數(shù)據(jù)挖掘及其在高校管理中的應用

陳康 王丹丹

摘 要：伴隨日常教學管理的向前發(fā)展，各高校網(wǎng)絡系統(tǒng)積累了大量的關于學生、教師、教學活動等方面的數(shù)據(jù)，這些數(shù)據(jù)存在很大的利用價值，可為高校進一步發(fā)展提供決策依據(jù)。然而，各高校網(wǎng)絡系統(tǒng)當中的數(shù)據(jù)多用于進行簡單的信息查詢或是報表統(tǒng)計，而未對數(shù)據(jù)的深層信息進行挖掘，導致數(shù)據(jù)利用不充分，未發(fā)揮系統(tǒng)數(shù)據(jù)應有的作用。文章簡單闡述了數(shù)據(jù)挖掘的基本概念及其方法，并就數(shù)據(jù)挖掘在高校管理中的應用展開了討論。

關鍵詞：數(shù)據(jù)挖掘；高校管理；應用

在實際工作當中，各行業(yè)數(shù)據(jù)庫系統(tǒng)只是提供了部分極其簡單的數(shù)據(jù)管理和處理功能。而隨著社會的發(fā)展，人們漸漸意識到數(shù)據(jù)的重要性和作用，對于數(shù)據(jù)分析及處理的要求也越來越高。面對數(shù)據(jù)庫中的海量數(shù)據(jù)，人們急需一種系統(tǒng)而科學的數(shù)據(jù)處理及分析技術，以深入開發(fā)并利用這些數(shù)據(jù)，為決策服務提供數(shù)據(jù)支持。

1 數(shù)據(jù)挖掘概述

1.1 數(shù)據(jù)挖掘的基本概念

數(shù)據(jù)挖掘就是指在大量的數(shù)據(jù)或是數(shù)據(jù)庫當中將人們所需要或感興趣的數(shù)據(jù)進行提取和分析的過程[ 1 ]。由數(shù)據(jù)挖掘的概念可知，數(shù)據(jù)挖掘是一個在大量未加工的數(shù)據(jù)系統(tǒng)當中發(fā)現(xiàn)有價值數(shù)據(jù)的過程。這些數(shù)據(jù)存在潛在的價值，可為決策服務提供信息支持，這類數(shù)據(jù)的存在形式包括概念、規(guī)則、規(guī)律、模式等。

數(shù)據(jù)挖掘是一門交叉性的綜合學科，其集機器學習、統(tǒng)計分析及數(shù)據(jù)庫技術于一體，將數(shù)據(jù)應用從簡單的查詢功能提升至數(shù)據(jù)當中挖掘有價值的信息，以為決策提供數(shù)據(jù)支持[2]?，F(xiàn)數(shù)據(jù)挖掘已廣泛應用于各領域，包括醫(yī)藥、農(nóng)業(yè)、電信、金融、互聯(lián)網(wǎng)、市場營銷等，且在各領域發(fā)揮著非常重要的作用。

1.2 數(shù)據(jù)挖掘的方法

數(shù)據(jù)挖掘是將數(shù)據(jù)庫技術與人工智能相互結合而產(chǎn)生的一種新型數(shù)據(jù)技術，數(shù)據(jù)挖掘的方法多數(shù)來源于機器，通過不斷改進，很多機器學習、人工智能的常規(guī)技術都可成為數(shù)據(jù)挖掘的方法[ 3 ]?？傮w而言，數(shù)據(jù)挖掘的方法主要包括以下幾類：

第一，粗糙集法。粗糙集理論是將集合論進行擴展而形成的，其主要用于對不確定性問題進行研究，包括各種研究未完全、信息描述不完整等數(shù)據(jù)，是近些年來逐步興起的一種問題解決理論。利用粗糙集法可在數(shù)據(jù)先驗知識不足的情況下，基于對數(shù)據(jù)分類能力進行考察而實現(xiàn)各種模糊或是具強不確定性的分析和處理。粗糙集法操作簡單，現(xiàn)有很多數(shù)據(jù)挖掘工具都是在粗糙集法的基礎上而建立的。

第二，聚類法。聚類法是指將所要分析的對象分成多個群體，每個群體當中的對象存在很大的相似性，而不同的群體之間其相似性則相對較小。通常來說，一個群體就一個類別，但相比于分類，聚類法有所不同。聚類的結果其所針對的數(shù)據(jù)是當前要進行處理的數(shù)據(jù)，在聚類之前是不知道數(shù)據(jù)的類目結構及對象的類別的。聚類是數(shù)據(jù)挖掘的第一個步驟，其將數(shù)據(jù)以群體方式進行了分類，以方便后期進行進一步分析。

