本文的选题来自辽宁省教育厅人文社会科学“移动云计算环境下基于认知模型的高校教学评价与优化模型”的项目。研究的出发点是为了在云计算环境下建立行之有效的辅助教学效果的评价模型。本文主要对其中的学习质量评价方面的问题进行深入研究。评价系统平台的结构设计从评价系统的工作流程出发,将平台分为四个模块分别为:数据采集模块、数据存储模块、数据分析模块和数据查询模块。通过数据采集模块进行数据的收集,经过数据存储模块进行数据存储,为之后的数据分析模块做数据准备,数据分析之后,用户可以通过数据查询模块查询该用户的预测结果。其中最为重要的是数据分析模块,在该模块中通过改进算法的方式使预测效果达到更佳。本研究主要分为两方面:一方面是调查问卷题项的选取,另一方面是回归预测的算法优化。在进行《基于认知的学习质量评价调查问卷》的编制时,从认知学习理论出发,采用经过国际公认的《学习动机策略问卷》(MSLQ)为基础,并结合《学习质量评价:SOLO分类理论(可观察的学习成果结构)》一书修改得来。将首轮获得的调查数据使用SPSS进行效度和信度的检验,剔除掉不适用的题项,保留对学习质量影响较大的题项。经过内部一致性的检验由之前的0.926提升到0.930。说明问卷的可靠性较高,能够作为基于认知的学习质量评价的依据。用于回归预测的数据是通过调查问卷的再次发放回收得来。在云计算平台上使用Python语言编写相应的算法,对数值型数据进行回归预测。回归预测时将会面临两个问题,一是欠拟合、二是扩展瓶颈。本研究要通过多个自变量预测因变量,所以首先采用多元线性回归算法预测。进行回归预测的目的是想得到更佳的预测效果,由于多元线性回归算法确定的回归模型是要满足所有样本的规律,往往会把异常点也考虑到模型中,最终得到的模型将会出现欠拟合的现象。为了能够提高预测效果,改进基本算法给局部的点加权,采用局部加权线性回归算法提高预测的准确度。随着研究的深入,数据量将会不断的激增,在进行数据分析时将会出现扩展瓶颈的问题,为了能够让改进的算法在运算速率上有所提升,将局部加权线性回归算法进行并行化的处理,使其符合MapReduce编程模型的运算要求。最后通过数据分析得到的复相关系数R和残差的平方和的大小来确定模型的精度。用户通过本评价系统预测学习质量,便于用户及时对之后的学习做合理规划。