数据挖掘技术在高校学生成绩分析中应用.docVIP

数据挖掘技术在高校学生成绩分析中应用 　　摘 要：本文首先介绍了数据挖掘技术对高校学生成绩分析的意义与目标，在此基础上对目前常用的挖掘算法进行了分析与研究，最后以粗糙集算法为例实际介绍了学生成绩数据挖掘实例。 　　关键词：数据挖掘；高校；成绩分析 　　中图分类号：TP311.13 　　高校教育中，学生成绩能够反映学生对所学知识的理解与掌握程度，是教师用于评估教学效果的主要依据之一。随着高等教育的普及，现代高校的教学规模逐年扩大，学生数量不断增加，影响学生学习效果的因素从以个人因素为主逐渐拓展到多种因素的综合作用，高校教务管理系统中也积累了大量的学生数据资源。信息时代中，数据收集、存储与处理已经成为推动社会进步的主要动力之一，特别是在目前对教学方式和学习内容依赖性较强高校教育中，如何应用先进数据分析算法从海量数据中提取有价值的信息协助制定和完善教学决策，帮助学生获得更具针对性，更符合个人学习特点的教学信息是现代科学化教学的主要考虑问题。 　　数据挖掘技术是一种以海量数据为基础的有效知识挖掘和数据关系归纳技术，该技术被广泛应用与多个领域的数据分析于检索工作中，如市场营销、风险预测、产品质量分析等，但是在教育领域中，数据挖掘技术应用仍处于初级阶段。目前，高校教学管理普遍实现了信息化，学生学习过程中的多种信息都可以通过教务管理系统数据库查询得到，但是这些信息中有超过80%的部分只是停留在简单的查询、统计、打印、报表等应用阶段，其潜在特性并未被挖掘出来用于对教学进行指导和预测。为提升学生成绩的利用效果，适应现代高等教育的教学需求，可以针对现有的成绩数据库应用数据挖掘技术对其中的数据信息进行挖掘和处理。通过该技术的应用可以获得以下两方面效果：从数据库中查找影响学生学习成绩的多个因素并将其映射到具体问题中，帮助学生及时把握个人学习效果与学习方法、学习态度等之间的关系，明晰学生学习中存在的困难，对学生学业进行预警；通过数据挖掘帮助教师和学校明确教学中存在的问题，帮助教师分析确定教学难点，协助完善教学策略，以及帮助教师开展更具针对性的教学辅导工作。 　　1 高校学生成绩数据挖掘的内涵 　　对高校学生成绩进行数据挖掘主要是指对学生成绩数据库中存储的大量数据进行有效信息收集与转换，建立适当的模型对转换后数据进行模型化处理和分析，进而从中发掘感兴趣的知识关系与知识规律，并从中提取出可以辅助教学决策的关键性数据，帮助提升教学效率与管理效果。 　　如高校学生成绩数据库中包含了诸如学号、姓名、成绩、课程、教学安排等诸多内容，这些内容中哪些对学生成绩有影响，影响度是多少，哪些对学生成绩无影响都是经过数据挖掘分析与处理后得到的。这些分析结果可以帮助高校对现有的教学内容和教学计划等进行调整或重新规划，以便于让学生更好的利用教学资源，获得更高的教学质量。 　　需要说明的是，进行数据挖掘时所使用的数据信息必须是与挖掘目标相关的、使用者感兴趣的、真实有效的数据信息。 　　2 数据挖掘技术发展及其应用现状 　　数据挖掘技术融合了数据库、人工智能以及数据并行处理等诸多技术可用于对数据仓库中的数据进行隐含信息提取与挖掘，并根据算法需求进行知识学习与积累。该技术是在1989年被正式提出的。经过多年的发展与完善，目前国内外的数据挖掘技术研究与应用主要集中在以下几种算法：决策树算法、神经网络算法、粗糙集算法、遗传算法、关联规则算法以及人工智能相关算法等。 　　其中，粗糙集理论是由Pawlak于1982年提出的，理论以模糊性数据为基础，应用分类机制对数据样本空间中的不可分辨性关系进行分析与处理。基于粗糙集理论的粗糙集算法在进行数据挖掘时具有以下几点特性：（1）该算法对包含噪声的、分类不明确、具有模糊性的数据分类具有很好的应用效果。（2）相对而言算法更加注重挖掘隐藏在数据样本中的事实，故按照其进行的规则更具确定性与可能性。（3）该算法所构造的形式模型具有清晰的定义，可应用适当的数学分析方法对数据进行处理与分析。（4）算法支持并行运算，可应用于大数据信息挖掘。（5）算法的实现不需要附加信息的支持，可操作性强，实现过程简单。 　　3 数据挖掘的过程分析 　　在应用数据挖掘算法对高校学生成绩进行分析时需要经历三个阶段：数据准备阶段、数据挖掘阶段以及数据结果表达与解释阶段。 　　3.1 数据准备。该阶段用于提供可用于进行直接处理与分析的数据信息，故在该阶段中需要根据算法的数据信息使用需求对源数据进行适当的集成、筛选以及处理，以便于获得可信度较高的分析结果。该部分工作在整个成绩分析工作中占据了较大的比例。 　　（1）在高校学生成绩分析中，用于数据挖掘的信息可能涉及多个数据库或多个学科，这就需要将这些数据进行收集与整理，消除数据源与源之间的语义模糊性，处理其中存在的信息缺陷，整理为统一规范的数