孫云帆

一、引言

基于教育的數(shù)據(jù)挖掘應(yīng)用研究是現(xiàn)今教育研究的重點與難點，這方面研究是將來自教育環(huán)境中獨特的數(shù)據(jù)進行去噪與預(yù)測，并運用由此得來的有效方法來更好地掌握學(xué)生的性格與進行更有效的課程改革。數(shù)據(jù)挖掘就是從大量的、有噪的、沒有規(guī)則的數(shù)據(jù)中提取有效的且對未來需要的數(shù)據(jù)預(yù)測的有用模式或知識。所以，將教育資源的龐大數(shù)據(jù)庫中存儲著龐大的、無序的數(shù)據(jù)通過不同的數(shù)據(jù)挖掘技術(shù)功能，即得到學(xué)校、教師等需要的有效教育教學(xué)數(shù)據(jù)、發(fā)現(xiàn)其中未知的數(shù)據(jù)以及這些數(shù)據(jù)之間的關(guān)系。利用基于教育的數(shù)據(jù)挖掘技術(shù)應(yīng)用可以得到：有輟學(xué)傾向的學(xué)生或者因為其他原因輟學(xué)的學(xué)生，學(xué)生之間的融洽度，通過對入學(xué)考試的分析，預(yù)測學(xué)生的學(xué)習(xí)成績、優(yōu)劣點以及最終達到的認知水平，發(fā)現(xiàn)學(xué)生感興趣與不感興趣的學(xué)科，預(yù)測學(xué)生在學(xué)術(shù)上可能獲得的成就，可以根據(jù)學(xué)生不同的學(xué)習(xí)風(fēng)格利用計算機或者其他相關(guān)技術(shù)編程設(shè)計中對學(xué)生的表現(xiàn)進行分類，比較學(xué)校在教學(xué)和學(xué)生管理之間的相似性和差異。

二、數(shù)據(jù)挖掘的功能與基于教育的數(shù)據(jù)挖掘應(yīng)用研究

（一）關(guān)聯(lián)規(guī)則

關(guān)聯(lián)規(guī)則的最終結(jié)果就是在龐大的數(shù)據(jù)庫中找出一組或者幾組數(shù)據(jù)之間關(guān)系的相似性。如果一組數(shù)據(jù)中大部分?jǐn)?shù)據(jù)之間存在一定的關(guān)聯(lián)關(guān)系，那么這個組中的其他數(shù)據(jù)就能通過關(guān)聯(lián)規(guī)則預(yù)測到。發(fā)現(xiàn)關(guān)聯(lián)規(guī)則的步驟：

1.搜索所有數(shù)據(jù)中的頻繁項集。

2.由搜索得出的頻繁項集生成盡可能相似的最小信任度閾值的分類規(guī)則。

圖1是有原始數(shù)據(jù)通過關(guān)聯(lián)規(guī)則挖掘，得出顯示了生成的項集&頻繁項集的最小支持度計算是2。

關(guān)聯(lián)規(guī)則的支持度和信任度可以作為由用戶設(shè)定初值后機器篩選數(shù)據(jù)的條件。信任度就是廣泛待開發(fā)的原始數(shù)據(jù)庫中蘊含的強度，即A中B%的擁有X元素且同時擁有N、M。若A的支持度是 support(N)，規(guī)則的信任度為即為 support(N、M)/support(N)，其實就是在 A 中的概率 P（N|M），即 confidence（N、M）=P（N|M）。用戶規(guī)定的支持度的上下極值就是支持度閾值。圖2是一個關(guān)于關(guān)聯(lián)規(guī)則支持度和信任度的例子，如果趙、錢、孫、李、周擁有不同的物品，但是物品是彼此有聯(lián)系的，通過關(guān)聯(lián)規(guī)則可以得出：支持度發(fā)現(xiàn)了擁有面包的人一定擁有礦泉水；信任度發(fā)現(xiàn)了擁有方便面和礦泉水的大部分人擁有面包。

圖1 顯示了生成的項集&頻繁項集的最小支持度計算是2

圖2 關(guān)聯(lián)規(guī)則信任度和支持度的案例

（二）分類

分類就是首先分析預(yù)先設(shè)定初值的數(shù)據(jù)，而后為每個類別設(shè)定分類模型，再對原始數(shù)據(jù)庫中的其他數(shù)據(jù)進行分類。數(shù)據(jù)挖掘技術(shù)的分類技術(shù)在教育中的應(yīng)用也被稱為監(jiān)督式學(xué)習(xí)，分類的步驟如下。

