基于AHP—GA方法的“人”字型课程结构关联度评价信息挖掘研究

[摘 要]本文对“人”字型课程结构的应用品质及具体特点进行了述评，对该课程结构的关联度评价信息进行了挖掘研究，并构建了该课程结构评价指标体系。在 AHP层次分析法基础上综合运用改进的遗传算法建立数据挖掘模型，并对该课程结构各项指标之间的关联度做出了科学的定量分析，为“人”字型课程结构评价指标量化工作提供了一个广阔的前景。

[关键词]“人”字型课程结构 AHP层次分析法 遗传算法 量化分析与挖掘

[中图分类号] G642.3 [文献标识码] A [文章编号] 2095-3437（2013）24-0001-04

一、“人”字型课程结构设计的品质

以人为本，差异化教学是该课程结构设计的指导思想，模块化课程设置是“人”字型课程结构的组成元素。该结构的主要特点是主导学生自主选课、实现学生个性发展、彰显技能特色、重视立德树人、促进创业就业或学识再提高。

二、“人”字型课程结构的建立

它以地方高校应用型本科教育培养目标为中心，将课程设置分为三大模块，每个大模块中又分为若干子模块，每个子模块由若干课程组成，见“人”字型课程结构图1。

■

图1 模块化“人”字型课程结构

我们认为基础理论素质模块好比人的左腿，人文修养素质模块好比人的右腿，专业素质模块好比人的身部，三大模块组成一个完整的“人”字型。基础理论模块是实现培养目标的基础，人文修养模块是立德树人的保障，专业素质模块是培养目标中心。

该课程结构特点具体表现在：第一，课程设置多维性。既要满足高等教育的学科体系，又包含职业教育元素，侧重技术、技能及知识的应用性。第二，课程开发多元性。培养目标、市场需求、学生特点、个性化教育、差异化教学等构成课程开发多元性。第三，课程目标定向性。遵循“鸟型不离卵”原理，无论外界环境如何变化，课程目标的应用性始终不变。第四，课程形态的自组织性。在知识体系中，基础理论处于稳定层，专业理论处于亚稳定层，技术知识处于不稳定层。因此，具有职业性、技术性特征的应用型本科教育要实现持续、协调发展，其课程形态须具有较强的自组织性。第五，课程内容的实践性。由模仿性实践向开发型、智力型、创新型实践转换。第六，课程体系模块化。主要解决人才培养周期长和市场需求变化快之间的矛盾；解决知识适应性与职业岗位针对性矛盾；解决学生个性与课程计划如何相适应矛盾。第七，课程设置的灵活性。应用型本科教育在于体现人的自我实现，课程设置多类型便于学生自主选择课程进行学习。

三、对“人”字型课程结构关联度评价要求

关联度评价是对课程结构实施教学过程的实际水平通过预定课程结构目标的程度进行的度量和判断。在评价过程中，要通过信息反馈，多征求校、企专家意见，第一线教师意见，找出评价结果和预定目标之间的差距，对课程结构中某些课程设置进行改进和调整，使之逐步完善。课程结构关联度评价应作为课程结构研究的一部分，也就是说，在构建课程结构的同时，就要把预期达到的目的和培养学生综合素质达到的水平规定明确，作为课程结构评价设定权重指标的依据。“人”字型课程结构虽然经过几年的教学验证，一定的理论探索和比较，但最终证明其课程结构是否科学可行，不能仅靠定性分析、定量分析和逻辑判断，最终结果应是教学质量的提高，这主要体现在学生的德、智、体、美全面发展，专业素质的整体优化和个性的健康发展。因此，课程结构关联度评价不仅是对课程结构本身，而且是对教学全过程、学生综合素质的全面评价。

课程结构关联度评价是一项复杂的系统工程，必须有详细的方案、合格的评价人员、组织机构、严格的程序，才能使评价收到预期的效果和充分发挥评价的导向、诊断、激励、调节、反馈的功能。

四、模块化“人”字型课程结构评价体系的建立

课程结构评价是根据一定的标准和所收集的信息对课程结构价值做出判断的过程。在实际课程设置中，影响该课程结构的相关因素很多，其主要属性有基础理论课深度的差异化，立德树人、提高综合素质、加强人文修养课的广泛性，拓宽专业知识口径、强化实践技能的专业知识课的应用性，各属性又有若干方面的具体要求，这就构成了子因素层评价指标。如表1所示。

