亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

數(shù)據(jù)挖掘技術在輔修教學管理中的應用研究

2013-01-16 07:49:46施美華姚衛(wèi)新

東華大學學報(社會科學版) 2013年4期

施美華，姚衛(wèi)新，劉冰

(東華大學教務處，上海 201620)

隨著知識經(jīng)濟時代的到來，單一的專業(yè)教育已不適應社會對復合型或綜合型人才的需要，社會的發(fā)展需要培養(yǎng)和造就一大批高素質(zhì)的、有創(chuàng)造力的復合型或綜合型人才。在這種社會需求大背景下，21世紀初各高校紛紛大力發(fā)展輔修教學，鼓勵學有余力的學生在學習主修專業(yè)課程的同時輔修另一專業(yè)的主要課程，掌握更多的科學文化知識，成為基礎扎實、知識面寬、適應性強的復合型人才，增強畢業(yè)后的就業(yè)競爭力，主動適應社會經(jīng)濟建設的需要。

在這十幾年的輔修教學歷程中，隨著同學修讀規(guī)模的不斷擴大，輔修專業(yè)在各高?；緦崿F(xiàn)了信息化和網(wǎng)絡化的教學管理，如輔修報名、排課管理、成績管理等等，但僅限于簡單的數(shù)據(jù)錄入、查詢和統(tǒng)計，而沒有開展深入的數(shù)據(jù)研究。同時根據(jù)以學生為本的教學管理要求，需要了解學生對輔修教學過程的認知和評價，如學生選報輔修專業(yè)的學習動機、輔修專業(yè)的教學效果反饋等等，這些都沒有權威的數(shù)據(jù)來支撐，為此有必要從學生的角度出發(fā)，建立輔修教學調(diào)查評價體系，采集數(shù)據(jù)。通過綜合輔修各方面信息，并深入數(shù)據(jù)研究，我們就可以在教學管理中有針對性地加強引導和強化管理。

從數(shù)據(jù)自身出發(fā)，找出潛在規(guī)律，正是數(shù)據(jù)挖掘技術的要旨。數(shù)據(jù)挖掘是從大量的、不完全的、有噪聲的、模糊的、隨機的數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識[1]。把數(shù)據(jù)挖掘技術應用于輔修教學管理領域，通過相關算法，對大量數(shù)據(jù)進行挖掘分析，就有可能得到數(shù)據(jù)背后所隱含的規(guī)律。

由此，我們根據(jù)需求建立輔修教學調(diào)查評價體系，并收集調(diào)查數(shù)據(jù)信息，同時主要運用聚類分析中的k-中心點算法和關聯(lián)規(guī)則中的Apriori算法進行數(shù)據(jù)挖掘，期望通過數(shù)據(jù)挖掘的一些方法，對輔修教學招生、教學安排、教學評價中存在的一些關聯(lián)和潛在的規(guī)則進行分析和評估，引導學生的選報或修讀，并為實施因材施管提供決策依據(jù)。

一、輔修教學調(diào)查指標體系的建立

輔修的生源來自不同的學校、不同的專業(yè)，學生流動性大。因其教學有特殊性，有必要全方位了解輔修教學管理的客觀狀況，如對學生選報輔修學習的動機、學生對任課教師教學情況的評價、學生對輔修教學軟硬件管理情況的一個評價和認可、教學實際效果和修讀的穩(wěn)定性等等，只有掌握了這些數(shù)據(jù)才能對教學情況作出評價和引導。因此教學調(diào)查指標體系的建立從這四個層面著手，設計出的教學調(diào)查問卷能使學生從自身利益出發(fā)來綜合反映輔修的教學情況，評估教學的質(zhì)量及學生的滿意水平。

