數據挖掘技術和在高校教學系統中的實際應用研究

李 川

（重慶師范大學涉外商貿學院教務處 重慶 401520）

數據挖掘技術和在高校教學系統中的實際應用研究

李 川

（重慶師范大學涉外商貿學院教務處 重慶 401520）

數據挖掘技術優勢明顯，分析結果準確，可以為高校領導提供準確的數據依據，因此在各大高校開始應用和普及。下面主要分析了數據挖掘技術的基本理論，了解其基本原理；分析了挖掘數據的方法，針對企業需求的不同，分析的重點不同，合理選擇數據挖掘方式；同時結合實際案例，分析了高校教師的教學質量，學生英語六級的通過情況，通過數據挖掘技術，總結了相關規律，發現了一些問題，為高校以后的教學工作提供了一些有建設性的意見。

數據挖掘技術 高校教學系統 實際應用

高校辦學宗旨就是提高辦學水平，提高學員升學率，為社會提供有價值的學生。對于高校教學管理系統而言，其收集整理了大量的教學信息，但是很多數據只是個擺設，沒有發揮其價值，因此在一定程度上影響辦學質量，影響領導做決策。相關技術人員將數據挖掘技術引入到了高校教學系統中，利用先進的分析方法，可以總結數據規律，對數據進行分類，為高校決策提供數據依據，將教學數據的作用發揮到最大。下面就對這些方面進行分析，希望給有關人士一些借鑒。

一、分析數據挖掘技術的基本理論

由于計算機技術的發展和普及，當前信息技術得到了廣泛應用，人們也進入到了大數據時代，不同行業為了得到準確數據，以數據為依據進行決策判斷，普及和推廣了數據庫系統，主要進行存儲、管理企業發展過程中的所有數據。由于該技術發展時間較短，在很多功能技術方面還不成熟，智能進行簡單的數據管理和處理，影響其作用的發揮。除此之外，當前社會快速發展，人們對數據越來越依賴，同時要求對數據進行快速分析和處理，提高工作效率。針對這一需求，相關單位研究出了數據挖掘技術，其可以從海量數據庫、數據中找到人們需要的內容，通過在搜索這部分信息時，工作人員可以以模式、規律、規則、概念等規則進行搜索，縮小搜索范圍，找到有效的信息。對于數據挖掘而言，主要是從大量的信息中挖掘沒有加工整理的數據，這部分數據對相關需求用戶是有價值的，該技術涉及到很多行業和領域，例如有人工神經網絡、機器學習、數據庫技術、高性能計算技術等，下面主要分析數據挖掘技術在高校教學系統中的實際應用情況，總結使用的經驗和效果，對以后的技術發展提出幾點建議和要求，為以后的發展奠定基礎[1]。

二、分析數據挖掘技術中挖掘數據的基本方法

1、分析分類挖掘數據的方法

對數據進行分類挖掘主要是先設定不同的類別，對大量數據按照一定的規則進行分類，這樣就可以構建出一個模型或分類函數，之后將數據項映射到所制定的類別當中，在此基礎上，使用分類規則對相關數據進行預測和分類，這種方法必須應用到已經分類號的訓練集中[2]。這種分類分析可以分為兩個階段，第一階段，建立模型對一個已知的數據分類規則進行描述，利用已知的訓練集、分類項等對分類模型進行訓練，這種分類模型可以表示為人工神經網絡、決策樹、IF-THEN規則等，之后選用測試數據對模型的準確性進行檢測，如果發現這一模型分類得到的結果不準確，技術人員可以對其繼續進行訓練，直到分類比較準確，達到一個穩定的值為止[3]。

2、分析預測挖掘技術的方法

對數據進行預測分析是先發現數據項隨著時間變化的規律，主要應用回歸分析方法，其屬于典型的預測分析方式，在分析中需要大量的已知數據，將時間作為其中的一個變量，這樣就可以得到相應的回歸函數，這樣就總結出數據隨著時間變化的規律，一般預測是以分類作業工作基礎的，對預測的結果只能依靠時間進行檢驗，因此只有經過一段時間后才能知道預測的是否準確。

3、分析關聯規則挖掘數據的方法

采用關聯規則方式進行數據挖掘時，對大量的數據進行分析，從而找到數據項之間的關聯性，其通常表示為A=＞B[4]，簡而言之，當滿足A的數據項后，其也可能滿足B的要求，通過不同的關聯規則就可以反映出數據的不同規律，在此基礎上可以很好的預測事件的發展情況。通過這一方法可以準確預測出實例數量，該技術應用范圍十分廣泛[5]，例如沃爾瑪超市發現對于男性顧客而言，在購買尿不濕的同時也會購買啤酒，因此沃爾瑪管理人員果斷決定將尿不濕和啤酒放到一起，在這兩方面取得了很好的銷售業績。由此可見，從大量的數據中找到關聯規則，對企業領導做決策有很大的幫助，除此之外，這一方法也是進行數據挖掘方法的基礎[6]。

