基于数据挖掘的学生成绩预警模型研究.docVIP

基于数据挖掘的学生成绩预警模型研究 摘要：本文通过分析得出学业预警的难点在于成绩预警，然后提出了基于数据挖掘技术的成绩预警模型，并对该模型进行了详细说明。 关键词：数据挖据；成绩预警；模型研究 在我国高校扩招的大背景下，高等教育已不再是精英教育，越来越多的高中生得到进入高校学习的机会。随之而来出现了生源质量下降，师资不足，人才培养水平下降等一系列问题。如何帮助学生避免在学习中出现问题和克服学习中的各种困难，学业预警机制就是在这一背景下应运而生。 1．学业预警的内涵 学业预警是学校将严重影响学业的情况，及时告知学生本人和家长，并通过学校、学生和家长之间的沟通和协作，从而采取针对性措施，帮助学生完成学业的教育危机干预制度。学业预警的对象包括旷课预警、考试预警、成绩预警三大类。而如何利用学生成绩中隐含的可用信息，挖掘内在联系，则是学业预警的难点。 2．成绩预警模型设计 通过分析，本文提出了基于数据挖掘技术的成绩预警模型。该模型可以有效发现偏低型、滑坡型和潜在型三种问题类型。结合预警情况的严重性，可将模型划分为一般预警、严重预警、非常严重预警三个级别。 3．常见预警设计分析 3.1偏低型预警设计 偏低型预警主要包含以下两个方面：一是不及格门次统计，统计输出某一学期分专业、年级、班级的不及格门次信息。二是不及格详情统计，统计输出某一学期分专业、年级、班级的不及格详细情况，如不及格课程名称。 3.2滑坡型预警设计 传统计算成绩是否滑坡的依据是按总分或平均分计算名次，若名次下降幅度超过某一界限，则认为成绩滑坡。这种方法计算简单、结果直观，但不能准确地反映成绩的分布情况。为解决此问题，本文利用聚类技术把成绩分为5个等次，各等次内部的差距最小，等次之间的差距最大，从而准确地反映成绩的分布情况。具体实现步骤如下：(1)对上学期成绩用改进的加权Wk-means算法进行聚类，设置簇数=5，课程权重=该课程学分/总学分数，将聚类结果按质心各维加权平方之和从大到小排列，簇号依次设为1、2、3、4、5，则所有成绩被划分到A、B、C、D、E5个等次；(2)本学期成绩作相同处理；(3)比较每名学生两学期成绩的聚类结果，若等次下降或两学期都处于第D、E等次，则进行预警，输出相关信息。 3.3潜在型预警设计 潜在型预警是利用关联技术对学生历史成绩进行挖掘，生成成绩关联规则库，进而预测学生今后学习中潜在的危机。潜在型预警模块的实现步骤如下：(1)数据预处理。①从待处理的所有成绩记录中筛选出成绩不及格的记录。②为方便课程排序，将课程的编码设置为“学期”+“课程序号”。某课程成绩将被转换成一个2位数，第一位表示学期，第二位表示课程序号。如“计算机应用基础(1)”被转换成10。③原数据库表数据格式为“学号，姓名，不及格课程名称”，将数据转置变为“学号，姓名，不及格课程1，不及格课程2，……”。(2)挖掘频繁项集。支持度反映项集在数据库中的普遍性。设置合适的支持度，使得出的关联规则具有一定的普遍性。(3)生成预警规则库。按照传统方法生成的关联规则不能直接作为预警规则。因为无用的规则会降低预警的准确率和效率。为解决此问题特做如下限定：一是设置合适的置信度。二是按学期顺序规则前、后件。三是同一学期的课程成绩不能同时出现在规则的前件和后件。四是规则的后件只包含一学期课程。(4)搜索预警规则库，进行匹配。将当前学期成绩进行预处理，搜索预警规则库，进行匹配，输出结果。 4．结语 及时发现偏离正常发展轨道的学生，并进行有针对性的学业干预，有利于高校教学水平的提升。而成绩预警则是学业预警的核心和难点，为此，本文利用数据挖掘技术，针对成绩预警设计了三种模型，使学业预警更具实用性和有效性。基金项目：安徽省高校质量工程项目（编号：2015zjjh051）,淮北职业技术学院自然科学重点项目（编号：2016-A-4）。 参考文献： [1]李昊，周振华.基于数据挖掘的高校学生成绩预警系统[J]大庆石油学院学报,2011(04):91:95 [2]叶福兰.基于数据挖掘的高校学生成绩预警状况分析[J]长春师范学院学报,2013(10):43-45 [3]杨萧屿,高职院校学生成绩预警管理模式的探究[J]辽宁高职学报,2014(07):110-112 [4]宋绍云,基于SQLServer数据挖掘的学生成绩预警预报研究[J]电脑知识与技术,2015(17):18-20 [5]吕萍丽,基于关联规则的成绩预警模型的实现[J]数字技术与应用,2015(04):105