在問卷調(diào)查中，所需測評的本質(zhì)是一個定量分析的過程，即用數(shù)字去反映顧客對測量對象的態(tài)度。量表的設計分兩步：第一步是“賦值”，根據(jù)設定的規(guī)則，對不同的態(tài)度特性賦予不同的數(shù)值；第二步是“定位”，將這些數(shù)字排列或組成一個序列，根據(jù)受訪者的不同態(tài)度，將其在這一序列上進行定位，之所以將測量指標量化(數(shù)字化)，一是因為數(shù)字便于統(tǒng)計分析，二是數(shù)字使態(tài)度測量活動本身變得容易[2]。教學情況測評了解的是學生對教學軟硬件、教學質(zhì)量、教學效果的看法和態(tài)度等，考慮到教學情況調(diào)查表將由學生在網(wǎng)上填寫，學生希望看到的問題能明確，回答能簡單和便捷，故對這類問題的測量采用了“5級李克特量表”，采用的5級態(tài)度是：完全不同意、較為不同意、基本同意、較為同意、完全同意，相應賦值為1、2、3、4、5。

綜合以上情況和要求，建立了輔修教學調(diào)查情況指標體系，具體見附表1。其中在學生學習動機層面根據(jù)內(nèi)外因設計了10個題項，教師教學情況層面根據(jù)教師教學態(tài)度和課堂教學質(zhì)量設計了8個題項，教學管理情況設計了8個題項，教學效果層面從知識掌握程度、能力提高情況、教學效果穩(wěn)定性方面共設計了9個題項，教學調(diào)查表的建立，基本能反映輔修教學管理的客觀狀況。

二、聚類算法

(一) 聚類算法概述和策略

聚類算法主要是借助數(shù)學手段進行一定歸類的數(shù)據(jù)簡化技術，它把基于相似數(shù)據(jù)特征的變量或個案組合在一起,是一種無監(jiān)督的學習和分類。聚類算法用于數(shù)據(jù)挖掘時，它既可以作為一個獨立的方法，用以發(fā)現(xiàn)數(shù)據(jù)庫中一些內(nèi)在的數(shù)據(jù)分布信息，也可以作為數(shù)據(jù)挖掘算法中的一個預處理步驟，其他挖掘算法能夠在聚類分析所生成的簇上作進一步的分析和處理。

k-中心點算法是聚類算法中基于有代表性對象的劃分方法，它的目的是對N個數(shù)據(jù)對象給出k個劃分，它對在中小規(guī)模的數(shù)據(jù)庫中發(fā)現(xiàn)球狀簇很適用。k-中心點算法的基本策略是：首先為每個簇隨意選擇一個代表對象Oj，剩余的對象根據(jù)其與代表對象的距離分配給最近的一個簇，然后反復地用非代表對象Orandom來代替代表對象Oj，由此不斷改進聚類的質(zhì)量。聚類結果的質(zhì)量用一個代價函數(shù)來估算，該函數(shù)度量對象與其參照對象之間的平均相異度。如果一個當前的中心點對象被非中心點對象所代替，代價函數(shù)計算平方-誤差所產(chǎn)生的差異。替換的總代價是所有非中心點對象所產(chǎn)生的代價之和。如果總代價是負的，那么實際的平方-誤差將會減小，Oj可以被Orandom替代。如果總代價是正的，則當前的中心點Oj被認為是可接受的，在本次迭代中不發(fā)生變化[3]。k-中心點算法的流程具體如下：

輸入：N個對象的數(shù)據(jù)庫，期望得到的簇的數(shù)目k;

輸出：k個簇，使得所有對象與其最近中心點的相異度總和最小。

方法：

(1) 隨機選擇k個對象作為初始的中心點；

(2) 把每個剩余的對象指派給離它最近的中心點所代表的簇；

(3) 隨機地選擇一個非中心點對象Orandom；

(4) 計算用非中心點對象Orandom代替中心點Oj的總代價S；

(5) 如果總代價S為負,則Orandom替換Oj,形成新的k個中心點的集合；

(6) 重復第2步到第5步，直到不再發(fā)生變化。

在輔修數(shù)據(jù)分析中選擇聚類挖掘，是希望能夠通過對不同類型的修讀輔修的學生進行聚類，把學生劃分成不同類型的群體，在同一群體內(nèi)試圖找出某種未曾引起注意的共性特點，在不同群體間找出主要的區(qū)別因素，同時也能深入了解輔修各個層面的信息。

