數(shù)據(jù)挖掘技術(shù)在高校學(xué)生成績分析中的應(yīng)用

摘 要：本文首先介紹了數(shù)據(jù)挖掘技術(shù)對高校學(xué)生成績分析的意義與目標(biāo)，在此基礎(chǔ)上對目前常用的挖掘算法進行了分析與研究，最后以粗糙集算法為例實際介紹了學(xué)生成績數(shù)據(jù)挖掘?qū)嵗?/p>

關(guān)鍵詞：數(shù)據(jù)挖掘；高校；成績分析

中圖分類號：TP311.13

高校教育中，學(xué)生成績能夠反映學(xué)生對所學(xué)知識的理解與掌握程度，是教師用于評估教學(xué)效果的主要依據(jù)之一。隨著高等教育的普及，現(xiàn)代高校的教學(xué)規(guī)模逐年擴大，學(xué)生數(shù)量不斷增加，影響學(xué)生學(xué)習(xí)效果的因素從以個人因素為主逐漸拓展到多種因素的綜合作用，高校教務(wù)管理系統(tǒng)中也積累了大量的學(xué)生數(shù)據(jù)資源。信息時代中，數(shù)據(jù)收集、存儲與處理已經(jīng)成為推動社會進步的主要動力之一，特別是在目前對教學(xué)方式和學(xué)習(xí)內(nèi)容依賴性較強高校教育中，如何應(yīng)用先進數(shù)據(jù)分析算法從海量數(shù)據(jù)中提取有價值的信息協(xié)助制定和完善教學(xué)決策，幫助學(xué)生獲得更具針對性，更符合個人學(xué)習(xí)特點的教學(xué)信息是現(xiàn)代科學(xué)化教學(xué)的主要考慮問題。

數(shù)據(jù)挖掘技術(shù)是一種以海量數(shù)據(jù)為基礎(chǔ)的有效知識挖掘和數(shù)據(jù)關(guān)系歸納技術(shù)，該技術(shù)被廣泛應(yīng)用與多個領(lǐng)域的數(shù)據(jù)分析于檢索工作中，如市場營銷、風(fēng)險預(yù)測、產(chǎn)品質(zhì)量分析等，但是在教育領(lǐng)域中，數(shù)據(jù)挖掘技術(shù)應(yīng)用仍處于初級階段。目前，高校教學(xué)管理普遍實現(xiàn)了信息化，學(xué)生學(xué)習(xí)過程中的多種信息都可以通過教務(wù)管理系統(tǒng)數(shù)據(jù)庫查詢得到，但是這些信息中有超過80%的部分只是停留在簡單的查詢、統(tǒng)計、打印、報表等應(yīng)用階段，其潛在特性并未被挖掘出來用于對教學(xué)進行指導(dǎo)和預(yù)測。為提升學(xué)生成績的利用效果，適應(yīng)現(xiàn)代高等教育的教學(xué)需求，可以針對現(xiàn)有的成績數(shù)據(jù)庫應(yīng)用數(shù)據(jù)挖掘技術(shù)對其中的數(shù)據(jù)信息進行挖掘和處理。通過該技術(shù)的應(yīng)用可以獲得以下兩方面效果：從數(shù)據(jù)庫中查找影響學(xué)生學(xué)習(xí)成績的多個因素并將其映射到具體問題中，幫助學(xué)生及時把握個人學(xué)習(xí)效果與學(xué)習(xí)方法、學(xué)習(xí)態(tài)度等之間的關(guān)系，明晰學(xué)生學(xué)習(xí)中存在的困難，對學(xué)生學(xué)業(yè)進行預(yù)警；通過數(shù)據(jù)挖掘幫助教師和學(xué)校明確教學(xué)中存在的問題，幫助教師分析確定教學(xué)難點，協(xié)助完善教學(xué)策略，以及幫助教師開展更具針對性的教學(xué)輔導(dǎo)工作。

1 高校學(xué)生成績數(shù)據(jù)挖掘的內(nèi)涵

對高校學(xué)生成績進行數(shù)據(jù)挖掘主要是指對學(xué)生成績數(shù)據(jù)庫中存儲的大量數(shù)據(jù)進行有效信息收集與轉(zhuǎn)換，建立適當(dāng)?shù)哪Ｐ蛯D(zhuǎn)換后數(shù)據(jù)進行模型化處理和分析，進而從中發(fā)掘感興趣的知識關(guān)系與知識規(guī)律，并從中提取出可以輔助教學(xué)決策的關(guān)鍵性數(shù)據(jù)，幫助提升教學(xué)效率與管理效果。

