基于數據挖掘的高職院校課程體系建設和優化的應用研究

曾振東

摘要：隨著高職院校在國內教育領域占據地位的逐步提升，高職院校教學質量也引起了教育部門的高度重視。由于高職高專院校對人才的培養更加注重實訓能力，所以，課程體系的建設較之普通高校有著一定程度的差別，如何實現高職院校課程體系建設的科學性和合理性成為了目前高職院校管理者所面臨的一項重大研究課題。該文主要以數據挖掘技術為基礎，探討其在高職院校課程體系建設和優化中的應用，以此來為高職院校更科學的構建符合其發展目標的課程體系提供有力的決策支持，進而提升高職院校的教育教學質量。

關鍵詞：數據挖掘；高職院校；課程體系；設計與優化

中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2018）04-0104-03

在素質教育理念不斷深入的情況下，高職院校對于人才培養目標的制定，也逐步傾向于培養學生的綜合能力。近年來，為了從根本上實現教學目標，高職院校對課程體系進行了不斷優化與完善，同時借助數據挖掘技術，對課程體系建設中產生的大量數據進行挖掘、分析、總結，以此來給課程體系建設的科學性和完善性提供保障，這一舉措，對高職院校教學質量的提升也起著很大的推動作用。

1 數據挖掘概述

1.1 數據挖掘的概念

所謂數據挖掘，主要是指利用特定的算法在大量數據信息中搜索隱藏于其中信息的過程。數據挖掘是依托于計算機技術和網絡技術的一種信息搜索技術，在信息搜索過程中，不僅包含了必要的計算機科學技術，同時還要借助在線處理分析、情報檢索、專家系統和模式識別等方法，來實現信息搜索的快速性和準確性。與其他數據信息搜索技術相比，數據挖掘技術的適用對象更加廣泛，無論是結構化數據還是非結構化數據，都可通過處理后實現數據挖掘，因此，具有更高的應用價值。

1.2 數據挖掘的功能及過程

描述和預測是數據挖掘技術的兩個主要功能，其中，描述功能主要是通過對數據信息共同特點及聯系的分析，對其進行歸類、匯總，相關技術主要包括數據分析、聚類分析和偏差檢測等。預測功能則主要是以現有數據信息為基礎，按照一定規律對未知的數據進行預測，主要包括統計方法、序列模式和關聯規則等，本文在對高職院校課程體系進行建設和優化時所依據的就是關聯規則。數據挖掘的具體過程如圖1所示。

2 高職院校傳統課程體系建設中存在的問題

高職院校課程體系建設在教學改革背景下顯得尤為重要，不僅關系著教學質量的提升，是學校人才培養的基石，同時也是高職院校可持續發展的根本保障。高職院校傳統課程體系建設中存在諸多問題，只有將這些問題一一解決，才能夠使課程體系更具科學性，實現職業教育現代化。

2.1 課程體系結構不符合高職院校的教育特點

在過去的時間里，盡管高職院校管理者在制定課程體系時，充分考慮了教學目標和學生學習特點，致使課程體系結構具有一定程度的科學性和合理性，但隨著素質教育理念的不斷深入，“以人為本”的教學理念逐漸被重視起來，將該理念融入到課程體系中勢在必行，傳統課程體系并沒有對此給予過多關注，所以在全新教學理念下，顯得相對而言滯后了一些。與此同時，沒有考慮生源狀況和學生需求多元化這一問題也使課程體系結構的科學性大打折扣，不僅導致學生知識面窄，而且學習效率不高，增加了高職學生的就業難度。

2.2 課程設置缺乏針對性

目前，大部分高職院校在課程體系建設時，容易受到辦學形式的影響，從而隨意更改課程內容，導致基礎課和文化課的內容銜接不恰當，甚至脫節，不能形成一個完整的教學體系。此外，部分高職院校課程設置時采取“拿來主義”，沒有從結合人才培養目標制定教材，而是隨便訂購、使用，導致教材中部分內容與學生專業并不相符，給教學活動造成了困難。

