基于數據挖掘技術的高校人才培養模式評價與優化

梁 強

(大連民族大學 經濟管理學院，遼寧 大連 116605)

為貫徹落實黨中央《關于深化人才發展體制機制改革的意見》和《關于全面振興東北地區等老工業基地的若干意見》的精神，遼寧省在“十三五”高校人才培養規劃中提出，要樹立創新、協調、綠色、開放、共享的發展理念，以提高人才培養質量為核心，以提升服務經濟社會發展能力為重點，通過優化專業結構和人才培養類型結構、深化創新創業教育改革、創新人才培養模式，實現高校人才培養與經濟社會發展需要的全面對接，滿足現代產業體系多樣化的人才需求，為遼寧全面振興提供強大的人才支撐。要提高人才培養質量，就要創新人才培養機制和模式，探索實踐多種形式課程學習方式。人才培養模式一般是指在一定的現代教育理論、教育思想指導下，按照特定的培養目標和人才規格，以相對穩定的教學內容和課程體系，管理制度和評估方式，實施人才教育過程的總和。具體的，需要對教學內容、課程體系、教學模式等進行創新性變革，其中重要環節就是教育教學模式的優化[1]。目前對于高校人才培養模式優化的研究和實踐已大規模展開，但是各類教育教學模式和人才培養模式的近期和遠期效果如何，則需要對大量實際案例進行數據挖掘，找出隱藏于大數據中的規律，以便于大范圍推廣。

1 數據挖掘與數據分析

數據挖掘(Data Mining)，又稱為資料探勘、數據采礦，是從大量的、不完全的、有噪聲的、模糊的、隨機的數據中，提取隱含在其中的、潛在有用的信息和知識的過程。數據挖掘通常包括統計、在線分析處理、情報檢索、機器學習、專家系統和模式識別等方法。

數據挖掘即數據分析與處理，分為數據預處理、數據挖掘和數據后期處理三個主要階段，具體包括信息收集、數據集成、數據規約、數據清理、數據變換、數據挖掘過程、模式評估和知識表示等8個步驟。數據挖掘與數據分析中的常用技術包括：統計技術、關聯規則、遺傳算法、聚集檢測、連接分析、決策樹、神經網絡、粗糙集、模糊集、回歸分析、差別分析等[2]。

數據挖掘與數據分析涵蓋了統計學、數學、計算機、數據庫等學科，并應用于數據庫管理、人工智能、統計分析、數據倉庫、在線分析處理、專家系統、數據可視化、機器學習、信息檢索、神經網絡、模式識別等眾多領域。數據挖掘主要實現以下功能：(1)找出事物的同質性和共通性；(2)找出不同事物之間的依存關系或關聯性；(3)分類和聚類，發現相同類型事物的共同特征和不同類型事物之間的主要差異；(4)根據歷史資料和數據，預測事物未來的發展趨勢。

根據數據挖掘的不同算法，常用方法包括：(1)生物學方法，包括人工神經網絡、遺傳算法等；(2)信息論方法，包括決策樹算法等；(3)集合論方法，包括約略集、模糊集、最鄰近算法等；(4)統計分析方法，包括預測模型算法、序列模式分析算法等；(5)可視化技術方法，包括聚類分析算法、關聯規則挖掘算法、分類規則挖掘算法、WEB數據挖掘算法等。

2 數據挖掘技術的主要階段與方法

數據挖掘與數據分析的具體操作，是從大型數據庫和海量數據中，檢索有效的、實用的信息，并利用這些信息做出決策。數據挖掘過程通常分為數據準備、數據挖掘、數據評價以及數據運用四個階段。

2.1 數據準備階段

數據準備階段是剔除無用信息的過程，主要通過消除噪聲數據和與主題明顯無關的數據，對數據進行篩選、變換和預處理。經過預處理的數據通常存儲在數據倉庫中。數據的預處理是否充分將影響數據挖掘的準確性以及最終的決策效果。數據預處理的具體步驟包括：(1)選擇數據：選擇與主題高度相關的數據；(2)預處理：剔除無效、冗余的數據；(3)補充缺失數據：根據數據規律，推算補充缺失數據；(4)轉換數據：根據計算需要，轉換離散型和連續型數據，對數據進行分組分類；(5)縮減數據：剔除低效數據，僅保留最有價值的數據。

