關于高等教育教學信息的數據統計分析與數據挖掘分析的探討

張淑紅

關鍵詞：高等教育；教學信息；數據挖掘統計；分析模型

高等教育是我國教育事業的重要組成部分，其在高等綜合人才培養中發揮著重要作用。現代教育理念下，高等教育的背景環境、目標要求發生了較大變化。在高等教育信息化轉型發展中，教學信息的容量不斷增加，數據類型不斷豐富，建立必要的高等教育教學信息數據統計、挖掘、分析和利用模型，能實現這些教學信息的高效利用，這不僅有利于知識共享、教學服務工作的開展，而且對于高等教育信息發布、在線教學工作都具有較大影響。新時期，高等院校有必要對教學信息數據模型進行進一步創新和優化，以此來建設數字化的教學平臺，為高等教育教學工作的開展奠定良好基礎。

一、高等教育信息化內涵

早在20 世紀90 年代，教育信息化理念便已產生。對比傳統的教學模式，高等教育信息化與新技術、新概念的提出和融合應用具有較大關系，其在整個教學過程中表現出網絡化、智能化和數字化的特征。

現階段，信息技術在高等教育中的應用范圍不斷擴大，高等教育形式也逐漸豐富。結合實際可知，高等教育信息化集中表現在以下四個層面：一是在高等教育中，互聯網技術的應用不斷深入，其通過網絡化的服務實現了教學資源的充分利用，有效提升了教學效率，增強了現代高等教育的自主化程度與互動化水平。二是在高等教育信息化背景下，電子課本等教學資源的應用逐漸廣泛，尤其是微課教學資源及ipad 移動設備的應用，減少了現代高等教育對紙質教材的依賴。三是融合使用信息技術后，高等教育還深化虛擬實驗室的利用，這為高等教育中的實驗操作提供了全新載體平臺，拓展了高等教育信息化建設及教學發展的空間。四是伴隨著云計算、云存儲技術的應用，高等教育信息化發展中的云端水平不斷提升，在云平臺的作用下，高等教育中的資源配置更加合理，資源使用更加高效，有效地提升了高等教育的整體水平[1]。

二、高等教育教學信息數據挖掘及統計方法

（一）數據挖掘

作為高等教育教學信息數據利用的基礎，數據挖掘是一個較為專業的分析過程，其需要從冗雜的低價值數據中，通過抽象提取等方式，選擇更加緊湊且具有價值的數據，為教學信息數據的高質量應用奠定良好基礎。在過去，高等教育中多采用手工分析和預測的方式進行數據挖掘，但在高等教育信息化發展背景下，這種方式已經難以適應新時期的信息挖掘需要。對此，基于新技術的數據挖掘方式得到了推廣和應用。高等教育教學信息化背景下，數據挖掘中所涉及的技術不僅包含機器學習、數據庫應用，而且涉及人工智能、模式識別。此外，云計算也是新時期高等教育教學信息挖掘的常用技術類型。在這些技術支撐下，高等教育教學信息挖掘可分為關聯學習、分類學習、聚類、數值預測等類型。在具體的數據挖掘中，還需要重視教學信息選擇、預處理、變化、挖掘、理解評估等環節的控制，通過有效的數據迭代處理挖掘到符合預期的教學信息數據[2]。

（二）干預規則

干預規則是高等教育教學信息數據統計分析中較為常用的一種方式，其需要通過提出的規則，對特定的目標對象進行干預，在這些干預規則下進行數據的統計分析，能指導高等教育后續教學工作的開展。利用干預規則進行高等教育教學信息數據統計分析時，主要的數據處理方式可分為三種：一是在明確規則的指導下，對教學信息數據進行干預挖掘和利用；二是在干預規則下，找出教學信息數據自身的行為規律，并在這些行為規律的作用下，確定教學干預的最佳時機和力度；三是在考慮教學信息數據目標對象的基礎上，對數據中的隨機擾動問題進行分析，實現干預規則的最優利用[3]。在高等教育信息化發展及教學信息挖掘和統計分析過程中，關聯規則挖掘的應用廣度和深度正在不斷增加。在實際干預中，高等教育工作者需要考慮兩個層面的要素，一方面，在確定干預目標時，應確定具體的干預屬性，繼而在相關規則的作用下，分析算出挖掘頻繁項集，找出相應的關聯規則；另一方面，在具體干預中，還需要最明顯、變化幅度最大的干預內容，以滿足后期教學活動的控制需要。

