數據挖掘技術在教學管理中的應用

周梅

摘要摘要：教學質量是高等教育的核心，教學質量與教學管理手段直接相關。如何在教學過程中實施科學合理的教學管理方法，對于提高教學效果十分關鍵，而科學合理的教學管理手段必須建立在教與學過程的客觀現象之上。利用教學過程中產生的數據，通過數據挖掘技術發現隱藏在其中的教學規律，根據規律建立合理的考核方法和手段，從而達到保障教學效果、提高教學質量之目的。

關鍵詞關鍵詞：數據挖掘；關聯分析；教學管理

DOIDOI：10.11907/rjdk.171118

中圖分類號：G434

文獻標識碼：A文章編號文章編號：16727800（2017）005021303

0引言

大學教學質量與大學發展息息相關。教學過程中，教師的“教”受到多種因素影響，既有教師個體因素，也受到教學管理手段制約。科學合理的教學管理手段不僅有助于提高教師的教學興趣，還有助于科學有效地實施教學目標和方法，從而提高教學效果。

1教學管理現狀

目前的教學管理手段主要是監管型與懲罰型[1]。監管型手段主要包括各種領導和退休教師的督導活動，還有學生對教學過程進行監控和反映，以及不斷出臺的各種措施，對教師教的行為進行約束。懲罰型手段主要包括對教學過程中可能出現的失誤或過失行為進行懲戒。這些措施的主要目的是針對教學過程的“教”。從實際效果來看，這些措施效果有限，導致出現以下現象：

（1）教師的積極性不高，過多的無效管理措施限制了教師的主觀能動性，過多的監管措施導致教師疲于應付，教師只是簡單根據措施實施，這些措施以外的可以有效促進教學的手段未必愿意執行。

（2）教學管理手段針對性不強，手段目標不夠明確，雖然措施不斷增加，但并未真正解決問題。

（3）缺乏發現教與學癥結的工具和方法。目前，主要通過和學生交流的方式來發現問題，無法通過數據發現存在的問題。

2教學信息挖掘

教學過程中產生了大量的教學信息，包括平時成績、考勤情況、實驗情況、平時作業成績以及期末考試成績等。若能從這些大量數據中找出有用信息，在此基礎上制定合理有效的教學管理措施，對提高教學效果將大有裨益。

數據挖掘技術能夠自動高效地從海量數據中提取有價值的信息，從而有效支持決策[2]。數據挖掘技術有多種方法，其中之一就是關聯分析，即發現數據之間的關聯關系。大多數情況下，分析人員對數據中隱藏的關聯性是未知的，即使由于經驗積累，意識到數據間可能存在關聯性也是不確定的，所以頻繁模式的關聯規則挖掘便于找到數據之中一些隱藏的、高可信度的關聯規則[35]。

數據挖掘方法在學生成績和學生行為方面能夠發現學生活動與學習成績之間的關聯性[67]，為學校管理人員及教師提供參考，在很大程度上提高學習管理決策有效性，提高教學質量和管理效率，因而挖掘學習成績與學生行為的關聯性十分必要。

與學習相關的行為主要包括平時成績、期末成績以及平時表現等，本文主要工作是挖掘學生期末成績與其平時成績的關聯性，探討其缺勤情況與第一次考勤情況的相關性，以及與寢室其他同學的缺勤情況相關性，從而明確何時采取怎樣的措施防止上課缺勤現象。

3基于Apriori算法的學生成績關聯分析

Apriori算法是一種通過逐層搜索的迭代方法挖掘關聯規則的算法，具體就是使用“k-1項集”搜索“k項集”。利用該算法挖掘平時成績與期末成績之間的關聯關系過程如圖1所示[8]。

3.1挖掘對象確定

根據教學經驗，推斷學生的平時成績和期末成績之間可能會有一定的關聯性，學生的出勤情況之間可能存在一定的關聯規則，除此之外，學生上課出勤情況很有可能會受到其所處環境的影響，所以挖掘學生缺勤情況與同一寢室的關聯性也是十分必要的。

3.2數據收集

從歷年的教學資料中收集不同年級學生在若干不同專業課上的表現情況，包括出勤情況以及平時成績、期末卷面成績等信息，并得到學生寢室分配情況。

3.3數據預處理

對收集到的學生成績和出勤情況數據進行數據預處理，主要包括數據清理和數據變換兩個步驟。

（1）數據清理。數據清理的主要目的是消除原始數據庫中的冗余數據、噪聲數據以及重復記錄。

學生成績數據中，有可能因為未參加考試或在考試中存在違規行為，導致考試成績缺失或者為0。這些數據對學生學習情況分析意義不大，所以要把這些數據刪除。

而對于學生出勤表，通過調查發現其缺勤是請假或其它原因，對于此類數據統一記為在勤。

（2）數據變換。將清理過的數據轉換為簡單易懂的模式。例如學生成績是以大量不同的數字呈現的，數據量較大且不易找到規律，因此需對各科成績的連續屬性值進行離散化處理。

成績相關的數據按照通用的五級制（A，B，C，D，E）來劃分，大于90分的記為”A”，小于60分的記為”E”。

對于出勤情況，可以按照字母順序（A、B、C、D……）定義若干次出勤，然后將出勤記為“1”，缺勤記為“0”，則第一次查勤，若出勤記為“A1”，否則記為“A0”，最后總的缺勤次數記為n。

