吳天真 李文靜

摘 要：高校教務管理系統(tǒng)中積累大量的教學數據，其中蘊藏一些有用的信息。數據挖掘技術在教務管理中的應用主要是通過學生的成績、教學評價、教師科研教學等數據的分析，發(fā)現其中隱藏的信息，從而為教務管理者制定相關決策，例如人才培養(yǎng)方案的制定、課程安排、試卷命題提供依據。

關鍵詞：數據挖掘 教務管理 應用

中圖分類號：TP311.13 文獻標識碼：A 文章編號：1007-3973（2013）007-075-02

1 引言

近年來，隨著高校信息化建設的深入，高校內部構建了豐富的信息系統(tǒng)并累積了海量數據。教務管理是高校日?；顒又械闹匾M成部分，對教務管理系統(tǒng)積累的大量數據進行分析和挖掘，將會發(fā)現一些潛在的知識，從而為提高教學質量，優(yōu)化教學資源提供可靠的數據依據。本從將對數據挖掘技術在教務管理中的應用進行論述。

2 數據挖掘概述

2.1 數據挖掘的概念與應用

隨著計算機硬件和信息技術的發(fā)展，使得海量數據的處理已經成為研究與生產中的一項重要工作，數據挖掘技術由此而誕生。數據挖掘也叫知識發(fā)現，指的是從大型數據集中提取一些事先未知的、隱含的潛在知識的過程。這些知識的表現形式可以是概念、規(guī)律、模式、規(guī)則等。如今，數據挖掘目前已經廣泛應用于許多領域，比如生物醫(yī)學、金融數據分析、零售業(yè)、電信行業(yè)等等。

2.2 數據挖掘的功能

數據挖掘除了具有查詢數據的功能，還能夠發(fā)現以前未發(fā)現的模式，并預測將來的趨勢和行為。概括起來，數據挖掘主要有以下幾項功能，即概念描述、分類和預測、關聯(lián)分析、聚類分析、和孤立點分析。

（1）概念描述。它是指描述某類對象具有的內涵、并概括這類對象的有關特征。概念描述的兩種方式分別是數據特征化和數據區(qū)分。數據特征化是描述某類對象的共同特征，而數據區(qū)分則是描述不同類對象之間的區(qū)別。

（2）分類和預測。首先，分類建立一個能夠描述并區(qū)分數據類的模型，然后使用這個模型來預測類標記未知的對象類。歸納分類的形式有多樣，比如分類規(guī)則、判定樹和神經網絡等等。當被預測的值是數值而不是類標記時，通常稱之為預測。

（3）關聯(lián)分析。關聯(lián)分析的目的是發(fā)現關聯(lián)規(guī)則，這些規(guī)則展示的是兩個或兩個以上的數據項頻繁地在給定數據集中一起出現的條件。若這些數據項是以某種規(guī)律共同出現的話，這些數據項之間就可能存在某種關聯(lián)，這種規(guī)律稱之為關聯(lián)規(guī)則。其關聯(lián)類型主要有簡單關聯(lián)、時序關聯(lián)、因果關聯(lián)?？尚哦染统蔀槭顷P聯(lián)分析生成的規(guī)則的一個重要衡量指標。

（4）聚類分析。聚類指的是將待挖掘的數據分成多個類或者簇，具有較高的相似度的數據會被分到同一個簇中，而差距較大的數據則會處于不同的簇中。聚類分析是一種重要的人類行為，它增強了人們對客觀現實的認識，是概念描述和偏差分析的先決條件。傳統(tǒng)的模式識別方法和數學統(tǒng)計法是聚類分析的主要技術。

（5）孤立點分析。孤立點指的是數據庫中存在的一些異常記錄，它們與數據的一般行為或者模型不一致。孤立點可能會包括很多潛在的知識，如不滿足規(guī)則的特例、分類中的反常實例，這些罕見的事件可能比正常出現的更有趣。孤立點分析又稱作孤立點挖掘。

2.3數據挖掘的步驟

數據挖掘的步驟一般包括：確定待挖掘對象、數據預處理、建立模型、數據挖掘、模式評估和與知識應用這幾個階段，其中數據預處理又包括數據清理、數據集成、數據選擇與數據變換。

3 教務管理中的數據挖掘

數據挖據在教務管理的應用主要有以下項目：學生信息管理、教學評價、成績分析、遠程教育、智能教學、個性化培養(yǎng)，其中教學評價、成績分析以及個性化學習方案都是教務管理的重要環(huán)節(jié)。教務管理中存在大量的待處理數據，比如教師信息、學生信息、學校的所有課程信息、教學計劃信息、管理部門的信息等等，使用數據挖掘技術能有效的提高教務管理的效率。結合2.2中提到的數據挖掘的功能，這里主要介紹在教務管理系統(tǒng)中比較廣泛應用到的以下四種數據挖掘任務。

