试析学分制教学管理中数据挖掘技术的应用

吴春琼

试析学分制教学管理中数据挖掘技术的应用

吴春琼

学分制作为学校教学的一种管理制度，已成为学生最低学分毕业与学位获取的重要标准，但在学分制的教学管理中，还存在一些问题亟须解决。数据挖掘技术作为常用数据分析法，在学分制的教学管理中进行充分应用，可有效改善教学管理机制。从学分制与数据挖掘技术内涵出发，分析学分教学管理存在的问题，有助于探讨教学管理中数据挖掘技术的应用。

学分制；数据挖掘；技术；教学管理；应用

吴春琼/福州英华职业学院讲师，硕士（福建福州350018）。

在学校发展当中，教学及管理部门起着很重要作用，不过长期以来，因各职能部门在数据收集及整理上，没有统一规范约束，大量数据处于杂乱重复及共享率低的状况，影响了学校工作效率。随着高校学分制教学及管理的实施，加强海量数据利用分析势在必行，数据挖掘作为数据分析技术，在学分制下的学校教学管理中应用，可有效改善教学管理中的不足，提高其工作效率。

一、学分制与数据挖掘

（一）学分制

学分制所指的是在学生选课前提下，将学分当作学习计量的单位，并以平均学分绩点累计为尺度，对学生毕业标准有无达到进行衡量的弹性教学及管理机制，学生并不受年限制，按照专业培养目标，对教学计划当中的必修课学分有效完成，同时，根据专业特色与个人兴趣，完成一定数目选修课的学分，超过或达到毕业水平，并获取学位的制度。与学年制课程相比，这种教学管理制度，能更好激发学生的自主性，让学生自主选择教师与课程内容[1]，跨专业选修课程，让学生在知识深度与广度上，可充分发挥其主观能动性，造就出多学科知识复合人才，并塑造具有专业性的人才。学分制按照因材施教、人本管理与双向选择等原则，能更适应现代教育的时代要求。

（二）数据挖掘

数据挖掘可简称为DM[2]，所指的是在大量不完全、模糊随机与有噪声的数据应用中，经过客观统计分析，发现其潜在规律，将隐含于其中、事先不知的有用知识进行处理，对未来动态与潜在有用信息知识进行准确掌握的信息知识过程，这是门交叉学科，与数理统计、机器学习、数据库、神经网络与模糊数学等技术具有很大相关性。简单来说，数据挖掘是通过多种数据分析法，对海量数据信息进行模型与数据信息关系挖掘的技术，经过模型认识与理解，有效分析对应关系，给予重大决策支持。数据挖掘主要包含数值信息结构化、有效数值信息内在联系的揭示与用户行为作用充分发挥等特点[3]。数据挖掘并非自动完成，而是依靠人工建模的，多数工作为人工完成，整个数据挖掘过程包含数据信息的采集、预处理、选择变换数据、挖掘模型构建、知识表示形成与评估模式等，其关键技术主要有决策树、关联分析、聚类分析、时间序列、分类、统计学模糊与神经网络等数据挖掘技术[4]。在学分制教学及管理中，应用数据挖掘技术，可有效解决学校工作中所面临的问题，提高工作效率，加强学分制教学与管理的科学合理性。

二、学分教学管理存在的问题

（一）学分教学管理中的复杂化问题

在高等学校中，在每学期的选修课较多，学生涉及面较广，学生改选错选，热门课的协调工作与课程场地时间等工作交织于一起，学分制不成熟，管理系统效率不高的情况下，教学管理呈现出阶段混乱局面，学分教学管理出现复杂化。同时，学生掌握选课主动权，学生本身选择缺乏指导性，学习过程也容易缺乏连续性，专业学习缺少系统性。学校对学生的课程选择具有一定限制性，但限制较为粗略，难以有效顾及细节，加强学分教学管理的系统连续性是必要的。

