基于數據挖掘的網絡教育學習成績細分預測的研究與實現

孫力　張凱　丁波

[摘要]

當前，各類網絡教育管理和學習系統日漸完善，網絡學習形成性評價系統正在促使網上學習行為的真實發生。學生通過網上學習，在各類管理和學習系統中產生了許多有用的信息和數據。以SPSS的Clementine 12.0為實驗環境，通過對網絡學歷教育本科學生英語相關課程成績及學習信息的分析，實現了對成人學位英語考試成績的細分預測。首先，運用數據聚類的K-means算法，對已有學生學位英語考試的成績確定了較為具體的分數分布區間；然后，采用數據分類中的C5.0算法，以該分數區間為預測目標，構建了成績的細分預測規則；最后，實現了成人學位英語考試的成績細分預測系統。對成績預測相關變量的重要性進行了分析，提出了提高網絡教育本科學牛英語學習水半和成人學位英語考試成績的相應策略。

[關鍵詞]

網絡教育；數據挖掘；成人學位英語；細分預測規則；細分預測系統

隨著大數據時代的到來，數據挖掘技術越來越多地被運用到各行各業中，以實現對行業未來的各類預測，并作為實現行業優化決策的依據。教育大數據和教育數據挖掘在互聯網、教育云計算、移動設備、人工智能等技術的高速發展下，迅速成為教育領域的熱門話題。我國從1999年開展現代遠程教育試點工作以來，經過16年的發展，各類網絡教育學習和管理系統日漸完善。尤其是近幾年，隨著各試點高校形成性評價措施的推行，在網絡教育的各類學習和管理系統中產生和保存了大量學生在線學習的過程性數據，包括學生的基礎信息、各門課程的平時在線學習情況、過程性評價成績和最終考試成績。學生平時在線學習情況包括在線學習的次數和每次學習的時間長度、學習內容、參與在線互動交流的記錄等；過程性評價成績包括在線作業、即時測驗的得分、互動討論中教師和同學的評價等。目前，這些數據僅是作為學生的電子學習檔案存在于各數據庫中，并未通過合適的數據分析技術對各類數據之間的內在聯系和隱含的學習規律做進一步研究并加以運用。如能運用教育領域的數據分析方法，即教育數據挖掘技術，通過對已參加某門課程學習并已有考核結果的學生個人基本信息、網絡學習行為信息、相關前置課程成績等進行分析，建立與課程最終考核結果的關聯模型，實現對未參加該課程考核學生的成績預測，將會給運用個性化的學習支持服務技術支持學生提高學習效果和課程考核成績提供有力的決策依據等（祝智庭，等，2013；Harikumar，2014）。

實現學位英語考試成績預測，我們將其定義為學習成績的細分預測，即依據學生相關的學習數據，預測學位英語考試成績具體的分數范圍。本文先通過數據挖掘技術中的聚類方法，對已有的學生學位英語考試成績分布進行歸類，找出其符合聚類條件且同時也符合實際預測目標要求的分數范圍。然后，將其作為分類目標，通過數據挖掘技術中的分類方法，構建學生參加學位英語考試的成績細分預測規則。最后，實現了成人學位英語考試的預測系統。

一、預測需求分析及實現技術

教育數據挖掘是數據挖掘技術在教育領域的具體應用。預測、聚類、關系挖掘、模型構建等方法則是教育數據挖掘技術常用的方法（顧小清，等，2010）。應用數據挖掘方法從各類教育系統積累的數據中提取有意義的信息和規則，可以為教師、學生、管理人員、教育研究人員和教育軟件開發者等提供教學決策、教學質量控制和軟件開發需求等相關依據。Baker（2014）提出了四個教育數據挖掘的關鍵應用：改善學生模型，改善領域模型，研究教學、學習支持軟件，以及科學探究學習者及其學習。教育數據挖掘與普通的數據挖掘過程一樣，包括數據預處理、規則構建和數據歸類三個階段。數據聚類和分類是應用最廣的兩大數據歸類規則構建技術。數據分類適合已有明確類別目標的場合；數據聚類適合不存在分類體系或類別目標不確定的場合，一般作為某些應用的前端（Kantardzic，2011）。

