教育数据挖掘技术在高校课程建设中应用研究.docVIP

教育数据挖掘技术在高校课程建设中应用研究 　　摘要：通识教育课程和学科基础课程是学生进入大学后最先接触到的课程，教师和学生如果能发现这两类课程之间的关联性，就可以利用规则更科学有效地指导后面专业课程的学习。本文主要运用教育数据挖掘技术中的关联规则方法，借助Weka平台中的Apriori算法，探寻通识教育课程和学科基础课程之间的关联规则，从而改善教师的教学效果以及学生的学习效果，为高校课程建设提供决策和意见，进一步提高学校的教学质量。 　　关键词：课程成绩；关联规则；Apriori算法；Weka 　　中图分类号：G40-057 文献标识码：A 论文编号：1674-2117（2018）02-0092-06 　　引言 　　随着高校教育信息化的推进，高校各教育系统中的数据日益增加，但大多数学校对这些数据的利用仍停留在简单的数据查询、增加、删除、修改等状态，并没有意识到大量数据背后隐藏的信息价值。其实，这些数据潜在的规律不仅能为教学决策提供科学的依据，还能给学生的学习提供针对性指导。 　　教育数据挖掘技术在这样的背景下应运而生，并在高校的教学和科研领域内应用广泛。以教务系统的成绩数据为例，管理人员很难直接根据学生表面的成绩数据找出先行课程和后续课程之间的关系，也很难利用这些数据进行教学规划和教学决策，学生也不能直接根据这些数据进行合理的选课或者掌握自己的学习规律。因此，笔者借助数据挖掘技术，基于现有的大量学生成绩数据进行教育数据挖掘[1]，发现数据之间隐藏的课程关联规律，以期提高课程管理水平、教学水平以及学生的学习能力，并为科学决策提供科学依据。 　　就目前各高校的课程设置来看，大多数学校都是按照普通课程（通识课程或基础课程）、专业课程和选修课程[2]来安排知识板块。但学生在学习时往往过分注重专业课的学习，而忽略通识课程的学习，没有注重每个板块间知识的相互联系。在本文中，笔者主要通过数据挖掘的关联规则方法，对某本科高校教育技术学专业的历届学生的通识教育课程成绩和学科基础课程成绩进行关联规则分析，找到各门课程之间的依赖和联系，这样有助于高校进行有效的课程建设，包括课程师资和学时安排、课程开设情况及课程顺序安排等，也可以为学生更好地学习提供针对性指导。 　　教育数据挖掘技术 　　1.教育数据挖掘 　　一般来说，教育数据挖掘是指应用数据挖掘技术从来自教育系统中的数据中提取有意义的过程，用于指导和改善学习，提高教学质量。[3]本研究主要采用数据挖掘技术中的关联规则技术，用于找到课程之间的关联性。 　　2.关联规则技术 　　关联规则的是从大量数据中挖掘出满足用户设置的最小支持度（min-support）和最小置信度（min-confidence）的规则。其中支持度（support）是指关联规则能够正确预测的实例数量，也称为覆盖量（coverage），所以在统计意义上的支持度也就是所需要覆盖事件样本的数量下限。而置信度（confidence）则是指关联规则能正确预测的实例数在关联规则所涉及的全部实例中所占据的比例，也称为正确率（accuracy），它表明了规则用于推理的强度。[4]例如，在200条学生成绩数据中，有80条显示《计算机基础》成绩?橛牛?在这80条记录中，又有40条《教育技术导论》成绩为优，则关联规则《计算机基础》（优秀）《教育技术导论》（优秀），支持度（support）=40÷200=0.2，置信度（confidence）=40÷80=0.5。 　　Apriori算法是一种关联规则算法，它系统地控制了候选项集的指数增长。该算法的过程主要由两个步骤来完成：①扫描事务数据库依次生成满足最小支持度的频繁项集（包括单项集、二项集、三项集等）；②从每个项集中找到达到指定最小置信度的规则，也就是产生强关联规则。 　　3.数据挖掘平台Weka 　　数据挖掘有很多软件，常用的有SPSS公司的Clementine以及新西兰怀卡托大学开发的Weka开源软件，前者测重统计分析，后者主要是用Java编写的开源的非商业的数据挖掘软件。笔者选择了Weka开源软件，它不仅包含了许多数据预处理的方法，还提供了大量的数据挖掘方法，如决策树、关联规则、聚类等，还有着许多数据可视化的工具。 　　Weka支持多种数据格式文件，主要包括Weka ARFF格式、C4.5数据格式、CSV格式等，所以如果是.xls的数据格式，可以先另存为.csv格式，再通过Weka软件读取数据文件。 　　课程相关数据 　　1.数据准备 　　为了挖掘出课程之间有价值的关联规则，本研究选取了某高校教育技术学专业的12级、13级、14级学生在校的学习成绩作为数据源，该成绩库主要包含了学生的基本信息（学号、学院、班级、专业等）、课程的基本属性（课程代码、名称、学分、