數據挖掘技術在高職院校教學管理中的應用

米保全

摘要：職業教育是我國教育改革與發展的重點之一，教學管理是提升高職院校教學質量的關鍵環節。為了提高高職院校教學質量和教學水平，應用大數據挖掘技術對教學數據進行分析。首先采用Apriori算法對學生成績表、課堂考勤表進行數據處理，然后挖掘隱藏在學習成績和考勤數據中的規律，分析各學期不及格科目、出勤情況與畢業狀態之間的關聯規則。通過結果分析與評估，為任課教師和教學管理部門提供指導，幫助科學規劃各學期教學管理重點，進一步改進教學管理水平，提高教學質量。

關鍵詞：高職院校；數據挖掘；關聯規則；Apriori算法； 教學管理

DOIDOI：10.11907/rjdk.181499

中圖分類號：TP319

文獻標識碼：A 文章編號：1672-7800（2018）008-0178-04

英文摘要Abstract： Vocational education is one of the key points of educational reform and development in China.Teaching management is the key link to improve the teaching quality in higher vocational colleges.In order to improve teaching quality and teaching level of higher vocational colleges，this paper adopts big data mining technology to analyze teaching data.Firstly，it adopts the Apriori algorithm to deal with the students' scores and the attendance tables.Then，by excavating the laws hidden in the academic achievement and attendance data，we analyse the association rules among the failed subjects，attendance rates and the states of graduation.Through analysis and evaluation results，it can provide guidance for teachers and teaching management staff，and help to make scientific planning of the priorities of teaching management in every semester，and further improve the levels of teaching management and teaching quality.

英文關鍵詞Key Words：higher vocational colleges； data mining； association rules； Apriori algorithm； teaching management

0 引言

隨著我國制造業的轉型升級，作為培養技能型人才的高職院校，承擔著越來越重要的任務和使命。然而，由于高職院校學生來源的差異，教學質量成為教育界經常思考的問題。目前國內高職院校招生有普通高考、分段考試、自主招生、綜合評價等多種方式。由于國家對職業教育的日益重視，高職院校面臨空前發展機遇。同時，隨著在校生人數的不斷攀升，學生素質卻呈現逐年下降趨勢，考試不及格的學生越來越多。盡管對學生的評價需要多元考評方式，但考試成績仍然作為衡量學生學習水平、約束學生行為的主要手段，在保證教學穩定有序開展、提高學生學業和技能水平中仍然發揮著重要作用[1]。

為了改進教學模式，提高教學質量，教學管理者和研究人員提出了許多新思路。文獻[2]對我國高校當前的教學日常管理進行深入分析，并提出改進建議。文獻[3]提出在“互聯網+”背景下，應用O2O模式改進高校教學管理模式的思路，通過APP軟件對學生成績、出勤情況、教學評價等進行管理，提高教學效果。文獻[4]應用數據挖掘等方法，通過對學生在線學習的學業成績進行挖掘，分析影響成績的主要因素，并建立分類預測模型。文獻[5，6]通過對學生成績數據挖掘，分析學生行為與課業成績之間的關系，為進一步通過干預學生行為提高成績采取有力措施。文獻[7]設計了基于數據挖掘的學生成績管理系統，實現對學校、教師、學生、成績等信息的管理。關聯規則挖掘是最主要的數據挖掘方法之一，Agrawal等[8]最早提出用于關聯規則挖掘的Apriori算法。文獻[9]在教學管理中應用Apriori算法對學生作弊行為進行分析，并提出通過改進考試手段和方式提高教學質量的方法。文獻[10]應用Apriori算法通過對學生考試成績的挖掘，分析了大學課程中不同學科之間的關聯關系，用以改進教學計劃和課程體系建設。文獻[11，12]應用數據挖掘技術處理和分析教學數據，為教學改革提供了理論依據。

以上方法從不同角度，通過對高校教學數據的處理和分析，為教學管理提供了指導和建議。但是，高職院校作為培養應用型技術人才的主陣地，與普通本科院校相比，在教學管理和培養模式上還存在一定差異。本文針對高職院校教學管理中存在的不足，應用數據挖掘技術，對學生成績表、課堂考勤表進行數據處理，挖掘隱藏在學習成績和考勤數據中的規律，分析各學期不及格科目、出勤情況與畢業狀態之間的關聯規則。通過結果分析與評估，為教學管理水平的提高和改進提供參考。

