數(shù)據(jù)挖掘在高校教務管理中的應用

楊亞菲

(國家開放大學 信息化部，北京 100039)

在當今數(shù)據(jù)驅動的時代，數(shù)據(jù)是非常寶貴的資產(chǎn)。數(shù)據(jù)挖掘的核心是挖掘數(shù)據(jù)的商業(yè)價值，在大量數(shù)據(jù)中通過算法找到隱藏在背后的關鍵規(guī)律用以制定相關決策、指導相關業(yè)務工作。因此無論工作還是生活中的各種決策，因為有了數(shù)據(jù)挖掘的結果而變得更加省時、省力精準有效。隨著高校將先進信息技術應用在教務管理的探索性實踐發(fā)展，教務管理不僅可以規(guī)范高校相關管理工作，還可以在一定程度上提高教學質量。教務管理系統(tǒng)可以說是高校中具有最豐富且最大規(guī)模數(shù)據(jù)的系統(tǒng)，利用數(shù)據(jù)挖掘相關技術獲取教務管理數(shù)據(jù)中潛在的信息，對高校的發(fā)展起著至關重要的作用。

1 數(shù)據(jù)挖掘

1.1 概述

根據(jù)相關學者對數(shù)據(jù)挖掘的定義，數(shù)據(jù)挖掘可稱為知識發(fā)現(xiàn)，它是在大量、隨機、不完全、模糊的實際應用數(shù)據(jù)中提取有價值、潛在有用知識的處理過程[1-2]。它更是一種強大的人工智能工具，通過分析數(shù)據(jù)庫中多角度多維度的數(shù)據(jù)以發(fā)現(xiàn)有價值信息，并分類匯總數(shù)據(jù)之間的關系，運用此結果幫助制定和改進決策。

1.2 步驟

數(shù)據(jù)挖掘過程包括以下步驟：①數(shù)據(jù)獲取，即根據(jù)已有需求有針對性地在數(shù)據(jù)源獲取相關數(shù)據(jù)；②數(shù)據(jù)預處理，即規(guī)范格式、清洗數(shù)據(jù)、集成數(shù)據(jù)以進一步提高數(shù)據(jù)質量；③模型建立及優(yōu)化，即選擇和應用各種數(shù)據(jù)挖掘模型，并進行優(yōu)化，以便得到更好的分類結果，此過程也可以視為選擇合適的算法；④數(shù)據(jù)挖掘，即對經(jīng)過處理的數(shù)據(jù)使用選擇好的模型進行數(shù)據(jù)挖掘，以獲取有價值的規(guī)律或知識；⑤知識展現(xiàn)，即對數(shù)據(jù)挖掘的結果分析并評估，一般最后會進行可視化展示[1-2]。

1.3 常用方法

國際權威學術組織The IEEE International Conference on Data Mining (ICDM) 2006年12月在香港評選出了數(shù)據(jù)挖掘領域的十大經(jīng)典算法：C4.5, K-Means, SVM, Apriori, EM, PageRank, AdaBoost, KNN, Naive Bayes, CART。根據(jù)主要用途可將上述十大經(jīng)典算法分為分類、聚類、關聯(lián)分析以及鏈接分析4類，以下就教務管理方面常用的挖掘算法進行闡述。

分類是基于未知類別數(shù)據(jù)的特征或屬性，將其歸類為已有類別。常用的分類算法有樸素貝葉斯以及決策樹(C4.5，CART)。樸素貝葉斯在概率論原理指導下，基于貝葉斯定理與特征條件獨立假設，對于待分類項求解在此項出現(xiàn)的條件下各個類別出現(xiàn)的概率，將要分類的項目分類為具有最高計算概率的類別[5]。決策樹又稱判斷樹，它是一種以樹形數(shù)據(jù)結構來展示決策規(guī)則和分類結果的模型，作為一種歸納學習算法，其重點是將看似無序、雜亂的已知實例，通過某種技術手段將它們轉化成可以預測未知實例的樹狀模型[6-7]。

聚類分析就是在未知的情況下根據(jù)數(shù)據(jù)樣本之間一定的相似度將其劃分為若干個不相區(qū)間，然后根據(jù)與已有數(shù)據(jù)樣本區(qū)間的相似度來歸類待劃分數(shù)據(jù)[4]。其中，k均值聚類算法(K-Means)比較經(jīng)典，在k-Means算法中，對于給定的樣本集，根據(jù)樣本之間的距離將樣本集劃分為k個類。

關聯(lián)分析是找大量數(shù)據(jù)集存在的關聯(lián)性或相關性，描述事物中某些屬性同時出現(xiàn)的規(guī)律和規(guī)則，其中，Apriori是經(jīng)典的關聯(lián)規(guī)則算法。Apriori算法通過挖掘頻繁項集來揭示對象之間的關聯(lián)關系，其中頻繁項集是指經(jīng)常出現(xiàn)在一起的對象集合，關聯(lián)規(guī)則隱含著對象之間可能存在很強的關系。

