聚類分析在高考成績研究主題發(fā)現(xiàn)中的應(yīng)用

曹樹貴　李文　陳軍霞

摘要摘要：2006年以來，高考成績研究的學(xué)術(shù)關(guān)注度呈直線上升趨勢，探究該領(lǐng)域研究的主題分布，有助于對高考成績的深入研究及開發(fā)利用。以中國知網(wǎng)（CNKI）高考成績相關(guān)研究文獻(xiàn)為數(shù)據(jù)源，在對關(guān)鍵詞進(jìn)行數(shù)據(jù)清洗的基礎(chǔ)上，構(gòu)建高頻詞共現(xiàn)矩陣，繼而對共現(xiàn)矩陣進(jìn)行聚類分析，從而發(fā)現(xiàn)了高考成績相關(guān)研究的10個主題方向。

關(guān)鍵詞關(guān)鍵詞：高考成績；共詞分析；聚類分析

DOIDOI：10.11907/rjdk.171095

中圖分類號：TP319

文獻(xiàn)標(biāo)識碼：A文章編號文章編號：16727800（2017）005013503

0引言

利用中國知網(wǎng)（CNKI）對高考成績相關(guān)文獻(xiàn)進(jìn)行指數(shù)分析，可以發(fā)現(xiàn)2006年以前，高考成績研究的學(xué)術(shù)關(guān)注度較低，且發(fā)展平穩(wěn)，而2006年以后，高考成績研究的學(xué)術(shù)關(guān)注度呈現(xiàn)直線增長。探究該領(lǐng)域研究的主題分布，有助于對高考成績的深入廣泛研究及開發(fā)利用。

1研究理論與方法

本文以文獻(xiàn)關(guān)鍵詞為數(shù)據(jù)對象，采用聚類分析方法對高考成績相關(guān)研究文獻(xiàn)進(jìn)行分析，從而發(fā)現(xiàn)該領(lǐng)域的研究主題及分布。這里的關(guān)鍵詞指文獻(xiàn)中作者指定的旨在反映文章主題內(nèi)容的詞。當(dāng)兩個關(guān)鍵詞在同一篇文獻(xiàn)中出現(xiàn)時，表明這兩個詞之間具有一定的內(nèi)在關(guān)系，并且出現(xiàn)次數(shù)越多，表明關(guān)系越密切、距離越近[1]。聚類分析是數(shù)據(jù)挖掘的典型方法，該方法根據(jù)數(shù)據(jù)對象的特征對研究個體進(jìn)行劃分，同一類中的個體具有較大相似性，而不同類的個體之間存在不同程度的差異[2]。聚類分析可根據(jù)文獻(xiàn)關(guān)鍵詞的距離，將關(guān)鍵詞分成不同類團(tuán)，從而有助于發(fā)現(xiàn)所研究領(lǐng)域的主題分布情況。

具體研究過程如下：①數(shù)據(jù)準(zhǔn)備：包括文獻(xiàn)題錄數(shù)據(jù)收集、文獻(xiàn)關(guān)鍵詞抽取、關(guān)鍵詞數(shù)據(jù)清洗、共現(xiàn)矩陣生成等環(huán)節(jié)；②聚類分析：對關(guān)鍵詞共現(xiàn)矩陣采用SPSS聚類分析方法生成類團(tuán)，對各類團(tuán)進(jìn)行解析，從而確定高考成績研究的主題。

2數(shù)據(jù)準(zhǔn)備

2.1數(shù)據(jù)收集

文章以中國知網(wǎng)（CNKI）為文獻(xiàn)數(shù)據(jù)源，以“TI=高考 and主題=（成績+數(shù)據(jù)+分?jǐn)?shù)）*（分析+統(tǒng)計+剖析+挖掘+評價+預(yù)測+實證+差異）”為檢索式，限定時間從2006～2015年，共獲得期刊文獻(xiàn)530篇，會議文獻(xiàn)25篇，博碩論文359篇。在此基礎(chǔ)上參照題名、關(guān)鍵詞、摘要進(jìn)行人工篩選，共獲得380篇文獻(xiàn)的題錄信息作為研究的數(shù)據(jù)對象，其中期刊文獻(xiàn)293篇，會議文獻(xiàn)19篇，博碩論文69篇。

2.2數(shù)據(jù)清洗

將采集到的文獻(xiàn)題錄導(dǎo)入到國內(nèi)學(xué)者劉啟元[3]開發(fā)的文獻(xiàn)題錄信息統(tǒng)計分析軟件SATI3.2中，抽取到文獻(xiàn)關(guān)鍵詞994個，累計頻次1 640次。這些關(guān)鍵詞存在著過于寬泛、主題不相關(guān)、不規(guī)范、一意多詞等問題，因此利用3種方式對數(shù)據(jù)進(jìn)行清洗。