（一）預測需求分析

對于參加網絡教育中本科學歷教育的學生而言，部分公共課程統考中的英語考試和成人學位英語考試是學生英語學習中最重要的兩門考試。通過英語統考是網絡教育本科層次學生畢業所必須具備的條件，而通過成人學位英語考試是學生獲得成人學士學位的必備條件之一。同時，按教育部相關文件規定，成人學位英語考試合格可以獲得英語統考的免考資格。

網絡教育公共課程英語統考的成績僅分為“合格”與“不合格”，從數據分析的角度看，這很明顯是數據挖掘中的數據分類問題，分類的目標就是兩個（孫力，等，2015）。而成人學位英語考試是公布具體成績的，按照每個高校的成人學士學位授予條例，對不同專業類別的學生，有不同的成績要求。以江南大學為例，網絡教育本科學生參加江蘇省成人學位英語考試，合格成績要求為：藝術類專業55分，普通理工、文史、經管類專業60分，英語類（含國際貿易）專業70分。從數據分析的角度來看，雖然也可歸類為數據分類問題，但分類的目標更加細化，且如何確定分類的目標須通過其他數據分析技術實現。

本研究通過采集網絡教育本科層次學生的個人信息和在網絡學習平臺中與英語學習相關的數據，采用教育數據挖掘技術，對已有學位英語考試成績學生的網絡學習及其相關信息進行分析，以學生相關信息為變量，以學位考試成績為目標，建立符合變量和目標之間關系的預測規則。通過規則實現對未參加考試學生的成績分布區間預測。

由于已有學生的學位英語成績集合是一個無序的數值分布，先采用數據聚類中的劃分方法來找出其合理的成績分布區間（Stegers-Jager et al，2015），即確定預測目標。然后，將其作為數據分類的目標，依據學生與學位英語相關的各類信息，通過基于決策樹的數據分類方法，將其考試成績的預測結果歸類到相應的成績區間中，實現預測規則。

（二）預測實現技術

1.預測目標確定

數據聚類就是根據某種相似性準則將數據或對象的集合劃分成不同的類簇，同一類簇的數據盡可能相似，而不同類簇的數據差異性最大。聚類無先驗知識可循，是一種無指導的學習（孫吉貴，等，2008），主要分為劃分的方法、層次的方法、基于密度的方法和基于網格的方法等。

對于數值屬性的對象，目前最常用的是劃分的方法。劃分的方法形成聚類結果的依據是數據對象之間的距離。在給定聚類數目k的前提下，先選取k個對象作為聚類中心點，創建一個最初的劃分，然后采用多次重新定位方法，通過對象在各個類別之間的移動來改進劃分的效果，直至達到最佳劃分為止。

K-means算法是一種典型的基于劃分的聚類算法，通過不斷地迭代使得同一類簇中的對象間的距離最小，即相似性最大，非同一類簇中的對象間的距離最大，即相似性最小，直到所有的類簇可以達到獨立緊湊的目標就終止迭代，從而得出最終聚類結果（黃韜，等，2011），是當前應用最廣的聚類方法之一。

由于無法預知已有學生學位英語成績的分布區間個數，而采用不需預先確定聚類個數的聚類算法（如Two-step算法）效果不理想（AI-Shammari，2013）。考慮到算法和實現環境的成熟性，本文采用K-means算法作為數據聚類的方法，預先設定聚類個數，逐個試驗，直至同時滿足聚類數最小和聚類結果符合學位條例規定的成績區間兩個要求。

2.預測規則構建

數據分類的目的是通過分類規則將數據映射到某個給定的類別中，一般分為兩步：在獲得明確分類目標的前提下，首先通過分析樣本數據集為每個目標類別確定分類規則或描述，稱為學習或訓練過程；然后對這些分類規則通過更大量的測試數據集進行測試，優化并生成更恰當的分類規則，最終形成數據分類（陳文偉，等，2004）。主要的數據分類方法包括基于決策樹的方法、基于統計的方法、基于規則的方法、基于元算法的方法和懶惰學習方法等。