2 數(shù)據(jù)挖掘在教務管理系統(tǒng)中的應用

2.1 分類算法在教務管理中的應用

通過樸素貝葉斯分類算法監(jiān)測學生考試成績，分析學生考試成績變化趨勢[5]。此外，將教務管理中學生的平時成績和試卷成績以及具體成績細節(jié)作為數(shù)據(jù)挖掘對象，使用決策樹算法進行分類分析，挖掘影響學生綜合成績的重要因素，以及這些因素與綜合成績之前的正負關系[6-7]。基于此，不僅為教務管理者制定教學計劃提供了科學依據(jù)，而且還可有針對性地指導學生高效率學習。

2.2 聚類算法

對教務管理中學生對教師教學測評結果和教師授課信息進行聚類分析，挖掘教師教學水平評價的關鍵影響因素，分析學生就相關課程對教師教學質量關注的重要指標[4]?；诖朔治觯环矫娼處熆梢杂嗅槍π缘卣{(diào)整授課側重點，提高教師教學水平；另一方面可以作為衡量教師教學質量以及教師績效考核的重要量化參考依據(jù)，進而促進高校教師的團隊管理。

2.3 關聯(lián)分析

對教務管理積累的歷史選課數(shù)據(jù)以及已經(jīng)取得的成績?yōu)閷ο筮M行關聯(lián)分析，針對學生的選課傾向與學習課程后掌握情況、考試成績等信息，挖掘課程之間相關性和課程與成績之間相關性等有用信息構建相關模型[3]?；诖?，可以實現(xiàn)個性化課程推薦，為后續(xù)學生有針對性地調(diào)整培養(yǎng)方案提供科學依據(jù)，進一步完成個性化人才培養(yǎng)目標。此外，可為以后課程具體內(nèi)容設計方面提供細節(jié)參考，幫助教師有的放矢地準備授課內(nèi)容，提高整體教學質量。

3 對數(shù)據(jù)挖掘技術在教務管理中應用的思考

3.1 應用范圍需要擴展

目前數(shù)據(jù)挖掘對教務管理方面的應用研究大多是針對學生選課以及成績方面，而教務管理的業(yè)務范圍并不僅于此，還包括招生、學籍、科研、畢業(yè)、就業(yè)等多方面。只有將數(shù)據(jù)挖掘技術全面應用于教務管理各個方面，才能更加充分地完善教務管理系統(tǒng)，提高教務管理水平。此外，還可以為教學中自動問答功能以及個性化推薦功能提供基礎性支持。所以，研究數(shù)據(jù)挖掘算法，探索合適的挖掘模型，以處理教務各業(yè)務方面數(shù)據(jù)是今后努力的方向。

3.2 數(shù)據(jù)安全需要引起重視

在應用數(shù)據(jù)挖掘處理教務相關數(shù)據(jù)的過程中，處理的數(shù)據(jù)主體主要來自教務系統(tǒng)數(shù)據(jù)庫，數(shù)據(jù)源頭包含學生和老師的個人隱私信息。針對個人信息安全保護問題，國家明確規(guī)定了相關法律條文并發(fā)布實施。所以在獲取教務管理數(shù)據(jù)時，應該盡量避免敏感數(shù)據(jù)。如果研究中不可避免需要一些隱私數(shù)據(jù)，則需要對數(shù)據(jù)采取匿名化或去標識化等保密措施。將高度關注個人信息的敏感性，防止個人隱私泄露，防止對個人安全造成威脅作為對待數(shù)據(jù)的原則。

3.3 加強對教務系統(tǒng)的完善

大多學者通過對教務某業(yè)務方面的數(shù)據(jù)采用數(shù)據(jù)挖掘技術進行試驗分析，最后根據(jù)實驗結果獲取數(shù)據(jù)與業(yè)務相關的規(guī)律，用以支持制定教務管理相關決策或提升教學水平。然而，研究的最終目標不能局限于此，應該在相關研究成果的基礎上，結合教務系統(tǒng)實際使用情況對其功能進行升級完善，將研究結果轉化為教務系統(tǒng)中相應的功能模塊或是輔助教務管理的功能模塊，由此使得數(shù)據(jù)挖掘針對教務管理的應用成果能更加直觀地呈現(xiàn)于實際管理工作中。

4 結語

隨著信息化的推進，高校教務管理系統(tǒng)不斷升級、功能不斷完善、業(yè)務不斷規(guī)范，教務管理方面的信息數(shù)據(jù)量也不斷增加。如何正確科學使用教務管理方面的數(shù)據(jù)是每所高校管理者甚至是高層必須深思的問題，因為這決定著學校如何優(yōu)化教學資源、標準化教學管理、提升教學水平，甚至決定著整個教育行業(yè)的發(fā)展走向。數(shù)據(jù)挖掘技術為在紛繁復雜的海量教務管理數(shù)據(jù)中挖掘知識提供了很好的工具，雖然已經(jīng)有一些學者就此方面進行了研究，但是數(shù)據(jù)挖掘并沒有在高校教務管理方面得到廣泛應用，因此仍有較大的發(fā)展和創(chuàng)新空間，有必要進行深入研究。