4、分析聚類挖掘數據的方式

對數據采取聚類的分析方式，就是將大量數據按照一定的特點將其自然的分成不同的組別，有效減少相同一類數據項之間的不同，從而增大不同類別數據之間的不同，這種分類方式可以保證同一類的數據內容的相似度，這樣再進行數據挖掘中，就可以提高挖掘數據的效率，可以在短時間內找到所需要的大量數據，提高了數據的應用效果[7]。雖然挖掘數據的方法不同，但是一般其挖掘的流程都是一樣的，為了保證得到相關規律的準確性，要確保各個環節工作的質量，尤其在數據準備中，確保數據的真實性和有效性，確保數據的權威性，否則以這一數據挖掘計算得到的結果實際應用價值有限。

進行數據挖掘過程中，要先定義目標，確定具體的挖掘目標，工作中就是進行需求分析；然后做好數據準備，針對調查對象的不同，準備相關的數據，數據要充足可靠，保證分析結果準確；在挖掘數據中，將隱含的規律挖掘出來，先確定分析方法的類型，結合具體的分析方法，選用一種合適的算法，最終找到相關的規律；在結果表示階段，結合用戶的需要，將發現的數據規律做進一步轉換，一般都是轉變為二進制的數字，方便使用算法進行計算，根據得到的數據規律，結合不同的領域需求，將結果應用到特定的領域中，為決策人員提供決策依據，確保決策的科學性和有效性。為了保證工作質量，工作過人員必須保證數據準備的充足，合理的選用算法，并結合不同的領域使用數據規律，總結其中的問題，提出合理化建議等。

三、評估高校教師的教學質量應用情況

1、關聯規則數據挖掘方法分析

為了提高學生的能力，把好教師職稱評定這一關，有必要使用數據挖掘技術對教師的教學質量情況進行評估。常用的評估方式是統計分析，對學生的評價、成績等數據進行收集和整理，然后利用加權計算的方式計算出教師的得分情況，得到的數據就是評定的一項指標。但是這一評定方法科學性差，沒有很強的權威性，在教學過程中很多重要的數據都沒有進行挖掘，針對這一情況，技術人員通過關聯規則方法進行評估，得到了很好的效果。關聯規則是從大量數據中挖掘各個數據項之間的依賴關系[8]，表示為X→Y，支持度=s%，置信度=c%規則；在全體事件中，在X的事件中有c%也滿足事件Y，通過置信度可以直接表示X→Y關聯的強度，記作confidence（X→Y，可以將最小的置信度記作minConf，通過用戶就會給定[9]。對于關聯規則X→Y的支持度s%而言，表示在全體事件集合D中，有s%事件同時滿足X、Y。支持度表示X→Y關聯的頻度，記作Support（X），可以將最小的支持度記作minSup。分析中主要分為兩個步驟，第一步，做到全體集合的數據庫，分析所有的頻繁項集；第二步，利用頻繁項集生成關聯規則[10]。這種分析方法可以得到很好的效果，一般針對收集的數據分析，很難得到相關規律，而且挖掘數據規律不細致，但是通過從海量數據進行關聯方式分析，可以得到這一數據和另一數據之間的關系，進而加深對數據的理解，掌握數據背后對相關工作，領導決策的幫助。

2、分析Apriori的具體算法

對于Apriori算法而言，選用迭代法進行分析和計算，例如從頻繁k-項集搜索得到頻繁（k+1）的項集，具體進行計算時掌握其流程，先準確將頻繁1-項集挖掘出來，其將會作為迭代的起點，之后利用迭代方法對頻繁k-項集的數據進行挖掘，一般是先挖掘出候選頻繁k-項集，結合最小置信度minsup進行數據的篩選， 最終會得到頻繁k-項集，最終將所有的頻繁k-項集都進行合并；在此之后，可以從頻繁項集中將所有的關聯規則都挖掘出來，結合minConf得到頻繁關聯規則，確保準確挖掘出相關的數據[11]。

