浅谈数据挖掘技术及其在高等学校教学中的应用教育论文

　　关键词:数据挖掘 高校教学 教育信息化
　　摘要:数据挖掘技术目前在商业、金融业等方面都得到了广泛的应用，而在教育领域应用较少。本文通过时数据挖掘在高校教学中的应用分析，认为数据挖掘技术可以帮助教学人员合理安排教学工作，协助辅导员对学生的管理，对提高学校的教学管理水平起到指导作用 。
　　1引言
　　随着12世纪信息化时代的到来，整个社会的信息总量呈几何级数迅速增长，人们利用信息技术生产和搜集数据的能力大幅度提高，积累的数据越来越多，但缺乏挖掘数据中隐藏知识的手段，导致了＂数据爆炸但知识贫乏＂的现象。随着数据库技术的成熟和数据应用的普及，在过去的若干年中，人们积累了大量的数据资料，但数据库中隐藏丰富的知识及有价值信息远远没有得到充分地发掘和利用，随着数据量以指数速度激增，人们渴求从数据汪洋中出现一个去粗存精、去伪存真的技术，越来越希望系统能够提供更高层次的数据分析功能，从中找出规律和模式，帮助决策者发现数据间重要但被忽略的因素，从而更好地支持决策或科研工作。正是为了满足这种要求，从数据库中发现知识(KDD)及其核心技术—数据挖掘技术应运而生。
　　2数据挖掘介绍
　　2.1概念及其特点
　　数据挖掘(DtaaMniing)是指从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的，人们事先不知道的但又潜在有用的信息和知识的过程，提取的知识表示为概念、规则、模式等。根据数据挖掘的目标，采用人工智能、集合论、统计学等方法，应用相应的数据挖掘算法，分析数据并通过可视化工具表述所获得的模式或规则。
　　数据挖掘有以下特点:(1)能发现反映系统局部特征和规律的模型;(2)自动趋势预测，能发现＂新＂的知识;(3)比较容易获得很多规则，并能及时更新。数据挖掘方法具有开放性思维方法，它可以及时借鉴和引用模型法的很多成果，比如神经网络、粗糙集、朴素贝叶斯算法等方法都已被利用在数据挖掘方法中。
　　2.2数据挖掘目的及其过程
　　2.2.1目的
　　数据挖掘期望发现的知识有如下几类:(1)反映同类事物共同性质的泛化知识;(2)反映一事物和其他事物之间依赖或关联的关联型知识;(3)分类、聚类知识，是反映同类事物共同性质的特征型知识和不同事物之间的差异型知识;(4)根据历史和当前的数据推测未来的预测型知识。
　　2.2.2挖掘的过程
　　挖掘过程是从大型库中挖掘未知的、有效的、可实用的信息，并使用这些信息做出决策。通常可以分为准备、数据挖掘、评价阶段以及运用阶段等四个阶段。
　　(1)数据准备阶段。数据准备阶段是消除数据噪声和与挖掘主题明显无关的数据，完成对数据的筛选、变换和预处理。经处理过的数据一般存储在数据仓库中。数据准备是否做得充分将影响到数据挖掘的效率和准确度以及最终模式的有效性。包括:①数据的选择:选择相关的数据;②数据的预处理:消除噪音、冗余数据;③数据的推测:推算缺失数据;④数据的转化:离散值数据与连续值数据之间的相互转换、数据值的分组分类、数据项之间的计算组合等;⑤数据的缩减:减少数据量。
　　(2)挖掘阶段。该阶段是数据挖掘的核心步骤，也是技术难点所在。根据数据挖掘的目标，采用人工智能、集合论、统计学等方法，应用相应的数据挖掘算法，分析数据并通过可视化工具表述所获得的模式或规则。
　　(3)评价阶段。在数据挖掘中得到的模式可能是没有实际意义或没有使用价值的，也有可能不能准确反映数据的真实意义，因此需要评估，确定有效的、有用的模式。评估可以根据用户多年的经验，有些模式也可以直接用数据来检验其准确性。如何将挖掘出的有用知识清楚易懂地提供给教育和管理工作者也是一项非常重要的工作，选择合适的可视化工具，将结果以关系表或用量化特征规则表示给用户。
　　(4)运用阶段。用户理解的、并被认为是符合实际和有价值的模式形成了知识。同时还要对知识进行一致性检查，解决与以前得到的知识互相冲突、矛盾的地方，使知识得到巩固。运用知识有两种方法:一种是只需看知识本身所描述的关系或结果，就可以对决策提供支持;另一种是要求运用知识对新的数据进行分析，由此可能产生新的＂问题，而需要对知识作进一步的优化。
　　2.2.3数据挖掘的方法
　　在数据挖掘算法的理论基础上，数据挖掘中的常用方法有:①生物学方法，包括人工神经网络、遗传算法等;②信息论方法包括决策树等;③集合论方法包括约略集、模糊集、最邻近技术等;④统计学方法;⑤可视化技术等方法。数据挖掘的各类算法包括预测模型、关联规则挖掘算法、分类规则挖掘算法、序列模式分析算法、聚类分析算法、WEB数据挖掘等。
　　3数据挖掘在高等学校教学中的应用
　　3.1学生的基本信息
