利用學科成績數(shù)據(jù)挖掘提升高校教務(wù)管理水平的路徑探索

林月嬌

隨著信息化和網(wǎng)絡(luò)化進程的不斷演進，人類由于生活和生產(chǎn)作業(yè)所形成的數(shù)據(jù)信息量正以幾何級的增長速度不斷產(chǎn)生。目前，我國許多高校都開展了以校園網(wǎng)為平臺的“數(shù)字化”校園建設(shè)，大量與學生成長相關(guān)的學科成績和其他評價分析數(shù)據(jù)被儲存記錄下來。本文主要研究利用知識發(fā)現(xiàn)的理論方法對這些數(shù)據(jù)做深度的研究分析，挖掘出數(shù)據(jù)間隱含的關(guān)聯(lián)關(guān)系，以便更好地應(yīng)用管理創(chuàng)新理論，提高學生管理的信息化水平，提升高校教務(wù)管理水平。

一、知識發(fā)現(xiàn)與數(shù)據(jù)挖掘的理論基礎(chǔ)

（一）知識發(fā)現(xiàn)的研究綜述

知識發(fā)現(xiàn)（Knowledge Discovery in Databases，KDD）一詞最早出現(xiàn)在1989年8月美國底特律召開的第11屆國際聯(lián)合人工智能學術(shù)會議上[1]。1996年，知識發(fā)現(xiàn)被Fayyad U，Piatetsky，Shapiro G和Smyth P定義為：知識發(fā)現(xiàn)是從數(shù)據(jù)集中識別出有效的、新穎的、潛在有用的，以及最終可理解的模式的非平凡過程[2]。對KDD的研究主要包括從數(shù)據(jù)庫的角度進行研究以強調(diào)知識發(fā)現(xiàn)的效率，從機器學習的角度進行研究以強調(diào)知識發(fā)現(xiàn)的有效性，從統(tǒng)計分析的角度進行研究以強調(diào)知識發(fā)現(xiàn)的正確性，從微觀經(jīng)濟學的角度進行研究以強調(diào)知識發(fā)現(xiàn)的最大效用。KDD過程是多個步驟交互螺旋式上升的學習和總結(jié)過程[3]，基本流程包括：

（1）限定學習領(lǐng)域，儲備預先知識、確定學習目標；

（2）聚焦目標數(shù)據(jù)集，選擇一個數(shù)據(jù)集或在多數(shù)據(jù)集的子集上聚焦；

（3）數(shù)據(jù)預處理，數(shù)據(jù)降噪或數(shù)據(jù)清洗；

（4）數(shù)據(jù)轉(zhuǎn)換；

（5）確定數(shù)據(jù)挖掘功能法則；

（6）獲得知識信息、運用知識成果并重新選定學習目標。

在創(chuàng)新的過程中，單單依靠顯性知識已經(jīng)不足以支撐整個思維求異和技術(shù)創(chuàng)新的全流程。隨著數(shù)據(jù)量的爆炸式增長，傳統(tǒng)數(shù)據(jù)庫的檢索查詢已不能滿足信息社會的深層次需求，再加上傳統(tǒng)分析手段的落后，大量數(shù)據(jù)來不及整理、分析或利用就已“時過境遷”成為無效信息，而且被長期積壓在數(shù)據(jù)庫中浪費存儲資源。為了及時消解數(shù)據(jù)產(chǎn)生和數(shù)據(jù)理解之間的矛盾，還必須定期對數(shù)據(jù)進行深度挖掘，使得大量被隱藏的、有價值的信息得到有效利用。

（二）數(shù)據(jù)挖掘的理論探索

數(shù)據(jù)挖掘（Data Mining）是指使用算法來抽取信息和模式，通常是知識發(fā)現(xiàn)過程的一個重要步驟。數(shù)據(jù)挖掘融合了機器學習、模式識別、數(shù)據(jù)庫技術(shù)、統(tǒng)計學理論、人工智能及信息管理系統(tǒng)等多門學科的最新成果。應(yīng)用數(shù)據(jù)挖掘技術(shù)從大型數(shù)據(jù)庫中發(fā)現(xiàn)隱藏在其中的規(guī)律和有用信息，為管理層決策提供事實型數(shù)據(jù)和研究模式。

