智能化時代學科評價的工具探索！

    在智能化時代

，隨著高新技術的快速發展
，新一代信息技術在教育評價領域的應用蓬勃興起，人工智能、大數據技術等推動著教育評價思維方式和評價模式的不斷改革和創新

，從傳統的數據采集、檔案建立、專家評分到數據挖掘和學習分析等教育評價方法和手段的轉變。智能化時代，合理應用人工智能、大數據技術的方法，科學化學科評價的評價分析工具
，構建多維評估模型、增值評估模型、分類評估模型
、關聯規則模型等
，可將學科評價從基於小樣本或不完整信息的評價轉化為基於整體信息的多元化科學化評價。客觀的
、科學的
、有效的學科評價有利於學校更好地認清學科發展狀況
，規劃學科發展方向
，從而提高學科建設整體水平。

智能化時代教育的研究可以追溯到1976年
，Robertson發表了《教育中的人工智能》，從理論上探討了人工智能在人際交往和教育教學中的應用。［1］互聯網技術、大數據技術

、人工智能的發展。進一步推動了智能化教育的快速發展。2016年烏鎮智庫
、網易科技、網易智能聯合發布了《烏鎮指數：全球人工智能發展報告》，指出智能大教育主要體現在智能評測、個性化輔導、兒童陪伴等。［2］2019年聯合國教科文組織在北京召開了以“規劃人工智能時代的教育：引領與跨越”為主題的人工智能與教育大會。會議圍繞政策製定、教育管理、教學與教師、學習與評價
、價值觀與能力培養
、研究與監測等議題規劃人工智能時代的教育。［3］zhinenghuashidai，duijiaoyubianhuaxingshihetediandeyanjiufenxiyuelaiyueduo，danjiaoyupingjialiluntixishangweixingcheng。muqiandeyanjiuzhuyaojizhongzailiangfangmian。yishiduizhinenghuashidaijiaoyupingjiadehongguansikao，rurengongzhinengqudongjiaoyupinggudezhinenghuayunxing
，cujinjiaoyupinggudexiandaihua
、專業化。［4］二是對智能化時代教學技術評價的探索，如基於智能技術的自動評價方法探究。［5］但是以上的研究都未涉及高等教育中學科評價的範疇。

本文主要介紹大數據技術、人工智能技術在高等教育學科評價中的應用
，構建數據模型，將評價方法與智能化時代新技術深度融合，進行持續發展的智慧評價。

學科評價要貫徹落實國家關於教育評價的最新改革要求。《總體方案》中提出要“推進高校分類評價，引導不同類型高校科學定位

，辦出特色和水平”。學xue科ke評ping估gu在zai堅jian持chi多duo元yuan評ping價jia的de同tong時shi，可ke有you意yi識shi地di引yin導dao高gao校xiao的de合he理li定ding位wei。目mu前qian常chang用yong的de學xue科ke評ping價jia指zhi標biao體ti係xi往wang往wang將jiang學xue科ke按an照zhao學xue科ke門men類lei劃hua分fen後hou進jin行xing評ping價jia。若ruo引yin入ru高gao校xiao的de特te色se和he定ding位wei，避bi免mian一yi把ba尺chi子zi量liang到dao底di，將jiang更geng有you利li於yu學xue科ke的de發fa展zhan
，為wei國guo家jia社she會hui提ti供gong更geng優you質zhi的de服fu務wu。若ruo從cong學xue科ke門men類lei和he高gao校xiao分fen類lei兩liang個ge維wei度du進jin行xing分fen類lei
，將jiang導dao致zhi大da量liang類lei別bie的de產chan生sheng
，不bu適shi合he目mu前qian的de學xue科ke評ping價jia。考慮當前學科評價的實際情況，可采用聚類方法
，對不同門類的學科進行預處理。根(gen)據(ju)高(gao)校(xiao)的(de)特(te)色(se)和(he)水(shui)平(ping)，將(jiang)相(xiang)似(si)的(de)記(ji)錄(lu)聚(ju)類(lei)到(dao)相(xiang)似(si)的(de)簇(cu)中(zhong)，差(cha)異(yi)較(jiao)大(da)的(de)記(ji)錄(lu)被(bei)劃(hua)分(fen)到(dao)不(bu)同(tong)的(de)簇(cu)中(zhong)。得(de)到(dao)簇(cu)以(yi)後(hou)
，將(jiang)簇(cu)作(zuo)為(wei)進(jin)一(yi)步(bu)輸(shu)入(ru)，采(cai)用(yong)神(shen)經(jing)網(wang)絡(luo)方(fang)法(fa)產(chan)生(sheng)連(lian)續(xu)輸(shu)出(chu)，對(dui)學(xue)科(ke)進(jin)行(xing)深(shen)入(ru)評(ping)價(jia)和(he)預(yu)測(ce)發(fa)展(zhan)。評(ping)價(jia)的(de)結(jie)果(guo)可(ke)以(yi)使(shi)高(gao)校(xiao)和(he)學(xue)科(ke)更(geng)清(qing)晰(xi)地(di)了(le)解(jie)自(zi)身(shen)定(ding)位(wei)，找(zhao)準(zhun)發(fa)展(zhan)方(fang)向(xiang)。

