摘 要： 為了提升獨(dú)立學(xué)院的辦學(xué)質(zhì)量，以獨(dú)立學(xué)院教務(wù)系統(tǒng)數(shù)據(jù)為研究對象，以優(yōu)化的Apriori算法為主要思想，開發(fā)了基于學(xué)生預(yù)警和教師教學(xué)效果預(yù)測新型功能的數(shù)據(jù)挖掘系統(tǒng)。能實(shí)現(xiàn)對可能不及格的學(xué)生和可能教學(xué)效果不理想的課程老師及早提示，大幅消除對后續(xù)課程的影響并減少不及格人數(shù)，對提升獨(dú)立學(xué)院的整體教學(xué)效果起到重要作用。

關(guān)鍵詞： 數(shù)據(jù)挖掘； 效果預(yù)測； 教務(wù)管理； Apriori算法

中圖分類號： TN911?34； TP311 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2016）17?0136?04

0 引 言

數(shù)據(jù)挖掘是一種能從海量數(shù)據(jù)中智能提取到有價(jià)值并關(guān)聯(lián)信息與知識并有效支持決策的一種技術(shù)，在某些普通本科高等院校教學(xué)管理中已有應(yīng)用[1]，然而由于獨(dú)立院校歷史短暫，學(xué)生數(shù)據(jù)相比較少，通過文獻(xiàn)檢索，并沒有文章研究過數(shù)據(jù)挖掘技術(shù)在獨(dú)立學(xué)院課程預(yù)測中的應(yīng)用。

本文基于數(shù)據(jù)挖掘理論[2]，采用優(yōu)化的Apriori算法[3]為主要方法，以我院萬名學(xué)生的學(xué)生教務(wù)系統(tǒng)數(shù)據(jù)庫為數(shù)據(jù)源，智能分析出學(xué)生不同課程考試成績之間的關(guān)聯(lián)性，在原有教務(wù)系統(tǒng)的功能上增加了學(xué)生成績預(yù)警，教師教學(xué)效果預(yù)測兩個功能，這樣學(xué)生在學(xué)習(xí)一門新的課程的時(shí)候，就會得到一些預(yù)警信息，如前期某些課程沒有學(xué)好會不會對本門課程的學(xué)習(xí)造成很大影響，同樣，教師在教授這門課程的時(shí)候，系統(tǒng)也會給出一個統(tǒng)計(jì)報(bào)告，給出前期相關(guān)課程的班級總體情況，如果按照一般教學(xué)有可能會得到一個什么樣的教學(xué)效果，對本專業(yè)后續(xù)課程會帶來何種影響，這樣老師在教學(xué)過程中就會注意前期知識點(diǎn)的影響，及時(shí)補(bǔ)救，就能大大減少學(xué)生不及格的情況，提升教學(xué)質(zhì)量。

2 系統(tǒng)架構(gòu)與設(shè)計(jì)

2.1 系統(tǒng)總體架構(gòu)

系統(tǒng)主要采用微軟的.NET開發(fā)工具M(jìn)icrosoft Visual Studio 2010中的Business Intelligence Development Studio為開發(fā)環(huán)境，采取標(biāo)準(zhǔn)三層架構(gòu)[5]設(shè)計(jì)開發(fā)，表示層主要實(shí)現(xiàn)教務(wù)系統(tǒng)的一般功能，學(xué)生主要可以查詢成績，教師教務(wù)員等權(quán)限可以錄入、修改、刪除、統(tǒng)計(jì)成績，本系統(tǒng)表示層增加了對于可信度與置信度的最小設(shè)定，并可設(shè)定課程相關(guān)度的預(yù)警因子[6]，學(xué)生登錄后可以自動對可能學(xué)不好的課程做預(yù)警提示，教師登錄后可自動預(yù)測教師即將教授課程的預(yù)測統(tǒng)計(jì)表。業(yè)務(wù)邏輯層主要實(shí)現(xiàn)關(guān)聯(lián)挖掘算法，主要采用優(yōu)化之后的Apriori算法，能快速對關(guān)聯(lián)數(shù)據(jù)實(shí)現(xiàn)挖掘，并將結(jié)果反饋到表示層。數(shù)據(jù)層主要對采用Sqlserver 2010以及配套的Data Mining實(shí)現(xiàn)原始數(shù)據(jù)存儲，挖掘數(shù)據(jù)庫[4]的建立，關(guān)聯(lián)規(guī)則庫的抽取。三層架構(gòu)如圖1所示。