對于屬性為普通數值的數據而言，最常用的分類方法是基于決策樹的方法。通過已知的訓練數據集構建一種具有多層次分支和多層次節點的樹形數據結構（即決策樹），然后利用決策樹對數據進行預測。決策樹的建立可以看作是數據規則生成的過程。

針對決策樹方法中經典的ID3算法不能對連續值和離散值同時處理的弱點，C4.5算法作了非常有效的改進，正逐漸替代ID3算法，成為決策樹方法中應用最廣的算法。C5 0算法是C4 5算法的商業修訂版，計算速度較快，占用的內存資源較少，適用于處理大數據集。考慮到算法和實現環境的成熟性，采用基于決策樹的分類方法中的C5.0算法。

二、學位英語成績預測規則構建的實現

本文運用教育數據挖掘中的聚類和分類技術，構建網絡教育本科學生學位英語成績的細分預測規則。實現過程歷經數據準備、預測目標（即成績細分區間的確定）和預測規則構建及優化三個階段，每個階段又包含若干數據處理步驟（如圖1所示）。由于所構建的預測規則將應用于江南大學網絡教育本科層次的學生，所需的實驗數據來自于江南大學網絡教育的教學管理系統和學習系統所關聯的各數據庫。選用的預測規則構建環境是SPSS的Clementine 12.0。

（一）數據準備

數據準備的主要任務是根據數據挖掘目標，對相關的原始數據進行相應的預處理，在數據挖掘開始前對數據源進行審核和判斷。高質量的數據是數據分析的前提和分析結論可靠性的保障。幾乎所有數據挖掘算法只對符合要求的數據才能精準處理，如低冗余性、完整性好和各變量間相關性少的數據等。

江南大學網絡教育數據庫中存儲著超過十萬名在籍和已畢業學生的相關數據。其中，本科層次學生超過五萬名。這些數據包括學號、姓名、性別、入學年齡和所屬專業，入學測試各門課程成績和所學各門課程成績，學生登錄平臺后的訪問時間、訪問頻率、訪問資源類型、參加論壇情況和停留的時間，等等。

我們已經實現了對江南大學網絡教育本科層次學生部分公共課程統考中英語統考成績的預測（孫力，等，2015）。由于學位英語考試與英語統考一樣，都是屬于水平化的英語考試，只是考試形式有所不同。學位英語考試是傳統的試卷筆試形式，而英語統考是基于局域網的計算機機考形式。我們認為，通過英語統考成績預測研究確定的各個變量，對學位英語成績預測依然是有效的，只是應該考慮到不同考試形式所涉及的不同變量。

通過對學生相關數據具體情況的分析，我們從江南大學網絡教育相關數據庫中提取已有學位英語成績的本科學生的相關數據，包括在籍和近年來已畢業的學生。參考英語統考預測的有效變量，考慮到筆試與機考考試形式的不同，我們僅保留了“學號”“入學年齡”“在線學習情況”“入學測試英語”“入學測試計算機”“大學英語二”“大學英語三”“所學課程平均”“統考大學英語”“學位英語”10個變量。其中，“在線學習情況”的數據是將江南大學網絡教育的形成性評價系統中對學生各類在線學習活動評分的總和，以200分為滿分，進行標準化處理得到的。這種數據處理方式既考慮到了學生在線學習的整體情況，又可保證分值不至于太大，也保留了一定的分值差距空間。

在去除異常無效和變量值為“0”的記錄后，我們保留了8，000條相關記錄，以Excel數據表格形式保存為“江大網絡.xls”，作為決策樹構建的訓練和測試數據源。該數據表除保留“學號”和“學位英語”變量，刪除其他所有變量，保存為“學位英語.xls”，作為預測目標確定的數據源。

（二）預測目標確定

本文以“學位英語xls”為數據源，在Clemen-tine12.0中選用K-means算法來獲取學位英語預測的成績細分區間。

由于學位英語成績以百分制記，數值較為零散，為了獲得較好的聚類效果，對成績進行簡化處理。考慮到江南大學網絡教育學位條例中的分數條件都是5的倍數，我們設定簡化方式為：簡化分數=round（學位英語成績/5），其中round函數是Clementine自帶的取整函數。在Clementine12，0可視化界面中，通過數據源建立、數據關聯、數據簡化、關聯簡化數據和數據聚類5個步驟，依據預先設定的聚類個數，建立了基于K-mean算法的聚類模型。

