基于粗糙集的計算機文化基礎課程成績分析

劉娟，唐玄

(蚌埠學院 計算機科學與技術系，安徽 蚌埠 233000)

0 引言

在高等院校的計算機教學中，計算機文化基礎課程是非常重要的一門必修課程.它是計算機專業和非專業的基礎課程，是其他計算機相關課程的重要前導課程.由于該門課程關系到學生升學或就業以后能迅速而熟練地使用計算機相關的專業和非專業軟件，高等院校非常重視學生對計算機文化基礎課程的學習，通常會要求學生在學習該門課程后統一參加省級計算機一級考試.通過參加等級考試，可以促進學生對計算機文化基礎的學習，增強學生學習計算機文化基礎的動力，提高學生操作計算機的技能.為了提高學生的計算機文化基礎理論知識和實踐能力，本文將采用基于粗糙集的數據挖掘方法對安徽省計算機一級考試成績進行分析，獲取有益于教學與學習的相關數據信息，從而提高學生計算機水平，還可以為進一步研究粗糙集打下堅實的理論與實踐基礎.

1 粗糙集理論

1982年，波蘭學者Z.Pawlak 提出了一種用來處理不確定數據信息的理論.該理論在不需要事先提供相關附加知識的前提下對原始數據集進行分析，直接從給定的數據集合中找出隱含的知識，并提供與要解決的問題有關的結論.

粗糙集通常被定義為一個四元組:S=(U，A，V，f).U 被定義為包含所有數據對象的對象集，有U={x1，x2，...，xn}，也被稱作論域;A 為屬性集，包含條件屬性集C 和決策屬性集D，有A=C∪D={a1，a2，...，an}，并且C∩D=Φ，其中C 通常為屬性集，而D 通常為單屬性集;V 為屬性集A的值域;f 被定義為論域S 中數據對象的屬性集A 到值域V的映射函數.該四元組可簡寫為S=(U，A)，S 也被稱為信息系統或決策表.D的C 正域被記為POS(C，D)=∪{C_(X):X ∈U/D}，表示肯定屬于D的對象所組成的最大的集合.C 相對于D的屬性依賴度定義為γ(C，D)=|POS(C，D)|/|U|.屬性重要性被定義為σ(C，D，C')=γ(C，D)－γ(C－C'，D)，某屬性重要性越大，則該屬性對D 影響越大，即其取值對決策結果的影響就越大.

2 成績分析

2.1 原始數據獲取

從某班級學生進行的一次模擬考試中獲取數據庫表，對其整理可得表1.

表1 部分原始數據

2.2 離散化預處理

等級考試中，單項選擇題總分30分，多項選擇題總分10分，打字題10分，Windows 操作題8分，Word 操作題18分，Excel操作題14分，PowerPoint 操作題10分，總分100分.

首先，對各個題型的成績進行離散化處理.可以將各個題型的成績除以相應題型總分再乘以100.再按照［0，59］、［60－84］、［85－100］三個成績區間將各個題型成績及總分劃分為“不及格”、“及格”、“優秀”三個等級，并設置其值分別為1、2、3.

為方便書寫，特對表中各個屬性名稱進行更改，使用A1－A7 代表各題型，使用T 代表總分.離散化后的數據結果為表2.

表2 離散化后的部分數據

2.3 計算分析

根據粗糙集的定義，可得出:

根據公式計算可得每種題型屬性重要性分別為:

通過上面對給定的模擬考試數據集進行分析，表明單選題、多選題及Excel 操作題對學生成績影響比較大，打字題、Word題影響相對較小，Windows 操作題和PowerPoint 操作題影響基本可以忽略不計.再通過日常教學活動可知，學生由于對選擇題里的涉及的概念理解不深，對Excel的函數運用較為生疏，從而導致這兩種題型容易失分.而學生在日常上機和生活中，已經熟悉與打字題、Windows 操作題、Word 操作題、PowerPoint 操作題相關的操作，所以這些題型分數相對較高.因此，應促使學生在日常學習中加強理論知識的理解，多多練習Excel的函數運用，增強程序設計能力，才能提高計算機操作水平，并為以后學習程序設計課程或其他計算機相關課程打下基礎.

3 總 結

本文通過粗糙集模型對安徽省一級計算機等級考試進行了分析，為計算機文化基礎教學提供了指導方向，也為更進一步地研究粗糙集提供了實踐基礎.由于本文所獲取的原始數據量較少且數據信息完整，不能體現大數據量、數據集不完備情況下使用粗糙集進行數據挖掘的優點，希望下一次能進行改進.

［1］苗奪謙，王玨.粗糙集理論中概念與運算的信息表示［J］.軟件學報，1999，10(2):113－116.

［2］張文修，吳偉志.粗糙集理論介紹和研究綜述［J］.模糊系統與數學，2000，14(4):1－12.DOI:10.3969/j.issn.1001－7402.2000.04.001.

［3］韓禎祥，張琦，文福拴，等.粗糙集理論及其應用綜述［J］.控制理論與應用，1999，16(2):153－157.DOI:10.3969/j.issn.1000－8152.1999.02.001.

［4］胡可云，陸玉昌，石純一，等.粗糙集理論及其應用進展［J］.清華大學學報(自然科學版)，2001，41(1):64－68.

［5］李永敏，朱善君，陳湘暉，等.基于粗糙集理論的數據挖掘模型［J］.清華大學學報(自然科學版)，1999，39(1):110－113.

［6］梁吉業，曲開社，徐宗本，等.信息系統的屬性約簡［J］.系統工程理論與實踐，2001，21(12):76－80.

［7］韓禎祥，張琦，文福拴，等.粗糙集理論及其應用［J］.信息與控制，1998，27(1):37－45.DOI:10.3969/j.issn.1002－0411.1998.01.008.

［8］侯利娟，王國胤，聶能，等.粗糙集理論中的離散化問題［J］.計算機科學，2000，27(12):89－94.DOI:10.3969/j.issn.1002－137X.2000.12.023.

［9］王光宏，蔣平.數據挖掘綜述［J］.同濟大學學報(自然科學版)，2004，32(2):246－252.