（二）学分制的教学管理存在弹性不足问题

在高等院校中，专业课、基础课与课余必修课间存在比例不协调问题，必修课的比例较高，而选修课的比例低，对学生的灵活选课具有一定限制。目前学校选修课当中，大部分为限制选修课，选修课数量影响了学生选课的主动性与个性发展，与现代多样化发展形势不相适应。同时，学生实施了自主选课之后，有些学生没有学习前修的课程，就凭自身喜好对后继课程进行了选修，这对学生本人课程的系统学习具有一定影响，对任课教师的教学评价也具有一定不良影响。在学分制状况下，仅对学生成绩给予教学效果评价，会存在一定偏颇性。

（三）专业学位与师资力量问题

在学分制下，学生可自主选择课程，当学生选修多专业课程后，并经过了考试，学分获得后，授予学生哪个专业学位成为学校的新问题。在学分教学管理当中，要培养出高质量的人才，需要大量的师资力量，但我国高等院校中，教师队伍结构、素质与数量存在不合理性，双师型的专业教师所占比例不高，对于大学生综合素质培养具有一定影响。

三、学分教学管理中数据挖掘技术的应用

（一）数据挖掘技术在信息管理及排课管理中的应用

在学校教学管理及日常教务中，具有大量基础信息，如院系、分校、专业、班级、教研室、教师资源、课程教材与师生个人信息等[5]，信息数量大，种类繁多，要有效处理这些信息，需要保证数据准确，并做好资料存档工作，同时，基础信息需要用在教学管理与日常教务各环节中，有效做到各环节数据的彼此关联，避免孤岛信息形成是必要的。数据挖掘技术中的关联分析与聚类分析，可有效挖掘出数据间隐藏的相互关系，在同一事件当中，寻找不同项相关性。而聚类分析能对样本中的各事物性质进行比较，把性质相似的归成一类，性质差别比较大的可分成不同类，通常应用的聚类算法为层次法、划分法、密度聚类与网格聚类等。应用数据挖掘技术可实现数据间的关联，并达成不同模块间的数据共享应用。高等学校学生大多在几千以上，需要将上课地点、时间、教师与课程等进行周全考虑，运用人工手动进行课程安排是难以想象的，应用数据挖掘技术，依照系统排课，并按照步骤输入教学的计划信息，可自动生成教学安排表与任务书，安排不恰当课目再实施人工微调即可。

（二）应用数据挖掘技术指导学生选课，并完善弹性教学计划

在学分制下，管理构建完善的选课制度，就需要加强数据挖掘技术的指导，在决策树、关联规则与神经网络等技术下，设置清晰的课程网络结构，让课程间存在前后强烈的依赖关系。学生在选修课程C之前，已选修完了课程B与A，运用关联规则当中的支持度与置信度当作衡量指标，对其可靠性与合理性进行判定。教学管理当中的大量历史数据要符合实际的关联规则。学生选修课程C时，要求存在关联规则为：课程A成绩优秀，且课程B成绩优秀，课程C成绩才有可能优秀。运用数据挖掘中的关联规则，其置信度与支持度是比较高的，学生可根据本身学习兴趣与专业特点，选择恰当的选修课程，当第一轮选择完成后，学校对没有达到最低人数要求的课程进行淘汰，并对学生所选课程给予随机分配，没有被选上的学生，可参加第二轮的课程选择，以体现课程选择的公正公平性。同时，学校教学计划应体现学校专业定位、办学思路与培养目标等。教学计划科学合理性对人才培养质量具有直接影响，需要加强教学科目的灵活性，并依据社会要求及本身兴趣，鼓励学生自主灵活组合知识结构，以获取良好学习效益。

