數據挖掘技術在課堂教學評價中的應用

張繼成+張路

摘要：當前各個高校都非常重視課堂教學評價問題，數據挖掘作為一個新興的技術應用十分廣泛。本文闡述了聚類分析技術的方法，通過引入數據挖掘中的聚類分析技術，研究聚類分析在教學評價中的應用、具體實施過程以及算法的實現，結果證明數據聚類的聚類效果良好。

關鍵詞：數據挖掘；聚類分析；教學評價

數據挖掘技術是當前非常流行的一種技術，其應用領域廣泛，可以對數據挖掘按照數據庫類型、發現模式、使用技術等進行分類。而聚類分析是數據挖掘中比較活躍的研究領域，它廣泛應用于高校課堂教學評價中。本文主要研究聚類分析在高校課堂教學評價中的重要應用。

一、教學評價體系模型的構建

課堂教學評價體系是一個復雜的系統，評價體系有多種不同的常用指標組成，評價體系可以通過層次分析法來建立。層次分析法主要有四步，即建立評價系統的層次結構、構建判斷矩陣、計算權重向量、檢驗一致性。

二、聚類分析應用與教學評價模型

根據教師課堂教學評價表，采用數據挖掘流程的方法，利用典型的K-means算法，實現評價數據的聚類分析。

1.具體實施過程

（1）確定挖掘對象、目標。根據學院某一學年度學生課堂教學評價表中反饋的數據，整理200張某課程教學的評價表，研究教學評價數據與學生成績之間的關系。

（2）數據采集。在學院教務處采集學生對教師的課堂教學評價數據。

（3）數據預備處理。按照評價表中的評價指標對數據進行清理和轉換，經過轉換可以把多項評定項目轉換成五項重要的代表指標：教學素質、教學內容、教學方法、教學效果、教學管理，然后完成數據樣本的數據聚類。

（4）數據挖掘。對于數據樣本的聚類分析，本文采用K-means算法，經過反復聚類分析完成數據挖掘的任務。

2.算法的實現

（1）基本運算策略。在K-means算法中，首先要設置聚類數量為3，確定好聚類中心，通過在樣本中集合選取元素的方式，測算其他元素與聚類中心的距離，從而完成一次聚類過程，以此類推，最終完成聚類全過程。

（2）樣本數據的輸入。在記事本中，把采集的評價數據樣本按照某種格式輸入，把等待輸入的樣本數據存放在dt.dat文件中。用Numlist表示樣本個數，Numopt表示屬性個數，NumCluster表示簇的數目。

（3）流程圖

如圖1，其中，Loadlists（）為樣本獲取函數，InitClusters（）為聚類初始化函數，RunKmeans（）為聚類運行函數，ConvFlag為聚類結束的標識變量，Showcenters（）顯示簇的中心點函數。

3.數據聚類的結果

聚類的結果如表1所示：

其中，簇1占比24%，簇2占比64%，簇3占比12%，這個和實際教學的成績占比情況基本一致，聚類效果良好。

三、結語

本文分析了聚類分析技術的方法及教學評價模型的構建。研究了聚類分析在教學評價中的應用、具體實施過程、算法的實現，給出了數據聚類的結果，結果表明聚類效果良好。endprint