3.1 分類和預測

分類和預測在教務管理的應用一般是用于針對學生制訂個性化的人才培養(yǎng)方案。尊重學生的個性發(fā)展是現代高等教育的重要理念，這就要求高校將體現學生的個性化特征當作人才培養(yǎng)的工作重點，要制定不同的培養(yǎng)方式以適應不同的學生的個性發(fā)展。通過積累的一定數量的數據，其內容主要包括學生個體信息，如性格特征、興趣愛好、日常行為記錄以及學習情況等，還要包括教學信息，如課程設置、教師分配和學校教學資源調配情況等，由此建立若干個模型，在此基礎上進行分析、歸納和總結。以共同之處為標準，按照分類模式進行劃分、歸類，由此制訂出多個具有個性化特征的培養(yǎng)方案。然后將某個給定范圍內的學生劃分，使用某種個性化的培養(yǎng)方案。將分類與預測應用到制訂人才培養(yǎng)方案的過程中，既對學校的學科課程設置提供了建設性意見，又為學生自主性學習與個性化學習提供更為科學有效的指導，有利于實現人才培養(yǎng)的多樣化、個性化、創(chuàng)新型人才的培養(yǎng)目標。

3.2 關聯(lián)分析

關聯(lián)規(guī)則是通過分析一個事務中某些項的出現規(guī)律，挖掘出隱藏在數據間的關聯(lián)或相互關系。目前在教務管理應用中研究得最多的就是關聯(lián)規(guī)則的挖掘，如“關聯(lián)規(guī)則在選課系統(tǒng)中的應用”和“關聯(lián)規(guī)則在高校學位預警中的應用”，兩篇文章所研究得都是對大量學生成績數據進行分析，前者是發(fā)現不同課程設置順序對學生成績的影響，由此可以更合理的安排課程順序。后者則是挖掘高年級學生的成績數據，從中得到不能授予學位學生的不及格課程規(guī)律，從而達到學位預警的目的。還有一些關于師資方面應用的研究，比如關聯(lián)規(guī)則在教務管理決策支持中的應用，通過分析了教務管理中教師信息之間的隱藏關系，并對數據進行了標準化、離散化處理，通過事例分析了教師的教學與科研之間的隱含關系，可為教務管理提供決策支持。

3.3 聚類分析

在教務管理中，聚類分析主要應用于分析試卷質量。首先通過對學生考試成績的分布進行測量，從而對試卷質量得出一個大致評價。一般來說，在試卷編制得比較成功，試題質量較好的情況下，考試成績會呈正態(tài)分布，測量效果符合自然分布規(guī)律。

雙峰型如果考試成績分布呈雙峰型，則說明試題難度區(qū)分不大，存在偏難或偏易的兩極分化現象，而中等難度的題目太少。這種試題的難度分布缺乏區(qū)分度，不能將將成績優(yōu)秀的學生與成績較差的學生進行區(qū)分，只能區(qū)分中等程度的學生。

陡峭型的成績分布則說明試題中的大部分是屬于同等難度的，這樣的試題難度系數偏小，致使學生分數分布過于集中，這樣也不能將學生的學習成績進行區(qū)分。因此，可通過對學生考試成績分布狀況的分析，計算出兩個判斷指標，即峰態(tài)系數和偏態(tài)系數，然后將成績分布情況類型進行分類，再進行聚類分析。如此就能有效地提高試卷命題質量。

3.4 孤立點檢測

孤立點指的是數據集中與大部分數據模型不一致的數據對象。孤立點檢測又稱作異常檢測，目的在于識別出與其他數據特征有明顯不同的觀測值。孤立點檢測算法的目標是發(fā)現孤立點，還要避免將正常的對象標注為孤立點。孤立點檢測算法的兩個標準是高檢測率和低誤報率。教務管理系統(tǒng)中的數據挖掘大多利用關聯(lián)分析或者分類分析。在發(fā)現這些規(guī)則的同時，也會忽略一些偶爾現象。偶爾現象也會包含一些重要信息，更應該引起關注。孤立點檢測的目的就是找出教務管理信息中往往會被忽略的例外情況。例如選取學生各個學期的平均成績作為特征值，如果該生平均成績呈上升趨勢，說明該生進步較快，呈下降趨勢則成績下降明顯，成績不穩(wěn)定的學生則有可能有作弊嫌疑。孤立點檢測還可以用于課程分析，選取用各個學期的選課人數作為特征值，以發(fā)現情況特殊的課程，為課程設置、制定教學計劃提供參考信息

4 結束語

隨著教務管理系統(tǒng)中數據信息規(guī)模的迅速增長，數據挖掘技術的合理有效利用對教育管理模式的改革、完善和發(fā)展具有重要的意義。數據挖掘工具可以比較客觀地發(fā)現教務系統(tǒng)中隱藏的信息，從而為教務管理人員制定相關決策提供重要依據，提高了管理效率。