1 教學管理現狀

計算機和通信技術的發展，使高職院校的辦公和教務管理實現了信息化、數字化。但是，大多院校對于信息化應用只停留在提高工作效率上，而忽視了對信息化和數字化帶來的各種大數據（如學籍數據、成績數據、招生數據、就業數據等）的處理[13]。若能從這些大數據中挖掘出學生學習狀態、日常行為和學習成績之間的潛在關系，從而有針對性地加強教學管理，將會更加有效地促進教學管理工作，提高教學質量。

在已有的高職院校電子教務系統中，大多教師和教務管理部門的數字化應用只停留在對原始數據的增、刪、改、查上，沒有更加深入地分析數據之間的關聯關系[14]。在學習成績、課堂考勤等數據中，存在著一定的關聯關系，如能深入分析這些數據中所隱藏的重要信息，將會根據數據間的聯系找到規律性，為提高教學效果提供指導。信息技術和辦公自動化的發展普及，為智能分析學習成績等各種數據數據提供了便利[15]。數據挖掘技術作為一種快速分析工具，能從海量、隨機、模糊、不完整的數據中，提取并發現其隱藏的深層次有用信息[16]。該技術可以從關系數據庫、數據倉庫以及文本等各種各樣的數據源中想方設法地去獲得像分類模型、聚類模型、關聯模型等知識模型。采用數據挖掘技術能快速發現教務系統中各項數據間的聯系，對有價值的結果進行分析與評估，為提高教學管理水平和教學質量提供參考。

2 數據挖掘算法

數據挖掘（data mining），一般是指從大量的數據中通過算法搜索隱藏于其中的信息的過程。數據挖掘通常與計算機科學有關，通常采用數據庫理論、機器學習、統計學、在線分析處理、專家系統和模式識別等多種方法實現上述目標[17]。目前，數據挖掘已廣泛應用在金融、商業、工業等領域。近年來，教育信息化和數字化校園的發展與普及，數據挖掘技術在教育領域也受到普遍關注。

可以將數據挖掘的系統描述為：首先從數據庫中得到源數據，然后將源數據進行預處理，轉化為可進行挖掘操作的目標數據，再使用決策樹、遺傳算法、神經網絡等方法對目標數據進行挖掘處理，最后對挖掘的信息數據進行科學評估[18]。其系統模型如圖1所示。數據挖掘的常用方法有關聯分析、聚類分析、回歸分析、分類分析、特征分析和序列模式分析等。

2.1 關聯規則的基本概念

關聯規則（association rule），又稱作購物籃分析，用來發現事物之間的聯系，可以用它從某一事情推測出另一事情的發生，從中分析出事物發展的規律，主要用于分析不同變量間的關聯程度[19]。

設I={i1，i2，…，im}為m個不同商品項目的數據項集（itemset），簡稱為項集。用T表示事務（transaction），事務T為項的集合，可以描述為T是I中一組項目的集合，即T有一個唯一事務的標識TID。將事務T的集合用D表示。

若項集XI且XT，則X∩Y=Φ。在事務數據庫中，支持度（support）可以描述為事務集中包含X和Y的事務數之比，記作support（XY）；將包含X和Y的事務數與包含X的交易數之比用置信度（confidence）表示，記作confidence（XY）。

根據以上分析和計算，最后產生的強關聯規則就是符合用戶給定的最小支持度和最小置信度。在關聯規則挖掘過程中，主要有兩個階段：①迭代挖掘所有頻繁項集；②由頻繁集產生強關聯規則。在以上兩個階段，核心部分均是挖掘頻繁項集[21]。

2.2 Apriori算法

Apriori算法是最經典的關聯分析挖掘算法，使用一種逐層搜索的迭代方式實現[21]。該算法用k-項集逐步探索（k+1）-項集，從而遍歷數據集中的頻繁項集。Apriori算法的基本思想是：首先列出所有的項集，通過計算項集支持度，篩選出大于等于minsup的項集；然后由在上一步中找到的規則，使用連接步生成下一步項集，通過剪枝步利用Aprioride的性質產生候選項集，剔除不滿足條件的候選項集。按迭代方式逐層進行，當產生的項集集合成為空集時，該算法終止執行，找出所有頻繁項集。Apriori算法的過程分為兩個步驟：①迭代檢索存在的所有頻繁項集，即滿足支持度高于設定的閾值的項集；②根據第一步檢索出的頻繁項集，構造出關聯規則，該規則滿足最小信任度的閾值。本文采用Apriori算法對學生成績進行關聯規則分析，應用算法挖掘分析學生每學期不及格科目門次與能否按期畢業之間的關聯關系，具體挖掘過程如圖2所示。