3、分析管理分析方法實踐應用情況

先準備相關的數據，以某高校為例，從其管理系統數據庫中得到500條有關教師教學評價的信息，然后將其中的六個屬性挑選出來，分別是評價分數、學歷、職稱、教齡、性別、教師編號，同時將這些指標轉化成二進制數字，有利于后續的程序計算，例如可以將教授、副教授、講師轉換成00、01、11。之后選用上述管理規則分析方法進行分析，設定搜索目標是評價分數在90分以上，其可以判定教師的教學質量，如果滿足這一要求，那么就說明教師教學質量屬于優秀級別。通過這一方法進行搜索，得到了143條記錄，計算出其最小的置信度minSup=15%，最小的支持度minConf=10%，最終得到了關聯規則情況，可以參考下表。關聯規則教授→優秀，置信度=82.5%，支持度=21%，其表示在教師當中，職稱是教授、評價分數在90分以上，占到總人數的21%；除此之外，在所有教授當中，評價分數在90分以上，滿足這兩項要求占到總人數的82.5%。在此之后評價實驗結果，通過分析得知學生青睞女教師和男教師的概率基本相同；當教師的學歷越高時， 其整體的教學效果就越好， 說明高學歷的教師基本功更為扎實，具有很高的科研水平，除此之外，由支持度得知該校的高學歷教師較多，因此這一高校領導的辦學水平很高。

四、分析評估學生成績的方法實踐應用

1、決策樹方法評估學生的成績

在進行高校教學工作中，學生成績是教學質量的重要指標，也是衡量一個學校辦學水平的重要指標，因此必須嚴格進行考核。傳統的成績評估就是利用簡單的人工算法，雖然有海量的數據，但是不能對其進行全面、綜合的分析，相關技術人員引用了決策樹的方法進行數據挖掘分析。其屬于一種分類分析方法，根據訓練集對大量數據進行分類，搜索潛在具有價值的信息，進而有效預測事物的發展情況，對以后的決策提供數據支持。一般在應用中可以分為兩個步驟來完成：第一，建立決策樹，根據訓練集的數據，利用遞歸方法訓練生成決策樹；第二，根據生成的決策樹，輸入相關數據，對數據進行分類和預測。構建時其從上到下進行遞歸構建，根節點可以判斷起始狀態，根節點到不同的葉子節點路徑就是一個決策。

2、分析ID3計算方法的使用情況

使用ID3算法時，可以利用信息增益的方式作為屬性的選擇標準，對決策樹中不同節點進行屬性選擇，各個節點都可以得到很大的類別信息，具體應用該算法時，第一，對數據項目中的屬性寬度進行優化，選擇其中信息增益最大的屬性，將其作為決策樹的節點，以這一節點為基礎，結合屬性不同取不同的值，構建這一節點的分支；第二，使用遞歸的方法繼續構建分支中的分支；第三，當同一類別的數據都被相關子集包含時，這一算法就自動結束，最終得到決策樹。這種算法操作簡單，而且容易實現，具有較強的訓練能力，但是也存在一定的缺點，例如對噪音敏感，得到的結果不穩定等。

3、分析C4.5算法的實踐應用情況

傳統的C4.5算法存在一定的問題，因此在以后的發展中，工作人員對其做了一定程度的優化，該算法繼承了ID3算法的優點，在此基礎上進行了優化，因此其達到的效果會更好。第一點，為了解決決ID3算法使用中，信息增益選擇屬性結果偏向選擇取值多的屬性問題，該算法利用信息增益率進行屬性的選擇；第二點，為了有效減小算法運行的開銷，提高工作效率，這一算法在構造決策樹時做了剪枝處理；第三點，這一算法可以把連續屬性離散化，有效處理連續屬性；第四點，該算法還可以對不完整的數據進行處理。和其他算法進行對比，這一算法優勢較為明顯，計算中得到的分類規則、結果很容易理解，表示非常清楚，但是在執行算法中需要大量掃描相關數據，并進行排序，如果數據集很大時，算法效率會很低，針對這一問題， C4.5算法在內存數據集中可以進行分類挖掘，不能大規模進行挖掘。在數據處理過程中，對于特殊情況有必要進行剪枝處理，利用C4.5、ID3方法構建決策樹，如果受到異常數據的影響之后，導致其分支較多，因此決策的規模很大，嚴重制約了決策樹算法執行的效率，對于得到的分類結果而言，對訓練集產生很大的依賴性，就是所謂的訓練過度。為了有效避免這一問題，執行這一算法中對相關的分支做修剪處理，一般分為事后修剪和事前修剪，得到的效果沒有很大的差別。

4、分析評估學生成績時使用決策樹算法的效果

以某高校英語班為例，分析這一班級英語六級的通過情況，分析方法是決策樹的方法。第一，做好數據的準備工作，從相應的教學管理系統中抽取1000條學生成績進行記錄，選擇和研究目標相關的屬性，包括英語六級通過情況、英語四級成績、入學英語成績、性別、生源地等，將數據進行離散化，可以將入學成績分為 0～60、60～90、90～110、110～130、130～150，得到相關的訓練數據集，最終將數據指標變為二進制數值，方便程序進行運算。