經過以上變換，原始的學生成績庫被轉換成包含多個有效項集的表。由于學生姓名及學號與分析目標無關，也將其刪除。

為了挖掘學生缺勤和所處寢室之間的關聯性，收集有缺勤記錄的全部學生信息，然后以宿舍為單位，選取其中若干個代表宿舍。事務1包含宿舍第一次點名該寢室缺勤學生的學號，事務2包含該宿舍第二次點名該寢室缺勤學生的學號，以此類推。由于單個寢室的數據量較少，可選取多個典型寢室，使分析結果更具可信度。

3.4關聯規則產生

Apriori算法通過多次掃描經過處理的數據庫來尋找所有的頻繁項集。對于經過處理的學生成績表而言，每個事務包含有“平時成績”和“期末成績”兩個項。在對頻繁1-項集連接后，因為采用的是頻繁1項集，所以無需再對其子集進行判斷剪枝，直接對數據庫進行掃描計數，刪除不滿足支持度閾值的候選項集，保留頻繁項集。

對于經過數據轉換的學生出勤表，每個事務包含有若干次出勤情況以及缺勤總數若干項。在對頻繁1-項集處理得到頻繁2-項集后，將其連接然后分析，得到各候選3-項集的子集。若有非頻繁子項集，則剪掉該項集，保留全部非空子集均為頻繁子項集的候選3-項集，然后掃描數據庫，比較支持度計數，剔除小于最小支持度計數的候選項集，得到頻繁3-項集。以此類推，得到頻繁k-項集。

執行算法，得到期末成績與平時成績的關聯規則如圖2所示。

4結果分析

4.1期末成績與平時成績的關聯規則挖掘結果

（1）挖掘到關聯規則，意味在平時成績為60分以下時，期末卷面成績有83.3%的幾率仍維持在60分以下。對于這部分學生，教師需要重點關注，監督他們平時學習情況，督促他們到課并幫助他們掌握每堂課所學知識，解決每次課程中的疑難問題。

（2）通過觀察頻繁項集可發現，平時成績為B0、C0、D0、E0（等同于90分以下）的學生，期末考試難以達到90分，這意味著在平時學習一般的學生期末也很難取得好的成績。相應的，平時成績為A0（90分以上的學生）在期末考試僅有10%的概率達到90分以上，同時也有可能得到B1、C1、E1等較低分數，這在某種程度上表明平時成績并不能準確體現學生知識掌握程度，學生在平時學習中存在到課不聽講、作業抄襲等情況，需要加以制止。

（3）按照及格與不及格情況分類得到的關聯規則可以看出，平時成績及格的學生，期末卷面成績及格率高達69%。整體而言，平時學習態度較為端正的學生在期末考試中不及格的概率很低。

4.2缺勤相關性

本文重點研究了第一次考勤與最后一次考勤及總體缺勤次數的相關性。

（1）第一次考勤與最后一次考勤的相關性。根據關聯規則給出的信息，第一次缺勤的學生最后一次出勤的概率高達77.8%，分析大概有兩方面原因：①因為最后一次課可能是復習課，這部分學生因為平時不聽講，在考前意識到上課的重要性，所以最后一次課選擇來上課；②點名累計未達到一定次數，無法參加考試，有些學生可能意識到問題的嚴重性，最后一次選擇來上課。從這兩個原因來看，大部分學生還是希望能夠順利通過考試的，但有時因為懶散來上課。教師要向這部分學生強調上課的重要性，讓他們明確考試難度，靠最后的突擊復習通過考試不是很容易的。

（2）第一次考勤與總體缺勤次數的相關性。根據關聯規則可以看到，第一次出勤后再缺勤一次的學生占比較多，這部分學生可能學習態度還算端正，但偶爾會因為各種原因有一點懶散。此外，根據求得的各種規則置信度結果可以看出，第一次缺勤，后面仍會缺勤的概率在77.8%，所以對第一次點名就缺勤的學生要重點關注，因為這部分學生后期很可能再次出現不上課情況。

5結語

根據關聯分析結果可以看出學生的期末成績與平時成績的相關度，前面若干次考勤與后面考勤之間的關系，以及同一寢室學生之間相互影響的關系。通過這些分析，對于制定教學管理措施很有幫助。例如當學生兩次考勤不到時，就需要進行相應警告；對于平時抄襲行為需要制定較為嚴格的措施；同一寢室學生之間相互不良影響要采取措施。

通過數據挖掘分析技術，從大量客觀的教學數據中分析和發現相應的規律，并根據這些規律制定相應的教學管理措施，對改善教學效果大有幫助。

參考文獻參考文獻：

[1]王向東. 大學教師教學管理制度的反思與完善——基于教學行為與制度關系的視角[J].現代大學教育，2011（3）：97102.

[2]楊秀萍. 數據挖掘技術及其在收視行為分析中的應用[J].福建電腦， 2013（4）：124126.

[3]崔妍，包志強. 關聯規則挖掘綜述[J].計算機應用研究，2016（2）：330334.

[4]章麗芳. 基于關聯挖掘的學生成績分析系統的研究[D].杭州：浙江工業大學，2011.

[5]崔學文. 關聯規則挖掘算法Apriori在學生成績分析中的應用[J].北方學院學報：自然科學版，2011（1）：4447.

[6]C ANURADHA，T VELMURUGAN.A data mining based survey on student performance evaluation system[C].IEEE International Conference on Computational Intelligence and Computing Research （ICCIC）， 2014.

[7]K B BRIJESH，P SAURABH.Mining educational data to analyze students performance[J].In International Journal of Advanced Computer Science and Applications， 2011，2（6）：6369.

[8]趙洪英，蔡樂才，李先杰. 關聯規則挖掘的Apriori算法綜述[J].四川理工學院學報：自然科學版，2011（1）：6670.

責任編輯（責任編輯：杜能鋼）