3 學生成績關聯分析

3.1 挖掘對象確定

教學管理部門每年對學生成績進行統計管理，并且任課教師在提交班級學生成績記錄時，會提交學生上課考勤表。根據統計結果和經驗觀察，推斷學生能否按期正常畢業和不同學期不及格科目數的關聯規則；另外，學生能否按期正常畢業可能與不同學期上課缺勤次數存在關聯關系。因此，挖掘學生的缺勤狀況和補考科目數，有針對性地制定不同學期的教學管理重點。

3.2 源數據獲取

統計學生歷年成績表，對每個學生的補考科目數按學年進行歸納。根據學生上課考勤表，統計各個學期每位學生的缺勤次數。

3.3 數據預處理

將學生不及格科目數和上課缺勤次數進行數據預處理，分別按數據清理和數據變換兩個步驟進行預處理。

（1） 數據清理。該階段主要消除源數據中的冗余、噪聲、重復數據。在不及格科目中，可能存在個別學生因請假、患病等原因無法正常參加考試而辦理了緩考手續，導致部分課程出現不及格或空數據的現象。這些數據會影響結果分析的準確性，需要刪除。對于考勤結果，需要將請假、參加公益活動、參與比賽等情況按正常出勤對待。

（2）數據變換。為了便于數據挖掘的實施，使用統一的格式表示成績數據和考勤數據。使用關聯規則挖掘邏輯性數據，對于高職學生3年的學習成績數據，分別用A、B、C、D、E表示5個學期，其后的數字表示本學期不及格科目數，如A2表示某學生第一學期有兩門課程不及格，第六學期為畢業設計，用T表示合格、F表示不合格；用Y表示按期正常畢業，N表示無法正常畢業，如表1所示。對于上課考勤數據，分別用A、B、C、D、E、F表示6個學期，后邊數字表示本學期缺勤次數，其中0表示沒有缺勤，1表示缺勤1次，2表示缺勤2次，3表示缺勤3次及以上，Y表示畢業狀態為正常畢業，N表示無法正常畢業，如表2所示。

3.4 關聯規則生成

在Apriori算法執行過程中，多次掃描經過轉換處理的邏輯數據表，用以尋找所有頻繁項集。先對頻繁1-項集進行連接并處理，然后得到頻繁2-項集，對其連接處理、分析得到候選3-項集的子集。判斷子集中有無非頻繁子項集，將其非頻繁子項集剪掉，剩下的均為候選3-項集的頻繁子項集。再對數據表進行掃描，刪除小于最小支持度閾值計數的候選項集并得到頻繁3-項集。反復掃描處理，最后得到頻繁k-項集。算法執行結束后，得到每學期不及格科目數與畢業狀態之間的關聯規則，如圖3所示。用相同方法，得到每學期缺勤次數與畢業狀態之間的關聯規則，如圖4所示。

4 結果分析

本文取100為事務數，設置最小支持度的值為40%，最小置信度的值為20%，分析以上挖掘結果，根據關聯規則可得到結果，如圖4所示。

4.1 不及格科目數與畢業狀態的關聯規則結果

通過不及格科目數與畢業狀態的關聯規則的分析結果可以看出，第一學期沒有不及格門次的學生，能按期畢業的學生比例占80%，而第一學期有兩門以上不及格門次的學生，不能按期畢業的學生比例高達89%。由此可以看出，第一學期學生的學習狀態對學生3年的影響非常關鍵，在教學管理中，第一學期是重點。另外，最后一學期的畢業設計十分重要，畢業設計完成的學生，能正常畢業的比例達90.9%，而畢業設計沒有完成的學生，不能正常畢業的比例達94.7%。

可見，在第一學期，學生剛剛踏入大學校門，對大學學習規律、課程設置、教學規律缺乏一定的認識，需要一個逐步適應的過程。在這個階段，需要任課教師和教學管理部門認真思考，改進教學方式，在加強管理的同時，采用引導、幫助、鼓勵等手段，使學生盡快從高中階段的學習模式順利過渡到大學模式，實現從督促學習到自主學習的轉變，為后續學習建立良好的開端。在最后一學期，學生面臨找工作的壓力，部分學生會過早步入社會，淡化甚至放棄自己完成學業，因此需要及早進行教育，穩定學生的心態，使能按期順利完成學業。

4.2 缺勤次數與畢業狀態的關聯規則結果

通過不及格科目數與畢業狀態的關聯規則結果可以看出，第一學期沒有缺勤的學生，能按期畢業的學生比例達88%，而第一學期有3次以上缺勤的學生，不能按期畢業的比例高達95%。同時，第一學期缺勤多的學生，后續每學期缺勤的比例也比較高。由圖4可以看出，最后一學期不缺勤的同學，能正常畢業的比例達93%，有3次以上缺勤的學生，不能按期畢業的比例高達96%。

