基于高中信息技术考试成绩挖掘的精准化教学辅导初探

敖培

摘要：本文首先分析了信息技术考试成绩分析的必要性。在此基础上，以我校高一某班级第一学期信息技术期末考试成绩为研究对象，采用K-Means聚类算法对学生群体分类，针对不同分类学生的特点提出了相应的差异化教学辅导策略；采用Apriori关联规则算法对学生知识点掌握情况进行了关联分析，针对分析结果提出了相应的精细化教学辅导策略，为教师精准化教学辅导提供有益的指导。

关键词：考试成绩挖掘；K-Means算法；Apriori算法；教学辅导策略

中图分类号：G642.0 文献标志码：A 文章编号：1674-9324（2018）44-0201-02

一、分析信息技术考试成绩数据的必要性

1.教师改进教学方法和提高教学能力的需要。成功的教学是依照学生的认知规律，根据学生已有的知识基础和接受能力，以及每个学生的各种差异因材施教。而因材施教的依据，可以在信息技术课程教学活动中获得，更多的是在对各阶段考试结果的分析中获得。通过对学生考试成绩的分析，教师可以了解学生对教材使用情况和对教法的适应情况，了解学生对各知识点的掌握程度，以便在下一轮教学中调整教学内容和教学方法，改进教与学的关系，以适应学生的特点，满足学生的需求。

2.学生检验知识掌握情况和提高知识运用能力的需要。教师对考卷进行分析之后，要及时将考试整体情况及分析结果反馈给学生。通过教师的引导，学生参照试卷分析结果，诊断出自身问题所在。学生通过把每次阶段考试的经验教训进行总结，有利于弥补知识和能力的缺陷。学生明确自身存在的问题后，会对自己本学科学习形成一个较为全面的认识，通过后续教师的指导，改进学习方法，对自身薄弱环节进行有针对性的补救和强化，为与此相关联的后续课程的顺利学习奠定良好基础。

二、研究对象描述

本文以我校高一某班级2017—2018学年第一学期信息技术期末考试成绩为研究对象。本次考试共50道单选题，总分100分，主要考查了信息编码、信息处理系统和信息传输三章中的20个知识点。该班级共有学生48人，此次考试最高分94分，最低分44分，班级平均分为70分，学生成绩各分数段分布基本上满足正态分布。

三、基于学生成绩聚类的差异化辅导

1.基于K-Means的学生群体分类。K-Means聚类算法是一种基于划分的聚类方法，是十大经典数据挖掘算法之一[1，2]。该算的基本思想是：以空间中K个点为中心进行聚类，对最靠近它们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。在对试卷难度进行分析后，将整个试题分为基础题、中等题和难度题三大类，其中基础题30题，中等题14题，难度题6题。根据三类题目得分情况，采用基于MATLAB软件中的K-Means函数对学生进行聚类，其中样本数为48个，聚类数为6。根据聚类结果可以得到六类学生的成绩特点。第一类，基础题和中等题一般，难度题较差；第二类，基础题和难度题一般，中等题较好；第三類，基础题和中等题一般，难度题较好；第四类，基础题和中等题较差，难度题一般；第五类，三种题型均较好；第六类，基础题较好，中等题和难度题一般。

2.基于聚类结果的差异化辅导策略。通过对学生成绩的聚类，可以看出整个班级学生成绩的分布情况。可以根据聚类结果对各类学生进行差异化辅导，有效地提高每个学生的成绩。具体辅导策略如下：对于第一类基础和知识运用能力较一般的学生，需要着重夯实基础，提高基础知识运用的能力；对于第二类知识运用能力较好但基础不扎实的学生，需要在平时夯实基础；对于第三类学生，此类学生思维较为灵活，但对于基础知识疏于识记和运用，需要在平时加以督促；对于第四类学生需要重点关注，要从基础抓起，逐步提高；对于第五类成绩较为优异的学生可以引导学生拓展知识面，鼓励他们参加各种相关竞赛；对于第六类基础较为扎实的学生，平时需要注重对基础知识的运用。