依據成績劃分等級最基本的原則，一般劃分最粗的等級為優、良、合格與不合格四級。因此，我們設定聚類數從4開始，逐個增加，依次設置聚類數為4、5、6、7、8、9，分別獲得聚類模型“成績聚類1”“成績聚類2”“成績聚類3”“成績聚類4”“成績聚類5”和“成績聚類6”（如表1所示）。各簡化分數根據公式轉換后對應的實際分數段如表2所示。

通過比較表1中6次聚類的結果可以看出，“成績聚類4”所得到的7個分數段包含了學校學位條例所規定的各個分數條件，分數段間特征區分明顯，符合我們對分數范圍的期望。聚類數小于7的，聚類結果無法滿足學位條例要求；大于7的，盡管聚類結果符合要求，但會由于設定的分類目標過多而導致形成的分類決策樹過于復雜。因此，我們將成績預測的細分區間確定為7類，分別用“一”“二”“三”“四”“五”“六”“七”表示（如表3所示）。“成績聚類4”的建模流程和聚類結果如圖2和圖3所示。

（三）預測規則構建及優化

在確定了學位英語預測的成績細分區間后，以“江大網絡.xls”為數據源，通過C5.0算法來實現學位英語成績細分預測規則的構建及優化。

由于在Clementine12.0中對于數據分類目標的認定以文本變量為主，首先將“江大網絡.xls”中“學位英語”變量的百分制轉換為相應的細分區間代碼。通過數據源建立、數據關聯、選擇訓練數據、算法選擇和規則建立5個步驟，建立了基于C5.0算法的預測規則。通過Clementine12.0內含的建模分析和測試功能，獲得所建預測規則（決策樹）的復雜度（子節點數）和預測準確度，采用減少相關變量的方法來降低決策樹復雜度，同時獲得更高的預測準確度。本研究構建了4個包含不同變量個數的預測規則，各個規則所包含變量情況及所得決策樹的子節點數和預測準確度如表4所示。

從表4可以看出，依據前期所做的統考英語預測的相關研究成果（孫力，等，2015），在初始數據采集時，已經減少了實驗數據集包含的變量數量，所得到的決策樹子節點數相應減少，即決策樹的復雜度本身就不高。嘗試著去除了與學位英語考試成績關聯相對較弱的3個變量，從所得模型的分析結果可以看出：相對于本科公共課程英語統考的機考方式，學位英語考試仍采用傳統的紙質筆試形式，與計算機的應用能力關系不大，“入學測試計算機”變量去除后，決策樹復雜度降低，而預測準確度提高，該變量應屬于無關變量；去除“入學年齡”和“入學測試大學英語”后，盡管決策樹復雜度降低，但預測準確度同時下降，應屬于相關變量。從影響程度看，“入學年齡”更大。綜合考慮決策樹復雜度和預測準確度，選擇“學位英語預測2”為最終結果。該規則的分類流程和決策樹如圖4和圖5所示。

三、預測規則變量重要性分析

在Clementine12.0環境中，通過雙擊“學位英語預測2”圖標，得到構成決策樹的各相關變量的重要性（如圖6所示）。建立預測規則的實驗數據共包含9個變量，除“學位英語”目標變量、“學號”標注變量外，構成決策樹的共有7個變量。

在所有的變量中，“統考大學英語”的重要性位居第一，是因為學位英語考試合格是學生獲得成人學士學位的必備條件之一，在學生本科階段所參加的所有英語考試中，難度是最高的。統考大學英語是學生畢業的必要條件，其難度略低于學位英語，而學生對學位英語的傳統筆試方式相對于統考英語的機考方式更為適應。每年學生可多次參加統考，學位英語考試卻只有一次。總體而言，學生通過統考大學英語和學位英語的難度大致相當。由于這兩門英語考試都屬于水平化考試，通過加強對參加考試學生的輔導和個性化服務，對于學生獲得畢業和學位資格可以起到相輔相成的提升作用。

