李瑩 羅嬌敏 閔芳

南京航空航天大學(xué)金城學(xué)院信息工程系

基于數(shù)據(jù)挖掘的高校教學(xué)評(píng)估系統(tǒng)的研究

李瑩 羅嬌敏 閔芳

南京航空航天大學(xué)金城學(xué)院信息工程系

對(duì)于高等院校來說，如何從眾多的成績數(shù)據(jù)中選取對(duì)于教育決策分析有用的信息，成為一個(gè)亟需解決的問題。本文通過深入研究數(shù)據(jù)挖掘的經(jīng)典算法，尋找適合的算法，建立數(shù)據(jù)挖掘模型。然后以學(xué)院中某個(gè)專業(yè)的歷史數(shù)據(jù)為研究對(duì)象，搭建數(shù)據(jù)倉庫，設(shè)計(jì)整體架構(gòu)。經(jīng)過多次的調(diào)研和實(shí)踐，最終確定采用聚類分析進(jìn)行實(shí)施。將學(xué)生通過聚類而不是分?jǐn)?shù)段分為五類，然后通過課程組、整體成績趨勢等多種方式加以分析，通過直觀的數(shù)據(jù)圖標(biāo)加以呈現(xiàn)，更加準(zhǔn)確及時(shí)的了解教學(xué)情況，以輔助教學(xué)。

數(shù)據(jù)挖掘 K-means算法 教學(xué)評(píng)估 聚類分析

1 問題提出

作為多年從事教育工作的筆者，常年面對(duì)學(xué)院產(chǎn)生的大量數(shù)據(jù)，例如學(xué)籍管理、學(xué)科管理、招生、就業(yè)、教職工管理等系統(tǒng)，其中包含了眾多能夠反饋出學(xué)院教學(xué)狀況的信息，但是由于其數(shù)據(jù)量實(shí)在龐大，且涉及的部門眾多，單純靠人力來解讀較為困難。因此，如何從數(shù)據(jù)中“掘金”，是本文討論的主要問題。

2 教學(xué)評(píng)估系統(tǒng)的架構(gòu)

本文設(shè)計(jì)的教學(xué)評(píng)估系統(tǒng)總體由三層結(jié)構(gòu)組成：數(shù)據(jù)層、邏輯層和表示層。表示層主要負(fù)責(zé)數(shù)據(jù)的輸入輸出，作為界面展示；數(shù)據(jù)層負(fù)責(zé)數(shù)據(jù)的預(yù)處理；邏輯層則提供專業(yè)的數(shù)據(jù)分析和挖掘。

3 高校數(shù)據(jù)的預(yù)處理

本文選取的是某高校信息工程專業(yè)的課程成績及設(shè)置，期望以該專業(yè)說明數(shù)據(jù)挖掘?qū)Ω咝?shù)據(jù)分析的過程。由于不同專業(yè)間課程差異較大，核心課程各異，數(shù)據(jù)處理必須分不同專業(yè)進(jìn)行，這也是教育領(lǐng)域數(shù)據(jù)挖掘較大的難點(diǎn)之一。但是其數(shù)據(jù)處理的思路與算法思想基本相同，僅是數(shù)據(jù)預(yù)處理的時(shí)候需要根據(jù)專業(yè)特色來制定。建議該預(yù)處理的過程尋求各專業(yè)內(nèi)部人士給出參考意見，收集本專業(yè)中的核心課程。同時(shí)還需要其了解專業(yè)的課程設(shè)置和學(xué)生情況，如近年來是否存在較大課程改革，學(xué)生學(xué)籍調(diào)動(dòng)等，以免產(chǎn)生較大誤差及噪聲數(shù)據(jù)。

最終選取的是信息工程專業(yè)的核心課程（共16門），形成兩張關(guān)系表。其中“數(shù)據(jù)信息表”存放的是課程信息，定義專業(yè)課程的名稱，學(xué)時(shí)，學(xué)分，課程類別，課程類型和考試方式等信息。而“成績信息表”則存放了學(xué)生的成績信息，將原有的教務(wù)數(shù)據(jù)進(jìn)行數(shù)據(jù)重構(gòu)，一行元組代表一個(gè)學(xué)生所有專業(yè)的成績情況，每個(gè)屬性代表一門專業(yè)課程的最終成績，統(tǒng)一采用百分制。這樣處理學(xué)生數(shù)據(jù)的原因是根據(jù)聚類的特性，將一個(gè)學(xué)生數(shù)據(jù)看成多維空間的一個(gè)數(shù)據(jù)點(diǎn)，成績的差異可以通過計(jì)算數(shù)據(jù)點(diǎn)的距離絕對(duì)值，則根據(jù)該距離的遠(yuǎn)近可以可以實(shí)現(xiàn)學(xué)生的聚類。

