基于大数据的高校计算机教学质量评价研究

前言：

在信息技术快速发展的大背景之下，大数据已然成为推动高校教育教学改革的重要力量。大数据技术给高校计算机教学质量评价提供了全新思路与方法，让评价过程变得更加客观且全面。高校计算机教学质量评价属于衡量教育教学水平的重要依据，其科学性及有效性会影响教学改革方向与成效。传统评价方式存在主观性强与数据维度单一以及实时性差等问题，难以满足现代教育发展的实际需求，怎样充分利用大数据技术优势，有效规避其潜在存在的各种风险，构建科学合理的评价体系，成了当前高校计算机教学质量评价重要课题。

一、大数据环境下高校计算机教学质量评价的特征

大数据环境促使高校计算机教学质量评价迈向新发展阶段，教学过程里产生的多模态数据经物联感知设备及智能终端实时采集，让教学评价展现出鲜明特征。教师课堂教学行为数据与学生在线学习轨迹数据以及师生互动过程数据等多源异构数据融合分析，给评价主体提供更全面的决策依据。伴随深度学习算法在教育领域的应用，评价方式逐渐从静态评价转变为动态评价，从结果评价转变为过程评价，智能化评价工具可对教学质量进行实时监测及预警。基于知识图谱及语义分析技术构建的评价指标体系，把教学目标与教学过程以及教学效果等要素有机整合，形成多维度的综合评价模型。

二、基于大数据的教学质量评价存在的缺陷

在大数据背景之下高校计算机教学质量评价体系还未完全成熟，在实际运行的过程当中依旧面临着诸多挑战。从数据的采集一直到分析应用以及模型构建直至安全保障，各个环节均存在着需要改进及完善的相关问题，这些问题不但影响评价结果的科学性与可靠性，而且制约着大数据技术在教学评价里的深度应用，具体来说主要存在以下三个方面的缺陷。

（一）教学数据采集碎片化

教学数据采集的碎片化问题在大数据评价体系里尤为突出，教学过程所产生的非结构化数据难以开展系统化采集及整合。现有的教学评价系统针对课堂教学视频数据与学生表情数据以及教师语音数据等多模态数据缺少统一采集标准，这致使数据之间存在着严重的异构性。教学管理平台与在线学习平台以及实验教学平台等多个信息系统处于独立运行状态，平台间数据壁垒的存在让教学过程数据呈现出明显的割裂性[1]。教师课堂教学行为数据常常局限于单一维度的考勤记录及教案上传，没办法真实反映教学活动的全貌，而数据采集设备的分散部署以及数据传输协议的不统一，造成教学数据在采集过程中出现严重的时空断裂。

（二）评价分析模型单一化

评价分析模型单一化问题严重制约大数据在教学质量评价应用效果，现有的评价模型过分强调量化指标的统计分析，却对教学过程里定性因素缺乏深入的研究。传统线性评价模型无法有效处理教学评价多维度数据关联，模型预测能力与泛化能力比较弱，难以准确把握教学质量动态变化的规律。教学评价指标体系构建过程过度依赖专家经验，导致评价结果及实际教学效果存在较大偏差，深度学习算法在教学质量评价应用停留在浅层次数据处理阶段，模型自适应能力与可解释性都比较差，评价模型对教学场景适应性差无法依不同课程特点及教学目标灵活调整。

（三）数据信息安全风险化

数据信息安全风险于教学质量评价体系中日益凸显出来，智能数据采集设备广泛应用给教学数据安全存储传输带来新挑战。教学评价平台在数据加密以及访问控制方面存在明显漏洞，教师教学行为数据及学生学习过程数据面临泄露风险。分布式存储环境下的数据安全保护机制尚不够完善，教学评价数据在多个平台之间传输过程易遭恶意攻击篡改。区块链技术在教学数据安全管理当中应用还未成熟，数据溯源及权限管理机制迫切需要进一步完善，教学评价算法安全性设计存在不足情况令人堪忧，模型训练过程中数据投毒及后门攻击威胁评价公平性。

三、构建基于大数据的教学质量评价措施

针对当下高校计算机教学质量评价现存的问题，要从数据体系构建与分析模型优化以及安全机制完善等多个维度去采取有效措施。这些措施需立足于教学实践，充分考虑教育教学的规律，既要发挥大数据技术所具备的优势，又要确保评价过程的科学性及可操作性，为此提出以下三个方面的具体改进措施。

（一）建立全维度教学数据体系

要建立全维度教学数据体系就得构建统一的数据采集框架，并且要整合多源异构数据采集设备及技术平台[2]。物联网感知设备能够实时采集课堂教学视频与音频以及教师行为轨迹等多模态数据，智能终端则主要负责记录学生在线学习行为及互动数据。基于微服务架构的数据采集平台可以打通教务系统与学习管理系统以及实验教学系统等多个信息孤岛，进而实现教学全过程数据的无缝对接。标准化的数据采集接口及统一的数据传输协议能够有效解决数据格式不一致问题，教学数据采集系统会通过 ETL 工具对原始数据进行清洗与转换以及规范化处理，从而为后续的数据分析及评价建模奠定基础。

（二）优化智能评价分析模型

智能评价分析模型的优化得融合深度学习与知识图谱技术，构建具备自适应能力的多维评价体系。基于注意力机制及迁移学习的深度神经网络模型，能自动提取教学评价方面的特征，通过多层非线性映射发现教学质量潜在规律。知识图谱技术可对教学领域知识做语义化表示及推理，评价模型借助图神经网络实现对教学过程深度理解与动态评估，评价指标体系借助关联规则挖掘算法从历史数据学习优化权重，让评价结果更具科学性与可解释性，模型训练过程引入对抗学习策略提升模型自身的鲁棒性，可视化分析技术把复杂评价结果转化成直观决策支持信息。

（三）健全数据信息安全机制

健全数据信息安全机制得构建多层次安全防护体系，以此确保教学评价数据全生命周期安全，区块链技术能够实现教学数据的安全存储与可信传输，智能合约机制可保障数据访问的可控性及可追溯性。密态计算及联邦学习技术在保护数据隐私时支持数据的安全分析，差分隐私算法可有效防止评价数据逆向推理及身份识别。基于零信任架构的访问控制系统实现教学数据细粒度权限管理，安全多方计算技术支持跨机构教学数据的安全共享，数据安全管理制度明确规定数据采集存储使用规范流程，安全审计系统对数据操作行为展开全程监控[3]。

结语

大数据技术给高校计算机教学质量评价提供新发展路径。通过建立全维度教学数据体系与优化智能评价分析模型以及健全数据信息安全机制，可有效解决现有评价体系当中存在的问题。从教学实践角度来说，基于大数据的教学质量评价能够动态反映教学过程关键问题，为教学决策提供科学依据从而促进教学质量持续改进。未来还需在数据采集标准化与分析模型智能化以及安全机制规范化等方面持续探索，进一步加强数据治理能力建设并深化评价体系改革创新，不断完善高校计算机教学质量评价体系。

参考文献

[1]冷贝贝,朱奕杰.基于5G技术的高校计算机基础课程混合式教学研究[J].造纸装备及材料,2025,54(02):250-252.

[2]薛芳.智慧校园背景下高校计算机专业教学管理信息化改革路径研究[J].中国管理信息化,2025,28(02):221-223.

[3]林婧华.数智赋能背景下高校计算机课程教学转型的路径研究[J].中国宽带,2024,20(07):91-93.

作者简介：唐超，1974，男，汉族，湖南衡阳，硕士，高级工程师，研究方向：大数据及信息安全