　　利用数据挖掘技术，比如可以对学生访问情况进行分析，跟踪、了解学生出勤情况。还可对学生年龄等个人情况进行分析，了解学生的组成、结构，为合理地安排课程设置提供依据。通过对学生考试情况的分析，并结合出勤情况，可作为考查学生学习的情况，为合理地评估学生综合素质提供依。对于挖掘出来的规则信息可以利用可视化技术，以图表或曲线等形式提供给教师，以使教师能充分利用学生的问题资源，从而提高教学质量。另外，数据挖掘可以应用于网上的考试系统，对考生情况和他取得的成绩进行挖掘，以帮助教师在以后的教学中更好地让学生掌握知识。
　　3.2学生的学习特征
　　学生特征包括两个方面:一是学习准备，一是学习风格。学习准备包括初始能力和一般特征两个方面。学生的初始能力是指学生在学习某一特定的课程内容时，已经具备的有关知识与技能的基础，以及他们对这些学习内容的认识和态度。学生的一般特征则是指在学习过程中影响学生的心理、生理和社会的特点，包括年龄、性别、年级、认知成熟度、智力才能、学习动机、个人对学习的期望、生活经验、文化、社会、经济等背景因素。学生的学习风格与学习活动有着密切的关系。对学生感知不同事物、并对不同事物做出反应这两方面产生影响的所有心理特征构成了学习风格。
　　利用数据挖掘功能分析学生特征，并在此基础上组织学习内容、阐明学习目标、确定教学策略、选择教学媒体，为学生创造出一个适合其内部条件的外部学习环境，使有效学习发生在每个学生的身上。
　　3.3预测学生和教师行为发生
　　管理信息系统中记录着有关学生与教师在教学中发生的各种教学事故以及典型教学事例等教学运行信息，利用数据挖掘的关联分析与演变分析等功能，寻找师生各种行为活动之间的内在联系。如＂当存在A，B时可以推出’C，这样的规则，即当有A行为和B行为发生时，还会有C行为。在教学过程中，如果发现学生或教师已有A，B行为时，马上可以分析其产生C行为的可能性，及时制定策略促进或制止C行为的发生。
　　3.4合理设置课程
　　在学校，学生的课程学习是循序渐进的，而且课程之间有一定的关联与前后顺序关系。在学一门较高级课程之前必须先修一些先行课程，如果先行课程没有学好，势必会影响后续课程的学习。另外，同一年级学习同一课程的不同班级，由于授课教师、班级文化的不同，班内学生的总体成绩相差有时会很大。利用学校教学数据库中存放的历届学生各门学科的考试成绩，结合数据挖掘的关联分析与时间序列分析等相关功能，就能从这些海量数据中挖掘出有用的信息，帮助分析这些数据之间的相关性、回归性等性质，得出一些具有价值的规则和信息，最终找到影响学生成绩的原因。在此基础上，对课程设置做出合理安排。
　　3.5评价学生学习情况
　　学习评价是教育工作者的重要职责之一。评定学生的学习行为，既对学生起到信息反馈和激发学习动机的作用，又是检查课程计划、教学程序以至教学目的的手段，也是考查学生个别差异，便于因材施教的途径。
　　特别是对成绩管理数据库进行挖掘，其数据来源于成绩管理数据库，挖掘的任务就是从用户指定的数据库中以不同的角度或不同的层次上采掘出一系列的统计结果，如分布情况、关系，对比、显著性检验等，采掘结果用交叉表，特征规则，关联规则，统计的曲线、图表等表示，所以采用统计分析方法具有简单、方便、直观等优点，最为合适。
　　因此对学生学习行为和综合素质进行评价，一般采用模糊论中的模糊综合评判及模糊聚类的方法，对评价结果采用了对定性和定量指标加权平均算出综合素质评价得分并排名的方法，而且由于学生综合素质的评价指标是动态变化的，往往选用动态聚类法对评判结果进行动态聚类分析。
　　3.6评价教学质里
　　教学评价是根据教育目标的要求，按一定的规则对教学效果做出描述和确定，是教学各环节中必不可少的一环。教学评价可以通过校园网收集学生对任课教师所讲授、辅导课程的意见、评价。有关学生座谈意见、学生打分评价、平时各项教学检查、相应课程期末考试班级成绩汇总等都是教学评价的内容，把这些数据要作为教师教授相应课程的档案数据全部存人数据库。
　　利用数据挖掘对数据库中有关教学的各项评价进行分析处理，可以确定教师的教学内容的范围和深度是否合适;选择的教学媒体是否适合所选的教学内容和教学对象;讲解的时间是否恰到好处;教学策略是否得当等。从而可以及时的将挖掘出的规则信息反馈给教师，以期更好地提高其教学水平，更好地服务于学生。
　　4结束语
　　总之，随着信息量的急剧增长和对信息提取的更高要求，现在我们很难再依照传统方法在海量数据中寻找决策的依据，这就必须借助数据挖掘去发掘数据中隐藏的规律或模式，为决策提供更有效的支持。虽然数据挖掘作为一种工具，它永远也不能替代教师的地位，但是它可以为教师的决策提供科学的依据。数据挖掘技术本身就是人们大量实践的结晶，它为建立传统教学中很难获取或不可能获取的模型提供了捷径。