2.2 數(shù)據(jù)庫的邏輯結(jié)構(gòu)設(shè)計(jì)

系統(tǒng)運(yùn)行的原始數(shù)據(jù)存儲在SQLServer 2010物理數(shù)據(jù)庫中，其設(shè)計(jì)符合一般數(shù)據(jù)庫原理，達(dá)到了BC范式[7]，消除了插入刪除更新異常以及數(shù)據(jù)大量冗余等問題，其包含了學(xué)生基礎(chǔ)信息表，課程基礎(chǔ)信息表，學(xué)生選課成績表，教師信息表，教室信息表等11張二維表，并存儲了總共約5 000萬條元組的數(shù)據(jù)量，創(chuàng)建關(guān)聯(lián)規(guī)則庫[8]，設(shè)定最小的支持度與置信度[9]，采用優(yōu)化Apriori算法創(chuàng)建相對應(yīng)的關(guān)聯(lián)規(guī)則二維表，通過關(guān)聯(lián)規(guī)則對原始數(shù)據(jù)進(jìn)行篩選處理，得到了以學(xué)號為主關(guān)鍵字的學(xué)生成績信息等匯總數(shù)據(jù)表，為數(shù)據(jù)挖掘做前期鋪墊。

3 數(shù)據(jù)挖掘?qū)嵗治?/p>

3.1 前期數(shù)據(jù)準(zhǔn)備

以我校某院09級（1）班54名計(jì)算機(jī)師范專業(yè)同學(xué)為研究對象，選取理工科課程成績數(shù)據(jù)為例，通過相應(yīng)的數(shù)據(jù)挖掘算法分析，找到各科課程成績的內(nèi)在關(guān)聯(lián)，為學(xué)生的學(xué)習(xí)，老師的教學(xué)提供數(shù)據(jù)決策支撐，為方便表述，表1中高等數(shù)學(xué)1的成績表示為GDSX1，計(jì)算機(jī)導(dǎo)論成績表示為JSJDL，網(wǎng)頁編程成績表示為WYBC，線性代數(shù)成績表示為XXDS，表1給出了以學(xué)號為主鍵的大學(xué)四年成績匯總表。

3.2 數(shù)據(jù)篩選及轉(zhuǎn)換

該班54名學(xué)生中有1名學(xué)生考入強(qiáng)化部，1名學(xué)生轉(zhuǎn)專業(yè)轉(zhuǎn)入商學(xué)院，后續(xù)課程無關(guān)聯(lián)，因此從挖掘數(shù)據(jù)庫中排除，得出有效選課成績元組1 664條（平均每學(xué)期選取了4門理工科課程），統(tǒng)計(jì)大學(xué)所有課程成績，為數(shù)據(jù)挖掘方便需要對數(shù)據(jù)進(jìn)行格式化處理，為以后該專業(yè)學(xué)生的學(xué)習(xí)做數(shù)據(jù)預(yù)警和老師教學(xué)效果做出預(yù)測，考慮到了獨(dú)立學(xué)院學(xué)生的特殊性，自覺性比一般本科院校學(xué)生差，不及格率更高，90分以上學(xué)生較少，本文對成績等級區(qū)分做了細(xì)化處理，成績與等級關(guān)系如表2所示。