2.3 理論與實踐聯系不夠緊密

高等職業教育以“為生產、服務、管理第一線培養高級技能實用性人才”為目的，要求畢業生具有一定崗位職業能力的針對性和適應性，主要從事成熟技術的應用與運作。這一辦學目標決定了其課程設置必須將理論與實踐的結合充分體現出來。但就實際情況來看，整個課程體系結構理論和實踐相脫節的現象十分嚴重，并不能為教學目標的實現提供幫助，具體表現在以下幾個方面：1）理論課和實踐課比例不等。目前，高職院校的課程體系結構普遍存在理論課課時多，實踐課課時少的情況。很多學校設置為2：1，甚至還有部分院校是3：1。在這種課程體系下，學生理論知識沒有足夠的實踐活動來鞏固，久而久之，學生的實踐操作能力勢必會受到影響。2）基礎課為專業課服務的觀念薄弱。基礎課和專業課是高職課程體系的兩個重要組成部分，在培養學生綜合能力的過程中缺一不可。但目前高職院校的基礎課教師和專業課教師存在各自為政，互不干涉的現象，導致教學內容不能有效結合，理論與實踐相互脫節。3）課程內容陳舊，缺乏實用性。一方面，理論課的內容陳舊知識過多，而且容量較大，缺乏實用性；另一方面，專業課程內容的設置與工作崗位沒有密切聯系，一些已經被市場淘汰的技術、設備、標準仍然會出現在高職課堂上。這樣一來，無論高職院校教學質量多高，培養出來的學生也無法滿足經濟市場的發展需求。4）課程內容存在重復、教學方式方法偏重于以教師為主的單向灌輸。學生在課堂上的主體地位沒有得到充分體現，學習效率不高，也是當前高職院校課程體系建設的一個弊端所在。

3 基于數據挖掘的高職院校課程體系建設和優化的應用研究

從上文的分析我們能夠看出，當前高職院校課程體系的構建存在諸多問題，這不僅會影響到教學質量的提升，而且還會阻礙高職院校的可持續發展。因此，加大課程體系建設和優化力度，從根本上提高課程體系建設質量至關重要。本次研究主要以數據挖掘技術為主，采用關聯分析的方法，利用學生幾門課的成績找出學生成績所開設課程之間隱藏的聯系，并以此為依據對當前高職院校課程體系進行優化與完善。

3.1 數據準備

本次研究的數據主要來自于某一高職院校成績數據庫，從大量成績數據中，我們選取2015級計算機網絡技術專業學生的4門功課作為研究對象，這4門功課分別為：計算機組裝與維護、計算機網絡基礎、網絡設備管理與配置和云計算與虛擬化服務。其中，計算機組裝與維護、計算機網絡基礎和網絡設備管理與配置是基礎課程，云計算與虛擬化服務則為專業課程。為了方便對成績數據進行分析，筆者將所有數據進行了整理、統計。見表1：

表格中的數字“1”和“0”表示的是事務中是否存在某一項目。上文中提到的4門課程是該高職院校教學改革的重點學科，每一門課程都實現了“教”、“學”、“做”一體化改革，同時也對課程評價體系進行了優化與完善，只有“教”、“學”、“做”三個環節總評在80分以上，才能視為優秀，表格中數字“1”代表的就是存在優秀項，數字“0”則代表不存在該項。同時，為了方便書寫，我們將4門課程也采用相應的字母代替，計算機組裝與維護、計算機網絡基礎、網絡設備管理與配置和云計算與虛擬化服務的各門成績分別為：a1、b1、c1、d1。

3.2 APriori關聯算法的應用

支持度和置信度是數據挖掘中關聯規則挖掘的兩個重要因素，兩者缺一不可。所以，我們若想對上述成績數據進行關聯規則挖掘，首要任務就是確定支持度和置信度。假設最小支持度和置信度分別為33.3%和60%。數據庫中有30個事務，即|D|=30，使用APriori關聯算法尋找D的頻繁項集。在算法的第一次迭代，每個項都是候選1-項集的集合E3的組成部分。APriori關聯算法對所有事務進行簡單掃描，然后將每個事務出現的次數記錄下來。最小事務支持計數為10，即min_SuP=10/30=33.3%，可以確定頻繁1-項的集合L1，它由具有最小支持度的候選1-項集組成。L1項集計算完成后，接下來就是發現L2項集，這一環節主要采用自然連接算法，通過該算法產生L2的候選項集C2。掃描D中所有事務，計算C2中每個候選項集的支持計數并確定頻繁2-項集的集合L2，它由具有最小支持度的候選2-項集組成。如果在實際分析過程中需要產生候選3-項集的集合C3，同樣可以采用上述算法進行計算。