四、基于知识点关联规则挖掘的精细化辅导

1.基于Apriori的学生知识点掌握关联分析。Apriori关联规则算法是最经典的挖掘频繁项集的算法，其核心思想是通过连接产生候选项及其支持度，然后通过剪枝生成频繁项集[3]。本文首先以考试涉及的20个知识点为属性，记为{A，…，T}。将某班级学生每个知识点对应各题目得分进行累加，得到48个学生20个属性的得分。然后，进行数据规范化。以该知识点得分超过该知识点总分的60%表示学生掌握了该知识点，否则认为学生未掌握该知识点。掌握的20个知识点的记为{A1，…，T1}，未掌握的记为{A2，…，T2}最后，采用MATLAB自定义的Apriori函数提取学生知识点掌握的关联规则，其中支持度阈值设为0.3，置信度阈值设为0.7，得到6条规则：（1）A2，B2->C2；（2）A1->F1，G1；（3）B2->D2，E2；（4）N1，O1->S1，T1；（5）J2，K2->L2，M2；（6）J1->K1。

2.基于关联分析结果的强化辅导策略。（1）关键知识点细致化讲解。由第1—3条规则可知，如果“信息数字化及其作用”和“信息编码的基本原则”两个知识点的掌握情况不是很好，那么“数制转换”、“英文字符编码”、“图像编码”和“声音编码”这几个知识点的掌握情况也不是很好，规则置信度均在75%以上。说明理解好“信息数字化及其作用”和“信息编码的基本原则”两个知识点，对于“数制转换”和编码实例等知识点的掌握是及其重要的。因此，诸如“信息数字化及其作用”这样对于后续知识掌握至关重要的知识点，在教学辅导过程中应该重点、详细地讲解。（2）注重知识点的衔接辅导。由第4条规则可知，如果“计算机网络传输信息的常见载体及其特点”和“计算机网络的常见连接硬件”两个知识点掌握情况较好，那么“计算机网络中标识计算机的主要方式及其特点”和“TCP协议和IP协议的作用及主要工作过程”这两个知识点掌握的情况也较好，规则置信度达到80.37%以上。前一组考察两个知识点的概念，后一组考察两个知识点的运用，说明理解好前一组知识点有助于理解后一组知识点并解决实际问题。因此，在教学辅导过程中应该按照知识点前后衔接，合理安排教学辅导内容，让学生对于前后的知识点融会贯通。（3）强化概念性知识点的识记。由第5和第6条规则可知，如果“冯·诺依曼主要思想与计算机结构”和“计算机指令、程序和软件”两个知识点掌握情况不是很好，那么“计算机网络传输信息的特点”和“计算机网络的主要分类和主要应用”这两个知识点的掌握情况也不是很好，规则置信度达到79%以上。而前后两组知识点分属不同章节，内容的前后关联度并不是很强。但是经过仔细分析后，试题中两组知识点均为概念题，通过此关联规则看出学生平时对于基础概念是疏于识记的，因此导致对于两组知识点均掌握的不够好。在辅导和平时教学过程中，应该重视并随时督促学生对概念性知识的识记。

參考文献：

[1]K Hornik，I Feinerer，M Kober，et al.Spherical k-Means Clustering[J].Journal of Statistical Software，2017，50，（10）：1-22

[2]李晓瑜，俞丽颖，雷航，等.一种K-means改进算法的并行化实现与应用[J].电子科技大学学报，2017，46（1）：61-68.

[3]H Toivonen.Apriori Algorithm[J].Encyclopedia of Machine Learning，2017：39-40.

Abstract：Firstly，the necessity of analyzing the results of the information technology examination is analyzed in this paper. Secondly，the results of first semester final exam of information technology of one class are taken as the research object in my high school. K-Means clustering algorithm is used to classify the students. Based on the different characteristics of classified students，the corresponding difference teaching and tutoring strategy is put forward. Finally，students' mastery of knowledge points is analyzed by using Apriori association rules algorithm. In order to provide useful guidance for precise teaching of teachers，the corresponding strategies of fine teaching is put forward according to the results of the analysis.

Key words：examination results mining；K-Means algorithm；Apriori algorithm；teaching and tutoring strategy