如高校學(xué)生成績數(shù)據(jù)庫中包含了諸如學(xué)號、姓名、成績、課程、教學(xué)安排等諸多內(nèi)容，這些內(nèi)容中哪些對學(xué)生成績有影響，影響度是多少，哪些對學(xué)生成績無影響都是經(jīng)過數(shù)據(jù)挖掘分析與處理后得到的。這些分析結(jié)果可以幫助高校對現(xiàn)有的教學(xué)內(nèi)容和教學(xué)計劃等進行調(diào)整或重新規(guī)劃，以便于讓學(xué)生更好的利用教學(xué)資源，獲得更高的教學(xué)質(zhì)量。

需要說明的是，進行數(shù)據(jù)挖掘時所使用的數(shù)據(jù)信息必須是與挖掘目標(biāo)相關(guān)的、使用者感興趣的、真實有效的數(shù)據(jù)信息。

2 數(shù)據(jù)挖掘技術(shù)發(fā)展及其應(yīng)用現(xiàn)狀

數(shù)據(jù)挖掘技術(shù)融合了數(shù)據(jù)庫、人工智能以及數(shù)據(jù)并行處理等諸多技術(shù)可用于對數(shù)據(jù)倉庫中的數(shù)據(jù)進行隱含信息提取與挖掘，并根據(jù)算法需求進行知識學(xué)習(xí)與積累。該技術(shù)是在1989年被正式提出的。經(jīng)過多年的發(fā)展與完善，目前國內(nèi)外的數(shù)據(jù)挖掘技術(shù)研究與應(yīng)用主要集中在以下幾種算法：決策樹算法、神經(jīng)網(wǎng)絡(luò)算法、粗糙集算法、遺傳算法、關(guān)聯(lián)規(guī)則算法以及人工智能相關(guān)算法等。

其中，粗糙集理論是由Pawlak于1982年提出的，理論以模糊性數(shù)據(jù)為基礎(chǔ)，應(yīng)用分類機制對數(shù)據(jù)樣本空間中的不可分辨性關(guān)系進行分析與處理。基于粗糙集理論的粗糙集算法在進行數(shù)據(jù)挖掘時具有以下幾點特性：（1）該算法對包含噪聲的、分類不明確、具有模糊性的數(shù)據(jù)分類具有很好的應(yīng)用效果。（2）相對而言算法更加注重挖掘隱藏在數(shù)據(jù)樣本中的事實，故按照其進行的規(guī)則更具確定性與可能性。（3）該算法所構(gòu)造的形式模型具有清晰的定義，可應(yīng)用適當(dāng)?shù)臄?shù)學(xué)分析方法對數(shù)據(jù)進行處理與分析。（4）算法支持并行運算，可應(yīng)用于大數(shù)據(jù)信息挖掘。（5）算法的實現(xiàn)不需要附加信息的支持，可操作性強，實現(xiàn)過程簡單。

3 數(shù)據(jù)挖掘的過程分析

在應(yīng)用數(shù)據(jù)挖掘算法對高校學(xué)生成績進行分析時需要經(jīng)歷三個階段：數(shù)據(jù)準(zhǔn)備階段、數(shù)據(jù)挖掘階段以及數(shù)據(jù)結(jié)果表達與解釋階段。

3.1 數(shù)據(jù)準(zhǔn)備。該階段用于提供可用于進行直接處理與分析的數(shù)據(jù)信息，故在該階段中需要根據(jù)算法的數(shù)據(jù)信息使用需求對源數(shù)據(jù)進行適當(dāng)?shù)募?、篩選以及處理，以便于獲得可信度較高的分析結(jié)果。該部分工作在整個成績分析工作中占據(jù)了較大的比例。

（1）在高校學(xué)生成績分析中，用于數(shù)據(jù)挖掘的信息可能涉及多個數(shù)據(jù)庫或多個學(xué)科，這就需要將這些數(shù)據(jù)進行收集與整理，消除數(shù)據(jù)源與源之間的語義模糊性，處理其中存在的信息缺陷，整理為統(tǒng)一規(guī)范的數(shù)據(jù)格式。（2）由源數(shù)據(jù)匯集而成的數(shù)據(jù)分析空間中可能存在大量的無關(guān)數(shù)據(jù)，這些數(shù)據(jù)不為數(shù)據(jù)挖掘工作的開展提供支持，反而會增加工作量，故數(shù)據(jù)準(zhǔn)備的第二個內(nèi)容為數(shù)據(jù)的選擇，選擇后的數(shù)據(jù)應(yīng)該是對分析有用的、可有效縮小處理范圍的相關(guān)數(shù)據(jù)內(nèi)容。（3）篩選后的數(shù)據(jù)中可能存在噪聲問題、不完整問題或數(shù)據(jù)不一致問題等，此時還需要進行數(shù)據(jù)預(yù)處理操作，進一步完善和充實數(shù)據(jù)分析庫內(nèi)數(shù)據(jù)結(jié)構(gòu)，確保分析結(jié)果的可靠性與可信度。（4）為便于算法分析，還需要將數(shù)據(jù)庫中屬性字段的信息轉(zhuǎn)換為可識別、可處理的編碼數(shù)據(jù)。