2.2 數據挖掘與分析階段

數據挖掘與分析階段是數據挖掘的核心步驟，也是數據挖掘的關鍵技術。根據研究目標和主要任務，采用生物學、信息論、集合論、統計分析、可視化技術等方法，選取相應的算法，分析數據并得到相應的模式或規則。

2.3 數據評價階段

在分析得到相應的模式或規則后，評估模式或規則的有效性和準確性。評估可以使用數據算法進行檢驗，也可以根據專家經驗判斷。同時，還需要根據數據使用者的反饋，判斷決策的有效程度，并依據反饋對模式和規則進行修改和完善。

2.4 數據運用與決策階段

數據運用與決策是將挖掘出的有效信息清晰地傳遞給數據使用者。這需要選擇合適的可視化工具，將結果以具體的模式或規則的形式傳遞給用戶。同時還要對信息進行一致性檢驗，解決本次挖掘與以前得到的信息之間互相矛盾、沖突的地方，使信息具有連續性和穩定性。數據運用與決策主要有兩種方法：一種是評價數據分析本身的結果，并以此為依據進行決策；另一種是運用挖掘得到的信息對新的數據進行分析，并對決策結果進行優化和完善。

3 數據挖掘在高校人才培養模式分析及評價中的應用

3.1 分析學生在不同教學模式下的學習特征，優化人才培養模式

學生的學習特征主要包括學習的初始能力和學習的一般特征。學習的初始能力是指在學習某一特定的知識點時，已經具備的與該知識點相關的知識儲備與技能基礎。學習的一般特征是指學生的性別、年齡、專業、年級、認知水平、智力能力、學習態度、學習期望、生活經驗，以及學生成長的文化、社會、經濟等背景因素。這些因素都可能在學習過程中影響學生的心理、學習狀態和學習效果。學生的學習特征與學習活動和學習效果之間有著密不可分的關系，不同學習特征的學生對同一知識點或同一課程的感知和接受存在顯著的差異性。

利用數據挖掘與數據分析，可以深入分析學生的學習特征。例如，在互聯網+教學中，記錄、分析學生對網絡和系統的訪問情況，利用定位技術，跟蹤、分析學生出勤情況[3]。還可以根據學生的性別、年齡、專業等基本情況進行分組，挖掘不同教育教學模式下學生的學習特征。并利用可視化技術，將學習特征信息以圖表或曲線等直觀的形式提供給教師，使教師能對比不同教學模式下學生的學習特征，以優化高校人才培養模式。

本文以某大學的國際貿易專業為例，該專業從2013級開始調整培養方案，每個年級開設一個全英文教學班，其余為普通教學班。此處選取同一專業、同一位教師授課、不同培養方案的學生為研究對象，其中A組樣本為2013-2017級國貿全英文班共計137名學生的統計學(雙語)課程期末卷面成績，B組樣本為2013、2014、2016級國貿普通班共計295名學生的統計學課程期末卷面成績。

A組為全英班成績數據，樣本容量為137，由于篇幅所限，未列出全部學生成績，部分數據見表1。

表1 A組部分學生期末卷面成績

B組為普通班成績數據，樣本容量為295，部分數據見表2。

表2 B組部分學生期末卷面成績

使用SPSS軟件對A、B兩組數據進行獨立樣本T檢驗，以檢驗不同培養方案對同一專業、同一位教師授課的學生成績是否有顯著影響。截取的SPSS軟件分析結果如圖1。

圖1 獨立樣本T檢驗結果

數據組1為普通班，數據組2為全英班。從“組統計量”結果可以看出，普通班的統計學平均成績為69.98分，而全英文班的統計學平均成績為73.84分。從“獨立樣本檢驗”結果可以看出，對方差齊性的假設檢驗中Sig=0.000，小于0.050，說明不滿足方差齊性，因此方差是不齊的；對均值方程的T檢驗中Sig=0.026，小于0.050，說明兩組數據之間存在顯著性差異，即全英文班的統計學平均成績明顯高于普通班。因此，最終結論是：在本案例中，不同培養方案對同一專業、同一位教師授課的學生成績具有顯著差異的影響。

