数据挖掘技术在教学管理的应用|数据挖掘技术的应用

数据挖掘技术在教学管理的应用

关键词：数据挖掘；
关联分析；
教学管理 引言 大学教学质量与大学发展息息相关。教学过程中，教师 的“教”受到多种因素影响，既有教师个体因素，也受到教 学管理手段制约。科学合理的教学管理手段不仅有助于提高 教师的教学兴趣，还有助于科学有效地实施教学目标和方法， 从而提高教学效果。

１教学管理现状 目前的教学管理手段主要是监管型与惩罚型［１］。监 管型手段主要包括各种领导和退休教师的督导活动，还有学 生对教学过程进行监控和反映，以及不断出台的各种措施， 对教师教的行为进行约束。惩罚型手段主要包括对教学过程 中可能出现的失误或过失行为进行惩戒。这些措施的主要目 的是针对教学过程的“教”。从实际效果来看，这些措施效 果有限，导致出现以下现象：（１）教师的积极性不高，过多的无效管理措施限制了教师的主观能动性，过多的监管措 施导致教师疲于应付，教师只是简单根据措施实施，这些措 施以外的可以有效促进教学的手段未必愿意执行。（２）教 学管理手段针对性不强，手段目标不够明确，虽然措施不断 增加，但并未真正解决问题。（３）缺乏发现教与学症结的 工具和方法。目前，主要通过和学生交流的方式来发现问题， 无法通过数据发现存在的问题。

２教学信息挖掘 教学过程中产生了大量的教学信息，包括平时成绩、考 勤情况、实验情况、平时作业成绩以及期末考试成绩等。若 能从这些大量数据中找出有用信息，在此基础上制定合理有 效的教学管理措施，对提高教学效果将大有裨益。数据挖掘 技术能够自动高效地从海量数据中提取有价值的信息，从而 有效支持决策［２］。数据挖掘技术有多种方法，其中之一 就是关联分析，即发现数据之间的关联关系。大多数情况下， 分析人员对数据中隐藏的关联性是未知的，即使由于经验积 累，意识到数据间可能存在关联性也是不确定的，所以频繁 模式的关联规则挖掘便于找到数据之中一些隐藏的、高可信 度的关联规则［３－５］。数据挖掘方法在学生成绩和学生 行为方面能够发现学生活动与学习成绩之间的关联性［６－ ７］，为学校管理人员及教师提供参考，在很大程度上提高 学习管理决策有效性，提高教学质量和管理效率，因而挖掘 学习成绩与学生行为的关联性十分必要。与学习相关的行为主要包括平时成绩、期末成绩以及平时表现等，本文主要工 作是挖掘学生期末成绩与其平时成绩的关联性，探讨其缺勤 情况与第一次考勤情况的相关性，以及与寝室其他同学的缺 勤情况相关性，从而明确何时采取怎样的措施防止上课缺勤 现象。

３基于Ａｐｒｉｏｒｉ算法的学生成绩关联分析 Ａｐｒｉｏｒｉ算法是一种通过逐层搜索的迭代方法 挖掘关联规则的算法，具体就是使用“ｋ－１项集”搜索“ｋ 项集”。利用该算法挖掘平时成绩与期末成绩之间的关联关 系过程如图１所示［８］。

３．１挖掘对象确定 根据教学经验，推断学生的平时成绩和期末成绩之间可 能会有一定的关联性，学生的出勤情况之间可能存在一定的 关联规则，除此之外，学生上课出勤情况很有可能会受到其 所处环境的影响，所以挖掘学生缺勤情况与同一寝室的关联 性也是十分必要的。

３．２数据收集 从历年的教学资料中收集不同年级学生在若干不同专 业课上的表现情况，包括出勤情况以及平时成绩、期末卷面 成绩等信息，并得到学生寝室分配情况。

３．３数据预处理 对收集到的学生成绩和出勤情况数据进行数据预处理， 主要包括数据清理和数据变换两个步骤。（１）数据清理。数据清理的主要目的是消除原始数据库中的冗余数据、噪声 数据以及重复记录。学生成绩数据中，有可能因为未参加考 试或在考试中存在违规行为，导致考试成绩缺失或者为０。

这些数据对学生学习情况分析意义不大，所以要把这些数据 删除。而对于学生出勤表，通过调查发现其缺勤是请假或其 它原因，对于此类数据统一记为在勤。（２）数据变换。将 清理过的数据转换为简单易懂的模式。例如学生成绩是以大 量不同的数字呈现的，数据量较大且不易找到规律，因此需 对各科成绩的连续属性值进行离散化处理。成绩相关的数据 按照通用的五级制（Ａ，Ｂ，Ｃ，Ｄ，Ｅ）来划分，大于９ ０分的记为”Ａ”，小于６０分的记为”Ｅ”。对于出勤情 况，可以按照字母顺序（Ａ、Ｂ、Ｃ、Ｄ……）定义若干次 出勤，然后将出勤记为“１”，缺勤记为“０”，则第一次 查勤，若出勤记为“Ａ１”，否则记为“Ａ０”，最后总的 缺勤次数记为ｎ。经过以上变换，原始的学生成绩库被转换 成包含多个有效项集的表。由于学生姓名及学号与分析目标 无关，也将其删除。为了挖掘学生缺勤和所处寝室之间的关 联性，收集有缺勤记录的全部学生信息，然后以宿舍为单位， 选取其中若干个代表宿舍。事务１包含宿舍第一次点名该寝 室缺勤学生的学号，事务２包含该宿舍第二次点名该寝室缺 勤学生的学号，以此类推。由于单个寝室的数据量较少，可 选取多个典型寝室，使分析结果更具可信度。