五、模块化“人”字型课程结构评价方法

本文在AHP层次分析法的基础上，综合运用改进的遗传算法，得出课程结构各层次要素的定量分析（目标权重），确定评价指标体系各要素优先排序，最后对几种方案进行优化，从而制定出一套科学合理的课程结构相互关联度评价指标。本文构建的AHP-GA方法，为课程结构评价以及教育评价等量化工作提供了一个广阔的前景，为提高教育教学质量提供科学决策。

（一）挖掘模型及方法的建立

1. 建立模块化“人”字型课程层次结构一般模型

设“人”字型课程层次结构模型由主因素层A、子因素层① B、子因素层② C、具体要求层D组成。A层为课程结构总目标， B层为评价课程结构总目标的n个一级指标即B1，B2，...，Bn，C层为评价课程结构总目标的m个二级指标即C1，C2，...，Cm，D层为各二级指标的具体要求（观测点）D1，D2，...，Dk.由此所构的模块化“人”字型课程层次结构一般模型如图2所示：

■

图 2 课程结构关联度评价层次结构图

2. “人”字型课程结构层次要素判断矩阵的建立

对于各层要素， 分别以各自上一层级的要素为准则进行两两比较，根据AHP要求采用1～9级及倒数的判断尺度描述专家对各因素相对的重要性进行打分，并得到B层判断矩阵：PB={PBij|i，j=1，2，…，n}，元素PBij表示从主因素层A角度考虑要素Bi对要素Bj的相对重要性。对应于 B层要素Bn的 C层判断矩阵为PCn ={pcij|i，j=1，2，…cn}， cn表示对应于要素Bn的 层要素的数量。同理，对应于C层要素Cm的 D层的判断矩阵为PDm={pdij|i，j=1，2，…，cm}。由于判断各要素相对的重要性是有s个专家进行的， 因此各层要素就有s个判断矩阵。

3.“人”字型课程结构数据挖掘模型的建立

要确定同一层次各要素对于上一层某要素的相对重要性的排序权值并检验各判断矩阵的一致性，需应用AHP法做出评价与判断。现以判断矩阵PB为例进行论述：设 B层各要素的排序权值为wt ，

t= 1， 2，…，n且满足 wt>0 （1） ■wt=1 （2）

根据判断矩阵 PB 的定义， 理论上有pbij=wi /wj （3）

若判断矩阵 PB 满足 （ 3） 式，专家们能准确判断，则 PB有完全一致性。 由于课程内容的复杂性、专家在判断上的片面性、不稳定性、差异性， 课程要素的重要性又没有统一和确切的度量标尺， 专家们不可能精确判断 wi /wj的值，只能对权值估计判断。判断矩阵 PB 的一致性程度，主要取决于专家们对课程要素的掌握程度，对课程各要素重要度分析得越清楚， PB 的一致性程度就越高。应用 AHP法做评价，弥补了专家们对课程结构要素重要程度的分析差异，否则就没有必要应用 AHP 法。在这里AHP法只要求判断矩阵 PB 具有满意的一致性，以适应“人”字型课程结构中各种复杂因素。由 （3）式还可以得到

||PB·W-nW||=0|∞=0 W=（w1，w2，…，wn）T （4）

显然，（4）式左端的值越小，则判断矩阵 PB 的一致性程度就越高，当式（4）成立时则判断矩阵 PB具有完全的一致性。基于此，B层各要素权值的排序及其一致性检验问题可以归结为如下非线性优化问题。

minCIF=||PB·W-nW||∞ W=（w1，w2，…，wn）T （5）

s·t wt>0 t=1，2，…，n ■wt=1

（5） 式中，CIF为一致性指标函数，权值wt，t=1， 2，…， n为优化变量，其余符号同前。当判断矩阵 PB具有完全的一致性时，（4）式成立， 从而（5）式取全局最小值CIF=0，又根据（5）式的约束条件，可知该全局最小值是唯一的。

