数据挖掘技术在高校教务管理中应用综述.docVIP

数据挖掘技术在高校教务管理中应用综述 　　摘 要：高校教务管理系统中积累大量的教学数据，其中蕴藏一些有用的信息。数据挖掘技术在教务管理中的应用主要是通过学生的成绩、教学评价、教师科研教学等数据的分析，发现其中隐藏的信息，从而为教务管理者制定相关决策，例如人才培养方案的制定、课程安排、试卷命题提供依据。 　　关键词：数据挖掘 教务管理 应用 　　中图分类号：TP311.13 文献标识码：A 文章编号：1007-3973（2013）007-075-02 　　1 引言 　　近年来，随着高校信息化建设的深入，高校内部构建了丰富的信息系统并累积了海量数据。教务管理是高校日常活动中的重要组成部分，对教务管理系统积累的大量数据进行分析和挖掘，将会发现一些潜在的知识，从而为提高教学质量，优化教学资源提供可靠的数据依据。本从将对数据挖掘技术在教务管理中的应用进行论述。 　　2 数据挖掘概述 　　2.1 数据挖掘的概念与应用 　　随着计算机硬件和信息技术的发展，使得海量数据的处理已经成为研究与生产中的一项重要工作，数据挖掘技术由此而诞生。数据挖掘也叫知识发现，指的是从大型数据集中提取一些事先未知的、隐含的潜在知识的过程。这些知识的表现形式可以是概念、规律、模式、规则等。如今，数据挖掘目前已经广泛应用于许多领域，比如生物医学、金融数据分析、零售业、电信行业等等。 　　2.2 数据挖掘的功能 　　数据挖掘除了具有查询数据的功能，还能够发现以前未发现的模式，并预测将来的趋势和行为。概括起来，数据挖掘主要有以下几项功能，即概念描述、分类和预测、关联分析、聚类分析、和孤立点分析。 　　（1）概念描述。它是指描述某类对象具有的内涵、并概括这类对象的有关特征。概念描述的两种方式分别是数据特征化和数据区分。数据特征化是描述某类对象的共同特征，而数据区分则是描述不同类对象之间的区别。 　　（2）分类和预测。首先，分类建立一个能够描述并区分数据类的模型，然后使用这个模型来预测类标记未知的对象类。归纳分类的形式有多样，比如分类规则、判定树和神经网络等等。当被预测的值是数值而不是类标记时，通常称之为预测。 　　（3）关联分析。关联分析的目的是发现关联规则，这些规则展示的是两个或两个以上的数据项频繁地在给定数据集中一起出现的条件。若这些数据项是以某种规律共同出现的话，这些数据项之间就可能存在某种关联，这种规律称之为关联规则。其关联类型主要有简单关联、时序关联、因果关联。可信度就成为是关联分析生成的规则的一个重要衡量指标。 　　（4）聚类分析。聚类指的是将待挖掘的数据分成多个类或者簇，具有较高的相似度的数据会被分到同一个簇中，而差距较大的数据则会处于不同的簇中。聚类分析是一种重要的人类行为，它增强了人们对客观现实的认识，是概念描述和偏差分析的先决条件。传统的模式识别方法和数学统计法是聚类分析的主要技术。 　　（5）孤立点分析。孤立点指的是数据库中存在的一些异常记录，它们与数据的一般行为或者模型不一致。孤立点可能会包括很多潜在的知识，如不满足规则的特例、分类中的反常实例，这些罕见的事件可能比正常出现的更有趣。孤立点分析又称作孤立点挖掘。 　　2.3数据挖掘的步骤 　　数据挖掘的步骤一般包括：确定待挖掘对象、数据预处理、建立模型、数据挖掘、模式评估和与知识应用这几个阶段，其中数据预处理又包括数据清理、数据集成、数据选择与数据变换。 　　3 教务管理中的数据挖掘 　　数据挖据在教务管理的应用主要有以下项目：学生信息管理、教学评价、成绩分析、远程教育、智能教学、个性化培养，其中教学评价、成绩分析以及个性化学习方案都是教务管理的重要环节。教务管理中存在大量的待处理数据，比如教师信息、学生信息、学校的所有课程信息、教学计划信息、管理部门的信息等等，使用数据挖掘技术能有效的提高教务管理的效率。结合2.2中提到的数据挖掘的功能，这里主要介绍在教务管理系统中比较广泛应用到的以下四种数据挖掘任务。 　　3.1 分类和预测 　　分类和预测在教务管理的应用一般是用于针对学生制订个性化的人才培养方案。尊重学生的个性发展是现代高等教育的重要理念，这就要求高校将体现学生的个性化特征当作人才培养的工作重点，要制定不同的培养方式以适应不同的学生的个性发展。通过积累的一定数量的数据，其内容主要包括学生个体信息，如性格特征、兴趣爱好、日常行为记录以及学习情况等，还要包括教学信息，如课程设置、教师分配和学校教学资源调配情况等，由此建立若干个模型，在此基础上进行分析、归纳和总结。以共同之处为标准，按照分类模式进行划分、归类，由此制订出多个具有个性化特征的培养方案。然后将某个给定范围内的学生划分，使用某种个性化的培养方案。将分类与预测应用到制订人才培养方案的过程中，既对学校