（三）聚類算法

采用聚類算法同樣能完成高等教育教學信息數據統計分析工作。就聚類算法本身而言，其需要在考慮教學信息數據對象內容的基礎上，深層次地分析這些數據對象的相似度，然后將其分成若干個群體，由此形成聚類簇?，F階段，聚類算法在數據統計分析中的應用不斷深入，僅從高等教育教學信息挖掘、統計和分析過程來看，聚類分析本身是一系列挖掘任務的統稱。在實際的數據聚類分析中，聚類算法不僅使用了機器學習、模式識別，而且融合了圖形識別等多種工具。

三、基于高等教育信息化的教學數據信息統計分析和挖掘分析模型

（一）數據來源分析

在高等教育工作中，分析教學數據需清晰掌握教學信息數據的基本來源，并做好相應數據的準確分類，這樣能為具體數據的分析和利用奠定良好基礎。在高等教育教學信息來源分析模型中，可按照數據統計、數據挖掘的實際需要，建立雙核心的數據來源分析框架模型。

在數據統計分析來源分析模型中，教師可借助既有的數字模型和平臺，快速、準確地收集學生的各類行為數據， 并進行有效評價。在數據統計分析模塊中，需從學生行為、課程問題、學生考卷情況等多個方面進行數據收集和統計分析。以學生行為數據分析為例，其數據不僅包括互動答疑及提問次數，還包括互動答疑及提問的內容。此外，課堂參與次數、教學資源查看次數等都是學生行為數據的重要類型，需在既有模型下，保證這些數據來源準確，并實現這些數據的有效統計和分析。

開展教學數據挖掘工作時，具體的數據大多來源于兩個層面，一是學生行為統計分析的結果，二是學生的成績。就數據挖掘模塊而言，其能通過多種挖掘手段的應用，發現學生學習的干預規則，隨后在考慮數據統計分析模塊統計結果的基礎上，得到較為準確的干預內容，進而通過互動平臺實現學生的有效干預[4]。

（二）數據統計分析

結合實際可知，建立高等教育教學數據信息統計分析和挖掘分析模型后，教育工作者能在既有模型的支撐下，科學使用相關的網絡手段，實現用戶行為的有效報告。但這些報告的內容本身不夠靈活，難以滿足后期需要。對此，需要分模塊對既有教學信息統計分析和挖掘分析的模型進行調整。新時期，信息化技術在高等教育中的應用不斷深入，在教學數據信息統計分析層面，新技術的融合使得既有數據模型的數據統計分析方式得到優化。從數據統計分析過程來看，信息技術對高等教育教學數據統計分析的影響著重表現在兩個層面，一是使得學生行為關鍵表現指標的分析更加明確；二是在學生課程成績分析中，既有數據統計分析模型能實現相關數據的歸一化處理。

在學生行為關鍵指標分析中，以前的互動教育平臺便可實現學生行為的詳細記錄，這對于學生行為統計分析工作的開展創造了良好環境。在建立高等教育教學信息統計分析模型后，可以準確銜接互動教學平臺，還能實現學生登錄、退出、瀏覽等系統性資源的準確把控。在此基礎上，信息時代下的高等教育教學信息統計分析模型還對學生的關鍵行為進行系統歸類。從具體分類情況來看，高等教育教學信息統計分析模型下的學生關鍵行為不僅包含課程資源查看、課堂參與、課程歷史資源查看，而且涉及課程作業查看、課程作業上傳、論壇討論，此外討論參與頻率、小組討論結果查看、小組討論參與程度都是學生關鍵行為的重要指標。依托這些指標，教育工作者能對學生參與教學的基本情況做出科學評估，這簡化了后期的教學信息挖掘流程，為學生行為數據的挖掘奠定了良好基礎。

統計并分析學生成績是評估高等教育教學效果的重要措施，在過去，高等院校雖然進行了一定的學生成績統計分析工作，但是這些統計分析過程容易受到多種因素的干擾。新時期，在依托多種現代信息技術建立高等教育教學信息統計分析模型后，教師可在前期數據分類的基礎上，按照歸一化處理的方式準確獲取學生的成績信息，然后使用學生成績變化曲線來消除其他干擾因素，以此來掌握成績的整體水平。在既有模型下，針對學生成績的統計分析，教師還需要重視歸一化處理算法的應用，提升教學信息統計分析的整體效果。