3.2 分析課程成績的影響因素，提升課程體系設置的合理性

利用數據挖掘與數據分析，可以進行更為高效精準的考試與成績分析。課程考試的成績能夠較為直觀地顯示學生對知識點和知識體系的掌握程度，對成績進行數據挖掘，可以提高教師教學過程的針對性，更精確的對教學內容進行調整。在此基礎上，教師可以根據數據挖掘的結果優化教學目標、課程內容、教學策略和教學手段，為學生打造一個精準定位、匹配其學習特征的教學模式，進而提高人才培養的針對性和精準度。

高等學校的人才培養方案中，課程設置具有一定的邏輯順序和關聯性。在學習某些較高級課程之前，必須具備相應的知識儲備和課程基礎。如果前置課程和相應知識點沒有掌握，則會影響后續課程的學習效果。在不同的教育教學模式下，學習同一門課程的不同班級的成績水平會存在較大差異。利用關聯分析與時間序列分析等數據挖掘方法，對比不同類型的教學模式對學生成績的影響，從教學數據庫中挖掘出有效信息[4]，并根據以上信息，找出影響教學效果和人才培養質量的關鍵因素，提升人才培養方案和課程體系設置的合理性。

3.3 評價教學效果和教育教學質量，動態調整人才培養模式

教學評價是根據人才培養的目標和要求，依據特定的規則對教學效果做出描述性統計。教學評價是通過以下方式搜集學生對任課教師所講授課程的評價數據：學生評議打分、學生座談會意見、專家評價、課程考試的成績匯總等。利用數據挖掘技術可以對數據庫中的各項教學指標數值進行數據處理，以確定學生對教學難度和范圍是否適應，授課時間安排是否合理，授課思路和語言表述是否清晰易懂，教學方法與教學內容、授課對象是否匹配等。從而及時根據評價反饋的信息，動態調整教育教學模式，實現人才培養模式的優化。

教育教學質量一般通過學生的學習效果進行衡量。跟蹤分析學生的學習行為和學習效果，可以通過信息反饋，深入了解學生學習的個體差異，以便于因材施教、因人施教。對于學生學習行為的評價，一般采用模糊綜合評價方法和聚類方法。具體為對評價結果進行加權平均，算出綜合得分并根據分值進行排序，然后采用動態聚類方法對評價結果進行聚類分析[5]。對于學生學習效果的評價則通常采用對成績數據庫進行數據挖掘的方法。挖掘過程是依據不同的標志進行統計分組，進行一系列的統計分析，包括數值分布、描述統計、相關性檢驗、顯著性檢驗等。對于數據挖掘結果采用特征規則、關聯規則、交叉表、特征曲線、統計圖表等表示。

4 結論與建議

隨著大數據時代信息量的急劇增長和高校人才培養模式轉變的需求，使用傳統方法從海量數據中尋找規律越來越難以實現。利用數據挖掘與數據分析去發掘教學數據中隱藏的規律，為人才培養模式的轉變提供數據支持，已成為高等教育改革的有效路徑[6]。數據挖掘與數據分析方法體現了以學生為中心的教育理念，教師和教學管理部門應依據挖掘反饋的信息，進行動態靶向調整，實現高校人才培養與經濟社會發展需要的精準對接。同時，筆者提出如下建議。

4.1 制定和實施推動教學改革的措施，激勵和保障教學改革的開展

以試點班的形式探索多種人才培養模式，打破單一的人才培養格局，拓寬人才培養途徑。目前的實驗班形式較為簡單，可以探索更深入的實驗班形態。例如，大范圍引入國外高校師資，為實驗班配備專職教師隊伍，實驗班的教師在考核、職稱評審等方面，享受一定的政策傾斜，鼓勵教師加大教育教學投入。

4.2 深化校企聯合培養，對學生就業數據進行挖掘與分析

開展校企合作育人，探索各類校企聯合人才培養模式，由高校為主培養，轉變為校企雙方聯合培養，校企共同制定培養計劃，打造“零適應期”就業模式，提高畢業生的職業發展能力。同時，對就業數據進行分析，為校企合作模式的調整提供依據。

4.3 實施全程數據追蹤，優化“實踐與創新”教育模式

遴選優秀學生，組建拔尖創新人才實驗班。課程體系強化實踐與創新，探索理論課程與實踐課程融合，依托高校科研團隊加強專業和創新教育。實施全程數據追蹤和挖掘分析，并根據實驗班的數據挖掘結果，優化實踐與創新教育模式，進而提升拔尖創新人才的培養質量。