根據(jù)KDD的目標任務(wù)，數(shù)據(jù)挖掘任務(wù)可分為：分類或預測模型發(fā)現(xiàn)、數(shù)據(jù)總結(jié)與聚類發(fā)現(xiàn)、關(guān)聯(lián)規(guī)則發(fā)現(xiàn)、序列模式發(fā)現(xiàn)、相似模式發(fā)現(xiàn)、混沌模式發(fā)現(xiàn)、依賴關(guān)系或依賴模型發(fā)現(xiàn)、異常和趨勢發(fā)現(xiàn)等。而所要挖掘的對象則可以分為：關(guān)系數(shù)據(jù)庫、面向?qū)ο髷?shù)據(jù)庫、空間數(shù)據(jù)庫、時態(tài)數(shù)據(jù)庫、文本數(shù)據(jù)源、多媒體數(shù)據(jù)庫、異質(zhì)數(shù)據(jù)庫、遺產(chǎn)數(shù)據(jù)庫以及web等對象的挖掘。從方法論講，其挖掘方法一般分為：聚類分析、探索性分析、機器、統(tǒng)計、神經(jīng)網(wǎng)絡(luò)（Neural Network）、遺傳算法（Genetic Algorithm）、數(shù)據(jù)庫、近似推理和不確定性推理、基于證據(jù)理論和元模式、現(xiàn)代數(shù)學分析、粗糙集（Rough Set）、集成方法等方法[4]。

（三）小結(jié)

綜上，知識發(fā)現(xiàn)用于從大量數(shù)據(jù)中抽取規(guī)律信息，發(fā)現(xiàn)非預期或潛在的價值量，而數(shù)據(jù)挖掘作為知識發(fā)現(xiàn)的重要一環(huán)是與實踐應(yīng)用緊密相連的，兩者不僅僅是對數(shù)據(jù)的簡單檢索調(diào)用，而是從數(shù)據(jù)集合中自動提取出隱含在數(shù)據(jù)中的關(guān)系和模式，進而對未來可能發(fā)生的行為進行預測，為決策者提供有力支持。

二、高校成績管理與學科建設(shè)

成績是學生在校學習期間對所學知識理解掌握情況和教師教學質(zhì)量評價的原始記錄，對學校的教學管理和教學改革措施評價具有重要的參考價值[5]。成績管理是高校教學管理中的最為基礎(chǔ)性的一個環(huán)節(jié)，是根據(jù)教學目的和教學任務(wù)，

通過學生的實際量化考核分數(shù)來進行統(tǒng)計、查閱和分析的綜合性數(shù)據(jù)處理過程。該過程的科學與否，直接關(guān)系到教務(wù)管理的實際質(zhì)量和教學工作的可持續(xù)發(fā)展，特別是在網(wǎng)絡(luò)化和信息化的新形勢下，該項工作被素質(zhì)教育賦予更加深遠的現(xiàn)實意義。本文所指學科成績不僅限于學生的筆試成績，還包括了學生參加各種校內(nèi)外實習和培訓，以及其他形式素質(zhì)教育的量化數(shù)據(jù)。

（一）高校成績管理所面臨的新形勢

從宏觀上講，隨著國家高等教育普及工作的不斷推進，以及教育戰(zhàn)線“以人為本”理念的逐步深入，高校教務(wù)在成績管理這一環(huán)節(jié)上所面臨的任務(wù)顯得比以往任何時刻都更加繁重。

首先，院校擴建和學生擴招為學科成績管理模塊在數(shù)據(jù)容量上增加了壓力。近幾年，隨著一些高校教學資源的整合和擴充，許多高校設(shè)立了新校區(qū)、設(shè)置了新專業(yè)，反映在學生成績管理上則是成績數(shù)據(jù)的時空容量同時增長。每多出一個學生，從學籍材料到各年度學科數(shù)據(jù)再到圖形化成績資料都會相應(yīng)增加，教師教務(wù)管理系統(tǒng)所要處理的信息量也會相應(yīng)增加，這首先在量上增加了數(shù)據(jù)壓力。

同時，素質(zhì)教育為學科成績管理如何更好地服務(wù)教師施教和學生學習提出了新的課題。素質(zhì)教育是我國長期以來所推行的一項基本國策。學科成績是高校學生在校的唯一量化評價指標，如何通過這些數(shù)據(jù)來及時反映出學生的學習效果和心理需求、反映出教師隊伍的教學質(zhì)量和教學改革進度，已經(jīng)成為教務(wù)管理系統(tǒng)化的一個重要課題。

其次，教學管理模式改革為建立規(guī)范化的成績管理系統(tǒng)并進行深度信息挖掘提出迫切需求。當前許多高校都在積極推進教學管理制度改革，逐步以學分制和選課制替代原有的學年制和班級授課制度，這種模式的改革在提高學生的學習積極性的同時，無形之中也為成績管理工作帶來了一定難度，比如增加了課程設(shè)置的不確定性，成績管理不能再以自然班級為單位，而是必須以單個的學生或者學生組合為單位，使得成績管理更加復雜。

最后，網(wǎng)絡(luò)化和信息化的需求為傳統(tǒng)成績管理模式的轉(zhuǎn)型升級提出新的任務(wù)和方向。隨著學分制等改革進程的推進，學生成績管理系統(tǒng)的表單鏈路和字段設(shè)置都與傳統(tǒng)的數(shù)據(jù)庫有較大差異，如何及時處理這些數(shù)據(jù)并實現(xiàn)與其他系統(tǒng)的無縫鏈接，也是新時期高校成績管理的一大難題。