数据仓库与数据挖掘技术在教学管理中的应用

做数据挖掘的初学者最好看看

第24卷第4期

Vol.24No.4徐州工程学院学报(自然科学版)JournalofXuzhouInstituteofTechnology(NaturalSciencesEdition)2009年12月DEC12009

数据仓库与数据挖掘技术在教学管理中的应用

蒋秀莲1,2

(1.徐州工程学院,江苏徐州　221008;2.中国矿业大学计算机学院,江苏徐州　221006)

　　摘　要:,门不同范围的决策分析提供有力的支持.掘工具对其进行知识发现,,提高办学水平及管理水平.

关键词:;:A　文章编号:16742358X(2009)0420053204

随着计算机技术和网络技术的不断发展,高校的教学管理系统也逐渐由单机版升级为网络版,基于网络的教学管理系统在高校得到广泛应用,各方面的信息已被详细地记录到系统中,如人才培养方案、学生成绩信息、学生选课信息、学生就业信息等等.大部分高校只是简单地将这些信息存储在数据库中,隐藏在这些数据中的潜在信息没有被挖掘利用.在高校教学管理系统数据仓库基础上,借助于相应的数据挖掘工具合理地利用这些数据并从中挖掘出有用的常被人们忽视的重要信息,发现隐藏在这些数据中的关联规律,发掘其中蕴含的规律,把这些规律运用到教学管理中,为管理人员和决策者提供更有价值的信息,可以更合理地进行教学决策.

1　数据仓库和数据挖掘技术

数据仓库是在数据库基础上发展而来的,它通常有三个部分:数据仓库、联机分析处理及数据挖掘,它们之间具有极强的互补关系,数据仓库是进行数据分析的基础,它的主要工作是将数据库中的原始数据进行归纳整理,聚集成一个可供高层次使用的数据集合,方便数据分析、查询与数据挖掘[1].一般而言,在操作型环境中,系统设计人员能够清晰了解应用的需求和数据流程,系统设计一般采用生命周期法,而在分析型环境中,设计人员要在与用户不断交流的基础上,逐步明确与完善系统要求,因此数据仓库采用CLDS(CycleLifeDevelopmentSystem)方法.

数据挖掘,是指从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中发现隐含的、规律性的、人们事先未知的,但又是潜在有用的并且最终可理解的信息和知识的非平凡过程.挖掘获得的模型能够被用户理解,非平凡是指数据挖掘的过程不是线性的,挖掘过程存在反复和循环的过程,所挖掘的知识往往不是通过简单的分析能够得到的,需要经过大量的比较分析,应用一些专门的挖掘工具,透过表面的现象来获得其蕴涵的内部信息[2].

2　数据仓库与数据挖掘技术在教学管理中的应用

近年来,数据挖掘引起了教育管理者的极大关注,教务处作为人才培养职能机构,在高等教育中承担着重要角色,特别是在实现个性化人才培养和向学校领导决策提供信息支持的过程中,迫切需要应用分类、回归分析、聚类、关联规则、特征、变化和偏差分析、Web页挖掘等技术手段对信息进行加工,从中获取一些反映规律性、倾向性的信息,为学校决策提供更准确的咨询服务,以推动学校教学改革和建设的全面发展.数据挖掘方法正被广泛应用到教学管理的方方面面.数据挖掘在教学管理系统中的基本流程如图1所示.收稿日期:2009209207

作者简介:蒋秀莲(19682),女,江苏徐州人,高级工程师,硕士研究生,主要从事智能信息系统研究.

53

做数据挖掘的初学者最好看看

徐州工程学院学报(自然科学版)　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　2009年第4期

图1　数据挖掘在教学管理系统中的基本流程

Fig.1　BaseflowchatofDMinTMs

2.1　分类分析法应用于个性化人才培养

,将数据库中的数据项映射到某个给定的类别."以人为本"理念深入到高等教育领域,,式,:、个人的学习兴趣和学习行为、以及个体的学习情况,.这些信息采集一方面可通过问卷调查的方式,.通过对挖掘的信息数据建立一个量的模型、归纳和总结,找出它们共同的特点,按照分类的模式将其进行划分、归类,,既可以为学生自主性个性化学习提供更为科学有效的指导,又可以对学校的学科课程设置提供建设性意见,从而更好地实现培养多样化、个性化、创新性人才的目标.

2.2　聚类分析法应用于试卷质量分析

聚类是根据最大化类内的相似性、最小化类间的相似性原则对海量数据进行聚类或分组,从而产生属性相近的各个类.聚类分析其实是无监督分类,其目的在于实事求是地按被处理对象的特征分类,有相同特征的对象被归为一类.聚类分析法的输入集是一组未标定的记录,即输入的记录没有作任何处理.目的是根据一定的规则,合理地划分记录集合,并用显式或隐式的方法描述不同的类别.测度学生考试成绩分布可以对试题质量进行粗略的评价.一般地,学生学习成绩呈正态分布.当考试成绩分布呈正态分布时,测量效果符合自然分布规律,因此认为测量编制得比较成功,试题质量较好.双峰型分布,说明试题存在两极分化现象,即难度偏高的和难度偏低的项目较多,而中等难度的项目偏少,项目难度的分布缺乏梯度,不够合理.呈这种分布的试题可以区别中等程度的学生,但不利于区别出成绩优秀的学生和成绩较差的学生.陡峭型分布,说明试题中同等难度的项目较多,梯度偏小.呈这种分布的试题几乎不能将不同程度的学生去分开,分数分布过于集中.因此,可通过对学生试卷成绩的分析,计算峰态系数和偏态系数这两个试卷评价指标,然后将试卷按如上的类型进行分类,以便进行聚类分析,进一步提高试卷质量.

其中聚类过程中主要使用的方法的实现代码如下:

//计算聚类中心

　publicPointFnewCenter(intm)

　{

　　intN=0;

　　for(inti=0;i<20;i++)

　　{

　　　if(type[i]==m)

　　　{

　　　　sum.X=unknown[i].X+sum.X;

　　　　sum.Y=unknown[i].Y+sum.Y;

　　　　N+=1;

　　　}

　　　}

　　　sum.X=sum.X/N;

54

做数据挖掘的初学者最好看看

蒋秀莲:数据仓库与数据挖掘技术在教学管理中的应用

　　　sum.Y=sum.Y/N;

　　　returnsum;

　　}

//比较两个聚类中心是否相等

privateboolcompare(PointFa,PointFb)

{

　if(((int)(a.X310)=(int)(b.X310))&&((int)(a.X310)=(int)(b.X310)))

　　returntrue;

　else

　　returnfalse;

}

2.3　,即根据一个事务中某些项的出现,挖掘出隐[.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.,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、班级学习氛围的不同,班内学生的总体成绩相差有时会较大.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.

可以从已经建立的教学管理数据仓库系统中学生课程维表里选取部分学生成绩记录,接下来将其转化为事务数据库D(t1,t2,…,tk,…,tn),tk={i1,i2,…,im,…,ip},其中i1(计算机基础),i2(管理学),i3(C语言),i4(VB),i5(C++),i6(数据结构),i7(数据库);设定最小支持度阈值min-sup为0.2.

应用Apriori算法挖掘与结果分析[3].

输入:事务数据库D;最小支持度阈值min_sup.

输出:D中的频繁项集L.

部分代码如下: …… 此处隐藏：3823字，全部文档内容请下载后查看。喜欢就下载吧 ……