淺談數據挖掘在校園信息化中的應用

萬陽洋

摘要：隨著信息技術的廣泛應用，高校中的各類管理信息系統積累了大量的數據，但是對這些數據的處理還只是停留在簡單查詢和統計報表等階段，并沒有采取有效的手段充分利用數據為教育管理工作提供有效的決策支持。在教學和管理工作中采用數據挖掘技術，能夠充分利用這些數據，發現教育現象之間的相互關聯和規則，指導校園信息化建設，從而可以更好地做出教育預測和實施教育決策。

關鍵詞：大數據;信息技術;數據挖掘;信息化

中圖分類號：TP391 ? ? ? ? 文獻標識碼：A

隨著高等教育招生規模的不斷擴大，各高校的教學與管理均面臨著前所未有的挑戰，教育信息化建設自然而然被提上日程。目前絕大部分高校在學生成績、學籍、教學、人事、圖書檔案、招生就業、教學科研等方面均已采用了先進的系統進行管理和維護。而在信息化建設取得業績的同時，也存在一個不容忽視的現象，即在龐大的信息化建設數據量之后，往往隱藏著許多并沒有被充分挖掘和利用的寶貴信息。

面對海量數據，教育部門迫切需要智能、高效的信息技術來處理數據，從而挖掘出對管理決策有價值的信息，數據挖掘技術的應用為此提供了解決方法。數據挖掘技術是指能從海量的信息中得到有用知識，用來輔助管理者制定一些戰略決策，在其他行業，如金融、電信、商場銷售等行業都取得了廣泛的應用，因此，將數據挖掘技術應用到校園信息化建設中，進一步深入挖掘這些數據背后所隱藏的寶貴價值，實現數據的重新開發和利用，并使其轉化為有用的知識，具有重要意義。利用數據挖掘技術構建教育領域的相關模型，探索教育變量之間的相關關系，為教育教學決策提供有效的支持，進而實現提高高校教學質量及大學生的綜合素質[1]。

1 數據挖掘及其相關算法介紹

數據挖掘也稱為從數據中發現知識，具體來講就是從大規模海量數據中抽取人們所感興趣的、非平凡的、隱含的、事先未知的和具有潛在用途的模式或者知識。數據挖掘的過程包括以下幾個主要步驟：第一，將存放在數據庫中的數據經過數據清洗、數據抽取、數據轉換、數據集成等預處理過程存入數據倉庫中;第二，將清洗過的數據再次經數據抽取或者集成等過程，獲得任務相關數據;第三，在此基礎上進一步進行數據挖掘過程，獲得潛在的有價值的模式或者規律;第四，進行模式評估，評估所獲得知識的有效性，以此最終獲得相關知識。以下列舉利用數據挖掘技術可以實現的主要功能及算法。

1.1 相關性與關聯規則

關聯規則挖掘是數據挖掘領域中研究最為廣泛也是最為活躍的方法之一。最初的研究動機是針對購物籃分析問題提出的，目的是為了解決發現交易數據庫中不同商品之間的聯系規則。關聯規則挖掘一般可以劃分為兩個子問題，即發現頻繁項目集和由頻繁項集產生關聯規則。最經典的頻繁項集挖掘算法是Apriori算法。

1.2 分類和預測

數據挖掘相關的研究工作中常常還力圖構建一個模型或者描述函數來刻畫或者區分不同的類型與概念，以實現對于未來潛在的預測需求。分類和預測是兩種數據分類形式，它們可以用于提取能夠描述重要數據的集合或預測未來數據趨勢的模型。分類用于預測數據對象的離散類別，預測則用于預測數據對象的連續取值。常用的分類方法有決策樹分類（ID3、C4.5）、貝葉斯分類、神經網絡、支持向量機等。

1.3 聚類分析

在具體的分類類型信息未知的情況下，往往會采用聚類方法對數據進行分類。聚類是通過一定的算法將原始數據劃分為多個數據簇的過程。典型的聚類分析方法有基于分割的聚類（K-均值算法、K-中心點算法），基于層次的聚類，基于密度的聚類，基于網格的聚類等。

2 數據挖掘在校園信息化中的應用

為了提高高校校園信息化水平，充分使用學生在校行為數據創建智慧校園、數字校園，可通過網絡平臺收集高校學生和教師教學大數據，基于數據挖掘技術設計相關研究模型。

2.1 數據挖掘在成績管理中的應用

隨著教育理念的轉變和當今信息技術的廣泛應用，各高校都構建了各自的成績管理系統，實現了學生信息、成績等大量數據的存儲、查詢、報表和簡單的統計功能，提高了教學管理的效率。但傳統的學生學習成績分析大多只是將學生的考試成績做簡單的排序和分析，以作為評判學生課業成績、畢業評定的基礎依據，沒有將教育教學過程中的諸多因素與學生成績數據的關系做深入的分析。缺乏綜合分析和輔助決策能力，更不能對積存的數據進行歸納與深層次挖掘，使得管理人員在決策時缺少切實的數據支持，而數據倉庫和數據挖掘技術的結合為學生成績分析提供了必要的技術手段。

挖掘課程設置與課程成績之間的關系，將改進的關聯規則挖掘算法應用到學生成績分析中，發現隱藏在課程與成績之間的關系，進而對得出的有價值的知識進行分析，找出教學中各方面的成效得失及影響學生成績的內在因素，能為學生選課和教師教學及教學管理工作等提供決策支持[2]。

課程關聯規則挖掘，某些課程的掌握程度將會很大程度影響后續課程的學習，最終會對就業核心技能產生影響，挖掘課程之間的聯系，將會指導專業對課程的授課學時、授課教師、授課方法等做出決策，挖掘課程與就業之間的關系，將會指導學生將精力投放到影響系數較大的課程上，使學生有的放矢，也能支持學生在前期學習成績分析的基礎上了解自身的學習情況。

