基于課程關聯度的電子信息類核心課程甄別

錢玲 王海青 谷亞林

摘要：電子信息類各專業核心課程甄別的目的，是為了激發教師的質量意識與競爭意識，實現并明確促進學生學習的教學目標與教學方向。文章利用教務管理信息系統大數據，應用統計學關聯算法，分析以往畢業學生各課程成績與GPA的數據，甄別出電子信息類專業的“核心”課程，為學校的教學活動發揮了導向、診斷和監督等功能。文中所研究的方法同樣可以推廣到其他高校和其他專業、從而為促進人才培養提供理論依據和數據支撐。

關鍵詞：大數據；核心課程；GPA；關聯度

中圖分類號：G642.0 文獻標志碼：A 文章編號：1674-9324（2019）15-0079-03

高校各專業核心課程是高校專業課程體系建設的核心，承擔著專業人才培養的基礎性任務，反映專業特點、體現專業特色、支撐專業發展，其輻射而出的其他專業課程與之共同構成了完整的專業課程體系，進而形成了專業人才培養體系。學分績點—GPA（grade point average）是大學生專業素質的一個重要體現，分析教學大數據中課程成績與GPA的關聯度可以發現隱藏在數據之間的相互關系，甄別出對GPA影響較大的核心課程，有助于進一步做好專業課程建設工作，促進高校的內涵提升和質量提高。

國內外高校通過教學大數據對課程體系、教學模式、數據分析都做了許多研究。加利福尼亞大學洛杉磯分校的Kharkar教授[1]等通過分析數學系核心課程關聯度，為教授這些課程的教師提供教學指導；清華大學[2]利用教務管理系統的構建了統計分析工具系統，該系統驗證了數據分析工具對于教務管理者的決策支持價值，體現了嵌入教學系統的數據分析工具的優勢；浙江大學[3]通過對資產的歸納、整理，最終形成權威、全面的資產數據，并提供數據查詢和分析服務；復旦大學[4]“教育管理信息化平臺”和“教育資源公共服務平臺”建設的過程中，也積累了豐富的信息化實踐經驗；電子科技大學[5]構建了教育大數據一體化平臺，此平臺提供了精準預測學生成績，助力學生精準資助等個性化、精準化的管理服務。

本文通過對南京某重點高校的電子信息工程專業，已經畢業的4屆學生所有課程成績，以及所有學生最終的GPA數據進行關聯度分析，計算出各課程對GPA成績影響的不同程度，從而甄別出該專業的核心課程，以期為促進高校學生的成長和發展提供數據依據和參考。

一、數據與整理

在大數據時代，通過數據挖掘技術可以獲取事件之間的關聯性，為正確的決策提供技術保障。一般核心課程在高等教育來講通常指基礎課程中的必修課，我們這里的“核心”課程是指和學生整個大學期間的GPA關聯度最高的幾門課程。

1.數據的來源。南京某重點高校的電子信息工程專業是江蘇省品牌專業，該校的教務系統已經保存了以往學生的完整的成績數據，每個專業所有學生的課程成績數據都保存為Excel文件，我們收集剛剛畢業的前4屆學生（即2015屆—2018屆）的學習成績數據文件，這些原始數據包括：該專業每位學生的每門課程的每次考試成績，有些學生的一門課成績不止一個，例如，正常考試成績、補考成績、重修成績等，平均每位學生的成績數據有100條左右（每位學生大概修了70多門課程，部分課程還不止一個成績），并且每條數據又有23個屬性（每門課程屬性數據如表1所示），粗略估算4屆學生的課程成績數據接近一百萬條。

2.數據的整理。從學校教務處獲取的學生各門課程成績，均采用百分制記分，該專業4屆畢業學生共有674名，在校4年內必須修滿172學分，除了必修課程以外，學生之間選修課程存在差異，按照一門課平均2.5學分計算，每個學生平均選修70門課程。另外部分學生原始成績數據還存在正常考試、補考以及重修等不同類別的成績，為了使結果更具有真實性，我們設定幾個成績中，只取第一次有效成績（正常考試的用正常考試成績，沒有正常考試成績的用第一次緩考或補考成績）作為我們的計算數據。每門課程成績的原來屬性有23個，例如：{學號，姓名，開課學期，課程編號，課程名稱，學分，成績，考試性質，…}，而有些屬性需要，有些屬性不需要，通過整理將課程屬性精簡為：{課程編號，開課學期，課程名稱，課程屬性，學時，學分，開課單位}共7個屬性，經過整理的數據用來計算課程關聯度。

二、關聯分析

關聯系數是用以反映變量之間關系密切程度的統計指標。關聯系數是按積差方法計算，以兩變量與各自平均值的離差為基礎，通過兩個離差相乘來反映兩變量之間相關程度。spearman秩相關系數是統計學的三大相關系數之一，是一個非參數性質（與分布無關）的秩統計參數，由Spearman在1904年提出，用來度量兩個變量之間聯系的強弱，比較適合對GPA影響較大的核心課程的甄別。