用SQL語言來實現(xiàn)算法的關鍵點是根據(jù)臨時表中存放的距離值，找出數(shù)據(jù)表中每個點i到最近中心點的距離，并嘗試把i劃分給該中心點；計算Orandom替換Oj后的總代價的變化，以此決定是否真正需要用Orandom替換Oj，形成新的中心點。如果所有的Orandom都不再能夠替換Oj，則現(xiàn)有中心點就是最終結果。

(二) 聚類算法的實證研究

對教學信息調(diào)查主題庫按教學各個層面用k-中心點算法進行了挖掘，經(jīng)過預處理后，有效數(shù)據(jù)為2 096條，我們將學生按學習動機、教學效果、教學質(zhì)量、教學軟硬件各個層面分別進行聚類挖掘，限于篇幅，列舉兩個聚類結果分析。

表1 按學生學習動機進行聚類,選擇的聚類數(shù)為3

注：按完全同意每選項5分計，內(nèi)因共為25分，外因共為25分。

表2 將學生按照教學效果的三個方面進行聚類，選擇的聚類數(shù)為4

注：按完全同意每選項5分計，知識掌握共為10分，能力提高共為15分，教學穩(wěn)定共為20分。

從表1中看出以中心點1為代表的是指選報受內(nèi)因一定影響的學生，同時也受到外因一定影響，這部分占了總?cè)藬?shù)的24.8%。以中心點2為代表的是選報受內(nèi)因影響不大的學生，受外在因素影響也不大，這一類群體屬于學習動機相對較模糊，不明確，這部分占了36.3%。以中心點3為代表的是指選報以內(nèi)因為主導的學生，他們幾乎不受外在因素的影響，這部分占了大概38.9%，這部分學生有強烈的求知欲望，學習主動性比較強。表2將學生按教學效果分成四類，如以中心點1為代表的為知識掌握、能力提高及教學穩(wěn)定性方面非常滿意的學生，這部分學生比較多，占了總?cè)藬?shù)的21.8%，說明教學效果不錯，學生非常認可。以中心點4為代表的是對知識掌握、能力提高和教學穩(wěn)定性方面都較滿意的學生，這部分占的比重為31%，在管理中要加強這兩部分人在班集體中的引導作用，促進大家學習的積極性。

由此，對輔修教學的各個層面進行聚類挖掘，根據(jù)挖掘到的信息從輔修管理的各個層面進行了分類，并掌握了各個分類的特性，從而深入地了解輔修管理的各個層面的情況，能對輔修教學管理作出一些建設性的指導意見，并以此聚類結果作進一步挖掘的預處理。

三、關聯(lián)規(guī)則挖掘在輔修教學中的應用研究

(一) 關聯(lián)規(guī)則算法概述和策略

關聯(lián)規(guī)則挖掘通過支持度和可信度定量地描述這種關聯(lián)關系的程度，以指導數(shù)據(jù)分析的過程。關聯(lián)規(guī)則的典型應用是購物籃分析，通過分析指導商品貨架設計、倉儲規(guī)劃、降價銷售等系列決策行為，發(fā)現(xiàn)大量數(shù)據(jù)之間的關聯(lián)關系在選擇購物、決策分析和商務管理方面是非常有用的。對于給定的一個交易集D，關聯(lián)規(guī)則的挖掘過程就是產(chǎn)生大于最小支持度和最小置信度的關聯(lián)規(guī)則的過程。規(guī)則?X?Y在交易數(shù)據(jù)庫D中的支持度(support)是交易集中包含X和Y的交易數(shù)與所有交易數(shù)之比，記為support(X?Y)，規(guī)則XY在交易集中的置信度(confidence)是指包含X和Y的交易數(shù)與包含X的交易數(shù)之比，記為confidence(XY)[4]。

