數據挖掘技術在高校思想政治教育中的運用

關翠玲

(陜西財經職業技術學院， 咸陽 712000)

0 引言

隨著我國信息化建設進程的不斷推進，許多高校都已經建立起各類基于業務的數據庫用于日常管理，作為應用廣泛的新興學科，數據挖掘技術在高校教育信息化中的應用前景較好，為高校的管理、建設、服務過程的絕學提供了全新而科學的分析途徑。在新形勢下，高校學生思政管理工作面臨著巨大挑戰，所以適時不斷調整思想工作的途徑，加強先進經驗的交流，可以有效的提高高校思政工作的效果，對此，本文借助數據挖掘技術進行嘗試，通過聚類結果分析，所挖掘到的信息對學生工作具有一定的參考價值。

1 數據挖掘技術在思想政治教育中的實際應用

1.1 思想政治教育管理

隨著高等教育的不斷發展與普及，給高校思想政治教育帶來一定挑戰，在通常情況下，學校相關部門會對教育管理工作進行數據收集，但是目前對這些數據的處理還處于底層的查找與簡單分析階段，不能夠挖掘出其中的價值。為了更加具體的了解思政教育工作者的工作情況，學校每學期會組織學生對輔導員的工作進行評議，填寫輔導員“工作考核量化表”如何從中提取有價值的信息，對高校思想政治教育有非常重要的意義[1]。

1.2 解決方案

數據挖掘屬于一個方案得到肯定的過程，是數據分析研究的深層系手段，將數據挖掘技術運用到輔導員工作考核中具有特別意義。例如：通過數據挖掘技術手段分析“輔導員工作考核量化表”中的數據，可以了解“某所高校思政管理整體水平”，在管理中“哪些方面做得好，哪些方面做得不到位”等相關問題。通過這些結論進一步完善高校思政教育管理。本文提出運用聚類分析的數據挖掘技術對輔導員的工作成效數據進行分析，將大批的數據轉換為聚類結果，從而更好的對數據加以利用。數據挖掘過程，如圖1所示。

圖1 數據挖掘過程

步驟1：明確數據挖掘的對象和主要目的，通過數據挖掘雖然不能預測最終結果，但是可以對所研究的問題進行預測，所以挖掘目標的確定是數據挖掘的關鍵步驟[2]。

步驟2：數據采集，該過程的任務比較繁重，并且需要時間比較多。在品勢的教育管理中，要認真的收集數據信息，一部分數據是直接可以拿到的，一部分數據則需要通過調研才能獲得。

步驟3：數據預處理，將收集到的數據轉變成可分析的數據模型，該模型是根據算法來準備的，不同的算法對數據模型的要求是不一樣的。

步驟4：數據類聚挖掘，通過類聚挖掘能夠將數據模型劃分為相似的多個組，該過程主要為數據模型的輸入過程以及聚類算法的選擇進行實現。

步驟5：聚類結果分析，該過程主要分析研究聚類數據挖掘之后得到的多個組屬性。

步驟6：知識應用，將研究所得的信息集成到輔導員的管理教育環節中，思政工作者通過該結論促進教學管理，形成良好的管理方針[3]。

2 數據挖掘技術在思政教育工作中具體方案實施

2.1 確定數據挖掘對象

收集并整理某大學2017年“輔導員工作考核量化表”，整理其中關于輔導員教育管理的120張考核量化表，嘗試解答高校思政教育中存在的問題，經過對有價值數據的挖掘，得出結論為教學管理帶來有效的指導價值。

2.2 數據采集

從學校學生工作處，搜集2017年度“輔導員工作考核量化表”。

2.3 數據預處理

“輔導員工作考核量化表”要求輔導員在“堅持標準，獎懲分明，客觀公正的對待每一位學生。”“認真做好勤工助學活動。”“正確分析學生的思想動態”等幾個指標項目中，根據輔導員的實際工作表現，劃分為“優秀、良好、合格、較差、差”五等類型等級。最終獲得比較完整的考核記錄工作考核量化表117張。

2.4數據轉換

在工作考核量化表中考核等級的項目共15項，如何將數據合成到一個聚類分析的模式中非常關鍵，按照“管理態度”“管理能力”“管理方法”“管理效果”四方面屬性來對工作考核量化表中的數據進行重新組合：其中

“管理態度”=(堅持標準+與同學之間感情融洽+言談得體+辦事客觀)/4

“管理能力”=(準確掌握貧困生情況+準確掌握特殊群體+嚴格教育與查出違紀學生+勝任工作+組織學生做好評優工作)/5

“管理方法”=(每周3次以上探入班級宿舍+積極參加檢查學生早操+學生獎學金發放到位+有準備的與學生談話+檢查宿舍衛生)/5

“管理效果”=(積極參加團活班會+課下了解學生思想狀況+評論與建議)/3

通過以上處理，可以將工作考核量化表關系到的十五個考評等級統一演化到四個屬性中。然后針對117份數據樣本信息的4個屬性采取聚類挖掘的方法進行研究。通過樣本預處理得到數據樣本，如表1所示。