（1） 舍棄。舍去過于寬泛的詞，如 “分析”；舍去與主題無關(guān)的詞，如“高潮期”。

（2） 合并。合并意義相同或相近的詞，如將“相關(guān)性分析”、“相關(guān)分析”合并為“相關(guān)分析”。

（3） 集中。將一些出現(xiàn)頻次較少但反映特定內(nèi)容的詞，集中起來用上位詞代替[4]。如將低頻詞“皮爾遜相關(guān)分析”、“偏相關(guān)分析”集中到高頻上位詞“相關(guān)分析”。

2.3高頻關(guān)鍵詞提取

高頻關(guān)鍵詞是出現(xiàn)頻率較高的關(guān)鍵詞，能很好地反映領(lǐng)域內(nèi)的關(guān)注點。數(shù)據(jù)清洗后，取頻次大于等于5的42個關(guān)鍵詞作為數(shù)據(jù)對象，表1列舉了部分高頻關(guān)鍵詞。

2.4共現(xiàn)矩陣建立

針對以上高頻關(guān)鍵詞建立高頻詞共現(xiàn)矩陣，矩陣數(shù)據(jù)為兩詞共現(xiàn)的頻次，對角線上數(shù)據(jù)為該詞出現(xiàn)總頻次，如表2所示。

為避免關(guān)鍵詞共現(xiàn)頻次受各自詞頻大小的影響，采用Equivalence等價系數(shù)將共現(xiàn)矩陣轉(zhuǎn)化為元素值在[0，1]區(qū)間的相關(guān)矩陣。在此基礎(chǔ)上，用1與相似矩陣中的各個數(shù)字相減，以減小因0值過多帶來的計算誤差，得到高頻詞相異矩陣，如表3所示。相異矩陣中元素越接近于1，所對應(yīng)的行列關(guān)鍵詞相似度越小；越接近于0，所對應(yīng)的行列關(guān)鍵詞相似度越大[2]。

Equivalence等價系數(shù)計算方式為[5]：

Eij=CijCi×CijCj（1）

其中，Eij為相似矩陣中第i個詞與第j個詞的等價系數(shù)，即相似矩陣中對應(yīng)的元素值，Cij為共現(xiàn)矩陣中第i個詞與第j個詞的共現(xiàn)次數(shù)，Ci、Cj分別為第i個詞與第j個詞的頻次。

3聚類分析

將相異矩陣導(dǎo)入SPSS20.0，進(jìn)行層次聚類分析（采用組間連接法，Euclidean區(qū)間距離）得到聚類樹，根據(jù)聚類樹可以獲得10個分別代表不同研究主題的關(guān)鍵詞類團(tuán)：T1，T2，……T9，T10（見圖1）。

現(xiàn)對各類團(tuán)關(guān)鍵詞及其代表的研究主題進(jìn)行詳細(xì)解析：

（1）T1類團(tuán)關(guān)鍵詞包括：高考志愿、數(shù)據(jù)倉庫、OLAP、數(shù)據(jù)挖掘、關(guān)聯(lián)規(guī)則、決策樹，代表數(shù)據(jù)挖掘相關(guān)技術(shù)在高考志愿分析中的應(yīng)用。數(shù)據(jù)倉庫與OLAP是商務(wù)智能領(lǐng)域的重要技術(shù)方法，采用數(shù)據(jù)倉庫及OLAP技術(shù)可以對大規(guī)模高考數(shù)據(jù)進(jìn)行有效集成，并進(jìn)行多維度分析；關(guān)聯(lián)規(guī)則挖掘、決策數(shù)挖掘是數(shù)據(jù)挖掘的常用技術(shù)，可發(fā)現(xiàn)隱藏在高考成績、報考學(xué)校、專業(yè)、考生信息等多維度之間的規(guī)則，建立基于考生信息、成績信息、招生學(xué)校及專業(yè)信息的高招錄取預(yù)測模型，從而為志愿填報提供知識支撐。

（2）T2類團(tuán)關(guān)鍵詞包括：高考英語、效度、信度，代表高考英語效度和信度研究。效度是衡量考試有效性和正確性的指標(biāo)，信度是衡量考試可靠性、穩(wěn)定性和一致性程度的指標(biāo)[6]。在高考科目中，英語作為高考的重要考試科目，其效度及信度研究倍受關(guān)注。