1.構(gòu)建模型:最初需要設(shè)定數(shù)據(jù)樣本或者條件。每個數(shù)據(jù)或者數(shù)據(jù)組樣本都被認定為分類的條件。這些由用戶設(shè)定的數(shù)據(jù)樣本或者條件都會作為分類技術(shù)中試驗數(shù)據(jù)。該模型通過數(shù)據(jù)挖掘中的分類規(guī)則、決策樹或數(shù)學(xué)公式來表示。這個模型如圖3所示。

圖3 學(xué)習(xí)步驟與模型結(jié)構(gòu)

2.使用模型:此步主要是使數(shù)據(jù)通過數(shù)據(jù)挖掘給定的分類模型后預(yù)測與發(fā)現(xiàn)未知的數(shù)據(jù)。模型主要是比較待開發(fā)的數(shù)據(jù)與分類設(shè)定的數(shù)據(jù)樣本和條件相比得出數(shù)據(jù)，而后比較其與設(shè)定數(shù)據(jù)樣本和條件的相似性。數(shù)據(jù)樣本是單獨的，反之將會增加數(shù)據(jù)分類的時間。這個模型如圖4所示。

圖4 模型使用（分類）

利用基于教育的數(shù)據(jù)挖掘應(yīng)用技術(shù)，會預(yù)測學(xué)生的未來發(fā)展以及以后的成就。評判該技術(shù)得出的結(jié)果是否合理利用數(shù)據(jù)挖掘技術(shù)中的決策樹規(guī)則。

3.預(yù)測。預(yù)測可以看成是預(yù)測未知的數(shù)據(jù)和缺失的值，就是應(yīng)用于模型的連續(xù)價值函數(shù)。在這個模型中，可以得出一個數(shù)據(jù)組中的一些未知數(shù)據(jù)。基于教育的數(shù)據(jù)挖掘技術(shù)可以用來預(yù)測學(xué)生的行為以及預(yù)測學(xué)生的學(xué)習(xí)成果。如圖5所示。

圖5 預(yù)測與了解學(xué)生的學(xué)習(xí)成果

4.聚類分析。數(shù)據(jù)挖掘技術(shù)中的聚類分析在教育中被稱為非監(jiān)督式學(xué)習(xí)方法，主要是將大量無規(guī)則數(shù)據(jù)有關(guān)聯(lián)的或者相似進行分組，每組之間的性質(zhì)以及相似性基本一樣，可以發(fā)現(xiàn)相對于該組數(shù)據(jù)中表現(xiàn)異常的數(shù)據(jù)。聚類分析和其分類如圖6所示。

圖6 聚類分析和其分類

在基于教育的數(shù)據(jù)挖掘技術(shù)應(yīng)用中，聚類分析可以通過學(xué)生通常的一些習(xí)慣和做法對擁有相似特點的學(xué)生進行分類。如果需要區(qū)分相對性格活潑的學(xué)生中性格稍微內(nèi)向或者過于活潑的學(xué)生，就可以利用聚類分析來得出。

三、結(jié)語

日趨復(fù)雜的學(xué)生特點以及嚴(yán)峻的課程改革方案一直都是我國教育的一塊難以根除的痢疾。本文通過研究數(shù)據(jù)挖掘技術(shù)以及教育的特點，利用數(shù)據(jù)挖掘在現(xiàn)在社會的成功案例證明了數(shù)據(jù)挖掘在教育中的應(yīng)用是可行的，且可以優(yōu)化現(xiàn)在課程改革的方法。本文敘述了通過對數(shù)據(jù)挖掘功能、數(shù)據(jù)挖掘技術(shù)的應(yīng)用案例以及教育的特點分析，利用已有的教育資源以及對每個學(xué)生的了解情況，可以得到每個學(xué)生的學(xué)習(xí)特點或者是個性以及學(xué)生在學(xué)科學(xué)習(xí)中的普遍難易點，以此幫助學(xué)?；蛘呓處煾行У膶W(xué)生進行管理或者是學(xué)科改革。

[1]孫云帆，齊美玲.數(shù)據(jù)挖掘在教育應(yīng)用中的淺析[J].北京：商場現(xiàn)代化，2012(8)，693：161-162

[2]韓家煒.數(shù)據(jù)挖掘概念與技術(shù)[M].北京：機械工業(yè)出版社，2007

[3]Behrouz.et.al.，(2003)Predicting Student Performance:An Application of Data Mining Methods with The Educational Web-Based System Lon-CAPA?2003 IEEE[J]，Boulder，CO

[4]劉宇，王滸，李成名等.數(shù)據(jù)挖掘和知識發(fā)現(xiàn)的技術(shù)方法[J].北京：測繪科學(xué)，2000(4):36－39

[5]郭崇慧，田鳳占.數(shù)據(jù)挖掘教程[M].北京：北京清華大學(xué)出版社，2005