在(zai)學(xue)科(ke)建(jian)設(she)中(zhong)，一(yi)個(ge)學(xue)科(ke)的(de)發(fa)展(zhan)需(xu)要(yao)一(yi)個(ge)地(di)區(qu)多(duo)個(ge)學(xue)科(ke)的(de)協(xie)同(tong)支(zhi)持(chi)。應(ying)發(fa)揮(hui)地(di)區(qu)的(de)資(zi)源(yuan)集(ji)聚(ju)優(you)勢(shi)
，形(xing)成(cheng)更(geng)大(da)的(de)建(jian)設(she)合(he)力(li)。在(zai)對(dui)學(xue)科(ke)進(jin)行(xing)科(ke)學(xue)評(ping)價(jia)的(de)同(tong)時(shi)，可(ke)有(you)引(yin)導(dao)性(xing)地(di)探(tan)索(suo)跨(kua)學(xue)科(ke)、跨領域
、可進行協同創新的學科。可采用關聯規則方法挖掘隱藏於特定數據集中的關聯信息。

     在(zai)學(xue)科(ke)評(ping)價(jia)過(guo)程(cheng)中(zhong)，各(ge)個(ge)學(xue)科(ke)的(de)評(ping)價(jia)屬(shu)性(xing)數(shu)量(liang)相(xiang)當(dang)大(da)，需(xu)預(yu)防(fang)多(duo)重(zhong)共(gong)線(xian)性(xing)，即(ji)評(ping)價(jia)屬(shu)性(xing)間(jian)的(de)相(xiang)互(hu)關(guan)聯(lian)，過(guo)於(yu)強(qiang)調(tiao)某(mou)些(xie)特(te)定(ding)屬(shu)性(xing)會(hui)導(dao)致(zhi)評(ping)價(jia)結(jie)果(guo)不(bu)客(ke)觀(guan)。可(ke)利(li)用(yong)主(zhu)成(cheng)分(fen)分(fen)析(xi)法(fa)減(jian)少(shao)變(bian)量(liang)的(de)個(ge)數(shu)
，確(que)保(bao)主(zhu)成(cheng)分(fen)變(bian)量(liang)的(de)相(xiang)互(hu)獨(du)立(li)性(xing)。

聚類方法將數據對象分成多個簇，在同一個簇中的對象之間具有較高的相似性，而不同簇中的對象差別較大。［6］常用的聚類方法有劃分方法、層次方法、基於密度的方法、基於網格的方法
、基於模型的方法等。

學科評價過程中，將學科的屬性數據進行預處理
，表示成向量的形式。例如[X1...Xf...Xp]用表示一個含有p個評價屬性的學科。這些屬性可以是師資隊伍質量、師資數量、課程教學質量
、學生國際交流、學位論文質量、學術論文質量、出版專著教材、科研獲獎
、科研項目等，這些屬性都是用數量來表征的。那麼n個學科就可用下列矩陣表達。