（3）T3類團(tuán)關(guān)鍵詞包括：高中生、自我效能，代表高中生自我效能對高考成績的影響研究。自我效能指人們對自己實現(xiàn)特定領(lǐng)域行為目標(biāo)所需能力的信心或信念[7]。在所考察的文獻(xiàn)中，高中生的自我效能對高考成績影響的研究文獻(xiàn)只有3篇，但已形成一個新的方向，受到一些學(xué)者的關(guān)注。

（4）T4類團(tuán)關(guān)鍵詞包括：學(xué)業(yè)成績、差異分析、性別差異、城鄉(xiāng)差異、教育公平、高考改革，代表高考成績?nèi)后w差異研究。該主題關(guān)注的是高考成績中體現(xiàn)出不同群體學(xué)生的差異性，如性別差異、城鄉(xiāng)差異、區(qū)域差異、學(xué)校差異（如重點高中、普通高中）等，而群體差異的顯著性，引發(fā)了學(xué)者關(guān)于教育公平及高考改革的問題探討。

（5）T5類團(tuán)關(guān)鍵詞包括：體育高考、影響因素、評分標(biāo)準(zhǔn)，代表體育高考成績影響因素及評分標(biāo)準(zhǔn)研究。該主題主要探尋體育高考成績與項目內(nèi)容之間的關(guān)系及其它影響因素。另外，測試項目評分標(biāo)準(zhǔn)的制定及實施如何體現(xiàn)科學(xué)、合理、公平競爭的原則，也是研究方向之一。

（6）T6類團(tuán)關(guān)鍵詞包括：模擬考試、預(yù)測、線性回歸、灰色系統(tǒng)，代表報考預(yù)測研究，包括高考成績預(yù)測、分?jǐn)?shù)線預(yù)測、命題分布預(yù)測、報到率預(yù)測等。線性回歸模型是經(jīng)典預(yù)測模型之一，在高考成績預(yù)測中得到了較多的應(yīng)用?；疑到y(tǒng)理論則更適用于部分信息已知、部分信息未知的預(yù)測系統(tǒng)。對于高考預(yù)測而言，影響因素很多，但可度量的因素不多，解決這樣的問題，灰色預(yù)測模型具有一定優(yōu)勢。

（7）T7類團(tuán)關(guān)鍵詞包括：教育質(zhì)量評價、增值評價、教育測量理論、Rasch模型、貝葉斯網(wǎng)絡(luò)，代表教育質(zhì)量評價研究。教育測量理論是教育質(zhì)量評價的理論體系，Rasch測量是具有客觀等距量尺的測量，可克服經(jīng)典測量的測驗工具依賴和樣本依賴的局限[8]。貝葉斯網(wǎng)絡(luò)是基于概率推理，并以圖論的形式來表達(dá)和描述數(shù)據(jù)實例中的關(guān)聯(lián)或因果關(guān)系的方法[9]，可對教育質(zhì)量評價系統(tǒng)進(jìn)行建模，從而對教育質(zhì)量各影響因素進(jìn)行分析。

（8）T8類團(tuán)關(guān)鍵詞包括：大學(xué)成績、大學(xué)英語、高等數(shù)學(xué)、相關(guān)分析、回歸分析、SPSS，代表高考成績與大學(xué)成績的相關(guān)性研究。該主題關(guān)注的是大學(xué)成績與高考成績的相關(guān)性，尤其是大學(xué)英語、高等數(shù)學(xué)等基礎(chǔ)課程與高考成績的相關(guān)性。建立高考成績與大學(xué)成績的回歸模型，可依據(jù)高考成績對大學(xué)成績作出預(yù)測，為高校招生或教學(xué)管理提供參考。SPSS在該類團(tuán)出現(xiàn)，說明了該軟件在相關(guān)分析及回歸分析中得到了普遍應(yīng)用。

（9）T9類團(tuán)關(guān)鍵詞包括：大學(xué)生、高等學(xué)校、高考招生、錄取、生源質(zhì)量，代表高考招生生源質(zhì)量研究。高考招生分?jǐn)?shù)在一定程度上代表了學(xué)校的生源質(zhì)量，對它的研究可以得出高校生源質(zhì)量的規(guī)律性認(rèn)識[10]。因此，基于高考成績的生源質(zhì)量分析、評價、規(guī)律探索等研究文獻(xiàn)近年來呈現(xiàn)增長趨勢。