4 聚類算法應(yīng)用分析

經(jīng)過多次調(diào)研和實(shí)踐，最終選用聚類分析中K-means算法來完成分析。聚類分析屬于無指導(dǎo)學(xué)習(xí)，其挖掘不需要預(yù)先定義的類標(biāo)簽，而是通過大量數(shù)據(jù)找到其分布規(guī)則。由于數(shù)據(jù)來源于真實(shí)的教育背景，其數(shù)據(jù)存在一定的噪聲（如退學(xué)、留級(jí)導(dǎo)致的數(shù)據(jù)缺失等），預(yù)處理需要將這些數(shù)據(jù)刪除。

在算法實(shí)踐方面，選用WEKA作為算法分析工具，WEKA是當(dāng)今較為先進(jìn)的機(jī)器學(xué)習(xí)算法及數(shù)據(jù)預(yù)處理工具。由新西蘭懷卡托大學(xué)開發(fā)，JAVA實(shí)現(xiàn)，幾乎可運(yùn)行在所有主流的操作平臺(tái)。WEKA為預(yù)處理以及后處理提供了統(tǒng)一的方法，可以指定學(xué)習(xí)算法應(yīng)用于給定的數(shù)據(jù)源，同時(shí)將不同的學(xué)習(xí)方案計(jì)算的結(jié)果給出評(píng)估。

K-means算法是基于劃分的聚類，嘗試找出最小平方誤差函數(shù)值的K個(gè)劃分。算法復(fù)雜度為O（nkt），其中n是數(shù)據(jù)集的數(shù)目，k是簇?cái)?shù)目，t為迭代次數(shù)。算法需要預(yù)先指定簇?cái)?shù)目k，而對(duì)于教務(wù)數(shù)據(jù)，由于學(xué)生的成績好壞基本分成五大類，簇?cái)?shù)目很好確定。同時(shí)，算法較容易受到“噪聲”和孤立數(shù)據(jù)的影響，少量的誤差數(shù)據(jù)會(huì)對(duì)計(jì)算的結(jié)果產(chǎn)生極大影響，這也是教務(wù)數(shù)據(jù)需要進(jìn)行較復(fù)雜的人工指導(dǎo)下的預(yù)處理的原因。

綜上所述，對(duì)于學(xué)生成績選用K-means算法來進(jìn)行聚類是較為合適的，根據(jù)成績的絕對(duì)值差距將學(xué)生分為五類。通過主觀觀察和分析簇中心、簇占比等一系列數(shù)據(jù)，確定合適的算法參數(shù)（seed值等）作為先驗(yàn)知識(shí)，最終選取合適的聚類結(jié)果，再采用柱狀圖的方式加以直觀的展示。

多次對(duì)比試驗(yàn)后，發(fā)現(xiàn)以下信息：

①一般情況下，平方誤差的多少是評(píng)判聚類好壞的標(biāo)準(zhǔn)，該數(shù)據(jù)越小說明簇內(nèi)數(shù)據(jù)距離越小，則簇內(nèi)數(shù)據(jù)越接近，即學(xué)生的成績?cè)浇咏?。因此在判定不同參?shù)條件下聚類的好壞，該數(shù)據(jù)作為最重要的評(píng)判依據(jù)。

②為了找到更合適的聚類，在其他參數(shù)不變的情況下，更改隨機(jī)種子值（seed值）。seed值是聚類隨機(jī)選取的種子，一般在10%以內(nèi)?；诒疚牡臄?shù)據(jù)集為769條，seed值一般控制在80以下。隨著seed值的改變，聚類的表現(xiàn)相對(duì)較穩(wěn)定，有存在著一定的浮動(dòng)。但為了得到最為合適的聚類結(jié)果，還是需要人為選擇最合適的seed值。