使用相異度矩陣（dissimilarity matrix）D來描述不同學科兩兩間的近似性
，其中d（i
，j）是學科i和學科j之間相異度的量化表示。當學科i和學科j之間越相似

，其值越接近於0，反之，兩門學科間相異度值越大。D是主對線上為0的對稱矩陣。

不同的計量單位會產生不同的聚類結構

，直接影響聚類分析的結果。因此，為了避免對度量單位選擇的依賴
，可先將學科數據標準化。［7］

以劃分方法中最常用的K-均值法生成學科聚類的簇為例，應用SAS Enterprise Miner中的K-均值法進行分析。流程描述如表1所示。同一個學科簇中的學科在門類、所屬高校特色和定位等方麵是相似的，不同簇中的學科在各方麵是相異的。

由於K-均值法需指定結果簇的數目K，可應用無需指定簇數目的BIRCH法，通過構造聚類特征樹（CF樹）進行層次聚類。
 

在學科聚類後，可邀請專家對生成的簇進行判斷
，是否與實際情況基本相符。

采用聚類方法得到學科簇以後，再采用神經網絡方法
，可將學科簇作為輸入

，對學科進行進一步評價，並預測發展。神經網絡是一組連接的輸入/輸出單元，其中每個連接都與一個權值連接而成。［8］在學習階段，可自動調整神經網絡中權值等各種參數，使其能預測輸入學科所屬的類別，例如頂尖學科、優勢學科、特色學科
、普通學科、潛力學科等。

首先
，確定神經網絡的拓撲結構，根據學科評價屬性的個數確定輸入層的單元數、隱藏層數，每一隱藏層的單元數以及輸出單元數。學科的評價類別數可作為輸出單元數。隱藏層數、隱藏層每層單元數需要事先確定，而權值等通過訓練自動產生。

     以前饋網絡的後向傳播方法為例，對學科進行評價，如圖1所(suo)示(shi)。每(mei)個(ge)前(qian)饋(kui)網(wang)絡(luo)的(de)單(dan)元(yuan)有(you)一(yi)個(ge)偏(pian)置(zhi)，用(yong)於(yu)改(gai)變(bian)單(dan)元(yuan)的(de)活(huo)性(xing)。隱(yin)藏(zang)層(ceng)和(he)輸(shu)出(chu)層(ceng)的(de)每(mei)個(ge)單(dan)元(yuan)取(qu)淨(jing)輸(shu)入(ru)，將(jiang)一(yi)個(ge)激(ji)勵(li)函(han)數(shu)作(zuo)用(yong)於(yu)它(ta)，表(biao)示(shi)神(shen)經(jing)元(yuan)活(huo)性(xing)。神(shen)經(jing)網(wang)絡(luo)學(xue)科(ke)評(ping)價(jia)方(fang)法(fa)的(de)流(liu)程(cheng)描(miao)述(shu)如(ru)表(biao)2所示。

用訓練好的神經網絡對學科簇進行評價時，在輸入學科的各評價屬性後，神經網絡可識別學科的類別
，分辨出屬於哪類學科等。

當前學科技術發展日新月異，學科間相互滲透、相互融合。學科建設中，一個學科的發展需要多個學科的協同支持。對學科進行科學評價的同時，也可有引導性地探索跨學科
、跨領域可進行協同創新的學科。

在學科申報文本、學科論文、專利文獻中存儲著海量信息。對這些文本特征進行有效選擇
，選取最具代表性的特征項進行描述後，使用關聯規則Apriori方法挖掘特征項間的頻繁模式，發現隱藏的各高校學科間的潛在的相互聯係和關聯規則。

jinxingguanlianguizewajue。shouxian，jiangfeijiegouhuadewenbenjinxingyuchuli
，chouqugaoxiaoxuekedezhongyaotezhengci，guolvrongyuzhi。ranhou，xuanzewenbenzhongzuijudaibiaoxingdetezhengzhi，biaoshiweiXML形式
，將文本轉化為適合處理的中間結果。接著，利用頻繁項集向下具有封閉性的原理，應用Apriori方法通過連接、剪枝從頻繁1-項學科集遞歸發現頻繁k-項學科集。最後，根據頻繁學科集導出各高校學科間的相關性。Apriori學科評價方法的流程描述如表3所示。

