探究在教数据挖掘技术在教学中运用结论

摘 要 概述数据挖掘的概念、实现方法及过程，分析数据挖掘在教学应用中的研究方向及用于数据挖掘的数据来源和数据特点，列举应用于教学领域的一些成功案例，并提出展望。
关键词 数据挖掘；教学应用；教学信息化
1671-489X（2013）03-0055-03
Data Mining Technology in Instructional Application//Song Yating， Meng Liqiu， Sun Daoceng， Gong Xiaying
A源于：论文资料网www.618jyw.com
bstract This paper summarizes the concept、method and process of data mining， and analyses research direction of the application of data mining in the teaching， the data sources used for data mining and data features， and enumerates some succesul cases in teaching， and puts forward the prospect.
Key words data mining； instructional application； teaching information
1 引言
近年来，人们利用信息技术生产和搜集数据的能力大幅度提高，无数个数据库被用于商业管理、政府办公、科学研究和工程开发等。这样的形势在不断延伸，于是新的挑战摆在了世人面前：信息爆炸、信息安全等。如何才能从海量的信息中获得自己所需的信息呢？面对“人们被数据淹没，人们却饥饿于知识”的挑战，数据挖掘技术应运而生，并得以蓬勃发展。
数据挖掘（Data Mining）起源于20世纪90年代中期，是一个新的研究领域，是多门学科和多门技术相结合的产物，它有着广泛的应用价值。数据挖掘技术在商业、保险、医疗、制造业和电信等各个行业中都取得了满意的成果，但在教育层面上的应用还只能算是新生事物，处于发展的初级阶段。
随着教育事业的飞速发展，特别是高等教育的快速发展，教育管理信息化、现代化水平有了不小的进步，各高校在管理信息系统方面已取得了可喜的成绩，如大部分高校都在使用学生成绩管理系统、教学管理系统、教学评价系统、选课系统等。这些系统的成功实施为各高校的日常管理工作带来了很大的便利，提高了管理效率和水平，在日常的工作中也积累了越来越多的数据。那么如何才能知道这些数据背后的一些信息呢？这就是数据挖掘的功能所在。目前，许多学者把数据挖掘应用在教学领域中，从而提高教学质量和学校管理决策水平。
2 数据挖掘

2.1 数据挖掘定义

数据挖掘是一门交叉学科，其中数理统计、人工智能和数据库是其三大支柱。它是从大量的、不完全的、有噪声的、模糊的、随机的实际应用的数据中，提取隐含在其中的、人们事先不知道的，但又是潜在有用的信息和知识的过程。简而言之，数据挖掘要解决的问题就是在庞大的数据中寻找有价值的隐藏信息，加以分析，并将这些有意义的信息归纳成关系或模式结构，提供给有关部门在进行决策时参考。

2.2 数据挖掘方法24-25

数据挖掘的研究融合了多个不同学科领域的技术与成果，使得目前的数据挖掘方法表现出多种多样的形式。
1）传统统计分析方法。这类技术包括判别分析、回归分析、聚类分析、探索性分析、支持向量机等。一般先由用户提供假设，再由系统利用数据进行验证。缺点是需经培训后才能使用，同时在数据探索过程中，用户需要重复进行一系列操作。其中支撑矢量机（SVM）是根据统计学习理论提出的一种新的学习方法，建立在计算学习理论的结构风险最小化的原则之上，可以提高学习机的泛化能力。
2）智能数据挖掘方法。这类技术包括人工神经网络、粗糙集及模糊数学、遗传算法（GA）、蚁群算法、人工免疫系统等。
人工神经网络具有非线性映射特性、信息分布存储、并行处理、容错性及高度的自学习、自组织和自适应能力种种优点，以BP网和自组织特征映射网（SOM）为代表，在分类和聚类中得到广泛的应用。
粗糙集方法能在缺少关于数据先验知识的情况下，只以考察数据的分类能力为基础，解决模糊或不确定数据的分析和处理问题，主要应用在数据降维、特征提取及和模糊数学等方法结合用于分类。
遗传算法和蚁群算法都是一种基于种群的模拟进化算法，具有随机性、启发式、并行性、全局性的优化特点，在求解复杂优化问题方面具有很大的优势。在数据挖掘中主要用于聚类和分类以及和其他数据挖掘算法结合实现全局最优。
人工免疫系统是通过学习外界物质的自然防御机理的学习技术，提供噪声忍耐、无教师学习、自组织、记忆等进化学习机理，结合了分类器、神经网络和机器推理等系统的一些优点，在具体应用上还不太广泛，处于探索阶段。
3）机器学习方法。这类方法主要有归纳学习法、基于范例的推理CBR、贝叶斯网络等。基于范例推理是直接使用过去的经验或方法来求解给定的问题。目前将范例推理同格子机（Lattice Machine）和最近邻原理（Nearest Neighbor）相结合是研究的一个方向。另外，基于多关联规则的分类算法（CMRA）是一种新的高效、适应性强的机器学习算法。
4）数据库方法。这类方法主要有基于可视化的多维数据分析方法或OLAP方法、面向属性的归纳方法等。

2.3 数据挖掘过程

识别和利用隐藏在数据中信息的目标有三个要求：捕获的数据必须集成到教学范围的视图，而不是特定的视图；必须提取包含在集成的数据中的信息；必须以有利于制定决策的方式组织得到的信息22。数据挖掘，首先选择数据，然后把收集到的数据转换为特定的格式存储起来，并对转换后的数据进行挖掘得到一些结果，最后对该结果加以分析和解释。3 数据挖掘在教学中的应用
教学中丰富的数据资源为数据挖掘的应用提供了广阔的空间，具体应用可以概括为以下几方面。

3.1 合理的教学模型[3]