③在seed值選為70的時(shí)候，產(chǎn)生了0%的聚類。究其原因是發(fā)現(xiàn)了單條記錄作為孤立點(diǎn)被判為單獨(dú)的簇，該簇占比太小，因此約等于0%。該條記錄有三門課程為零分，但其他課程分?jǐn)?shù)較正常，推測可能為學(xué)生換專業(yè)的原因?qū)е?。為什么僅在seed值為70的時(shí)候發(fā)現(xiàn)這種情況？由于K-means算法參數(shù)中的seed的選擇與輸入數(shù)據(jù)的順序直接關(guān)聯(lián)，因此該算法很大程度下會(huì)依賴于數(shù)據(jù)的輸入順序。

④通過觀察簇中心，在學(xué)生成績預(yù)處理合適的情況下，能夠獲得了較佳的聚類效果。但是如果數(shù)據(jù)預(yù)處理不夠合理，可能會(huì)因?yàn)閿?shù)據(jù)缺失等嚴(yán)重影響聚類效果。

綜合考慮以上的聚類結(jié)果，對(duì)seed值不同產(chǎn)生的不同聚類表現(xiàn)，最終選擇的數(shù)據(jù)結(jié)果參數(shù)如下：簇?cái)?shù)目numClusters=5，seed=40。

5 聚類下的教學(xué)評(píng)估體系

最終聚類結(jié)果：聚類“0”為成績最好的學(xué)生，占比17%，課程平均分89分；聚類“2”成績次之，占比21%，課程平均分79分；聚類“4”成績居中，占比25%，課程平均分68分；聚類“1”成績較差，占比22%，課程成績平均分56分；聚類“3”成績最差，占比15%，課程平均分43分。

該學(xué)生劃分也可以作為其他數(shù)據(jù)挖掘的分析依據(jù)，以下分別從課程組和整體成績趨勢來做分析：

5.1 按課程組分析

數(shù)學(xué)類課程組共四門必修課，通過對(duì)比數(shù)據(jù)可以發(fā)現(xiàn)，優(yōu)秀學(xué)生各科表現(xiàn)都比較好，這也表示出數(shù)學(xué)類課程對(duì)于個(gè)人素質(zhì)的體現(xiàn)。對(duì)于學(xué)院在新生選拔時(shí)選取數(shù)學(xué)作為考核科目，是較為合適的。

然而對(duì)于“差”和“較差”這兩類學(xué)生來說，《高等數(shù)學(xué)(II)（下）》和《概率論與數(shù)理統(tǒng)計(jì)(II)》成績則出現(xiàn)了明顯下滑，這種下滑在其它簇的學(xué)生中并未出現(xiàn)，說明若這一階段數(shù)學(xué)課程出現(xiàn)掛科，應(yīng)引起學(xué)生和老師足夠重視，督促學(xué)生端正學(xué)習(xí)態(tài)度，加重學(xué)習(xí)時(shí)間的投入。

分析專業(yè)課程，可以發(fā)現(xiàn)《信號(hào)與系統(tǒng)》和《數(shù)字電路》這兩門課程在五類學(xué)生中都出現(xiàn)了明顯下滑，說明該課程的學(xué)習(xí)具有一定的難度，輔導(dǎo)員和班主任在指導(dǎo)該門課程的時(shí)候可以對(duì)學(xué)生提出特別提示，學(xué)生學(xué)習(xí)時(shí)也要格外的加強(qiáng)學(xué)習(xí)！

5.2 整體成績趨勢分析

將成績按照學(xué)期劃分后，可以發(fā)現(xiàn)一些重要的信息。如大一上學(xué)期，學(xué)生的總體成績不錯(cuò)，尤其是高等數(shù)學(xué)。成績優(yōu)秀的學(xué)生，四年來的成績基本保持穩(wěn)定，基本為90分上下；而成績較差的學(xué)生，從大二上學(xué)期開始，成績就明顯發(fā)生了嚴(yán)重下滑，也就是該階段成績拉大了差距。而在大三上學(xué)期，這類學(xué)生有明顯提升了成績，基本與大一一致。數(shù)據(jù)表明，學(xué)生在大學(xué)后學(xué)習(xí)態(tài)度有明顯的變化過程，針對(duì)這一變化，輔導(dǎo)員和班主任有必要對(duì)學(xué)生加以警示和指導(dǎo)，以更好的提升教學(xué)質(zhì)量！

