基于支持向量机的学习过程性评价研究

摘要

学习评价能够使教师快速地了解学生在课堂教学中的学习表现，因此评价在课堂教学环节中扮演着非常重要的角色。传统评价方式是采用总结性评价方式，通过考试成绩来考察学生的最终学习结果，以成绩论能力。而在提倡素质教育的时代，传统评价方式已不能适应社会的发展，因而一种新的评价方式，即过程性评价应运而生。过程性评价既能够有效促进学生的学习，又能够优化教师教学。但是在过程性评价的使用过程中，仍然存在着缺陷，比如教师对学习者的偏见、逻辑错误，信息收集不足等，易造成过程性评价的信度与效度的降低，且过程性评价的使用易增加教师的工作负担。因此，需要提出一种更加科学、合理的方法来解决过程性评价中所存在的问题。
　　针对教育问题，由于数据挖掘技术能够处理海量数据中潜在的有用信息，因此数据挖掘已经应用于教学质量评价、远程教育、网络学习形成性评价等方面，且均取得很好的应用价值。对过程性评价结果进行分析，可以看出该问题是一个分类问题，而数据挖掘的任务之一就是进行分类，所以利用数据挖掘技术来实施。分类算法能够利用已有数据对未知结果进行预测分类，支持向量机同其他分类算法进行比较，在解决小样本、非线性及高维模式识别中表现出许多特有的优势。因此选择支持向量机算法来预测过程性评价的最终结果。
　　针对过程性评价的缺陷，利用支持向量机分类算法来解决，主要工作如下：
　　(1)分析过程性评价的三种表现形式，根据具体需求，选择使用评价量表来表现过程性评价。根据过程性评价指标体系中需遵守的相应设计原则，制定了《C程序设计》该门课程的评价指标体系，进一步制定相关的评价量表。
　　(2)由于评价指标内容可能存在缺失，且各评价指标间存在的非线性关系，因此，将支持向量机算法应用于学习过程性评价中，构建了基于支持向量机算法的过程性评价模型，用来解决过程性评价中存在的问题。
　　(3)对大同大学教育与科学学院上《C程序设计》课程的大一学生进行了过程性评价教学，并填写了相应的评价量表，并将评价量表中的数据进行统计、收集，得到多个数据集。然后应用MATLAB软件，利用LIBSVM对收集到的四个数据集进行仿真实验，并对其分析。将SVM算法的预测精度与BP神经网络进行比较，分析结果表明，支持向量机对多个数据集进行分类，具有很好的准确率，且预测精度优于BP网络，能够很好的预测未标记样本。

目录

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 论文的主要研究内容及研究方法

1.4 本章小结

2 学习过程性评价的理论与方法

2.1 学习过程性评价的理论

2.2 过程性评价的方法

2.3 本章小结

3 基于支持向量机的学习过程性评价模型

3.1 支持向量机概述

3.2 基于支持向量机的评价指标体系的构建

3.3 支持向量机的过程性评价

3.4本章小结

4 基于Matlab的学习过程性评价实例分析

4.1 数据的选取

4.2 评价结果分析

4.3 本章小结

5 总结

5.1 工作总结

5.2 下一步研究工作

参考文献

附录A：作者攻读硕士学位期间发表论文及科研情况

附录B：学习过程性评价量表

致谢