对教学模型进行分析是提高教学质量的重要手段，通过采用数据挖掘技术对教学模型进行多层次、多角度的分析与挖掘，利用挖掘结果辅助教学决策，从而保证教学质量，提高学生素质。
在国外的高校教学管理中，数据挖掘也已成为提高教学管理质量与水平的一种有力工具。如美国学校能够以85%的精确度去预测学生的升学率，把注意力集中到辍学风险比较大的学生身上[4]。国内数据挖掘在教育层面上的应用已经开始，但并不广泛，而且只是使用单一的数据挖掘方法对相关信息进行挖掘，不够全面。例如：浙江大学的教师使用关联规则发现技术[5]对高校的人事信息库进行挖掘，试图找到影响学科发展的因素，发现如何评价一个学科，以及影响学科发展的各个要素之间的关系；华北电力大学的教师使用Apriori算法对教学信息库进行数据挖掘，寻找高校教学体制中各因素间的关联关系等。所以，数据挖掘技术在高校教学模型中的应用有待于人们更深入地研究。

3.2 教学管理及信息化[6]

教学管理及信息化工作是学校重要的教学工作之一。为了提高教学管理及信息化工作的高效性、科学性和管理人员的素质，采用数据挖掘等技术应用于教学中，如：1）对数据进行多角度的统计分析；2）系统自动对数据进行管理和分析，进而提出科学的决策。

3.3 Web的个性化学习系统[7]

现代远程教育最重要的特点之一就是能够为学生提供个性化的教育。个性化的现代远程教育将整个教学活动作为一个有机的整体，各教学环节之间有密切的联系。通过使用数据挖掘技术发现每个学生的个性偏好、学习行为、学习反馈信息和教师感兴趣的有关教学的信息，及时调整教学策略，制定适合学生个性的教学内容和教学活动，还可以为学生提供个性化的学习资源，充分发挥学生的个性潜能。基于Web的个性化学习系统提供的可以反应学生学习效果的数据有日志、辅导答疑数据、作业数据、在线测试结果数据、考试数据、学生。

3.4 教学决策支持系统[8]

教学决策支持系统，是以“数字化校园”建设为背景，目的是研究如何将数据挖掘技术与现有的、已经投入使用的EDC数据库系统相结合源于：论文范文格式www.618jyw.com
，从具有海量特征的数据中提取出隐藏在数据之中的有用信息，为系统管理者和决策者提供综合分析、辅助决策和决策支持服务的数据挖掘工具。
现在已经开发出基于决策树算法的学生评估工具模块和基于关联规则的学生各相关数据分析工具模块。前者以改进的决策树ID3算法为基础，根据学生成绩库中的信息以及其他库中的有关学生评价的信息，建立一个决策树成绩评估模型，对学生进行相应的综合分析评估。后者以改进Apriori算法为基础，从学生成绩、个人基本信息、评价信息数据中进行数据挖掘，发现各个因素之间的关联关系，找到隐藏的规律，为教学决策提供支持。

3.5 高效选课系统[9]

现在可以将数据分析环境引入到选课系统中，采用个性化关键技术对海量的选课数据进行分析，最后获得支持教学组织者运行教学决策的高质量信息，最终给学生提供个性化的选课，并对选课的知识体系形成评价，从而更好地安排学习者的学习需求和完善学科科目设置方案，优化教学质量。

3.6 教学评价系统[10]

通过数据挖掘技术分析学生成绩数据库，得到课程相关性信息，给教务管理人员和学生提供一个有指导意义的参考，为决策提供重要依据，适应学分制改革的需要。在数据挖掘过程中采用聚类方法和NP算法，采用SPSS软件技术对一些专业的相关数据进行统计分析，挖掘数据背后隐藏的信息与知识，揭示若干教育现象。
4 教学领域数据挖掘应用的发展趋势
教学领域对数据挖掘的应用需求日益明显，但无论是理论方面还是应用方面，都还处于发展阶段。比如：如何改进算法，实现对于多个信息库的兼容；如何实现需求各要素之间的完全正交化的关联分析；时间连续变化和高维数据的高效挖掘算法的研究；教学领域数据挖掘和知识发现结构模型的研究。具体的一些小目标，诸如选课系统不仅体现在专业上，还应实现对学生的情感、身体、精神、文化和社交全面发展进行；如何确定科学的评价标准，研制开发一套科学的挖掘系统，建立完善教学评价、教师评价等体系，提高教务工作决策的有益及合理，也是下一步要做的工作。
参考文献
章兢，张小刚.数据挖掘算法及其工程应用[M].北京：机械工业出版社，2006：35-45.
Soman K P，等.数据挖掘基础教程[M].范明，牛常勇，译.北京：机械工业出版社，2009.
[3]李娟.数据挖掘技术在高校教学模型中的应用研究[D].南京：南京理工大学，2009.
[4]李静，王建军.数据挖掘在高校教学信息化管理中的应用探讨[J].科技信息，2006（8）：300-301.
[5]韦伟，王永宽，石冰.基于粗集理论的教学评估体系优化方法[J].安庆师范学院学报，2006，12（3）：95-96.
[6]钱程东，潘晓辉，汪审权，等.高校教学管理及信息化工作的有关思考[D].长沙：国防科技大学，2006.
[7]李华，何茜，吴中福.基于Web的个性化学习系统研究[D].重庆：重庆大学，2002.
[8]陈治国.数据挖掘技术在教学决策支持中的应用研究[D].长沙：国防科学技术大学，2006.
[9]万晓鸣.数据挖掘算法在高校教务选课系统中的应用研究[D].扬州：扬州大学计算机技术，2009.
[10]王长娥.数据挖掘在教学评价中的应用研究[D].济南：山东师范大学，2007.