（三）數據挖掘分析

高等教育教學信息挖掘包含了多種方式，在新建數據挖掘模型下，學生復雜系統模型的應用較多。該模型將學生的學習成績作為分析對象，深層次地分析了學生學習過程中各種可能的影響因素和相關屬性。在學生復雜系統模型建設應用中，針對學生成績的具體分析主要集中在兩個層面。一方面，教學信息數據分析需要對干預相關強度進行分析，結合實際可知，學生群體本身具有復雜性的特征，其包含了較多的屬性信息，一般除學生學籍信息、愛好、基礎學習信息外，日常行為信息、網絡教學平臺行為信息等都是極為重要的內容，這些內容會對學會成績信息的挖掘分析產生影響。對此，在亞復雜系統的作用下，可干預相關度較小的數據剔除，然后對剩余數據進行分析，確保學生成績分析工作的高效開展，提升學生成績分析的準確性。另一方面，教育工作者還需要對既有的亞復雜系統進行萃取，選擇具有較高相關度的屬性信息來干預今后的教學，助力高等教育教學工作開展，提升學生的學習成績。

基于亞復雜系統模型對教學信息進行挖掘分析時，教育工作者在建立相應數據挖掘分析模型后，還需要注重以下要點控制。其一，在教學數據挖掘分析中，教育工作者需重視數據挖掘流程的系統管理。以學生成績數據挖掘為例，教育工作者在掌握成績數據來源后，需進行數據處理和離散化分析，然后依托關聯規則、干預規則，按順序進行成績數據挖掘分析，獲得預期的數據挖掘成果。其二，在數據挖掘分析中，教育工作者還應聚類抽取學生群體特征行為，并深化對挖掘分析結果的深層利用，以此來改進后續的教學方法，提升學生的學習成績[5]。

四、高等教育教學數據信息統計分析和挖掘分析實現路徑

（一）重視系統架構建設

教學數據信息統計分析和挖掘分析工作本身具有較強的專業性、綜合性和復雜性，為在高等教育中時效內教學信息的統計和挖掘分析，就必須重視相應數據平臺的有效建設。在高等教育教學數據信息統計分析和挖掘分析平臺建設中，一方面，高校自身需要加大在信息技術層面的資金投入，依托充足的資金建立教學數據平臺，系統收集各類教學信息，為后期的教學數據統計和挖掘奠定良好基礎。另一方面，在系統軟件層面，高等院校需要考慮平臺數據統計、挖掘分析系統的安全性和可拓展性，系統建立Struts 框架，并從數據統計、數據挖掘兩個模塊進行功能模塊設計，為后期數據分析奠定良好基礎。此外，在系統架構建設中，還需要重視數據庫單元的有效設計，實現高等教育教學中各類教學數據的有效歸集。

（二）重視數據統計和數據挖掘技術應用

數據統計和數據挖掘技術應用是高等教育教學數據分析利用的核心。在既有的數據統計、挖掘分析模型下，高等院校需要從試卷、學生行為、課程熱門問題等模塊開展分析工作，并在這些模塊的數據統計分析中重視計量資料統計、技術資料統計、等級資料統計方法的創新應用。如在計量資料統計分析中，高等院校可使用參數檢驗法和非參數檢驗法進行統計分析，隨后可通過四格表和R×C 表利用方式完成計數資料統計分析，另外對于等級數據進行統計分析時，需在考慮這些數據性質和類別等級的基礎上，完成具體數據的有效分析。依托數據統計、挖掘分析模型進行教學信息挖掘分析時，高等院校需重視干預規則的有效利用，系統化地對多種教學信息進行挖掘，在具體的數據挖掘過程中，還需要重視統計、在線分析處理、情報檢索、機器學習、專家系統等多種工具的應用，提升數據挖掘的效率和精準程度。值得注意的是，在這些數據統計分析和數據挖掘分析方法應用中，高校管理者還需要不斷提升自身的信息化意識與素養能力，憑借較高的專業素養推動教學數據統計、挖掘、分析和利用工作開展，助力高等教育教學工作順利開展。

五、結束語

高等教育教學信息的深層次利用對于整體的教學質量具有較大的影響，深化這些數據的統計、挖掘和分析利用，能創造良好的教學模型和教學管理環境，繼而有效評價教學質量，改進教學方法。新時期，教育工作者要充分理解高等教育教學信息數據統計分析的價值，結合實際深化教學數據統計、挖掘和分析方法利用，并在相關數據分析利用中重視相應模型的建設，這樣才能最大程度地發揮教學信息數據的價值，指導后期教學工作開展，進而提升高等教育質量，推動高等教育工作的可持續發展。