數據挖掘在教務管理中的應用研究

王麗娜

(河南司法警官職業學院信息技術系,河南 鄭州 450011)

數據挖掘在教務管理中的應用研究

王麗娜

(河南司法警官職業學院信息技術系,河南 鄭州 450011)

為了全面了解學生在校的學習情況,更客觀地了解學校教學對學生學習狀況的影響,本文對學生的成績進行分析,采用了關聯規則的Apriori算法挖掘出了學生的前期課程和后續課程之間的關系、理論課程和實驗課程的關系、教師對學生學習情況的影響以及高中知識學習情況對大學學習情況的影響。

數據挖掘;關聯規則;Apriori

近年來隨著教育信息化建設的不斷推進和招生規模的擴大,作為高校信息化建設的一部分,教學管理系統的數據不斷膨脹,存儲了大量的成績數據,積累了海量的數據。但是目前大部分高校的教學管理系統的功能比較簡單,只能夠進行簡單的數據增加、刪除、修改以及一些簡單的評價功能,如學生成績的分布等。我們面對大量的數據卻無法獲得最想要的信息,雖然也有不少的研究者將數據挖掘的算法應用到教學管理系統中,但是研究涉及的問題具有片面性、單一性。如何從大量數據中發現潛在規律,找出隱含的信息和模式,從而提高高校教學管理水平,是目前高校迫切需要解決的熱點問題。

我們將數據挖掘技術應用于教學管理系統,重點挖掘和分析了學生培養計劃中的前期課程和后續課程之間的關系、理論課程與實驗課程之間的關系以及教學活動的兩個主要的參與者——教師教學情況對學生學習的影響。

1 關聯規則數據挖掘算法

數據挖掘技術［1一3］是從數據庫中大量的存儲數據中提取一些隱含的有用信息,它可以充分利用現有的數據,揭示這些數據隱藏的關系,為用戶提供科學、客觀的分析結果,并能夠對未來發展趨勢的預測提供一定的參考。

數據挖掘中的關聯規則算法是為了揭示兩個或者多個變量值之間存在的規律關系。在關聯規則的算法中,選取了Apriori［4］算法對數據進行挖掘分析。這個算法是影響力廣泛的挖掘數據之間布爾關聯規則的頻繁項集的算法。

這個算法使用了頻繁項集的先驗知識,并進行逐層的搜索迭代,找出下一層的頻繁項集。首先從已經進行過預處理的數據中,選取所有的項集作為最初的頻繁項集,這為第一層的頻繁項集,記為L1；然后利用L1項集尋找第二層的頻繁項集,記為L2；然后再利用L2,尋找L3；一直到找不出任何的頻繁項集,找出關聯規則,而且這些規則是滿足最小的置信度和支持度的。其中支持度是確定規則可以用于給定數據集的頻繁程度,而置信度是一個項在另一個項中出現的頻繁程度。

2 關聯規則在教學管理系統的功能

數據挖掘中的關聯規則是挖掘兩個或者多個條件之間的關系。而對于教學管理系統中,可以挖掘的條件比較多,例如學生的學習成績、理論課程成績、實驗課程成績、教師的信息等。

學校在安排學生學習專業課時,一般都會事先安排一些基礎課程,為專業課的學習打下基礎。而這些基礎課就是前期課程,而專業課成為后續課程。即使同為專業課程,學習的順序不同,對學生的學習狀況產生不同的結果,這也是挖掘的重點內容。而且目前針對教學管理系統的大部分研究,都忽略了一個非常重要的前期課程——高中課程。因此,在挖掘前期課程和后續課程之間的關系時,將高考的成績作為一個原始的項集加入到最初的頻繁項集中,從而挖掘高中的學習情況對于進入大學后學習情況的影響。

學生在進入大學之后,進行的是一個系統化的學習,不僅包括理論課也包括動手能力的訓練即實驗課程的學習,例如計算機等工科專業。計算機專業是一個很典型的應用訓練和理論學習并重的專業。而對于理論課程的學習是否和實驗課程的學習相關也是我們研究的內容。

本文研究的另一個關鍵點,是教學活動的兩個重要參與者——教師和學生中教師對學生的影響。教師作為教學活動的重要參與者,對于學生學習情況的影響是比較重要的。每個學期學生都要對本學期所學課程的教師教學質量進行評價。從學生所學課程的成績以及這名學生對于相對應的教師的評價來挖掘教師對于學生學習的影響。所以將教師的基本信息、學生的學習成績以及學生對該教師的評分作為Apriori算法中最初的項集,挖掘出關聯規則。

3 應用實例分析

研究使用的是我院2010級至2012級計算機應用技術專業的學生成績,采用c#語言和ORACLE數據庫系統進行數據管理和數據挖掘分析。首先進行預處理,將學生的成績分為優、良、中、及格這四個等級。學生成績在數據庫中的形式如表1所示。其中,如果學生所學的課程分為理論和實驗課則用“課程名1”表示為理論課程,“課程名2”為相應的實驗課,如“Java1”為Java的理論課程成績,Java2為實驗課成績。