Apriori算法是最經(jīng)典的關聯(lián)規(guī)則算法之一，它可在一個事務數(shù)據(jù)庫中，找出所有滿足最小支持度的項集(itemsets)。其使用逐層搜索的迭代方法，首先找出頻繁1-項集的集合，記作L1，把L1用于尋找頻繁2-項集的集合L2，而L2用于找L3，如此下去，把k-項集應用于對 (k+1)-項集的探索，直到不能找到頻繁k-項集，表明已找出所有滿足條件的規(guī)則[5]。在找每個Lk時，利用“Apriori性質(zhì)”的重要特性，事先識別出一部分非頻繁項集，對它們不再需要通過掃描數(shù)據(jù)庫加以驗證?！癆priori性質(zhì)”指的是：頻繁項集的所有非空子集都必須也是頻繁的，對于一個k-候選項集，檢查候選項集的所有(k-1)-子項集是否頻繁，若有一個不是頻繁的，則可以直接刪除這個候選項集，不必為它掃描數(shù)據(jù)庫[6]。

我們采用SQL語言實現(xiàn)該算法的主要步驟如下：

輸入?yún)?shù)T:數(shù)據(jù)表；min_support:最小支持度；min_confidence:最小置信度

輸出參數(shù)R:存儲關聯(lián)規(guī)則的數(shù)據(jù)表

步驟：

(1) 生成頻繁1-項集:從T中選擇支持度>min_support的每個項itemi，存入表L1；

(2)k=2；

(3) 當Lk<>條件成立時,執(zhí)行第4步—第7步循環(huán)；

(4) 連接k-1項集Ck；

(5) 如果k>2，則應用“Apriori性質(zhì)”,修剪Ck中候選項集；

(6) 生成頻繁k-項集：驗證Ck中的每個候選項集，把滿足在T中的支持度>min_support的候選項集存入Lk；

(7)k=k+1；

(8) 結束該循環(huán)；

(9) 從L1，…，Lk中提取規(guī)則，把置信度>min_confidence的規(guī)則存入表R中。

在用SQL語言實現(xiàn)算法時主要步驟就是由L1→C2→L2→ … →Ck→Lk的過程，通過迭代循環(huán)，直到不能產(chǎn)生新的頻繁項集的集合為止，最后從L1, …,Lk中提取關聯(lián)規(guī)則。為了提高算法的效率，不必對數(shù)據(jù)表T進行掃描，可以直接由Lk-1和Lk產(chǎn)生形式如item1∪item2∪…∪itemk-1→itemk的規(guī)則。

(二) 關聯(lián)規(guī)則算法實證研究

Apriori算法可以對輔修數(shù)據(jù)的多個層面進行挖掘分析，如對學生修讀信息主題庫進行關聯(lián)挖掘、按教學層面聚類所得的簇進行關聯(lián)規(guī)則挖掘、教學調(diào)查主題庫中學生基本信息以及通過聚類所得的簇進行關聯(lián)規(guī)則挖掘，從而得出了一系列在學生選報、修讀、教學管理各個環(huán)節(jié)的隱性特征。如表3為學生基本信息，以及通過聚類所得的簇進行挖掘的關聯(lián)規(guī)則，選取最小支持度為5%，最小置信度為60%。

表3 教學調(diào)查表中學生基本信息以及通過聚類所得的簇進行關聯(lián)規(guī)則挖掘結果

從表3中，我們可以挖掘到一些特征如下：(1)管理和經(jīng)濟學科背景對輔修教師的教學質(zhì)量認可度比較高，如序號10中可以看到主修學科為經(jīng)濟學的同學對教學質(zhì)量滿意的占到70.3%，序號11中主修學科為管理學的同學對教學質(zhì)量滿意的占到82%。(2)外校生源，主修學科為文學，輔修學科類別為藝術，對教學效果非常滿意的占到93.8%。(3)主修學科為管理，修讀輔修學科為經(jīng)濟的，修讀動機是以內(nèi)因為主導的占到81.5%。(4)對于工科學生，選報專業(yè)的動機方面有性別傾向，從序號1中可以看到工科女生選報文學為輔修學科的選報動機不足，比較盲目的占到67.1%，而工科的男生選報管理為輔修學科的以內(nèi)因為主導的，則占到71.4%。由此我們可以根據(jù)挖掘到的結果進行分析和有針對性的引導。