第三，決策樹法。決策樹法主要用于解決分類問題。決策樹法分為兩個階段：構造樹和修剪樹。構造樹是指利用訓練數(shù)據(jù)形成測試函數(shù)，依照取值的不同來建立分支，然后在每個分支下再建立下層分支，通過這樣重復的不斷建立從而形成一棵決策樹。修剪樹是指在構造樹之后對其進行修剪，將決策樹轉化為一定的規(guī)則，并利用所得到的規(guī)則將新事例進行分類。相比于其他分類法，利用決策樹法進行分類速度較快、規(guī)則形成簡單容易且易于轉化為數(shù)據(jù)庫查詢語言，特別是對維數(shù)高的問題進行分類可取得良好的結果。

第四，人工神經(jīng)網(wǎng)絡法。人工神經(jīng)網(wǎng)絡法是一種軟計算方法，神經(jīng)網(wǎng)絡可以管理或是非管理模式進行學習。若采取管理模式，則需對已有的示例可能會產(chǎn)生的結果進行預測，比較預測結果及目標答案并通過錯誤實現(xiàn)學習的目標。神經(jīng)網(wǎng)絡的管理模式主要用于解決預測、分類及時間序列等問題。非管理模式的神經(jīng)網(wǎng)絡法多用于解決數(shù)據(jù)描述類問題，而不適應于結果預測類問題。神經(jīng)網(wǎng)絡在采取非管理模式時需建立其類描述、合法性驗證及操作，其無關于數(shù)據(jù)模式。人工神經(jīng)網(wǎng)絡法需較長時間，其行為類似黑盒，因此其可能無法滿足商業(yè)分析的相關要求。

第五，進化計算法。進化計算法主要是指對生物進化模式進行模仿的計算方法的總稱，有遺傳算法、遺傳編程、進化策略、進化規(guī)劃等方法。進化計算法是基于適應度函數(shù)約束而進行的智能化搜索，在不斷的搜索當中逐步接近目標，從而將目標數(shù)據(jù)提取出來。進化計算法的操作具雜交性和變異性，其搜索范圍非常廣，因此利用進化計算法所得到的結果可以說是所有結果當中的最優(yōu)解，同時因其為框架式結構，所以利用此方法一般只需要選擇適應度函數(shù)并完成相關編碼，其余操作則可由系統(tǒng)自動完成。

2 數(shù)據(jù)挖掘在高校管理中的應用

2.1 挖掘學生特征

根據(jù)系統(tǒng)當中現(xiàn)有的學生信息，如基本信息、學習歷史、學習成績、學習偏好及知識結構等，對學生的特征進行挖掘，以幫助學生及時改善學習行為。通過比較學生特征的分析結果和已制定的學生行為目標，教師可及時了解學生的學習狀況及變化，幫助學生修正不良的學習行為，從而提高學生的學習能力，促進學生人格健全及全方面發(fā)展。

2.2 干預師生行為

高校教學數(shù)據(jù)庫當中存有大量學生及教師的學習、教學、社會活動、獎懲情況等數(shù)據(jù)，利用數(shù)據(jù)挖掘當中的關聯(lián)分析可找到學生與教師之間各種活動的內(nèi)在聯(lián)系，如“當A、B同時存在時可以得到C結論”等類似的規(guī)則，即若同時發(fā)生A和B行為，則可判斷C行為的出現(xiàn)。將此理論應用于實際情境當中，即當發(fā)現(xiàn)學生或教師存在A和B行為時，則可立即分析C行為產(chǎn)生的可能性，并采取措施提前預防C行為的出現(xiàn)。

2.3 課程設置合理化

在教學過程當中，課程的設置都是循序漸進的，各課程之間相互聯(lián)系且有一定的前后順序。通常來說，高級課程的教學會安排在各種基礎課程之后，若基礎課程未很好地掌握，那么后續(xù)高級課程的學習必然受到影響。此外，因教師及班級文化存在差異，所以即使是同一年級、同一課程，不同班級的整體成績也在存在很大差異。將學校數(shù)據(jù)庫中歷屆學生的學習成績數(shù)據(jù)提取出來，并利用數(shù)據(jù)挖掘中的關聯(lián)分析及時間序列分析等功能，可從大量數(shù)據(jù)當中挖掘出價值相對較高的數(shù)據(jù)，通過對這些數(shù)據(jù)之間的相關性、回歸性等進行分析就可獲得很多有用的規(guī)則和信息，從而找到學生成績的影響因素。了解原因之后，學校便可對課程設置進行調(diào)整，使課程設置更加合理、科學。

2.4 教學評價

教學評價包括學生的學習評價及教師的課堂教學評價。對學生學習行為進行評價既是激發(fā)學生學習動機的主要方式，也是檢測課程設置、教學程序是否合理的重要手段。利用數(shù)據(jù)挖掘，通過分析學生的學習成績、學習行為、獎懲情況等可獲取學生評價結果，及時修正學生的學習行為。此外，這種方式還可有效克服教師主觀方面評價存在的不公正和不客觀等缺點。