對表1和表2數(shù)據(jù)進(jìn)行轉(zhuǎn)換統(tǒng)計(jì)，得出如表3所示的成績等次統(tǒng)計(jì)表。

根據(jù)表3，對照Apriori算法設(shè)定最小支持度[10]為0.2，班級總?cè)藬?shù)為52名，那么最小支持人數(shù)必須達(dá)到52×0.2即10.4名，如果這門課程所在等次的人數(shù)不足10.4名時(shí)，則需排除在數(shù)據(jù)挖掘庫中，因此設(shè)定最小支持度為0.2時(shí)選取的數(shù)據(jù)如表4所示。

分析表4可知，很多課程經(jīng)過篩選之后仍然存在兩個以上的等級，不滿足算法惟一性的要求，需要對所有數(shù)據(jù)進(jìn)行進(jìn)一步處理，按照表4所列課程從左到右的順序掃描，依次重新進(jìn)行數(shù)據(jù)賦值轉(zhuǎn)換，即GDSX1課程等級C轉(zhuǎn)換成L1，GDSX1課程等級E轉(zhuǎn)換成L2，JSJDL課程等級A轉(zhuǎn)換成L3，JSJDL課程等級C轉(zhuǎn)換成L4，WYBC課程等級A轉(zhuǎn)換成L5，WYBC課程等級B轉(zhuǎn)換成L6，其余依次轉(zhuǎn)換，最后以學(xué)號為主鍵，建立了大學(xué)四年8個學(xué)期的總挖掘數(shù)據(jù)庫如表5所示。

3.3 關(guān)聯(lián)規(guī)則表的生成

通過多次調(diào)整，設(shè)置數(shù)據(jù)挖掘時(shí)支持度Support[≥]0.7，置信度Confidence[≥]0.6時(shí)，選取改進(jìn)Apriori算法，得到103條關(guān)聯(lián)規(guī)則見表6。

3.4 關(guān)聯(lián)結(jié)果對于學(xué)生與教師的應(yīng)用

3.4.1 學(xué)生預(yù)警功能建立

學(xué)生登錄教務(wù)系統(tǒng)之后，除了能看到自己以往成績、課表外信息外，還能獲得一些成績預(yù)警信息，例如某生這學(xué)期將學(xué)習(xí)數(shù)據(jù)庫原理這門課程，而以往學(xué)習(xí)的面向?qū)ο蟪绦蛟O(shè)計(jì)課程只考了53分，依據(jù)表6的關(guān)聯(lián)規(guī)則，如果學(xué)生不引起注意，那將有91%的可能性不及格，對于類似該生這種情況，系統(tǒng)將自動發(fā)出預(yù)警提示，給出一些避免不及格的建議，應(yīng)該主動去補(bǔ)習(xí)面向?qū)ο蟪绦蛟O(shè)計(jì)這門課程，如果數(shù)據(jù)庫原理再不及格，對于以后的.NET語言程序設(shè)計(jì)也會造成重大影響，長此以往將無法取得學(xué)位，甚至畢業(yè)都困難，這樣學(xué)生就知道學(xué)不好這門課程是受到前面哪些課程的影響。

3.4.2 教師教學(xué)效果預(yù)測

任課教師登錄教務(wù)系統(tǒng)之后，除了能看到自己的教學(xué)任務(wù)外，還能看到任課班級學(xué)生情況，系統(tǒng)會自動根據(jù)設(shè)定的置信度因子對大于置信度因子的數(shù)據(jù)預(yù)測不及格人數(shù)的多少，對學(xué)生大學(xué)四年課程影響程度。例如某數(shù)據(jù)庫原理教師登錄，系統(tǒng)會自動給出本課程所有學(xué)生信息，并給出將會對本課程造成相應(yīng)的預(yù)測信息及本課程將會對其他課程造成的影響，最后給出本課程對學(xué)生大學(xué)四年課程影響程度及關(guān)聯(lián)程度，如果預(yù)測不及格率（根據(jù)置信度[≥]0.8統(tǒng)計(jì)）人數(shù)占比大于等于40%則為嚴(yán)重，大于等于20%為一般，大于等于0%則為輕微，如果預(yù)測影響后續(xù)課程門數(shù)（根據(jù)置信度[≥]0.8統(tǒng)計(jì)）大于等于5門則為嚴(yán)重，大于等于3門則為一般，大于等于0門則為輕微，教師將會看到統(tǒng)計(jì)表如表7所示。

