數據挖掘在高校管理中的應用研究

柴容倩

1 引言

隨著大數據應用及數據挖掘技術的不斷推廣，教育領域存在著大量數據等待挖掘分析，這些數據能夠提供有價值的信息，幫助我們找到學生在學習、生活、就業等方面被忽視的東西，從而為教育教學改革提供參考意見，以及給具體學生提供有針對性的指導。

2 數據挖掘在高校管理中的應用

2.1 關聯規則在制定教學計劃中的應用

在高校教學計劃制定過程中，課程間的關聯程度及課程教學的先后順序直接影響著教師的教學效果。因此，基于教務系統中大量課程信息及學生成績數據進行挖掘分析，找出課程間的關聯程度，可以為教學計劃的制定提供指導，從而提高教學質量。

關聯分析是數據挖掘的核心技術之一，其關聯規則模型及數據挖掘算法是由IBM公司的R.Agrawal在1993年首先提出的，旨在從大量數據中發現項集之間的有趣關聯或相互關系，關聯性的強度則由關聯分析中的三個核心概念——支持度、置信度和提升度控制和評價。其中，Apriori算法較為經典，在關聯規則分析領域具有較大影響力。

運用關聯規則對存儲在教務管理系統中的大量課程信息和學生成績數據進行分析，找出課程間潛在的多種關聯性，進而發現課程在先后順序方面的關系及其他有價值信息，從而為教學服務工作的開展提供參考意見。

2.2 決策樹在學生掛科預警機制中的應用

高等院校學生的學習成績是評判教育教學質量的重要標準，也是教師判斷學生對知識掌握程度的重要依據。對學生課程成績進行挖掘分析，從中提取有價值的信息，可以為教師教學及學生學習提供指導，從而提高教學質量和學習效率。

決策樹是最經典的數據挖掘方法之一，該方法以樹形結構形式將決策過程展現出來，簡單直觀、解讀性強。根據適用情況的不同，有時也被稱為分類樹或回歸樹。簡單來說，其目的是根據若干輸入變量的值構造一個相適應的模型，近而預測輸出變量的值。

運用決策樹算法對存儲在教務管理系統中的學生成績數據進行分析，提前預測學生課程成績，建立學生掛科預警機制。教師可根據分析結果了解學生掌握知識情況，從而調整教學進度、教學模式和教學方法，同時，對不同學生做出針對性的指導。學生可以根據分析結果，發現后續課程中有掛科風險的學科，做好針對性的學習。

2.3 聚類分析在學生就業管理中的應用

隨著影響就業的因素、就業行業的多元化及高等院校畢業生數量的增加，預測畢業生就業趨勢以及改革創新學生培養模式，越來越多的依賴于對畢業生就業信息的分析。對就業信息進行多層次、多角度的分析，挖掘這些數據中所蘊含的有價值的信息，形成準確的就業數據模型，有助于提高學生就業管理水平及學生就業質量。

聚類分析是一種原理簡單、應用廣泛的數據挖掘技術。顧名思義，聚類分析就是把若干事務按照某種標準歸為幾個類別，其中較為接近的聚為一類，不那么接近的聚于不同類。常見的聚類算法有K—均值聚類、K—中心點聚類、密度聚類、系譜聚類、期望最大化聚類等。

運用聚類算法對畢業生課程成績、計算機能力、英語能力、表達能力、生源地等相關屬性進行分析，從而實現對學生的精準聚類。同理，通過對招聘單位基于注冊資本、企事業單位性質、企業所屬行業、行業前景等相關屬性進行聚類分析，從而實現對招聘單位精準分類?；谝陨戏治鼋Y果，有針對性的向畢業生推薦就業單位，或者為學生尋找就業單位提供參考意見，從而實現畢業生與就業單位的完美對接，提高就業服務質量。

3 結語

目前，數據挖掘技術被應用于各行各業，作為大數據的生產者，高等院校各類業務系統為學校的各項信息化工作提供了基礎保障，其中存儲的大量數據隱含了很多有價值的信息，通過對各類數據進行挖掘分析，能夠為高等院校日常教學、學生管理、就業管理以及個性化服務等提供科學合理的保障。

本研究為四川大學錦城學院課題項目：數據挖掘在學生管理中的應用研究（編號：2018JCKY0009）

（作者單位：四川大學錦城學院）