利用這種方法進行數據挖掘時，這次研究目標是六級通過情況，因此可以將其分為通過和未通過，使用決策樹算法程序對各個屬性信息增益情況進行計算，英語四級成績是最大的信息增益，將這一屬性作為決策根節點，之后按照順序遞歸分支，做好剪枝操作就可以得到一顆決策樹。

通過這次實踐應用結果得知，在分析中使用決策樹方式進行挖掘，可以得到相關的數據規律，通過高校管理層結合數據情況，分析管理中存在的問題，對以后的管理工作進行完善，提高管理水平。第一點，對于英語六級的通過情況而言，主要影響因素是四級的成績，如果學生的具有很高的四級水平，那么其應用水平就很高，那么在以后學習中，通過英語六級的概率增大；第二點，和男生相比，女生通過六級的概率更高，男生一般比較貪玩，英語成績達到老師的要求即可，沒有進行深入的學習，而女生學習比較認真，因此英語基礎較好。第三點，生源地是重要的指標，由于學生之前的學校辦學水平不同，極大影響學生的學習成績，很多學校不重視英語教學，因此這部分學生的英語水平一般，影響了其以后的學習和發展，導致英語六級的通過率低。第四點，通過數據顯示英語入學成績和六級是否通過沒有必然的聯系，二者的影響不是很大，因此針對這一調查中，高校在以后的辦學發展中，可以針對四級成績較低的學生進行英語培訓，強化英語筆試訓練，除此之外，教師日常教學中加強對男生、農村學生的培養，一般其英語水平比較薄弱，如果教學速度過快，或者沒有讓學生有一個適應過程，那么這部分學生很容易根本上，直接導致英語學習效果進一步下降， 因此教學中予以更多的關注，加強其學習方面的監督；教師在日常教學中，要具有虛心的態度，教學工作之余不斷進行自我學習、自我深造，提高在英語方面的水平，補充在英語方面的知識儲備，重點對教學方法進行學習，結合班級整體學生的特點和英語水平，選擇合適的教學方法，針對英語能力較差的學生，抽出時間對其進行特殊教學，及時彌補其之前落下的功課。由此可見，為了提高英語六級的通過率，教師要具備較高水平的教學能力，分析班級現實情況，選擇科學的方法有針對性的進行教學，提高學生的成績，提高高校的辦學水平。

五、總結

通過以上對數據挖掘技術和在高校教學系統中的實際應用分析，發現數據挖掘技術作用非常大，和傳統的數據統計分析相比，這一技術可以總結、分析出很多有價值的數據，為高校辦學提供決策依據。通過分析決策樹。關聯分析等方法，以高校為例進行了教學管理方面的分析，得到了一些有價值的數據規律，這樣高校在辦學過程中，可以根據數據情況進行完善、改革和做決策，傳統數據統計雖然也具有一定的價值，但是其對數據的利用度有限，不能綜合、全面進行數據分析，因此對決策的質量有很大影響，在以后的發展中要繼續優化數據挖掘技術，讓其發揮更大的作用。

[1]曹煜.高校教學質量測評系統的開發及數據倉庫與數據挖掘技術在其中的應用[D].東北大學,2015.114-115.

[2]王可安,賈存良,李質勇.基于SQL Server 2015的數據挖掘技術在高校教學評價中的應用研究[J].棗莊學院學報，2011,26(5):99-104.

[3]高云輝.數據挖掘技術在高校教學評價中的應用研究[J].吉林省教育學院學報旬刊,2013(1):36-37.

[4]吳淼.數據挖掘技術在高校圖書管理系統中的應用研究[J].內蒙古科技與經濟,2012(3):83-84.

[5]孫艷.數據倉庫與數據挖掘技術在高校教學管理系統中的應用研究[D].中國石油大學,2010.(11):44-46.

[6]姜文秀.數據挖掘技術在高校教學質量監控與評估系統中的應用研究[D].南京理工大學,2012.(13):201-201.

[7]嚴忠貞.高校教學質量評價信息系統中數據挖掘技術的研究與應用[J].今日科苑,2011(6):241-242.

[8]宋黎明.基于歸納學習的數據挖掘技術在高校教學研究中的應用[J].黑龍江科技信息,2010(15):144-144.

[9]李忻.數據挖掘在高校教學質量評價系統中的應用研究[D].華北電力大學(保定),華北電力大學, 2011.

[10]張敬,姚書科.探討數據挖掘技術在教學評估系統中的應用[J].軟件導刊, 2012,11(2):157-158.

[11]杜芳芳.數據挖掘技術在遠程教學輔助系統中的應用研究[J].河南科技, 2011(6X):40-41.

G434

A

2095-3089（2017）27-0032-03