4. 应用 GA算法进行数据挖掘

由于（5）式中每个判断矩阵是由多个专家打分组成的， 即该优化问题有多个初始解， 若用常规方法较难处理多个初始解。我们用一种通用的全局优化方法来求解该问题实用有效，即模拟生物优胜劣汰规则与群体内部染色体信息交换机制的改进遗传算法。

（1） 采用二进制编码的方法对评价判断矩阵PB进行编码。由于该矩阵是一个对称矩阵，只需要把矩阵的一半元素进行编码即可完成，对每一个矩阵元素组成4位二进制编码，同时由5个专家提出的评价判断矩阵都完成编码后，则就获得了遗传算法中的一个初始种群X={xi|i=1，…，5}，该种群也就形成了5个初始个体。

（2） 对该种群X所有CIF值求总和处理。F=ΣCIFi （6）

计算每个个体的相对适应度的大小值m=fi/f，m为每一个个体被遗传下一代群体中的概率，每一个概率值可以组成一个小区域，这样就产生一个0到1之间的随机数，根据该随机数可能出现在上述哪个小区域内金星确定每个个体被选中的次数。对未能交叉的种群以0.7的概率完成单点交叉得到未变异种群，再对未能变异种群完成变异。

（3）对变异后的种群进行重插入， 获得最终的新种群。反复上面的步骤，直到CIF

（二）实证检验

以模块化“人”字型课程结构各因素层具体内容为实例来说明其挖掘模型的建立以及实施过程。根据图2的层次模型请5位专家分别对该模型中指标体系（见表1所示）中主因素层下的各子因素层以及子因素层②的各个观测点为依据进行两两比较可分别得到10个判断矩阵：

PB1= 1 3 7 4 61/3 1 4 3 31/7 1/4 1 1/3 1/21/4 1/3 3 1 21/6 1/3 2 1/2 1

PB2= 1 2 6 5 51/2 1 3 3 41/6 1/3 1 1/4 1/21/5 1/3 4 1 21/5 1/4 2 1/2 1

…PB5= 1 4 7 3 61/4 1 4 4 21/7 1/4 1 1/3 31/3 1/4 3 1 21/6 1/2 1/3 1/2 1 CB1=1 1/44 1 CB2=1 1/33 1…CB5=1 1/33 1

依据前面计算模型，以上述矩阵为初始种群，按照最优化目标，通过遗传算法进行全局搜索得到表1中所述的专业知识素质因素中子因素层①的具体权值如w1：

w1=0.50130.24060.5180.12620.0801

基础理论素质因素中子因素②的具体权值如w2：

w2=0.24690.7531

第 1层的最优化目标CIF=0.0021，第 2层的最优化目标CIF=0.0009。当CIF

现对权值w1、权值w2结果进行说明， 权值w1表明在专业知识素质下的各个二级指标中专业理论课是最主要的评价准则，专业课其次。权值w2表明在二级指标基础理论课下的三级指标中应用性是最主要的评价准则，完整性次之。

最后， 通过上述课程结构关联度模型对整个课程结构关联度评价指标体系进行计算， 可以得到所有指标的具体权值， 如表2所示。

表2 课程结构关联度评价指标权值

■

■

六、结论

综上所述，运用AHP-GA算法建立的“人”字型课程结构关联度评价指标体系更加注重了高校与企业的具体实施措施、师资结构、企业参与等指标，这些指标权重较高，这符合应用型本科教学要求。用该方法建立的课程结构关联度权重指标对加强地方应用型本科教育内涵建设，培养应用型高技能人才提供了较严谨、科学的评价数据。

[ 参 考 文 献 ]

[1] Pang-Ning Tan， Michael Steinbach， Vipin Kumar. Introduc？鄄

tion to Data Mining[M].北京：人民邮电出版社，2007.

[2] 高治军，杜嘉. 基于层次分析法与模糊评价的学科水平评估[J]. 重庆交通学院学报，2006，（3）.

[3] 黄光球，曹宇.基于粗 GA—AHP 的大学生技能提升策略研究[J].学理论，2009，（25）.

[4] 郭英，李文博.论高校管理信息系统课程教学中存在的问题及对策[J].吉林师范大学学报：自然科学版，2005，（1）.

[5] 高相铭，郭季.师范院校学生信息素养评价体系的构建研究[J].大学教育，2013，（2）.