数据挖掘技术在高职院教学评价中应用研究.docVIP

数据挖掘技术在高职院教学评价中应用研究 　　摘要：在高职院校教学管理中，教学质量评价是核心内容，正确的评价能有效地促进教学质量的提高。传统的教学质量评价还停留在简单的统计、备份和查询阶段，并没有对这些数据进行深入的分析，影响理解教学质量的深层次的原因。对教学评价的数据进行分析，并对教学评价本身的方法进行研究，对教学质量有着重要的意义。该文探讨了数据挖掘相关技术与粗糙集的基本理论，同时介绍了数据挖掘的常用工具，得出数据挖掘技术适合用于教学评价研究的结论。 　　关键词：教学评价；数据挖掘；粗糙集 　　中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2013）10-2382-02 　　在我国高等职业教育迅猛发展的今天，教育质量是学校的“生命”和“灵魂”，它不仅关系着学校的生存和发展，也直接影响着学生的前途和命运，提高教学质量是高等教育永恒的话题。而与教学质量相关的教学质量评价问题也将成为一项非常重要的工作，教学质量评价是构成高等学校教学活动的基础，是保证高等学校人才培养质量的基本环节[1]。 　　1 高职院教学评价现状 　　目前，高职院校教学评教通常由学校教务处在期末将教师教学质量评估表发给学生，也有通过网上评教，学生根据评估表中的项目对教师进行打分，综合专家督导和同行评价听课后的评价得分，经学校教务处统计后排名或根据分数确定一个考核等级。这些评教方式对于教学改革和教学质量的提高起到了一定的作用，但是目前还存在一些亟待解决的问题[2]。综观我国高职院校教育教学评价实践的现状，虽然近十几年来受到各方面人士的重视，并取得了初步的发展，但总体评价工作科学性尚欠，评价研究的水平亦很低，这主要表现在以下几个方面： 　　1）对教育教学评价的意义，教育教学评价在教育过程、教育管理中的作用还缺乏应有的认识，许多评价活动尚处于初级水平，对教师教学水平的评价无论在理论研究还是在实际工作中都还不多，且所定项目和指标缺乏理论依据和科学性； 　　2）在评价理论方面，教学科研力量较强的师范院校与研究机构缺乏必要的理论储备，在评价理论研究方面发挥的作用有失期望，而从事实际教育评价的人员许多未受到测量与评价方面的系统训练，故评价研究难以深入持久； 　　3）在评价技术手段的开发和应用上比较落后。尽管在运用模糊数学方法进行教育教学评价方面取得了一些进展，但大多数评价工作还是借鉴国外现成的技术手段，在技术手段的开发上尚无创造性的成果； 　　4）在评价工作的组织上缺乏统筹规划，没有一支有效地组织力量，来开展教学评价[3]。 　　2 数据挖掘技术的相关研究与常用工具 　　数据挖掘（Data Mining，DM），从知识科学的角度上可以看成是知识发现（Knowledge Discover in Database，KDD），还可以理解成就是从大量的、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是可以潜在地存在非常重要的知识或用途[4]。目前数据挖掘广泛用于人类各方面的应用研究中。 　　2.1 数据挖掘技术的相关研究 　　2.1.1 分类方法 　　数据挖掘方法有多种分类方法，可根据挖掘的任务、挖掘的对象、挖掘的方法来分类[5]。 　　根据数据挖掘的任务分，有如下几种：分类或预测模型数据挖掘、数据总结、数据聚类、关联规则发现、序列模式发现、依赖关系或依赖模型发现、异常和趋势发现等等[5]。 　　根据数据挖掘的对象分，有如下若干种数据源：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（legacy）数据库，以及Web数据源。 　　根据数据挖掘的方法分，可粗分为：统计方法、机器学习方法、神经网络方法和数据库方法。统计方法中，可细分为：回归分析（多元回归、自回归等）、判别分析（贝叶斯判别、费歇尔判别、非参数判别等）、聚类分析（系统聚类、动态聚类等）、探索性分析（主元分析法、相关分析法等）、以及模糊集、粗糙集、支持向量机等。机器学习中，可细分为：归纳学习方法（决策树、规则归纳等）、基于范例的推理CBR、遗传算法、贝叶斯信念网络等。神经网络方法，可细分为：前向神经网络（BP算法等）、自组织神经网络（自组织特征映射、竞争学习等）等。数据库方法主要是基于可视化的多维数据分析或OLAP方法。 　　2.1.2 分类技术 　　利用数据挖掘进行数据分析常用的方法主要有分类、回归分析、聚类、关联规则、特征、变化和偏差分析、Web页挖掘等，它们分别从不同的角度对数据进行挖掘。 　　分类（Classification）在数据挖掘中是一项非常重要的任务，目前在商业上的应用非常广泛。分类是指通过分析已知的数据，构造模型，该模型可以用来对未知的数据做预测，判定其目标值（离散或连续值）[6]。分类和回归统称