基于關聯規(guī)則的學生成績影響因素分析

劉道君 王常穎

摘 要：關聯規(guī)則挖掘是近年來數據挖掘領域的重要手段。針對不同因素對學生成績的影響，應用關聯規(guī)則Apriori算法對學生成績的影響因素進行分析。首先收集了與學生成績及學習習慣相關的數據，并對其進行了離散化處理;然后采用關聯規(guī)則Apriori算法對離散后的學生數據信息進行挖掘，得到了12條強相關規(guī)則;通過分析這些規(guī)則發(fā)現，家長和老師的督促可以很好的改善學生上課走神現象，而走神對學生的成績影響是特別大的，且通過分析發(fā)現學生的書寫格式，學習持久力，記筆記的習慣等因素之間相互影響。研究成果表明，要想提升學生的學業(yè)成績，不能單一的做題和補課，而是應該找到學生成績不好的成因，進而提高成績。

關鍵詞：數據挖掘; Apriori算法;成績分析;離散化

引 言

學生的學業(yè)成績是國家和社會選拔人才的一個重要的結果性變量，也是評價一個學生基本素質的重要標準。學生成績的優(yōu)劣甚至能影響個人的發(fā)展。因此學生本人，家長和老師等都非常重視學生的學業(yè)成績，都想法提高學業(yè)成績。那么究竟是哪些因素影響學生的學業(yè)成績，又當如何去提高呢？我們可以依靠數據挖掘從海量的數據中挖掘出自身感興趣的信息。關聯規(guī)則挖掘就是一種從歷史數據集中發(fā)現隱藏信息，從海量數據中發(fā)現潛在的有價值的技術方法。本文采用關聯規(guī)則Apriori算法[1，2，3，4]挖掘學生成績數據，可以從中挖掘出不同因素對成績的影響和不同因素之間的影響。力圖通過關聯規(guī)則分析[5，6，7，8，9]，得到一些有意義的信息。以此幫助學生找到提高學業(yè)成績的方法。

一、關聯規(guī)則的概念

關聯規(guī)則就是指兩個或兩個以上的變量之間存在的某種規(guī)則。關聯規(guī)則挖掘即是從已知事務數據庫中找到支持度和置信度分別大于給定的閾值的所有關聯規(guī)則。支持度就是在事務數據庫中某個項目集出現的次數占總事務數的比值，最小支持度就是用戶設置的符合實際要求的最低閾值，把符合最小支持度要求的項目集稱為頻繁項目集。置信度是指包含頻繁項目集A和B的事務數與頻繁項目集A的事務數之比。最小置信度就是用戶設置的符合實際要求的最低閾值。很顯然，把同時符合最小支持度與最小置信度的關聯規(guī)則稱為強相關規(guī)則。

這里采用了Apriori算法來尋找所有的頻繁項目集。它使用了一種被稱為逐層搜索的迭代算。其核心步驟如下：

①連接步：為了尋找LK，在k次掃描數據庫時，通過Lk-1與自身連接產生候選k-項集CK。

②剪枝步：由于Ck是Lk的超集，即Ck的成員可能是也可能不是頻繁的。需要掃描數據庫，確定是否大于最小支持度。為了壓縮Ck，可以運用Apriori性質：任何一個頻繁集的全部非空子集一定是頻繁集，所以如果某個候選集的一個非空子集不是頻繁的，則該候選集可以刪除。

二、利用關聯規(guī)則分析學生成績

（一）數據的采集與處理

關聯規(guī)則分析需要豐富的數據信息作為基礎。本文采用初一學生的成績作為研究對象，研究與學生成績相關的12個屬性[10，11，12，13]。選取了100名學生的成績和相關屬性值。其中屬性值對成績的影響分為三個方面，分別為學生，家長，學習環(huán)境。

