述树分支代表数据属性的输出；所述叶子节点代表类的标号，通过遍历决策树的根和叶子节点，得到数据的分类。

优选地，所述决策树评估模型处理流程如下：

步骤C1：创建一个节点，节点包含所有的元素，且这些元素属于同一类；

步骤C2：当创建完决策时，样本集合list为空，输出结果为只有一个节点的决策树模型；

步骤C3：若list不为空，则选择一个包含样本最多的节点作为根节点，并将其化为一个分类test_list；

步骤C4：若test_list符合调节则可以进行分支操作，生成的分支代表，如果分支胃口，当前节点为包含样本的一个分类；

步骤C5：计算决策树的信息熵；

步骤C6：计算各个属性的信息熵；

步骤C7：计算信息熵的增加量；

步骤C8：将所有的属性都进行分支处理；

步骤C9：按照评分信息完成对决策树的评估。

本发明具有以下有益效果：

本发明通过系统数据库记录大量与教育教学相关的数据以及对应的评估结果，采用决策树算法关联行为与结果构建分类模型，并根据分类模型对预处理后的分类数据作出评估结果，避免人工评估的耗时耗力，提高教育教学评估准确率和效率。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的一种基于人工智能大数据的省级教育教学评估系统结构框图。

具体实施方式

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，所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1所示，本发明为一种基于人工智能大数据的省级教育教学评估系统，包括数据库、数据采集单元、查询统计单元、综合评估单元和系统维护单元；

数据采集单元包括数据采集模块、数据预处理模块和多源转换模块；数据采集模块用于根据教学评估需求从数据库中采集大量数据；数据预处理用于对选取好的数据进行初步的处理直至处理后的数据能够被系统识别和操作；多源转换模块用于预处理后的数据进行合并、转换；

查询统计单元包括查询模块和统计模块；查询模块用于对数据以及评估结果进行查询；统计模块用于对数据处理结果进行统计并展示；

综合评估单元包括决策树模块和分类模块；决策树模块用于对多源转换模块处理后的数据进行分析处理，总结出数据规律生成决策树评估模型；分类模型用于分类规则进行订制，将数据进行分类处理；

系统维护单元包括用户管理模块和数据管理模块；用户管理模块用于省内老师和学生的资料进行存储；数据管理模块用于对系统运行处理的数据进行存储。

其中，数据预处理包括了对数据的集成、转换和清洗；当清洗过程中，出现间接数据和不完整数据，需要对数据进行填补和挖掘分类。

其中，挖掘分类采用层次分析方法，具体步骤如下：

步骤S1：建立层次结构模型；

需要对评估的条件进行深入而详细的分析，在此基础上细化问题为不同的层次，分成需要遵循这样的原则：层与层之间按照顺序相互影响，受到上层的影响，同时影响下一层，最高层为最终目标，最底层为实现目标的方案；

步骤S2：构造成对比较矩阵；构建的比较矩阵，这个步骤S2从第二次开始，对比层与层之间的各种影响因子，构建比较矩阵；

步骤S3：计算权重；

步骤S4：计算组合权向量并做组合一致性检验。

其中，步骤S1中，建立层次结果模型包括准备情况、教学效果、教学内容、职业道德和教学方法五个指标；每个指标下还包含多个二级指标，如“优秀”、“良好”、“一般”、“较差”和“极差”。

其中，步骤S3中，在计算权重的过程中，需要归一化处理得到特征向量W。

其中，步骤S4中，根据步骤S2求出矩阵的最大特征值和特征向量W，得到一致性指标CI，计算公式如下：

式中，n为矩阵的维数；形成之后的结果还需要对向量进行一致性检测，如果这个一致性指标CI一致的话，则按照向量表示的结果可以进行决策了。

其中，决策树评估模型中包含了多个树分支和叶子节点；树分支代表数据属性的输出；叶子节点代表类的标号，通过遍历决策树的根和叶子节点，得到数据的分类。

其中，决策树评估模型处理流程如下：

步骤C1：创建一个节点，节点包含所有的元素，且这些元素属于同一类；

步骤C2：当创建完决策时，样本集合list为空，输出结果为只有一个节点的决策树模型；

步骤C3：若list不为空，则选择一个包含样本最多的节点作为根节点，并将其化为一个分类test_list；

步骤C4：若test_list符合调节则可以进行分支操作，生成的分支代表，如果分支胃口，当前节点为包含样本的一个分类；

步骤C5：计算决策树的信息熵；

步骤C6：计算各个属性的信息熵；

步骤C7：计算信息熵的增加量；

步骤C8：将所有的属性都进行分支处理；

步骤C9：按照评分信息完成对决策树的评估。

值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。