課堂教學評價是高校進行教學管理的重要內(nèi)容，在高校教學過程當中發(fā)揮著控制、指導等作用，也是評價教師教學工作效果的重要方式。利用數(shù)據(jù)挖掘可提取大量的課堂教學評價數(shù)據(jù)，分析教學效果與教師年齡、職稱、教學方法等方面之間的聯(lián)系，為教學部門制定教學評價體系提供了信息支持，使高校能更好地開展教學工作，提高課堂教學效率。

2.5 招生就業(yè)管理

招生方面：利用數(shù)據(jù)挖掘可了解和分析學生的高考成績、個人資料、在校成績等基本信息，在此基礎上，各高校可建立高效、科學的招生管理系統(tǒng)。這樣既簡化了招生工作的流程，又提高了學校的生源素質，同時還可加強學校招生計劃的科學性，為高校招生工作的各方面決策提供了信息支持。

就業(yè)方面：利用數(shù)據(jù)挖掘可對學生就業(yè)情況進行分析，了解就業(yè)與學生學歷、專業(yè)、性別、生源地等因素之間的關聯(lián)。通過分析結果，高校學生就業(yè)指導部門就可制定科學合理的人才培養(yǎng)方案，從而提高學生的就業(yè)能力及競爭實力。

2.6 建設智能化校園網(wǎng)絡

利用數(shù)據(jù)挖掘發(fā)現(xiàn)Web數(shù)據(jù)中潛在的價值高的模式或信息，是當前數(shù)據(jù)挖掘的研究熱點和重點，即Web數(shù)據(jù)挖掘[4]。Web數(shù)據(jù)挖掘可為高校校園網(wǎng)絡建設提供指導，促進校園網(wǎng)絡建設的個性化和智能化。首先，可根據(jù)用戶的使用記錄來建立用戶模型，并通過分析用戶的基本信息來了解用戶的使用習慣、個人愛好等，從而為用戶提供個性化服務。其次，利用Web數(shù)據(jù)挖掘可了解用戶的行為記錄及反饋情況，以此為基礎，設計人員便可有針對性地改善站點，如頁面的連接、頁面的訪問等，優(yōu)化校園網(wǎng)絡；再次，利用即Web數(shù)據(jù)挖掘可了解用戶的擁塞記錄，從而發(fā)現(xiàn)站點存在的不足之處，并提示點點管理人員及時進行改善，以提高校園網(wǎng)絡的智能化。

3 結語

隨著時間的不斷推移，高校管理的系統(tǒng)數(shù)據(jù)會不斷增加，數(shù)據(jù)量不斷加大的同時數(shù)據(jù)復雜性也會不斷增強。在這種情況下，利用數(shù)據(jù)挖掘可將大量數(shù)據(jù)當中的有用、價值高的數(shù)據(jù)提取出來并進行分析，以為高校管理決策提供良好的數(shù)據(jù)支持，提高高校的管理水平及管理層次，推動高校的進一步發(fā)展。為此，在平時的工作當中，各高校應特別重視數(shù)據(jù)的挖掘，根據(jù)學校的實際情況，采取切實可行的措施，深入挖掘校園網(wǎng)絡系統(tǒng)當中的數(shù)據(jù)，將有價值的數(shù)據(jù)提取出來并將其轉化為知識，從而提高高校的管理水平及教學質量，促進教育體制的改革及完善。

[參考文獻]

[1]李霞，蔣盛益.數(shù)據(jù)挖掘在高校教學和管理中的應用研究[J].廣東外語外貿(mào)大學學報，2012（14）：88.

[2]江敏，徐艷.數(shù)據(jù)挖掘技術在高校教學管理中的應用[J].電腦知識與技術，2012（14）：77-78.

[3]劉美玲，李熹.數(shù)據(jù)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（14）：88.

[4]陽馨.高校管理中應用數(shù)據(jù)挖掘技術的途徑研究[J].數(shù)字技術與應用，2016（14）：77-78.

Data Mining and Its Application in University Management

Chen Kang， Wang Dandan

（Zhengzhou Institute of Finance and Economics， Zhengzhou 450000， China）

Abstract： With the daily teaching management forward， the university network system has accumulated a large amount of data about aspects of students， teachers， teaching activities， the data there is great value in use， can provide scientific basis for the further development of university. However， now the university network system among the data used for simple statistical information query or report， without in-depth information on data mining， data utilization leading to insufficient data system did not play its due role. This paper briefly describes the basic concepts and methods of data mining， and on the application of data mining in University Management discussed.

Key words： data mining； university management； application