首先將學生成績進行離散化。將100名學生按照成績進行排名，然后按照人數百分比進行離散。排名前10%的學生，即第1名到第10名（包括第10名）的學生記作A1 ;排名在10%到30%的學生，即第11名到第30名（包括第30名）的學生記作A2;排名在30%到60%的學生，即第30名到第60名（包括第60名）的學生記作A3;排名在60%之后的學生，即第61名到第100名（包括第100名）的學生記作A4。

再將相關屬性值進行離散。

學生學習持久力，定義為學生連續(xù)作業(yè)的時間：低于0.5h的記作B1，0.5-1h的記作B2，高于1h的記作B3。

筆記錯題本每周使用次數，定義使用20分鐘以上為一次：少于2次的記作C1，2到4次的記作C2，4次以上的記作C3。

書寫格式：書寫潦草的記作D1，書寫清晰的記作D2

每周使用與學習無關的電子類產品次數，定義使用15分鐘以上為一次：4次以上的記作E1，2到4次的記作E2，少于2次的記作E3。

家長每周督促學生學習次數，定義在家長督促下，學生在有效學習的為有效督促，記作1次。而在家長口頭督促下學生并沒有有效學習的不記作次數：少于2次的記作F1，2到4次的記作F2，4次以上的記作F3。

學生與老師每周交流次數，定義為學生主動與老師交流學習相關問題記作1次：少于2次的記作G1，2到4次的記作G2，4次以上的記作G3。

每周課堂聽課走神次數，定義為學生在課堂上因走神而導致課程重點知識沒聽到的記作1次）：4次以上的記作H1，2到4次的記作H2，少于2次的記作H3。

每周家庭學習走神次數，定義為學生在作業(yè)時走神5分鐘以上的記作1次：4次以上的記作I1，2到4次的記作I2，少于2次的記作I3。

（二）挖掘關聯規(guī)則

本文主要是挖掘不同因素對學生成績的影響，以及不同因素之間的影響。這一步的關鍵在于選擇恰當的關聯規(guī)則算法對數據進行處理，這里主要采用關聯規(guī)則Aprior算法對離散后的學生數據信息進行挖掘。設定最小支持度為0.3，最小置信度為0.8。運行關聯規(guī)則Aprior算法程序后，得到的部分實驗結果如表1所示。

2.3 挖掘結果分析

規(guī)則1說明：成績差的學生，一般都很少與老師交流。該規(guī)則支持度0.33，置信度0.82。說明成績差的學生，在學習過程中遇到的問題得不到及時有效的解決，從而導致問題積累，惡性循環(huán)，所以老師更應該多關心，多與這類學生交流。

規(guī)則2說明：學習持久力低的學生，一般在學習過程中很少有記筆記和用筆記的習慣。該規(guī)則支持度0.32，置信度0.86。說明要想改善學生的學習持久力，可從科學使用筆記開始。

規(guī)則3說明：上課走神次數較少的學生，一般書寫都比較清晰。該規(guī)則支持度0.32，置信度0.81。

規(guī)則4說明：每周能經常使用筆記的學生，書寫一般都較清晰，該規(guī)則支持度0.25，置信度0.97。說明學生要想使用筆記，應先注意平時的書寫習慣，只有書寫清晰，才會有看筆記的欲望。

規(guī)則5說明：書寫潦草的學生，一般都極少使用筆記。該規(guī)則支持度0.34，置信度0.94.該規(guī)則與規(guī)則4正好對應。說明良好的書寫習慣對一個學生相當重要。

規(guī)則6、7說明：學習成績差和上課走神這兩個屬性相關度很高。該規(guī)則支持度0.36，置信度0.90和0.82。說明上課走神可能是導致學生成績差的一個主要原因。

本文挖掘出的規(guī)則從一定程度上說明了，良好的學習習慣的重要性以及家長、老師對于學生學習的重要性。所以要想提高學生的學業(yè)成績，首先要加強學生的自我修養(yǎng)，其次需要家長、老師對學生進行正確的引導。