就APriori關聯算法的計算原理來看，計算過程中所涉及的頻繁項集的所有子集都應是頻繁的，如果某個子集不能滿足頻繁要求，那么就應將其從集合中剔除。在對該高職院校學生成績數據進行挖掘的時候，我們發現前兩個候選是不能滿足頻繁需求的，所以在進行數據挖掘時，需要將其從C3中刪除。這樣，我們在此后掃描D確定L3的時候就可以不用考慮它們的計數值。掃描D中事務生成L3，它由具有最小支持度的候選3-項集組成。至此算法終止，找到了所有的頻繁項集。過程如下：

支持度計算完成之后，接下來就是根據置信度公式計算最終頻繁項的各非空子集的置信度，具體計算結果如下：

E3=E2ΛE4，confidence=10/30=76.9%

E2=E3ΛE4，confidence=15/30=66.6%

E4=E2ΛE3，confidence=10/16=62.5%

E2ΛE3=E4，confidence=10/12=83.3%

E3ΛE4=E2，confidence=10/10=100%

E2ΛE4=E3，confidence=10/13=76.9%

上文我們假設最小置信度應為60%，以上計算結果均大于這一數值，因此上述內容均具有參考價值，由此產生的關聯規則為：

1） E3優秀時，E2ΛE4中同時優秀的可能性大于76.9%

2） E2優秀時，E3ΛE4中同時優秀的可能性大于66.6%

3） E4優秀時，E2ΛE3中同時優秀的可能性大于62.5%

4） E2ΛE3同時優秀時，E4中優秀的可能性大于83.3%

5） E3ΛE4同時優秀時，E2中優秀的可能性大于100%

6） E2ΛE4同時優秀時，E3中優秀的可能性大于76.9%

3.3 研究結果

通常上述研究結果我們可以看出，在本次研究所選取的4門課程中，除計算機組裝與維護這一學科之外，其他三門課程之間存在著必然聯系，每一門課程成績對其他課程成績都有著不同程度的影響。從數據分析結果來看，計算機網絡基礎和網絡設備管理與配置作為非常重要的兩門專業技術課，對云計算與虛擬化服務這一專業課的影響很大。反之，云計算與虛擬化服務對計算機網絡基礎和網絡設備管理與配置這兩門課的影響卻較小。由此可見，高職院校管理者在對計算機工程系進行課程建設時，需要將計算機網絡基礎和網絡設備管理與配置作為主要課程，而云計算與虛擬化服務這門課程則可以根據企業和用人單位的需求選擇是否開設。專業課開設于專業基礎課之后，結合以上數據，我們可以認為它們對專業基礎課的影響并不大，所以專業課可以根據社會的需求靈活設置，這個結果可以應用于當前形勢下的高職教育。高職教育培養的是符合市場需要的應用型人才，因此必須根據市場變化靈活地安排課程，參考本研究結果可以合理安排每個學期的課程。

4 結束語

綜上所述，課程體系建設與優化是否科學、完善，不僅關系著高職院校教學質量的提升，而且對教學目標的實現也具有很大促進作用。從本文的分析我們可以看出，課程體系建設若想滿足教學需求，就必須從多方面著手，利用數據挖掘技術對課程體系構建中涉及的數據進行分析、整合，除了要更新課程內容，調整課程結構之外，還要注重理論與實踐的有效融合。除此之外，在對高職院校課程體系進行建設的時候，還應該考慮基礎課與專業課之間存在的聯系，使課程體系中的每門課程都能相互銜接，使其構成一個有機的整體。只有這樣，才能夠確保課程體系建設符合高職院校的辦學理念和教學目標，為教學目標的順利實現提供充足的保障。

參考文獻：

[1] 徐涌霞.數據挖掘技術在高職高專教學質量評價體系中的應用研究[J].淮北職業技術學院學報，2013（12）.

[2] 吳天蘭，徐俊芳.基于數據挖掘的高職教學評估系統的構思[J].江西科學，2012（2）.

[3] 任鎖平.基于數據挖掘的高職教學質量監控評價系統設計及應用[J].電子設計工程，2015（16）.

[4] 龔福明，尚潔.論高職院校以“培養力”為主軸的績效評估體系[J].武漢交通職業學院學報，2013（4）.