6 結(jié)束語

隨著信息技術(shù)的發(fā)展，當(dāng)今社會(huì)早已步入“大數(shù)據(jù)時(shí)代”，數(shù)據(jù)挖掘技術(shù)的研究和應(yīng)用不斷出現(xiàn)且日趨成熟，作為新技術(shù)傳播者的高校更不能落后。筆者有多年高校的工作經(jīng)驗(yàn)，結(jié)合具體的學(xué)院教學(xué)數(shù)據(jù)利用數(shù)據(jù)挖掘技術(shù)進(jìn)行深入研究，使用K-means算法完成數(shù)據(jù)預(yù)處理和聚類，通過數(shù)據(jù)重構(gòu)后的數(shù)據(jù)分析，將根學(xué)生分成五大類，而不是簡單的分?jǐn)?shù)段判別方式，進(jìn)而評(píng)定教學(xué)質(zhì)量。最后，根據(jù)不同學(xué)生在不同階段的成績情況，給出了課程學(xué)習(xí)的指導(dǎo)建議。

但是目前的工作還存在著很多不足之處，本文僅就單專業(yè)完成數(shù)據(jù)分析，要形成供整個(gè)學(xué)院指導(dǎo)用途的系統(tǒng)，還需要完善專業(yè)課程的數(shù)據(jù)處理信息。另外還可以考慮融入更多的數(shù)據(jù)挖掘技術(shù)，如關(guān)聯(lián)規(guī)則挖掘，神經(jīng)網(wǎng)絡(luò)，決策樹分析等，為學(xué)院提供更多的決策支持。

［1］Ian H.Witten, Eibe Frank. Data Mining: Practical Machine Learning Tools and Techniques, Second Edition[M], China Machine Press, 2005

［2］Ballou D P, Tayi G K. Decision aid for the selection and scheduling of software maintenance projects[J]. IEEE Transactions on System, Man and Cybernetics Part A: Systems and Humans. 1996,26(2):203～212

［3］王珊，薩師煊著. 數(shù)據(jù)庫系統(tǒng)概論[M]. 北京：高等教育出版社. 2006. [22]王珊，薩師煊著. 數(shù)據(jù)庫系統(tǒng)概論[M].北京：高等教育出版社. 2006

［4］S.Guha, R.Rastogi, and K.Shim. Cure: An efficient clustering algorithm for large databases. In Proc. 1998 ACM-SIGMOD Int. Conf. Management of Data(SIGMOD’98), pages 73-84, Seattle, WA, June 1998

［5］陳曦，王執(zhí)銓著. 決策支持系統(tǒng)理論與方法研究綜述[J].控制與決策. 2006(9):961～968

［6］G.Karypis, E.-H. Han, and V.Kumar. CHAMELEON: A hierarchical clustering algorithm using dynamic modeling. COMPUTER, 32:68-75, 1999

［7］任明侖，楊善林. 智能決策支持系統(tǒng)：研究現(xiàn)狀與挑戰(zhàn)[J].系統(tǒng)工程學(xué)報(bào). 2002(5):430～440

［8］維克托.邁爾.舍爾伯格，肯尼思.庫克耶（英）著.大數(shù)據(jù)時(shí)代[M].浙江人民出版社.2013

［9］朱德利.就業(yè)信息的數(shù)據(jù)挖掘及其分析[J].重慶師范大學(xué)學(xué)報(bào)（自然科學(xué)版）2014. (31)120～125

［10］毛海軍，唐煥文著. 智能決策支持系統(tǒng)（IDSS）研究進(jìn)展[J]. 小型微型計(jì)算機(jī)系統(tǒng)

2015年江蘇省高等教育教改研究“獨(dú)立學(xué)院計(jì)算機(jī)類專業(yè)人才培養(yǎng)模式研究與實(shí)踐”（課題編號(hào)：2015JSJG564）。

李瑩（1983-），女（漢），湖南省常德市，講師，碩士，主要研究方向?yàn)樗惴ㄔO(shè)計(jì)與分析，數(shù)據(jù)庫原理，人工智能等。

羅嬌敏（1984-），女（漢），江西省高安市，講師，碩士，主要研究方向?yàn)椴僮飨到y(tǒng)，系統(tǒng)安全，計(jì)算機(jī)網(wǎng)絡(luò)等。

閔芳（1980-），女（漢），江蘇省宜興市，講師，碩士，主要研究方向?yàn)閿?shù)據(jù)安全，虛擬化存儲(chǔ)，數(shù)據(jù)結(jié)構(gòu)等。