基于数据挖掘技术的信管专业课程设置研究.docVIP

基于数据挖掘技术的信管专业课程设置研究 　　[摘 要]信息管理与信息系统专业是信息时代的产物，迄今经历了技术型、工程型和复合型三种类型人才培养的发展之路，其专业设置也发生了一系列变化。本文结合社会发展形势提出了当下信息管理与信息系统专业人才的知识结构，并以某所高校信管专业学生成绩数据为基础，通过数据挖掘寻找关联规则，为进一步做好信管专业课程设置提供决策支持。 　　[关键词]数据挖掘；信息管理与信息系统；课程设置；决策支持 　　[中图分类号]G643 [文献标识码] A [文章编号] 1009 ― 2234（2015）12 ― 0153 ― 03 　　信息管理与信息管理专业是信息时代的产物。它培养具备扎实的现代管理学基础知识、计算机科学技术知识、动手能力强、适应面宽的信息管理人才。信息管理与信息系统学科是由管理学基础理论与计算机科学技术相结合的交叉学科，具有基础科学与应用科学的双重属性，由于数学定量方法和信息技术的融合，它又体现了应用学科的某些特征〔1〕。学科特征的复杂性决定了该学科课程设置的复杂性。本研究根据某高校信息管理与信息系统专业学生的成绩数据通过数据挖掘的方法，从中寻找规律，为高校更为合理地设置信管专业的课程提供决策依据。 　　一.信息管理与信息系统专业的人才培养定位及课程设置变化 　　信息管理与信息系统专业人才的培养经历了技术型、工程型和复合型三种类型人才培养的发展之路〔2〕。不同类型人才的培养过程需要相应的课程设置，“技术型”人才的培养主要源于计算机应用等专业，课程主要以计算机应用类课程为主，重点强调程序设计的能力。此类毕业生在工作中往往表现出较强的程序设计能力。 　　工程型人才培养课程主要以经济管理、工程数学、计算机、系统工程四类课程为核心，以计算机能力培养为重点。与前两类人才相比，复合型人才更具有竞争力，因为他们具有信息分析能力与企业管理创新的知识，是具有驾驭信息资源知识与能力的新型管理人才。这类复合型人才的核心竞争力主要分为两类：信息系统开发的能力和信息分析的能力。 　　二.数据挖掘及数据挖掘工具简介 　　数据挖掘（Data Mining）简称DM，又称为数据库中知识发现，它是一个从大量数据中抽取挖掘出未知的、有价值的模式或规律等知识的复杂过程〔3〕。具体的数据挖掘方法有关联分析、聚类分析、分类和预测等。本文选取了Clementine12.0对数据进行挖掘建模分析。 　　三.利用Clementine软件进行数据挖掘 　　1.数据收集 　　本文选举一所以工科为主、经管文理农等学科为辅的教学型大学通过学校的教务部门的学生成绩系统，我们可完整获取该高校2004级信息管理与信息系统专业学生的成绩信息。 　　2.数据预处理 　　数据挖掘过程中数据预处理包括三个步骤：数据集成、数据清理、数据转换〔4〕。在本研究的数据预处理阶段，我们主要通过对学生的成绩数据库进行信息抽取、转换和加载，形成适合于本课题研究需要的学生成绩分析基本数据库；按照Clementine软件对数据的要求，数据源中的连续值属性如考试成绩需进行离散化处理。在数据源中，我们令成绩在90分以上的为“A”，令成绩在80-89之间的为“B”，在70-79之间的为“C”，60-69之间的为“D”，小于60的为“E”。对于“优”“良”“中”等非分数成绩也按照同样的方法进行离散化，形成目标数据表。 　　为便于开展研究和分析，我们信管专业人才知识结构将目标成绩数据分成：公共基础知识、经济类知识、管理决策类知识、信息技术类知识、信息系统开发类知识、建模知识六大类。并运用Clementine建模，进行数据挖掘，寻找各类六类课程之间的关联关系。 　　3.数据挖掘的主要步骤及结果分析 　　（1）用Clementine的K-means模型对数据表S中各类课程成绩数据进行聚类分析处理。 　　K-means节点提供了一种聚类分析方法，与Clementine中的其他学习方法不同，K-means模型不使用目标字段。K-means不是去预测某一结果，而是从输入字段中发现特征，记录被分成群组，同一群组中的记录彼此相似，而不同群组的记录大不相同，对于大型数据集，K-means模型通常是最快的分群方法〔5〕。运用Clementine的K-means聚类建模节点构建数据流，设置聚类结果为3簇，导入数据执行数据流，形成聚类结果。以管理类课程为例，形成的聚类结果如表1： 　　通过表1所示结果的分析，我们可以较为直观的看出：第二簇的17个记录中，成绩普遍偏低，大多在C与D之间徘徊。而第一簇的45个记录中结果明显好于Cluster2大部分在B；第三簇共有6个记录，6个记录中除会计信息系统分析与设计为B，其余均为A。据此我们可以令第三簇为A，即第三簇的6名学生的管理类课