３．４关联规则产生Ａｐｒｉｏｒｉ算法通过多次扫描经过处理的数据库 来寻找所有的频繁项集。对于经过处理的学生成绩表而言， 每个事务包含有“平时成绩”和“期末成绩”两个项。在对 频繁１－项集连接后，因为采用的是频繁１项集，所以无需 再对其子集进行判断剪枝，直接对数据库进行扫描计数，删 除不满足支持度阈值的候选项集，保留频繁项集。对于经过 数据转换的学生出勤表，每个事务包含有若干次出勤情况以 及缺勤总数若干项。在对频繁１－项集处理得到频繁２－项 集后，将其连接然后分析，得到各候选３－项集的子集。若 有非频繁子项集，则剪掉该项集，保留全部非空子集均为频 繁子项集的候选３－项集，然后扫描数据库，比较支持度计 数，剔除小于最小支持度计数的候选项集，得到频繁３－项 集。以此类推，得到频繁ｋ－项集。执行算法，得到期末成 绩与平时成绩的关联规则如图２所示。同样得到挖掘第一次 缺勤情况与总缺勤情况之间的关联性，见图３。

４结果分析 ４．１期末成绩与平时成绩的关联规则挖掘结果 （１）挖掘到关联规则，意味在平时成绩为６０分以下 时，期末卷面成绩有８３．３％的几率仍维持在６０分以下。

对于这部分学生，教师需要重点关注，监督他们平时学习情 况，督促他们到课并帮助他们掌握每堂课所学知识，解决每 次课程中的疑难问题。（２）通过观察频繁项集可发现，平 时成绩为Ｂ０、Ｃ０、Ｄ０、Ｅ０（等同于９０分以下）的学生，期末考试难以达到９０分，这意味着在平时学习一般 的学生期末也很难取得好的成绩。相应的，平时成绩为Ａ０ （９０分以上的学生）在期末考试仅有１０％的概率达到９ ０分以上，同时也有可能得到Ｂ１、Ｃ１、Ｅ１等较低分数， 这在某种程度上表明平时成绩并不能准确体现学生知识掌 握程度，学生在平时学习中存在到课不听讲、作业抄袭等情 况，需要加以制止。（３）按照及格与不及格情况分类得到 的关联规则可以看出，平时成绩及格的学生，期末卷面成绩 及格率高达６９％。整体而言，平时学习态度较为端正的学 生在期末考试中不及格的概率很低。

４．２缺勤相关性 本文重点研究了第一次考勤与最后一次考勤及总体缺 勤次数的相关性。（１）第一次考勤与最后一次考勤的相关 性。根据关联规则给出的信息，第一次缺勤的学生最后一次 出勤的概率高达７７．８％，分析大概有两方面原因：①因 为最后一次课可能是复习课，这部分学生因为平时不听讲， 在考前意识到上课的重要性，所以最后一次课选择来上课；

②点名累计未达到一定次数，无法参加考试，有些学生可能 意识到问题的严重性，最后一次选择来上课。从这两个原因 来看，大部分学生还是希望能够顺利通过考试的，但有时因 为懒散来上课。教师要向这部分学生强调上课的重要性，让 他们明确考试难度，靠最后的突击复习通过考试不是很容易 的。（２）第一次考勤与总体缺勤次数的相关性。根据关联规则可以看到，第一次出勤后再缺勤一次的学生占比较多， 这部分学生可能学习态度还算端正，但偶尔会因为各种原因 有一点懒散。此外，根据求得的各种规则置信度结果可以看 出，第一次缺勤，后面仍会缺勤的概率在７７．８％，所以 对第一次点名就缺勤的学生要重点关注，因为这部分学生后 期很可能再次出现不上课情况。

５结语 根据关联分析结果可以看出学生的期末成绩与平时成 绩的相关度，前面若干次考勤与后面考勤之间的关系，以及 同一寝室学生之间相互影响的关系。通过这些分析，对于制 定教学管理措施很有帮助。例如当学生两次考勤不到时，就 需要进行相应警告；
对于平时抄袭行为需要制定较为严格的 措施；
同一寝室学生之间相互不良影响要采取措施。通过数 据挖掘分析技术，从大量客观的教学数据中分析和发现相应 的规律，并根据这些规律制定相应的教学管理措施，对改善 教学效果大有帮助。