（10）T10類團(tuán)關(guān)鍵詞包括：難度、區(qū)分度，代表高考試卷區(qū)分度與難度研究。對于高考而言，難度是非常敏感的問題，受到考試設(shè)計者、教育考試機構(gòu)、學(xué)校、考生、教研部門的普遍關(guān)注[11]，因而是試題分析的重要功能指標(biāo)。區(qū)分度，又稱為鑒別力，指試題對不同水平考生的區(qū)分程度，同樣是選拔性考試的另一個重要指標(biāo)。

綜上所述，根據(jù)聚類分析所發(fā)現(xiàn)的高考成績研究主題如表4所示。

另外，從聚類分析所得到的研究主題中，也可以發(fā)現(xiàn)目前研究的一些不足，主要表現(xiàn)在：①數(shù)據(jù)挖掘技術(shù)研究主要集中在高考志愿分析上，而在其它方面的研究不足；②高考信度和效度研究，集中在高考英語科目上，而對其它科目的研究不足；③針對體育高考成績的研究較多，而對藝術(shù)類高考成績研究很少；④高考成績與大學(xué)成績相關(guān)性研究主要體現(xiàn)在高等數(shù)學(xué)與英語等基礎(chǔ)課程上，而高考成績與專業(yè)課成績的相關(guān)性研究則相對較弱。

4結(jié)語

文章采用聚類分析方法發(fā)現(xiàn)了10個高考成績研究主題，以及高考成績研究方向上的不足。需要說明的是，以下因素或?qū)Ρ疚慕Y(jié)論的嚴(yán)謹(jǐn)性產(chǎn)生一定影響：①檢索文獻(xiàn)所采用的檢索式不能找到所有符合要求的文獻(xiàn)；②在對關(guān)鍵詞的舍棄、合并、集中過程中帶有一定主觀性；③剔除低頻關(guān)鍵詞或共現(xiàn)強度弱的共詞對，將不利于探測潛在主題或處于上升期的主題[5] 。

盡管受到以上因素的影響，本文結(jié)論或存在一定誤差，但總體方向上是正確的。筆者將在此基礎(chǔ)上，繼續(xù)探析高考成績研究主題的核心邊緣分布，從而發(fā)現(xiàn)哪些是核心主題，哪些是邊緣性主題，哪些是熱點主題以及有潛力的主題等。

參考文獻(xiàn)參考文獻(xiàn)：

[1]朱慶華， 彭希羨， 劉璇. 基于共詞分析的社會計算領(lǐng)域的研究主題[J]. 情報理論與實踐， 2012，35（12）：711， 6.

[2]王一博， 郭鑫， 王繼民. 國際大數(shù)據(jù)研究主題的可視化分析[J]. 數(shù)字圖書館論壇， 2014（7）：5257.

[3]劉啟元， 葉鷹. 文獻(xiàn)題錄信息挖掘技術(shù)方法及其軟件SATI的實現(xiàn)——以中外圖書情報學(xué)為例[J]. 信息資源管理學(xué)報， 2012（1）：5058.

[4]錢澄， 李剛. 國內(nèi)近十年檔案網(wǎng)站研究的核心問題與熱點分析——基于2000-2011年學(xué)術(shù)文獻(xiàn)共詞分析[J]. 檔案與建設(shè)， 2012（5）：1317.

[5]唐果媛， 張薇. 基于共詞分析法的學(xué)科主題演化研究進(jìn)展與分析[J]. 圖書情報工作， 2015（5）：128136.

[6]陳亞麗. 關(guān)于教育測量的要素分析[J]. 無錫商業(yè)職業(yè)技術(shù)學(xué)院學(xué)報， 2005（1）：8384.

[7]田常琴. 高三學(xué)生自我效能、自我妨礙對高考成績的影響[D]. 重慶：西南大學(xué)， 2011.

[8]王蕾. Rasch測量原理及在高考命題評價中的實證研究[J]. 中國考試：研究版， 2008（1）：3239.

[9]謝斌， 劉長建. 基于貝葉斯網(wǎng)絡(luò)構(gòu)建的學(xué)生成績評價系統(tǒng)及影響分析[J]. 中國科教創(chuàng)新導(dǎo)刊， 2011（31）：3435.

[10]羅良針， 張陽. 普通高校本科生源質(zhì)量規(guī)律研究——基于江西24所高校招生數(shù)據(jù)的實證分析[J]. 教育學(xué)術(shù)月刊， 2013（6）：8689.

[11]趙海燕， 臧鐵軍. CTT框架下基于數(shù)據(jù)分析的高考試題質(zhì)量評價標(biāo)準(zhǔn)——對20042008年高考北京卷的實證研究[J]. 中國考試：研究版， 2009（8）：316.

責(zé)任編輯（責(zé)任編輯：黃?。?