“在線學習情況”在各變量中的重要性位居第二。由于網絡教育的學生是以在線學習為主要方式，網絡學習的整體狀況體現了學生的學習態度，也決定了學習的效果。因此，通過有效措施提升學生網絡學習的整體效果是提高學位英語考試成績的有效手段。

“入學年齡”的重要性位居第三。由于學位英語對英語熟練的水平要求很高，對于語言的熟練程度取決于不間斷練習的積累，考試技巧也在較大程度上影響著學生的考試成績。所以，剛離開全日制學校的學生與參加工作較長的學生相比有一定的優勢。

“大學英語三”和“大學英語二”是學生本科階段的兩門英語課程。其中，“大學英語三”是“大學英語二”的后置課程，內容要求更高，其課程難度也與學位英語考試更接近。盡管課程學習內容與學位英語考試不完全一致，同時，外語水平的提升是一個日積月累的過程，課程學習畢竟是學生提高英語水平的重要途徑。考慮到業余學習與全日制學習的不同，這兩個變量的重要性分別排在第四位和第五位，也是合理的。

學生各門課程的成績在一定程度上反映其學習的效果，但由于網絡教育是業余成人學習，整體要求較全日制學習要低，加上學生平時網絡學習的形成性評價計入課程總分，學生課程考核的整體通過率較高。相對于學位英語對英語水平的高要求，其課程的平均成績與學位考試有一定的聯系，但關聯度較小。各試點高校自主舉辦的入學測試，由于考試目的僅是考察學生入學時各相關知識的大致水平，過程設計不嚴格。江南大學網絡教育的入學測試為全客觀題型的機考方式，考試的難度不高，結果有一定的偶然性。因此，“已學課程平均”變量的重要性排在第六位，“入學測試大學英語”的重要性細微在圖中沒有體現，也是正常現象。

四、學位英語成績預測系統的實現

依據前文中構建的成人學位英語成績細分預測規則，以江南大學網絡教育學院教學管理和學生學習等系統的各學生信息數據庫為數據來源，在其教學教務管理系統中實現了基于瀏覽器界面、針對專升本學生的學位英語成績細分預測子系統。預測結果通過表3的相應轉換得到較為具體的成績區間。考慮到與已有管理系統的兼容性，系統由數據庫構建、數據采集和細分預測實現三個模塊組成。

（一）數據庫構建

學位英語成績細分預測系統需要使用數據庫存儲和管理數據分析過程中的所有數據，同時考慮到數據庫的龐大和安全性的保障，本系統采用SQL SERVER 2005數據庫系統作為后臺數據庫。在其中創建學生基本信息表（tb_e_ForeCast），主要存儲學生與預測和結果顯示相關的各個變量的數據（如表5所示）。

（二）存儲過程設計

存儲過程是數據庫中的一個重要對象，設計良好的數據庫應用程序都應該包含存儲過程。它是在大型數據庫系統中，為了完成特定功能的一組SQL語句集，存儲在數據庫中，經過第一次編譯后，再次調用不需要再次編譯，用戶通過指定存儲過程的名字并給出參數來執行它。

本子系統中主要設計了2個存儲過程，usp_Forecast和usp_Anticipation_DEnglish，前者將參與預判的學生數據保存到數據表tb_e_ForeCast中，以備預測過程使用；后者實現學位英語成績的細分預測。

數據采集模塊的功能是依據輸入的查詢學生信息，通過SQL Query編寫的SQL查詢接口，從學生信息數據庫和其他相關數據庫中抽取學生的基本信息，以及預測規則所對應的“入學測試大學英語”“入學年齡”“大學英語二”“大學英語三”“已學課程平均成績”“統考大學英語”6個變量的數據。同時，從形成性評價系統中抽取學生在線學習情況，按前文所述的規則進行相應處理后形成“在線學習情況”變量數據。然后，通過存儲過程usp_Forecast，存儲到數據庫中。學生信息輸入可以是單個學生，也可以是依據一定規則的批量輸入。如某個學習中心某個批次某個專業，或者是某個學號段等。查詢界面如圖7所示。