表1 聚類的數據樣本

2.5 數據聚類挖掘

數據的聚類挖掘采用劃分方法中的經典算法K均值以及K中心點算法，其中K代表類別個數(K=3)，主要挖掘思路為：將n個對象劃分為K個簇，使同一簇中的對象具有較高的相似度，K均值算法主要是使用簇中對象的平均值作為參考值。K均值算法的復雜度可以通過進一步計算得出O(nkt),n代表簇的數量，t代表反復迭代的次數，在一般情況下，k與t都會遠小于n。針對所要分析的數據樣本，四類屬性都是通過數據轉換而得到的，所要的數據都是算術平均值，所以產生孤立點的可能性非常小，最終選用K均值的算法來運用于本研究的數據聚類中。

一般情況下，K均值算法當局部取得最優解時會終止，所以一定要對數據樣本進行改進，考察數據樣本信息的綜合比例分布情況，采取進一步措施對K均值算法進行改進得到三個等級樣本，代表三個等級樣本數據如表2所示。

表2 三個樣本代表數據

3 數據挖掘算法流程

3.1 算法實現的流程

算法實現流程，如圖2所示。

在K均值算法中，函數LoadPatterns的作用主要是將數據信息裝載到程序中，目的是為了從數據庫文件中讀取相關信息，并且將文件中的數據轉換成樣本數組。函數RunKMeans()的作用是算法的主程序，將所有對象同簇中心距離進行對比，然后將對象劃分到最近的簇中。函數ShowCenters()代表算法所描述的聚類中心。函數ShowClusters()表示樣本的標識符號[4]。

3.2 主控程序RunKMeans()的調用

主控程序調用結構，如圖3所示。

圖2 數據挖掘算法流程圖

圖3 主控程序調用結構圖

圖3中函數EucNom(pat，1)目的是算出樣本和質心的平方差，從而找到最短距離的簇，然后運用DistributeSamples()將所有對象劃分到最近的簇當中，算出所有簇中對象的平均值，作為新的質心，如果所有新的質心不發生改變，則聚類結束。

4 聚類結果分析

本文運用K均值算法對120個數據通過數據轉換得到的樣本數據進行分析，對管理態度、管理能力、管理方法、管理效果4個屬性進行數據挖掘聚類，設置初始k值為3，最終挖掘到的結果，如表3所示。

表3 簇樣本數據

根據以上結果，每個簇所包括的數據樣本最后的比例分布范圍如下：

簇1(較好)共計36個樣本，刪除定義樣本，剩余35個數據樣本，占35/117=30%。

簇2(中等)共計74個樣本，刪除一個標準樣本，剩余73個數據樣本，占73/117=62%。

簇3(較差)共計10個樣本，刪除一個標準樣本，剩余9個數據樣本，占9/117=8%

“管理態度”=0.77*30%+0.61*62%+0.31*8%=0.634

“管理能力”=0.77*30%+0.57*62%+0.31*8%=0.6092

“管理方法”=0.74*30%+0.54*62%+0.28*8%=0.5792

“管理效果”=0.79*30%+0.56*62%+0.30*8%=0.6082

從總體得分由高到低排序為：管理態度、管理能力、管理效果、管理方法。總體上證明該校的思政管理水平屬于中等偏上的。

4 總結

數據挖掘，主要是通過對原始數據的分析、提煉，找到最優價值的信息的過程，屬于一類深層次的數據分析方法。將數據挖據技術運用在高校思想政治教育中，有利于對思政教育工作者的多項工作指標進行分析，對其綜合能力進行評定，為高校進一步完善思想政治教育管理決策，準確定位人才培養目標，加強教育團隊建設提供有效的數據依據。

[1] 劉強珺，丁養斌.基于數據挖掘技術的高校思政教育管理研究[J].電子測試,2015(1)：101-103.

[2] 范宸西，韓松洋.思想政治教育在高校內涵式發展中的重新定位[J].中共珠海市委黨校珠海市行政學院學報,2015(4)：50-54.

[3] 吳小龍，張麗麗.大數據視角下高校思想政治理論教育創新[J].江西理工大學學報,2017(8)：20-23.

[4] 李平榮.大數據時代的數據挖掘技術與應用[J].重慶三峽學院學報,2014(5)：159.

[5] 舒正渝.淺談數據挖掘技術及其應用[J].中國西部科技,2010(2)：148-150.