关联规则算法在高等数学考试中应用.docVIP

关联规则算法在高等数学考试中应用 　　摘要：分析关联规则中的Apriori算法特点，适当加以改进，采集学生在高等数学考试中的相关数据，利用最小支持度和最小置信度，使用改进后的算法，挖掘出频繁项集，找出它们之间隐藏的信息，可以使教师对教学内容和教学方法加以改进，能更好地指导教师命题，从而提高教师教学质量。 　　关键词：数据挖掘；Apriori算法；关联规则；高等数学；考试 　　中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2013）30-6719-05 　　从高等教育发展的综合性和终身性趋势来讲，高等数学不仅是学生学习相关课程的基础，也是培养学生理性思维的一个重要载体，更是学生终身接受学习的基础，数学已不仅仅是一门独立的数学学科， 更是成为现代科学和社会发展的一个极其重要的科学思想[1]。高等数学的重要性是不言而喻的，一个适应知识经济时代发展要求的高素质的人才必须是文理并蓄的全面发展的人才。通过数学方法的培养和训练，能够使学生的逻辑推理和抽象思维能力得到明显提高。因此在高等教育中加强数学素质教育是十分必要的[2]，正因数如此，各高校中不管是理式工科专业还是文科专业，都广泛地开设了高等数学课程。 　　近几年来，随着高等院校扩大招生，不同学业水平的学生大量涌入大学，使得高等数学学习困难的学生更是越来越多，这门课的补考率在各个高校中更是名列前茅[3]，以致于很多学生提到高等数学就害怕。学生普遍反应高等教学内容太抽象，难以理，因为听不懂、不会做题，从而对高等数学不感兴趣，这种现象迟迟没有改善，高等数学已经教学成为了各高校非常头疼的一个问题。 　　为了提高学生学习高等数学的积极性，教师和管理人员希望通过考试来了解学生的学习状况和学习质量，进而改进教学方法，考试主要的作用就是对考生在某一阶段学习的数学知识的一个检验。但是由于考生的人数多，试卷中的题目繁杂，就产生了大量的数据，大量的数据对教师进行数据分析造成了很多麻烦，他们很难以从中获得隐藏的信息，教师们基本上是通过直观的判断，同时使用一些简单的数理统计知识进行决策，但这样做一方面缺少理论???据，另一方面得取的结论也不尽人如意，因此利用数据挖掘技术对高等数学考试中海量的数据进行分析处理，挖掘其内含的、未知的却又实际存在的数据关系，才能了解学生的对高等数学知识的掌握程度，才能促进教师的教学，以提高教学质量。 　　1 关联规则及Apriori算法 　　数据挖掘（Data Mining）就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。与数据挖掘相近的同义词有数据融合、数据分析和决策支持等，这个定义包括好几层含义：数据源必须是真实的、大量的、含噪声的；其次发现的是用户感兴趣的知识；更重要的是发现的知识要可接受、可理解、可运用[4]。 　　数据挖掘的分类方式很多，根据数据挖掘的任务分为如下几种：分类或预测模型数据挖掘、数据总结、数据频繁类分析、关联规则分析、序列模式发现、依赖关系或依赖模型发现、异常趋势发现等；根据数据挖掘的对象有关系数据库、面向对象数据库、空间数据库、时态数据库、文本数据源、多媒体数据、异质数据库、遗产数据库、以及Web数据源等。关联规则分析是使用最频繁的一种行之有效的方法。 　　根据知识点与题号之间的关联关系，我们得到了教师感兴趣的关联规则，例如：最小支持度min_sup=40%，最小置信度min_conf=90%，表示在全部考生事务中，有40%的考生第13道计算题和选择题做对；如果第13道计算题做对，那么选择题做对的可能性有90%，更进一步，第13道计算题的知识点或相关内容掌握好，那么选择题的所对应的知识点或相关内容掌握情况就会比较理想，可以得出这几道题之间在知识点上具有较强的关联关系。 　　4 结论 　　在本次高等数学考试中，判断题，选择题，填空题是对微分、积分、极限基础知识的检测，计算题第13，14，15，16题是为了检测学生对微分知识的运用能力，计算题第17，18，19题是为了检测学生对积分知识的运用能力，计算题第20题是为了检测学生对极限知识的综合运用能力。 　　从单项统计表中，得知判断题，选择题和填空题得分率比较高，从中可以说明考生对这阶段所学到的知识点基础比较扎实。在计算题中第18，19，20题得分率很低，小于百分之20%，也就是说150名考生中做对的不超过30人。第17题的得分率也只有29%。由于第17，18，19题是有关于积分知识的运用，第20题是有关于极限知识的运用，从表中结论得出考生对积分知识和极限知识只有初步的了解，但缺乏深度的运用。 　　从多项统计表可以看出，判断题，选择题，填空题与计算题第13题的关联度最强，由此可