3.2 數(shù)據(jù)挖掘。該工作是整個學(xué)生成績分析的執(zhí)行部分。需要應(yīng)用多種數(shù)據(jù)挖掘算法對數(shù)據(jù)庫中的數(shù)據(jù)信息進行處理和分析，發(fā)掘可用的內(nèi)在聯(lián)系或知識圖譜。

工作首先要確定挖掘目標(biāo)或任務(wù)，然后再根據(jù)挖掘目標(biāo)選用適當(dāng)?shù)耐诰蛩惴?gòu)建數(shù)據(jù)模型和需要分析的具體參數(shù)，并利用該模型對數(shù)據(jù)庫中相關(guān)參數(shù)進行挖掘與分析，查找出符合要求的關(guān)聯(lián)規(guī)則、數(shù)據(jù)回歸結(jié)構(gòu)等，給出可用于評估與分析的模式表達式。

實際應(yīng)用中，在算法選擇完畢后可以直接選用數(shù)據(jù)挖掘工作自動化完成數(shù)據(jù)挖掘工作。

3.3 結(jié)果評估與解釋。數(shù)據(jù)挖掘工作完畢后，用戶需要對所得到的模式分析結(jié)果或模式表達式進行評估與判斷，查看其是否具有有效性，能否滿足成績分析需求，若用戶對挖掘結(jié)果不滿意可以更改算法或重新執(zhí)行數(shù)據(jù)挖掘過程。

4 粗糙集算法在高校學(xué)生成績分析中的實現(xiàn)過程

以高校學(xué)生為例，學(xué)習(xí)興趣、課堂前準(zhǔn)備、課堂學(xué)習(xí)等因素作為衡量因素來判斷與整理這些因素對學(xué)生成績的影響。

（1）對學(xué)生信息進行采集。具體包括以下三部分內(nèi)容：一是學(xué)生的基本信息，二是數(shù)據(jù)挖掘涉及的調(diào)查信息如學(xué)習(xí)興趣、課前準(zhǔn)備、課堂學(xué)習(xí)效率、課后復(fù)習(xí)等，三是學(xué)生的具體考試成績，其中包括平時成績、考試成績以及綜合測評成績等。（2）對上述數(shù)據(jù)進行預(yù)處理和數(shù)據(jù)轉(zhuǎn)換。既要對所收集的樣本進行數(shù)據(jù)值補充完善，又要將其轉(zhuǎn)化為可用于分析的離散化屬性參數(shù)。（3）對數(shù)據(jù)進行分類挖掘。針對粗糙集算法，需要執(zhí)行如下幾步算法操作：數(shù)據(jù)屬性約簡、成績值約減。（4）可以形成可直接用于信息分類與提取的分類規(guī)則，確定各屬性因素之間的關(guān)聯(lián)度。具體本例而言分類規(guī)則為：平時成績屬性AND課堂學(xué)習(xí)效果AND知識掌握程度AND課后復(fù)習(xí)。該分類規(guī)則下可以獲得每一屬性因素對應(yīng)的學(xué)生成績之間的關(guān)系。

5 總結(jié)

數(shù)據(jù)挖掘技術(shù)是一類可在海量數(shù)據(jù)信息庫中查找與發(fā)現(xiàn)知識內(nèi)在聯(lián)系的一種數(shù)據(jù)分析方法，其在高校學(xué)生成績分析中的應(yīng)用仍處于初級階段，應(yīng)用粗糙集算法對學(xué)生成績進行挖掘可以獲得較為明確的分析結(jié)果，這對于指導(dǎo)開展教學(xué)改革，幫助學(xué)生制定更高效的學(xué)習(xí)計劃，改進與完善現(xiàn)有教學(xué)中存在的問題具有非常實際的意義。為獲得更好的數(shù)據(jù)挖掘結(jié)果，在后續(xù)的工作中可以根據(jù)粗糙集算法特性對其進行改進或與其他算法進行結(jié)合。

參考文獻：

[1]劉宇陽.數(shù)據(jù)挖掘技術(shù)在高校學(xué)生成績分析中的應(yīng)用[J].交通科技與經(jīng)濟，2008，10（3）.

作者單位：南京郵電大學(xué)，南京 210023

基金項目：南京郵電大學(xué)青藍計劃“基于數(shù)據(jù)挖掘技術(shù)的遠程學(xué)習(xí)監(jiān)控與動態(tài)評價”