在挖掘學生的前期課程和后續課程的關聯規則時,設最小支持度為0.3,最小置信度為0.5,得出如下一些強規則:如：(Flash,網頁設計)=＞(網站建設與規劃)支持度為90%,置信度為73%；(ACCESS)=＞(SQLServer數據庫管理技術)支持度為80%,置信度為81%；(C#語言程序設計)=＞(JAVA)支持度為80%,置信度為70%等。發現Flash,網頁設計對網站建設與規劃、ACCESS對SQLServer數據庫管理技術、C#對Java課程學習的好壞影響較大。從這些結果可以了解到前期課程的學習對于后續課程的學習有很大的影響。教師在教授前期課程時一定要引導學生重視該課程的學習,強調該前期課程對后續課程的影響。

表1 學生學習成績表

在評價學生高中成績對于大學成績的影響時,還使用了高考總成績和大學里面學生的平均成績作為項集進行挖掘,其中高考的總成績按照學生的入學成績進行排名分為優,良,中三個區段,所占比例分別為20%,30%, 50%,學生的在校平均成績按照分數分為優,良,中,及格四個等級。同樣的設置最小的支持度為0.3,最小的置信度為0.5,得出如下的規則：(高考成績=‘良’)=＞(在校平均成績=‘良’)的支持度為90%,置信度為50%；(高考成績=‘中’)=＞(在校平均成績=‘優’)的支持度為80%,置信度為30%。從結果看出,學生高中階段的學習情況對于大學的學習情況是有一定影響的,但是并不是非常重要。原因是學生在高中的學習是被動的學習,教師教什么學生學習什么,而大學學習是一個主動學習的過程,學習方式的轉變,導致了學生高中學習的成績對于大學學習成績的影響不是很大。

在挖掘理論課程和實驗課程之間的關系時,設置最小的支持度為0.3,最小的置信度為0.5,得到一些強規則,如：((ACCESS1)=‘良’)=＞(學(ACCESS2)=‘良’)支持度為85%,置信度為80%；((ACCESS2)=‘良’)=＞((ACCESS1)=‘良’)支持度為83%,置信度為75%。發現實驗課程的學習和理論課程的學習是相互促進的。

表2 教師基本信息表

圖1 學生對教師的評價表

在教學管理系統中,有一個教師的基本信息(如表2所示),從這個表格中可以知道某門課程的授課教師的基本情況。同時從一個選課表中,可以知道這個教師教授的課程。

圖1所示的為學生對教師的評價根據。不同的條件具有不同的權重,然后可以對教師評出一個總分。而且學校也會對教師有一個評價,評價標準也是圖1所示。并且學校和學生對教師的評價設置不同的比重值,這才得出最終的教師的評價總分。然后將這個總分化為5分制即優秀、良好、中等、及格和不及格。然后針對于這個評價總分,再結合教師所教授班級的平均分,進行數據整理,形成了教師評價表,如表3所示。

表3 教師評價表

針對于表3,進行數據挖掘,設最小支持度為0.3,最小置信度為0.5,得出如下一些強規則:例如(教師評價等級(ACCESS)=‘良’)=＞(學生成績(ACCESS)=‘良’)支持度為80%,置信度為70%。從得出的強規則可以了解到教師對于學生的學習是有較大影響的。

4 結語

我們將關聯規則數據挖掘算法用于教務管理數據,分析得出對于大學的課程而言,前期課程對于后期課程、高中學習情況對于大學的課程學習、實驗課程的學習對于理論課程的學習、教師對于學生的學習都是有一定影響的。這些發現的規律和模式,可以使教務管理者做決策時更加有的放矢,提高教學管理水平。

［1］JiaweiHan,MichelineKamber.數據挖掘概念與技術［M］.北京:機械工業出版社,2007.

［2］邵峰晶,于忠清.數據挖掘原理與算法［M］.北京:中國水利水電出版社,2003.

［3］蔡偉杰,張曉輝,朱建秋,等.關聯規則挖掘綜述［J］.計算機工程,2001(5):8一9.

［4］周翠紅.數據挖掘中關聯規則的研究及在高校教學質量評估中的應用［P］.長沙:中南大學,2007.

Study on the APPlication of Data Mining in Educational Administration

Wang Lina
(Department of Information Technology Henan Judicial Police Vocational College,Zhengzhou Henan 450011)

In order to understand the students’s learning at school comprehensively,more objectively understand the influence of teaching on studentsˊlearning,this article analyzed the studentˊs learning results,used Apriori algorithmof association rulesto evacuatethe relationship between studentsˊpre一course and subsequent course,relationship between studentˊs theoretical courses and experimental courses,teachers’influences onstudents’study,and influences on learning situation of high school knowledge on learning in university.

Data mining;Association rules;Apriori

TP311

A

1003一5168(2015)07一0004一3

2015一6一25

王麗娜(1973一),女,碩士,副教授,研究方向:數據挖掘。