增加引入課時維、教師職稱維等，能比較出相同的學科在不同的課時安排下，學生掌握情況的好壞，如適當增加實驗課時在某門課程中的比重，學生對某些知識點掌握得更好，這樣，在以后制定課時安排的時候，就很有針對性，并考慮在不同的專業、不同的考試要求的情況下，適合分配給哪類職稱的教師來講授。

針對學生未來課程成績預警的問題上，構建學生行為、個人屬性及過往學習成績的特征向量并根據不同課程的特點進行動態選取，結合支持向量機來學習得到不同課程的預警模型，可自動發現學習狀態不佳的同學并給予警示，此方法可有效提高學業監督效率，對于提高學生的個性化管理水平具有推動作用。

對教學質量評價是教育管理過程中的重要環節。將決策樹算法運用于教學評價之中，可以提高教學評價技術水平，使之更好地為教學服務。在建立評價體系的時候，應更多考慮以學生作為評價主體，在此基礎上建立多元評價體系，以課堂教學評價為主體，輔以教師自評、教研室評價及學科組評價。在生成決策樹后，可以方便地提取決策樹描述的知識，從根節點到葉節點的每一條路徑相應地對應一條決策規則，并用語句表示分類規則。

2.2 數據挖掘在網絡教學平臺個性化推薦中的應用

為了使學生在網絡學習過程中充分使用碎片化時間，隨時隨地進行學習，大部分高校開始創建了自身數字化教學資源與網絡教學平臺。從技術層面上說，學習者在互聯網等媒體上留下的任何數據痕跡，都可以進行分析，可以發現數據背后隱藏的學習者相關學習特征、興趣愛好、行為傾向，與教育教學相關的狀態信息都將一覽無余。未來的教育發展方向就是應用數據挖掘等大數據技術去實現精準的個性化教育。

運用聚類算法結合協作推薦技術功能來分析學習者學習的課程內容數據，如登錄課程次數、發帖次數、學習筆記、閱讀課堂教材的次數、閱讀試題庫次數、提交作業、學習成績、在線時長，研究數據分析中學生學習偏好、態度，預測學習過程中的問題。基于此數據，實現課程精準教學支持，實現學習任務及教學決策的優化，幫助目標學習者制定特色的學習計劃。

通過改進的關聯規則算法實現訪問日志的挖掘，找出訪問頻度較高的知識點網頁，確定學生的興趣點及知識點中的難點。進一步挖掘出若干知識點之間的訪問順序，找出學生頻繁查看的知識點序列，教學平臺則可以根據這些規則進行網頁內容調整，更好地為用戶提供個性化服務。

2.3 數據挖掘在圖書館管理中的應用

如今網絡信息、數字資源豐富，移動閱讀等新型閱讀模式的興起改變著人們傳統的閱讀模式。導致館藏資源受到冷落，圖書館作為知識載體及知識傳播媒介的功能受到限制。運用數據挖掘相關技術對圖書館用戶行為進行研究，有助于提高圖書館的使用率，降低圖書館的成本支出。因為服務是圖書館的根本，而服務的對象為用戶，只有通過認清用戶、分析用戶行為、感知用戶需求，才能夠提供更好的服務以吸引用戶。通過對圖書管理系統采集到的數據進行分析，對用戶數據、館藏數據及用戶行為數據等進行比較詳細的研究。將用戶在圖書館中發生的進館、借還書等行為進行梳理，區分不同學科、專業學生在圖書館使用方面的不同習慣，以期對不同的用戶制定不同的管理條例，滿足個性化條件，增加圖書館的利用率;同時可采用K-means聚類模型對用戶的現有價值和潛在價值進行分析，區別活躍用戶、價值用戶和潛在用戶等;運用決策樹模型對用戶從進入圖書館的門禁系統到發生借書行為、再到具體所借書目等各個環節的聯動分析，了解用戶在進入圖書館后行為動向，區分各學院學生的借閱偏好，挖掘不同年級在用戶行為流程中的差異，以期指導圖書館資源的優化配置等[3]。

另外，在高校學生工作中應用數據挖掘技術進行分析研究，可為學校科學決策提供參考、為學生全面發展提供指導。例如，通過分析學生食堂吃飯、宿舍洗澡、教學樓打水和進出圖書館的行為數據，探求學生校園生活的規律性，預測學業表現、識別孤獨人群;通過挖掘一卡通消費數據，識別經濟困難學生，結合線下學生表現進行綜合研判后，直接發放經濟補助[4]。

總之，通過數據挖掘可以對教育數據進行從微觀到宏觀的統計、分析、綜合和推理，加快校園信息化建設進程，指導教育教學實際問題的解決，發現教育現象之間的相互關聯和規則，從而可以更好地做出教育預測和實施教育決策，促進教育教學的變革與創新，引領教育教學發展的新方向。

參考文獻

[1] 徐華.數據挖掘：方法與應用[M].北京：清華大學出版社，2017.

[2] 劉科生，倪義坤.高校學生工作數據挖掘的研究和實踐[J/OL].北京航空航天大學學報（社會科學版）.（2019-01-04）[2019-06-05].https：//doi.org/10.13766/j.bhsk.1008-2204.2019.0017.

[3] 王菲.數據挖掘在圖書館用戶行為分析上的應用研究[D].上海：上海交通大學，2013.

[4] 劉陽.數據挖掘在高校學生管理系統中的應用[D].哈爾濱：哈爾濱工程大學，2013.