頻繁學科集中的各門學科之間具有相互聯係，可互相扶持、相互融合，逐漸形成一批學科群落。其中有參天大樹、中流砥柱的主幹學科，亦有灌木叢林的輔助學科
，能維持良好的學科發展生態。隨著新技術、新(xin)思(si)想(xiang)的(de)融(rong)合(he)
，學(xue)科(ke)群(qun)落(luo)中(zhong)會(hui)產(chan)生(sheng)更(geng)多(duo)新(xin)的(de)研(yan)究(jiu)方(fang)法(fa)和(he)研(yan)究(jiu)熱(re)點(dian)。有(you)助(zhu)於(yu)我(wo)們(men)了(le)解(jie)當(dang)前(qian)科(ke)學(xue)發(fa)展(zhan)的(de)趨(qu)勢(shi)
，便(bian)於(yu)開(kai)展(zhan)研(yan)究(jiu)，迅(xun)速(su)占(zhan)領(ling)新(xin)科(ke)技(ji)領(ling)域(yu)的(de)前(qian)沿(yan)陣(zhen)地(di)。

上述聚類方法、神經網絡方法

、關(guan)聯(lian)規(gui)則(ze)方(fang)法(fa)都(dou)涉(she)及(ji)學(xue)科(ke)以(yi)及(ji)其(qi)評(ping)價(jia)屬(shu)性(xing)。智(zhi)能(neng)化(hua)學(xue)科(ke)評(ping)價(jia)過(guo)程(cheng)中(zhong)可(ke)能(neng)涉(she)及(ji)數(shu)萬(wan)條(tiao)學(xue)科(ke)記(ji)錄(lu)以(yi)及(ji)數(shu)千(qian)個(ge)評(ping)價(jia)屬(shu)性(xing)，數(shu)量(liang)巨(ju)大(da)。我(wo)們(men)注(zhu)意(yi)到(dao)並(bing)非(fei)所(suo)有(you)的(de)屬(shu)性(xing)都(dou)相(xiang)互(hu)獨(du)立(li)
，需(xu)預(yu)防(fang)多(duo)重(zhong)共(gong)線(xian)性(xing)
，即(ji)評(ping)價(jia)屬(shu)性(xing)間(jian)的(de)相(xiang)互(hu)關(guan)聯(lian)。這(zhe)些(xie)屬(shu)性(xing)被(bei)重(zhong)複(fu)計(ji)算(suan)
，無(wu)意(yi)中(zhong)被(bei)過(guo)於(yu)強(qiang)調(tiao)，從(cong)而(er)導(dao)致(zhi)評(ping)價(jia)結(jie)果(guo)不(bu)客(ke)觀(guan)。利(li)用(yong)主(zhu)成(cheng)分(fen)分(fen)析(xi)法(fa)減(jian)少(shao)變(bian)量(liang)的(de)個(ge)數(shu)，可(ke)確(que)保(bao)主(zhu)成(cheng)分(fen)變(bian)量(liang)的(de)相(xiang)互(hu)獨(du)立(li)性(xing)。

     主成分分析法將多個變量通過線形組合
，選出小部分重要變量集合來描述相關結構。［9］首(shou)先(xian)，對(dui)學(xue)科(ke)評(ping)價(jia)屬(shu)性(xing)值(zhi)進(jin)行(xing)標(biao)準(zhun)化(hua)處(chu)理(li)，然(ran)後(hou)，構(gou)建(jian)學(xue)科(ke)評(ping)價(jia)屬(shu)性(xing)的(de)相(xiang)關(guan)係(xi)數(shu)矩(ju)陣(zhen)，接(jie)著(zhe)，計(ji)算(suan)相(xiang)關(guan)係(xi)數(shu)矩(ju)陣(zhen)的(de)特(te)征(zheng)根(gen)和(he)特(te)征(zheng)向(xiang)量(liang)，隨(sui)後(hou)