2.算法流程。根據Spearman秩相關系數的計算公式，以及經過整理的4屆學生課程考試成績的數據，用Python語言作為編程語言，所設計的算法模塊如圖1所示。（1）首先讀取原始數據的4個Excel文件，將其合并成一個csv格式的文件；（2）刪去課程不需要的屬性，保留特定屬性，并對同一個學生同一門課的多個成績進行去重，僅保留第一次有效成績，由于存在選修課程的差異，保留有效成績超過學生總數50%的課程數據，刪除選修課程較少的課程數據，完成數據的整理；（3）計算每個學生每門課程百分制成績對應的業績點和每個學生的GPA；（4）將所有學生的GPA進行排序，將每個學生的有效課程的業績點進行排序；（5）根據Spearman秩相關系數的計算公式計算各門課程的Spearman值，從而甄別出核心課程。

通過數據挖掘和統計學關聯度計算，為我們獲得電子信息類專業的核心課程甄別，提供了數據支撐。

3.關聯系數。通過4屆畢業學生共有674名的課程成績的原始數據，利用上述分析與計算，共計算出54門課程（包括實踐課程）的Spearman系數，下面列出Spearman系數最高的10門課程。

從表2可見，10門核心課程共有39學分，占總學分的22.4%，都是必修課程。其中，工程數學、概率與過程、大學物理（Ⅰ）和大學物理（Ⅱ）是學科教育課，余下6門課程都是專業基礎課程；這9門課程都是在學生大一和大二必修的課程（只有數字信號處理課程除外，其授課時間在大三上），所以，加強大一和大二學生的學習方法教育就非常必要。

三、意義分析

依據往屆學生教學大數據中核心課程與GPA的相關數據，就可以分析現在在校學生的核心課程成績，尤其是大一和大二的在讀學生，可以對學生的未來學習趨勢進行科學預測，為學生的自我學習監控與指導、為教師的教學決策提供更精細化的服務。這樣克服以往經驗式的，缺少足夠的數據分析判斷、佐證教學行為效果的缺點，實現以數據驅動的“因材施教”。上述課程關聯度分析對當前教學方面的意義體現在以下三個方面。

1.管理系統。高校教學管理部門，通過分析大一和大二學生核心課程的成績，可以及時調整學生的培養方案。基于這些信息，學校不僅可以預測出每個學生在其他課程的得分，也可以預測出每個學生在其他課程的掛科可能性；分析核心課程的掌握程度，將學生分為不同類型，例如：“學術型”“能力型”和“潛力型”，根據“分類指導、分層施教和個別培養相結合”的原則，對不同類型學生分別實行“深度拓展型、能力強化型、揚長教育型”教育策略，引導學生個性化發展，使每一位學生都成為更好的自己。

2.教學系統。傳統的教學系統往往存在片面、主觀、模糊化的傾向。現在每個教師在上課前，可以通過計算學生的前面核心課程成績，明確自己授課的學生學習狀況，事前知道優秀學生和問題學生的群體，可以進行準對性教學。對符合學困生發展趨勢的問題學生進行預警和指導，加強管理和檢查；對有異于常人的優秀學生進行個性化培養方案，有針對性地制訂培養計劃和教學方案，推送個性化的學習資料，推薦個性化的實踐鍛煉平臺，指導個性化的職業規劃；對普通學生進行鼓勵教育，使學生從被動學習變為自我教育、自主學習，激發其學習的活力。

3.學習系統。直觀地說，學生成績和他們的重要知識掌握情況有密切關系。分析學生對核心課程的掌握程度，每個學生就可以自己預測未來學業趨勢。大一和大二學生在每學期都可以評估自己核心課程的成績、自己的能力和興趣，調整學習方法和努力方向，預測自己后續課程學習的難度，從而提前規劃自己的時間和精力。

四、總結

隨著全球信息化的高速發展，電子信息類專業成為近幾十年來發展最快的學科之一。學生要學的理論課程越來越多，間接導致學生發展不均衡，如何在諸多課程中，抓住主要矛盾成為我們研究的重點，通過核心課程的甄別，可以為高校教與學提供數據支撐，實現了從定性分析到定量分析的轉變，促進教學管理科學化、精細化。通過在校學生核心課程的成績就可以預測畢業時的GPA情況，可以及時認識教學問題，盡快解決存在問題。上述通過教學大數據甄別學科專業核心課程的方法，同樣可以應用到其他專業和其他高校，具有一定的推廣應用價值。

參考文獻：

[1]R Kharkar， J Tran and C Z Marshak.Core Course Analysis for Undergraduate Students in Mathematics[J].arXiv：1605.00328v1[math.HO] 2 May，2016.

[2]鄧文俊，等.基于教務管理系統的數據分析工具的研究與設計[J].中國電化教育，2014，（5）：138-143.

[3]方偉杰，等.浙江大學：數據共享提高公共資產利用率[J].中國教育網絡，2012，（6）：60-61.

[4]陳翼，等.復旦大學：信息化支撐教學與人才培養模式創新[J].中國教育網絡，2014，（10）：45-48.

[5]呂紅胤，等.電子科技大學一體化大數據提供師生精準畫像[J].中國教育網絡，2017，（2）：78-81.