從Clementine12.0環境中可以看出，所實現的預測規則（即分類決策樹的代碼）的結構是if-else的嵌套組合。因此，在存儲過程usp_Anticipation_DEnglish的代碼中，采用SQL語句中的Case函數，實現決策樹代碼中的if-else嵌套組合。

（三）系統功能測試

系統實現之后，對其進行了功能測試。通過SQL Server Profiler工具的監測，所有的預測程序均在10秒內完成，表明該子系統符合性能需求分析的要求。系統的預測結果顯示界面如圖8所示。

（四）系統準確度測試

江蘇省學位英語考試每年11月舉行一次，統考大學英語考試每年的4月、9月和12月共舉行3次。為了測試系統的預測準確度，同時鑒于統考英語和學位英語的高關聯度，對江南大學網絡教育2014年9月入學的本科層次學生，在2015年3月、5月和10月分別進行預測，取此三個時間點的理由依次為：經過一個學期英語學習，第一次統考后，以及第二次統考后。分別將預測結果與學生2015年1 1月參加實際考試的成績進行對比，結果如表6所示。

從表6可以看出，離考試時間越近，預測準確度越吻合。另外，預測準確度隨著時間的推移逐步提高，這一現象應該是越臨近考試時間，學生的英語水平越接近考試要求，預測也就越準確。

五、結果分析及展望

本文以SPSS的Clementine 12.0為實現環境，以江南大學網絡教育已參加江蘇省成人學位英語考試的學生與英語學習相關的信息為實驗數據，采用數據挖掘中的K-means聚類算法，實現了對已有學位英語成績分布的分析，確定了較為具體的分數分布區間。然后，以該分數區間為預測目標，采用數據挖掘中數據分類的C5.0決策樹算法，通過對相關變量的逐步精簡，實現了對成人學位英語考試成績的細分預測規則。構建的決策樹包含7個變量和22個子節點，深度為7，預測的準確度為81%。最后，完成了江南大學網絡教育本科成人學位英語考試成績細分預測系統的開發、功能測試和準確度測試。通過與實際考試結果相比較，驗證了預測規則的有效性。

本文構成學位英語預測規則的變量，除了“在線學習情況”是過程性數據外，其他變量（包括年齡和各類考試的成績）都屬于結果性數據。而“在線學習情況”是學生在線學習記錄的綜合值，盡管其重要性位居第二，仍然無法改變本文構建的預測規則實時性不夠的不足之處。當前，各試點高校的在線學習系統和形成性評價系統正在逐步完善，督促學生上網學習的各項教學管理制度也正在逐步推行，網絡教育學院的系統中將會有越來越多真實有效的學生在線學習的過程性數據。學生英語水平的提高是一個日積月累的過程，在注重與英語水平相關的各類結果性數據的同時，加強對與英語學習過程相關的各類過程性數據的關注，將能獲得更加準確和實時性更高的預測結果，能夠逐步實現對學生學習的即時性提醒和個性化服務。這是本研究后續主要的改進方向。

本文數據挖掘算法的選用綜合考慮了原始數據的特征、目標需求、算法和實現軟件環境的成熟度。依據學生與學位英語考試相關的各類數據的特性，不斷嘗試選用更加合理有效的數據聚類和分類算法以及功能更加合理的實現環境，構建出預測準確度更高的預測規則，為學位英語成績的分析預測提供更多的分析角度和更有價值的信息，是本研究后續完善的方向之一。

作為獲得學位的必要條件，同時又是統考大學英語免試的條件之一，學位英語考試成績對于網絡教育本科學生的重要性不言而喻。針對本文所開發系統形成的較為具體的預測結果，可以為處于不同英語學習水平的學生提供更為具體的個性化服務。作為網絡教育學院，首先應該制定更為具體的個性化支持服務措施和方案。例如，構建難度和層次分明的英語學習和輔導的資源庫，針對存在不同程度學習弱點的學生，提供措施和方案不盡相同的輔導和提醒方法（Chem-chem et al，2015）。這也是本文研究的后續應用所在。同時，本文所形成的成績細分預測方法，對于目標更細致、要求更為具體的學生學習效果預測，具有一定的參考價值。