，使(shi)用(yong)置(zhi)信(xin)度(du)法(fa)等(deng)
，確(que)定(ding)學(xue)科(ke)評(ping)價(jia)屬(shu)性(xing)的(de)主(zhu)成(cheng)分(fen)數(shu)量(liang)，最(zui)後(hou)
，合(he)成(cheng)主(zhu)成(cheng)分(fen)。由(you)於(yu)在(zai)計(ji)算(suan)過(guo)程(cheng)中(zhong)

，主(zhu)成(cheng)分(fen)屬(shu)性(xing)與(yu)原(yuan)始(shi)屬(shu)性(xing)的(de)相(xiang)互(hu)聯(lian)係(xi)是(shi)一(yi)一(yi)對(dui)應(ying)的(de)，因(yin)此(ci)
，最(zui)後(hou)可(ke)以(yi)利(li)用(yong)訓(xun)練(lian)集(ji)進(jin)行(xing)驗(yan)證(zheng)分(fen)析(xi)。

     主成分分析法和聚類方法
、神經網絡方法、關(guan)聯(lian)規(gui)則(ze)方(fang)法(fa)相(xiang)結(jie)合(he)後(hou)，以(yi)最(zui)小(xiao)的(de)信(xin)息(xi)丟(diu)失(shi)為(wei)前(qian)提(ti)，利(li)用(yong)降(jiang)維(wei)思(si)想(xiang)消(xiao)除(chu)評(ping)價(jia)指(zhi)標(biao)之(zhi)間(jian)相(xiang)關(guan)的(de)影(ying)響(xiang)，使(shi)學(xue)科(ke)評(ping)價(jia)結(jie)果(guo)更(geng)加(jia)合(he)理(li)。同(tong)時(shi)，降(jiang)維(wei)作(zuo)用(yong)很(hen)大(da)程(cheng)度(du)上(shang)降(jiang)低(di)了(le)學(xue)科(ke)評(ping)價(jia)工(gong)作(zuo)的(de)複(fu)雜(za)度(du)。

在智能化時代，教育評價秉承海量計算
、精準分析的原則，廣泛采集評價對象的全樣本數據，深度挖掘數據之間縱橫交錯的複雜關係。基於人工智能、大數據技術，如聚類方法、神經網絡方法、關聯規則方法等，極大地提高學科評價的信度，真正做到智能評價、智慧預測。學科評價中應用的新技術
、新(xin)方(fang)法(fa)有(you)助(zhu)於(yu)科(ke)學(xue)地(di)揭(jie)示(shi)高(gao)校(xiao)學(xue)科(ke)當(dang)前(qian)的(de)情(qing)況(kuang)和(he)將(jiang)來(lai)的(de)發(fa)展(zhan)趨(qu)勢(shi)，為(wei)高(gao)校(xiao)製(zhi)定(ding)新(xin)一(yi)輪(lun)的(de)學(xue)科(ke)發(fa)展(zhan)戰(zhan)略(lve)提(ti)供(gong)基(ji)本(ben)依(yi)據(ju)，從(cong)而(er)提(ti)高(gao)學(xue)科(ke)建(jian)設(she)整(zheng)體(ti)水(shui)平(ping)。

      在未來工作中，希望智能技術能融入學科評估的各方麵。在數據采集階段，能全時空全方位采集學科數據；在信息處理階段
，能快速實時集成數據；在評價分析階段，能采用更多更先進的智能預測技術；在評價結論反饋階段，能利用可視化技術
，個性化精準化輸出各高校學科的發展情況和趨勢。正如《總體方案》中所提到的
，“提高教育治理能力和水平，加快推進教育現代化”
，在智能化時代，希望學科評價能在新技術驅動下不斷走向現代化和專業化。