因此，第一學期是教學管理的最關鍵點，需要全方位的協調配合，從學習、紀律、作息等多方面加強管理和監督，促進學生養成良好的學習和生活習慣。到了最后一學期，部分學生由于各種原因造成較多科目成績不及格，但在該學期都相應安排清考，不缺勤的學生能在完成畢業設計的同時，認真復習并按時參加考試，因此大多能按期畢業。因此需要對畢業季的學生嚴格考核，加強管理，采取提前預警、及早宣傳教育等方式，使之趁早解決遺留問題，圓滿完成最后的學習任務。

5 結語

教學管理是學校的重點工作，需常抓不懈，不斷改進。本文應用數據挖掘技術手段，對學生的成績、出勤與畢業狀態之間的相關度進行了分析。通過對教學數據挖掘結果的分析與評估，

使教學管理者能準確把握三者之間的聯系和規律，有針對性地加強日常教學管理，進而減少不能按期畢業學生的比例。同時，為任課教師和教學管理部門提供科學依據，對制定課程設置、培養方案、教學管理和工作重點提供指導。該方法的應用和結果評估分析，將有效提升高職院校的教學管理和科學決策水平，從而進一步提高教學質量。

參考文獻：

[1] 陳子健，朱曉亮.基于教育數據挖掘的在線學習者學業成績預測建模研究[J].中國電化教育，2017（12）：75-81.

[2] 陳軍濤.高校教學管理制度相關問題研究[J].長春師范大學學報，2016（12）：105-108.

[3] 魏宇辰.“互聯網+”時代下O2O教學管理工作方式探討[J].中國教育信息化，2016（15）：46-48.

[4] 陳子健，朱曉亮.基于教育數據挖掘的在線學習者學業成績預測建模研究[J].中國電化教育，2017（12）：75-81.

[5] 崔仁桀.數據挖掘在學生專業成績預測上的應用[J].軟件，2016，37（1）：24-27.

[6] 胡在林.關聯規則和決策樹組合算法在學生成績分析中的應用與研究[D].青島：青島理工大學，2017.

[7] 閆金奎.基于數據挖掘的高校學生成績管理系統的設計與實現[D].天津：天津大學，2016.

[8] AGRAWAL R，SRIKANT R.Fast algorithms for mining association rules[C].Proceedings of International Conference on Very Large Databases，1994：487-499.

[9] 馮俊，胥莉，閔蘭.基于Apriori算法的高校學生考試作弊動機分析與應對[J].西南師范大學學報：自然科學版，2017，42（2）：174-180.

[10] 趙峰，劉博妍.基于改進Apriori算法的大學生成績關聯分析[J].齊齊哈爾大學學報：自然科學版，2018（1）：11-15.

[11] SATYANARAYANA A，KING B.Teaching Data Mining in the Era of Big Data[C].Angola：Asee 2013 Conference，2013.

[12] DESAI A，SHAH N，DHODI M.Student profiling to improve teaching and learning：a data mining approach[C].Amity：International Conference on Data Science and Engineering，2017.

[13] 朱正茹，徐春林，史娟榮.高職院校教學管理與實施的現狀、問題與對策[J].高等職業教育，2017，26（2）：17-21.

[14] 周慶，牟超，楊丹.教育數據挖掘研究進展綜述[J].軟件學報，2015，26（11）：3026-3042.

[15] 林倩瑜.關聯規則挖掘算法研究綜述[J].軟件導刊，2012，11（6）：27-29.

[16] HAN J，KAMBER M，PEI J.數據挖掘概念與技術（第3版）[M].范明，等，譯.北京：機械工業出版社，2012.

[17] ANJEWIERDEN A，KOLLOFFEL B，HULSHOF C.Towards educational data mining：using data mining methods for automated chat analysis to understand and support inquiry learning processes[C].Amsterdam：Intemational Workshop on Applying Data Mining in e-Learning，2007.

[18] 閆金奎.基于數據挖掘的高校學生成績管理系統的設計與實現[D].天津：天津大學，2016.

[19] 紀雅楠.數據挖掘技術在高校成人教育學生成績分析中的應用研究[D].青島：中國海洋大學，2010.

[20] 何芬.數據挖掘技術在教學管理中的研究與應用[D].武漢：武漢理工大學，2010.

[21] 李雄飛.數據挖掘與知識發現[M].北京：高等教育出版社，2003.

（責任編輯：江 艷）