（三）教学评价中的数据挖掘技术应用

在学分教学管理当中，教学评价水平是国家教育水平的主要尺度之一。教学评价依据教学原则与目标要求，对信息进行系统收集，实现教学活动及成果的价值判断，内容主要包含学生成绩评价与教学效果评价[6]。现在学校学生成绩评价大多建立于绝对分数评价基础上，学生成绩90分之上是优秀，80分之上是良好等，运用这种方法进行处理是简便易行的，不过也有很多不恰当地方。如果同一门课有几位教师在上，其中一位教师评分标准严，以及考试题目比较难等，学生成绩就会偏低，再按照上述处理方法进行评价，就会有失公正，教师教学效果也无法合理评价。应用数据挖掘技术当中的聚类分析，依据离散数据对数据间的密集程度进行计算，并对一组数据实施距离计算，可将数据划分成若干密集簇。应用聚类分析技术，对学生成绩评价当中的每个簇作为成绩群，每个簇中心数据作为成绩群中心成绩，按照不同簇实施成绩群划分，并给出不同成绩群里的中心成绩，将中心成绩作为学生成绩等级划分的一个标准。运用数据挖掘技术所划分的成绩不再是绝对成绩，是相对成绩划分，实施教师教学评价时，聚类分析技术也可起到作用，将学生成绩归纳到各簇当中，根据各簇形状、大小与中心值等进行教学效果评价。学生成绩一般应是正态分布，并呈现较大簇与多个较小簇，小簇应均匀分布于大簇周围，当簇形状出现明显两极，表明学生成绩两极分化严重，需要对教学过程或试题进行考虑。理想成绩为正态分布，峰值的曲线平缓，不陡峭，较大簇中，数据量不该太大，出现某簇较大问题，应对试卷与教学给予分析。应用数据挖掘技术，对数据信息进行评估，可有效提高信息的统计处理能力，也能不断完善教学评价系统，增强学校的教学水平，通过技术应用，为教学管理系统提供可靠评教结果，辅助任课教师有效改进不足，加强教学质量提高，让评教系统有效起到激励监督作用。

（四）加强学生毕业专业确认与师资力量提高

在学分制教学下，学生对课程选修会跨越多个专业。学生获得足够学分后，申请学位与毕业的时候，学校需要对学生专业学位进行仔细分辨，特别是跨专业的选课人数大致相当时，对学生专业所属问题进行分辨是项棘手问题，应用数据挖掘技术可有效解决这一问题。数据挖掘技术中有分类分析技术[7]，所针对的是某事件或者对象归，对已有数据进行分析，对未来数据给予预测，常用方法为贝叶斯、判定树、遗传算法与支持向量机等分类，与聚类分析技术相比，分类技术分类时，已有现成分类规则，对其进行有效划分，应用分类技术对学生所属专业给予区分，可对专业归属标准给予确定，学生提出申请时，对其专业代表课程给予判断，对各专业代表课程的学分总和进行计算，并按学生选课专业中，得分最高专业进行学位授予。在学分制教学下，教师不仅要有一定理论知识，其实践经验也很重要的。师资队伍构建时，应加强双师高水平教师的引进，对师资结构与数量等进行优化，完善评价、保障与激励机制，有效提高教师的教学水平及素质，更好指导学生根据本身兴趣与专业特点，提高对所选课程的积极学习性。

在学分制教学与管理中，合理应用数据挖掘技术中的聚类分析、关联规则与分类技术等，可有效解决学校教务管理中的大量数据信息处理，避免孤岛信息形成，有效指导学生根据自身兴趣与所学专业，对选修课的合理选择，培养学生学习的积极主动性，同时，加强数据挖掘技术在教学评价中的应用，真实体现学生学习成绩以及教师的教学效果，辅助任课教师认清教学中的不足，改善教学策略，提高教学质量，培养出社会需求的高素质综合人才。

基金名称：基于数据挖掘的高职院校学生培养模式评价与分析研究(JA12499S)

[1]马云华,刘轶,胡晓艳.学分制教学管理模式下大学生自主学习能力的培养[J].赤峰学院学报（自然科学版）,2012，(15)

[2]韦艳艳,张超群．“数据仓库与数据挖掘”课程教学实践与探索[J].高教论坛,2011，(1)

[3]李明江,唐颖,周力军.数据挖掘技术及应用[J].中国新通信,2012，(22)

[4]邝 涛．数据挖掘技术在高校教务管理系统中的应用研究[D]．郑州大学，2011

[5]王小燕.高职院校学分制教学管理的方法探讨[J].致富时代（下半月），2012，(3)

[6]魏宝霞.对我国高校实行学分制教学管理制度的思考[J].科海故事博览（科教创新）,2011，(11)

[7]宋小敏,张国防,邢淑兰.数据挖掘技术在课程相关性分析中的应用[J].中国校外教育（下旬），2012，(10)

TP311

B

1671-6531（2013）09-0115-02

郭一鹤