在進行關聯(lián)挖掘中，輸出的關聯(lián)規(guī)則很多，但真正有效的規(guī)則很少，這就需要我們對關聯(lián)規(guī)則能進行很好的解釋。在運行程序時，合理地選擇最小支持度和最小置信度非常重要。

四、結束語

輔修教學的管理是一個動態(tài)的教學管理，在修讀的過程中變動因素也較多，把數(shù)據(jù)挖掘到的大量的隱性規(guī)則和日常管理工作結合起來，在輔修教學的招生選報階段、修讀階段建立起輔修教學管理指導、測評系統(tǒng)，從而能有的放矢、針對性地進行引導，全面規(guī)范輔修教學管理。如在招生選報階段，可以根據(jù)歷屆不同學科背景學生選報的動機、學習情況的數(shù)據(jù)挖掘信息，對新生進行選報測評、指導，從而能避免學生選報輔修專業(yè)的盲目性。在修讀的過程中，通過教學情況狀態(tài)數(shù)據(jù)挖掘，建立起教學過程監(jiān)測，及時了解不同主修專業(yè)背景、不同輔修專業(yè)學生類別對教學狀態(tài)的反饋，加強主動性的管理，確保學生修讀的穩(wěn)定性。從而能在教育信息化條件下，利用數(shù)據(jù)挖掘技術，探討現(xiàn)代高校教學管理工作的新模式。

輔修教學管理是教務管理的一部分，可以把數(shù)據(jù)挖掘技術深入應用到教務管理中，可以促進教育管理的進一步改革、完善和發(fā)展。通過對數(shù)據(jù)挖掘工具的有效利用，能較客觀地反映教務系統(tǒng)中存在的問題，為決策提供重要的依據(jù)。當然，數(shù)據(jù)挖掘本身不是萬能的，它的應用離不開實際背景，只有遵循以人為本的原則，才能使它真正具有現(xiàn)實的意義和廣闊的前景。

[1] 金延軍.數(shù)據(jù)挖掘技術在高校學生就業(yè)指導中的應用.黑龍江工程學院學報：自然科學版，2009，(1):64-67.

[2] 趙連寶.如何進行企業(yè)顧客滿意度研究[J].合作經(jīng)濟與科技，2006，(5s):15-16.

[3] 劉志成,文全剛.“k-中心點”聚類算法分析及其實現(xiàn)[J].電腦知識與技術:技術論壇，2005，(2):20-24.

[4] 楊秋葉.Apriori算法改進研究[J].電腦知識與技術，2013，(9)：33-35.

[5] 杜家強.Web日志中用戶頻繁路徑快速挖掘算法研究[J].計算機工程與應用，2005，(22):164-167.

[6] 況莉莉.Apriori算法與FP-tree算法的探討[J].淮北煤炭師范學院學報：自然科學版，2010，(2)：44-49.

附錄1：教學情況調(diào)查表

教學情況表，主要涉及學生學習的動機、任課教師教學情況、教學管理軟硬件情況、教學效果調(diào)查四個層面，具體的內(nèi)容如下：

一、基本情況調(diào)查

1.學生來源：[ ] 本校學生 [ ] 外校學生

2.你的性別：[ ] 男生 [ ] 女生

3.你的主修專業(yè)學科類別：[ ]文 [ ]理 [ ]工 [ ]管理 [ ]經(jīng)濟 [ ]教育 [ ]法學

4.你的輔修專業(yè)學科類別：[ ]文 [ ]理 [ ]工 [ ]管理 [ ]經(jīng)濟

二、你為什么要學習輔修專業(yè)(其中1～5為學習動機外因，6～10為學習動機內(nèi)因)

1.學習輔修專業(yè)是因為父母的愿望和要求。