云 洁，白 雪
（1.内蒙古大学，内蒙古 呼和浩特010021；2.内蒙古建筑职业技术学院，内蒙古 呼和浩特010070）
0 引 言
在互联网技术和大数据技术发展的今天，多源数据已成为教育质量综合评价的重要依据[1⁃3]。使用大数据、合理规划和存储已成为教育发展和改革的重要因素。利用信息技术，可采用统一的教育质量评价标准，减少相关人员的工作量，从而提高教育质量评价的准确性和可靠性[4⁃6]。通过使用因特网监测和评估有关教育质量的综合数据，可以提高教育质量，推动教育领域的全面改革[7]。
当前已经有较多学者开展了关于计算机网络远程教学质量评价的研究，提出了许多有效的计算机网络远程教学质量评价方法[8⁃10]。最初人们采用专家系统进行计算机网络远程教学质量的评价，但是其评价误差比较大，随后，随着机器学习算法的出现，出现基于人工神经网络的计算机网络远程教学质量评价方法[8⁃10]。这些方法首先要建立计算机网络远程教学质量指标体系[11⁃13]，然后采用BP神经网络以及改进神经网络方法建立高校教学质量评价模型，完成对教学质量的评价[14⁃15]，但是上述计算机网络远程教学质量评价结果存在评价准确度差的问题。
为了提高计算机网络远程教学质量评价准确性，提出基于大数据驱动的计算机网络远程教学质量评价方法，并与其他计算机网络远程教学质量评价方法进行对比实验。实验结果表明，本文评价方法有效提高了教学质量评价的准确性，较传统方法应用效果更优越。
1 计算机网络远程教学质量评价方法
大数据驱动的教学质量评价，可以实现对学生学习相关数据的全程评价、记录与分析，一个学生的学习是一个非常复杂的过程，远程教学质量不能仅仅通过成绩评判，正如一个学生的优秀程度不能仅仅通过学习成绩评判一样。此外，由于无法知道学生在学习过程中发生了什么，也无法仅通过评价成绩改善教育过程。基于此，本文所研究的计算机网络远程教学质量评价方法分为两部分：一部分是学生行为数据的采集；另一部分是多层次的评价，即学生相关数据信息的多种采集，具体内容如下。
1.1 远程教学相关数据采集
在这一部分主要对学生行为数据进行采集，大数据驱动评价过程的一个关键步骤是发现描述学习行为的数据。该平台记录了大量与学习行为相关的数据，学生行为数据主要包括以下四类：
1）教学资源：远程教学在线时间，与鼠标和键盘的操作次数相匹配作为有效数据。
2）论坛数据：论坛发帖和回复的数量和质量，使用文字数量和浏览响应率作为有效数据[5]。
3）联机笔记：学生笔记数。
4）联机测试：包含自测和联机统一测试。
远程教学相关数据采集和处理步骤如图1所示。
通过图1的数据采集处理过程，提取学习者行为信息，具体描述内容如表1所示。依据远程教学相关数据采集获得学习者行为数据，为计算机网络远程教学质量评价提供基础数据。
1.2 建立计算机网络远程教学质量评价指标体系
采集集成远程教学相关数据，获得学习者行为数据信息，将其分别存储到计算机中，并将学号作为唯一标志，将多张学习者行为描述表合并为一个综合学习行为的汇总表，如表2所示。
图1 数据采集处理过程
表1 学习者行为描述
表2 学习信息行为集成
在学习信息行为集成的基础上，建立计算机远程教学质量评价指标，如表3所示。
上述过程完成了各种学生相关数据信息的采集与评价指标的确定。
1.3 确定评价指标权重
在上述评价指标建立的基础上，采用层次分析法确定评价指标权重，实现步骤如下：
1）构建层次模型，从深入分析实际问题出发，将评价指标具体划分成若干层。各层次指标由右到左，最左部分要素是目的要素，一般只有一层要素，中间会有一层要素。最右部分是对象层，逐步对目标因素进行分解，层次模型如图2所示。
表3 评价指标体系
图2 评价指标的层次结构
2）构造判断矩阵，将模型中每一层中的各元素相对于上一层中某一元素进行两两重要性比较，并将比较结果构造为一个判断矩阵。对于目标层与计划层之间的各层因素，采用比较法对同一层的各因素重要性标度进行比较，层次分析法重要性标度含义如表4所示。
表4 层次分析法重要性标度含义