三、規(guī)則應用

學生Z1在利用規(guī)則進行分析時，問題主要體現在書寫潦草，上課走神，家長督促較少，成績檔次在A4。發(fā)現問題后，經過與家長溝通，加強了對學生的督促。首先規(guī)劃好了學生每天的學習時間，其次每天對學生的書寫著重檢查。經過一個學期的改變，學生上課走神現象明顯有所改善，學習積極性也提高了，學習持久力也加強了，成績檔次上升至A3，并且有上升至A2的趨勢。

學生Z2在利用規(guī)則分析時，問題主要體現在家長工作很忙，很少督促學生學習，學生與老師交流很少，成績檔次在A3。發(fā)現問題后，經過與家長溝通，首先加強了對學生的督促，其次老師與學生通過多次交流。經過一個學期的改變，發(fā)現學生的可塑性很強，只是性格上相對敏感，需要老師和家長的時常關心。成績檔次也上升至A2。

以上兩個事例說明，只要能對學生進行正確科學的引導，不僅能提高學生的學業(yè)成績，還能提升學生的整體素質，從而在學習和生活上能順利發(fā)展。

四、結語

關聯規(guī)則挖掘技術是一種非常有用的技術工具，可以廣泛的應用到不同的領域當中。而應用關聯規(guī)則挖掘技術，提高學生的學業(yè)成績，是一個非常有意義的研究方向，在實際應用中應該注意的是：由于最小支持度和最小置信度是主觀設定的，這會出現兩種情況，可能是取值太小，會生成很多規(guī)則，產生很多意義不大的規(guī)則;也可能取值過大，導致錯失很多有價值的信息。因此，在應用中應該反復試驗，以確定一個最佳的閾值。相信正確和準確的應用關聯挖掘算法一定能科學有效的提出改善學生學習的策略方法，為國家和社會的人才培養(yǎng)起到積極的促進作用。

【參考文獻】

[1] 劉以安，羊斌. 關聯規(guī)則挖掘中對Apriori算法的一種改進研究[J]. 計算機應用，2007（02）：418-420.

[2] 劉麗娟. 改進的Apriori算法的研究及應用[J]. 計算機工程與設計，2017，38（12）：3324-3328.

[3] 周發(fā)超，王志堅，葉楓，鄧玲玲. 關聯規(guī)則挖掘算法Apriori的研究改進[J]. 計算機科學與探索，2015，9（09）：1075-1083.

[4] 詹芹，張幼明. 一種改進的動態(tài)遺傳Apriori挖掘算法[J]. 計算機應用研究，2010，27（08）：2929-2930+2935.

[5] 何軍，劉紅巖，杜小勇. 挖掘多關系關聯規(guī)則[J]. 軟件學報，2007（11）：2752-2765.

[6] 崔妍，包志強. 關聯規(guī)則挖掘綜述[J]. 計算機應用研究，2016，33（02）：330-334.

[7] 王華，劉萍. 改進的關聯規(guī)則算法在學生成績預警中的應用[J]. 計算機工程與設計，2015，36（03）：679-682+752.

[8] 謝芳，王波. 基于關聯規(guī)則個性化推薦的改進算法[J]. 計算機應用，2006（S2）：149-151.

[9] 何小東，劉衛(wèi)國. 數據挖掘中關聯規(guī)則挖掘算法比較研究[J]. 計算機工程與設計，2005（05）：1265-1268.

[10] 李颯. 基于關聯規(guī)則的學習行為關聯度分析方法研究[J]. 微電子學與計算機，2018，35（06）：65-68.

[11] 顧輝，楊青，蔣成功，張茜. 關聯規(guī)則在成績分析中的研究及應用[J]. 計算機應用，2015，35（S1）：149-151+198.

[12] 何楚，宋健，卓桐. 基于頻繁模式譜聚類的課程關聯分類模型和學生成績預測算法研究[J]. 計算機應用研究，2015，32（10）：2930-2933.

[13] 劉美玲，李熹，李永勝. 數據挖掘技術在高校教學與管理中的應用[J]. 計算機工程與設計，2010，31（05）：1130-1133.