如果影響等級、關(guān)聯(lián)等級都比較高，教師就不能按部就班的去教學(xué)，應(yīng)該考慮到獨(dú)立學(xué)院學(xué)生的基礎(chǔ)性、自覺性都較弱，應(yīng)該注重給學(xué)生去引導(dǎo)和補(bǔ)習(xí)前序課程的缺失，系統(tǒng)一方面已對學(xué)生做了課程預(yù)警，又能提醒教師主動適應(yīng)學(xué)生去教學(xué)，雙管齊下，這樣教學(xué)效果能得到大幅提升。

4 結(jié) 語

以獨(dú)立學(xué)院萬人學(xué)生成績?yōu)樗{(lán)本，采用了優(yōu)化的Apriori算法對其數(shù)據(jù)進(jìn)行轉(zhuǎn)換挖掘，得出關(guān)聯(lián)規(guī)則，為學(xué)生的學(xué)習(xí)提出預(yù)警功能，為教師的教學(xué)做出教學(xué)效果預(yù)測，從而指引教師的教學(xué)與學(xué)生的學(xué)習(xí)，有助于提高教學(xué)質(zhì)量，提高學(xué)生的畢業(yè)率與學(xué)位授予率。

參考文獻(xiàn)

[1] GILBERT S， LYNCH N. Brewer′s conjecture and the feasibility of consistent， available， partition?tolerant Web services [J]. ACM SIGACT news， 2002， 33（2）： 51?59.

[2] BACA R， KRATKY M. TJDewey： on the efficient path labe?ling scheme holistic approach [C]// Proceedings of 2009 International Workshops of Database Systems for Advanced Applications. Brisbane： Springer， 2009： 6?20.

[3] 劉美玲，李熹，李永勝.數(shù)據(jù)挖掘技術(shù)在高校教學(xué)與管理中的應(yīng)用[J].計(jì)算機(jī)工程與設(shè)計(jì)，2010，31（5）：1129?1133.

[4] 梁盾.數(shù)據(jù)挖掘算法與應(yīng)用[M].北京：北京大學(xué)出版社，2007：35?42.

[5] 鄭偉.一種基于粗糙集理論的特征選擇方法[J].河北北方學(xué)院學(xué)報(bào)（自然科學(xué)版），2009，25（1）：32?35.

[6] 董彩云.數(shù)據(jù)挖掘及其在高校教學(xué)系統(tǒng)中的應(yīng)用[J].濟(jì)南大學(xué)學(xué)報(bào)（自然科學(xué)版），2004，18（1）：39?42.

[7] 魏萍萍，王翠茹，王保義，等.數(shù)據(jù)挖掘技術(shù)及其在高校教學(xué)系統(tǒng)中的應(yīng)用[J].計(jì)算機(jī)工程，2003，29（11）：87?89.

[8] 朱迪茨.實(shí)用數(shù)據(jù)挖掘[M].北京：電子工業(yè)出版社，2004：67?77.

[9] 楊陽，李明東.數(shù)據(jù)挖掘在提高學(xué)生成績中的應(yīng)用[J].通化師范學(xué)院學(xué)報(bào)，201l，11（4）：238?241.

[10] 羅曉芳.基于模糊評價(jià)的學(xué)生綜合素質(zhì)挖掘方法[J].南昌大學(xué)學(xué)報(bào)（理科版），2006（6）：613?615.