3）在上述判断矩阵的基础上，进行一致性检验，一致性检验就是在因子中对因子相对重要性的思维逻辑保持一致。首先对其归一化处理，计算表达式为：
式中：W i代表第i行元素的乘积；N代表指标评价数量；E代表归一化处理参数。
在式（1）的基础上，得出判断矩阵的最大特征根及其对应的归一化特征向量，即归一化的特征向量各元素即为该层次各元素相对于上一层次某一元素的权重，当最大特征值大于N时，判断矩阵不具有完全一致性，则需要重新调整矩阵，直到达到一致性后停止计算，最终求出各层次组成因素相对于总目标的组合权重，进而得出各目标的权重值或多指标决策各可行方案的权重值，输出计算结果，最后引入深度学习算法对计算机网络远程教学质量的评价数据进行学习，建立计算机网络远程教学质量的评价模型。
2 实验结果与分析
2.1 实验环境
为验证此次研究的大数据驱动的计算机网络远程教学质量评价方法的有效性，将文献[14]的优化BP神经网络的高校教学质量评价模型、文献[15]的改进GA⁃BP神经网络的高校教学质量评价方法与本文方法做对比实验，对比三种教学质量评价方法的精度。计算机网络远程教学质量评价测试环境具体如表5所示。
2.2 实验数据
对某高校大一、大二年级的学生远程教学质量进行仿真实验，各个年级随机抽取不同数量学生作为实验对象，进行5次计算机网络远程教学质量评价仿真实验，实验数据样本数量如表6所示。
表5 计算机网络远程教学质量评价测试环境
表6 计算机网络远程教学质量评价的实验数据
2.3 计算机网络远程教学质量评价指标权值
采用层次分析计算计算机网络远程教学质量评价指标的权值，如图3所示。从图3可以看出，不同的计算机网络远程教学质量评价指标权值差异比较大，表示它们对计算机网络远程教学质量评价结果的影响不一样。
图3 计算机网络远程教学质量评价指标权值
2.4 大一年级计算机网络远程教学质量评价结果
对于大一的计算机网络远程教学质量评价数据，采用本文方法与文献[14⁃15]的教学质量评价方法进行对比测试，结果如图4所示。分析图4可知：本文方法的计算机网络远程教学质量评价精度高，5次仿真实验教学质量评价误差均小于5%；而文献[14⁃15]的高校教学质量评价效果较差，最高评价误差超过10%，无法获得理想的计算机网络远程教学质量评价结果，对比实验验证了大数据驱动的计算机网络远程教学质量评价方法的优越性。
图4 大一年级的计算机网络远程教学质量评价精度对比
2.5 大二年级计算机网络远程教学质量评价结果
分别采用文献[14⁃15]的高校教学质量评价模型以及本文模型对大二的计算机网络远程教学质量数据进行评价，结果如图5所示。由图5可知，文献[14⁃15]的高校教学质量评价误差大，远高于本文提出的大数据驱动的计算机网络远程教学质量评价方法，因此，本文方法提高了高校教学质量评价精度，获得了理想的高校教学质量评价结果，再次验证了大数据驱动的计算机网络远程教学质量评价方法的优越性。
图5 大二年级的计算机网络远程教学质量评价精度对比
综上所述，大数据驱动的计算机网络远程教学质量评价方法由于采用了大数据分析方法对学习者的行为数据进行采集，并建立了关于计算机网络远程教学质量的评价指标，采用层次分析法确定计算机网络远程教学质量评价指标的权值，并对其进行评价，对比测试结果表明，大数据驱动的计算机网络远程教学质量评价方法比传统方法的评价误差小，准确度高，能够满足计算机网络远程教学质量评价需求。
3 结 论
为了解决当前计算机网络远程教学质量评价过程中存在的一些难题，以提高计算机网络远程教学质量评价效果为目标，设计了基于大数据驱动的计算机网络远程教学质量评价方法，并通过实验验证了该方法的有效性。结果表明，本文方法能够提高远程教学质量评价的准确度，能够根据教学质量评价结果及时分析出计算机网络远程教学中存在的问题，并根据存在的问题提出相应的解决措施，不断提高计算机网络远程教学质量。
但是由于研究时间的限制，此次研究还存在一定的不足，在实验上仅选取了大一、大二年级作为研究对象，数据结果的代表性上还有不足的地方，在后续的研究中，将充分选取数据样本进行实际分析，以提高实验结果分析的准确性。
