高职院校教务管理系统中的关联规则应用.docVIP

高职院校教务管理系统中的关联规则应用 　　摘要：教务管理系统在长期的运行过程中积累了大量的数据，我们使用数据挖掘技术可以从海量的应用数据中发现隐藏、具有一定价值的一些知识以及信息，是一种比较好的决策支持的过程。但是关联规则进行挖掘的方法大多都是常用的且非常重要的挖掘数据的方法，在高校的教务管理系统当中有非常广泛的应用，能够给高职院校的教务教学管理工作提供比较好的研究和分析依据，协助进行决策。 中国论文网 /8/view-7221078.htm 　　关键词：教务管理；数据挖掘；关联规则 　　中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2015）34-0021-03 　　高职院校的教务管理系统中存储了海量的数据信息，为了从这些长期积累的海量的教务数据中挖掘出有价值信息，发现教务管理系统数据中未知、潜在的一些关系以及规则，借助数据挖掘的技术能够很好解决这一问题，是一种可靠的途径和重要的手段。 　　通过数据挖掘的技术，可以创建出适合进行教学管理的决策的一种分析和管理的系统模式，可以显著地提升高职院校的教务教学管理总体的水平以及质量，落实教务工作的科学化以及规范化管理，拥有非常重要的意义以及价值。借助多种不同数据挖掘工具以及技术，进行教务管理的工作人员可以在很大程度上缓解日常教务管理的工作量，还能够在很大程度上对大量繁杂的数据进行系统的、透彻的详细统计以及分析，发现更有价值的信息。 　　1 关联规则在人才培养方案的课程设置中的应用 　　经过专业调研后，根据高职院校人才培养方案，对于课程体系，相关课程的前驱、后续的设计，各个高职院校充分结合专业的发展需要，制定适当调整，不过这一课程的设置方案能够保证是不是合理，是不是适合整个的人才培养方式、是否能够帮助学生职业的发展，就目前来说还没有成熟且合理的评价以及考核体系以及解决的方案等。进行课程设置的过程也会被教学机制以及师资力量等多方面因素的影响。比如核心专业限选课程的划分是否比较合理，其相关的课程前驱以及后继关系是否清晰等。所以，高职院校的课程设置当中恰当地使用在数据仓库基础之上进行的关联规则、挖掘技术的研究，能够给高职院校教学管理以及人才培养制度提供出比较科学且合理的决策上的支持。 　　目前高职院校在校生规模普遍较大，同时因为教学改革、校企合作等因素的影响，负责教务教学的管理过程要处理大量数据、其复杂程度相对也较高，因此教务管理方面的人员和教学管理的工作者进行教学数据处理工作的技术性上也存在比较大的难度，例如根据学生的课程的教学情况和成绩数据上的分布状况，很难直接、直观地就理清前驱课程以及后继课程之间关系程度等问题的详细区分，同时针对前后课程之间的关系展开合理专业建设方案设计。针对上述问题，恰当使用关联规则，能够很有效地协助挖掘出一些隐藏且潜在的一些相关课程之间的关系简单模型，它拥有非常大的必要性以及可行性等。我们可以考虑使用关联规则的Apriori算法，对高职院校教务管理系统当中的“学生成绩”这一数据展开系统的挖掘以及分析，通过这样的方式来确定“最小支持度”以及“最小置信度”，这其中，任意的两门课程间存在的相关性具体信息可以从下表1当中发现： 　　我们对表1中数据进行分析能够知道，例如关联规则中“《计算机应用》=《网络》”之间的支持度以及置信度相对要比较高，“《高职数学》=〉《计算数学》”支持度以及置信度则相对较低，另外，“《C语言》=《数据结构》”之间支持度以及置信度也相对比较高。最后，《计算机应用基础》以及《计算机网络》之间课程学习的情况、《C语言》和《数据结构》课程的学习情况都具有一定的关联性，而《高职数学》和《计算数学》课程的学习没有较大的关联性，或者可以说关联性比较小（《高职数学》和《计算数学》课程两门课程之间本身并没有必然的联系）。 　　关联规则（《C语言》成绩优秀则《数据结构》成绩优秀）支持度为31.2%，置信度为61%，这就告诉我们提高《C语言》学习的效果，能够让学生们在学习后续的一些课程，诸如《数据结构》的时候可以获得更好的成绩，而这正很好地告诉我们，开设《数据结构》课程之前，必须要让学生坚定地进行《C语言》课程的深入学习基础。借助关联规则当中的算法思想，结合前驱课程以及后续的课程，针对课程的合理设置来说拥有非常重要的影响。 　　就高职院校的教务管理系统当中的数据库而言，在其中进行历届的各专业学生成绩信息数据的提取，根据高职院校人才培养的特点，将各门课程分为职业素质课、职业技能课和职业拓展课三类，再充分地结合进行数据挖掘之间的关联规则的分析以及时间序列上的分析等相关的功能，在海量的数据当中尽快挖掘出能够对我们起到一定帮助的信息，并且从中可以寻找出各种影响学生专业课程学习效果的成因，并通过这样的方式来猜测有价值的固有规则以及结果