李 川

（重慶師范大學(xué)涉外商貿(mào)學(xué)院教務(wù)處 重慶 401520）

數(shù)據(jù)挖掘技術(shù)和在高校教學(xué)系統(tǒng)中的實際應(yīng)用研究

李 川

（重慶師范大學(xué)涉外商貿(mào)學(xué)院教務(wù)處 重慶 401520）

數(shù)據(jù)挖掘技術(shù)優(yōu)勢明顯，分析結(jié)果準確，可以為高校領(lǐng)導(dǎo)提供準確的數(shù)據(jù)依據(jù)，因此在各大高校開始應(yīng)用和普及。下面主要分析了數(shù)據(jù)挖掘技術(shù)的基本理論，了解其基本原理；分析了挖掘數(shù)據(jù)的方法，針對企業(yè)需求的不同，分析的重點不同，合理選擇數(shù)據(jù)挖掘方式；同時結(jié)合實際案例，分析了高校教師的教學(xué)質(zhì)量，學(xué)生英語六級的通過情況，通過數(shù)據(jù)挖掘技術(shù)，總結(jié)了相關(guān)規(guī)律，發(fā)現(xiàn)了一些問題，為高校以后的教學(xué)工作提供了一些有建設(shè)性的意見。

數(shù)據(jù)挖掘技術(shù) 高校教學(xué)系統(tǒng) 實際應(yīng)用

高校辦學(xué)宗旨就是提高辦學(xué)水平，提高學(xué)員升學(xué)率，為社會提供有價值的學(xué)生。對于高校教學(xué)管理系統(tǒng)而言，其收集整理了大量的教學(xué)信息，但是很多數(shù)據(jù)只是個擺設(shè)，沒有發(fā)揮其價值，因此在一定程度上影響辦學(xué)質(zhì)量，影響領(lǐng)導(dǎo)做決策。相關(guān)技術(shù)人員將數(shù)據(jù)挖掘技術(shù)引入到了高校教學(xué)系統(tǒng)中，利用先進的分析方法，可以總結(jié)數(shù)據(jù)規(guī)律，對數(shù)據(jù)進行分類，為高校決策提供數(shù)據(jù)依據(jù)，將教學(xué)數(shù)據(jù)的作用發(fā)揮到最大。下面就對這些方面進行分析，希望給有關(guān)人士一些借鑒。

一、分析數(shù)據(jù)挖掘技術(shù)的基本理論

由于計算機技術(shù)的發(fā)展和普及，當前信息技術(shù)得到了廣泛應(yīng)用，人們也進入到了大數(shù)據(jù)時代，不同行業(yè)為了得到準確數(shù)據(jù)，以數(shù)據(jù)為依據(jù)進行決策判斷，普及和推廣了數(shù)據(jù)庫系統(tǒng)，主要進行存儲、管理企業(yè)發(fā)展過程中的所有數(shù)據(jù)。由于該技術(shù)發(fā)展時間較短，在很多功能技術(shù)方面還不成熟，智能進行簡單的數(shù)據(jù)管理和處理，影響其作用的發(fā)揮。除此之外，當前社會快速發(fā)展，人們對數(shù)據(jù)越來越依賴，同時要求對數(shù)據(jù)進行快速分析和處理，提高工作效率。針對這一需求，相關(guān)單位研究出了數(shù)據(jù)挖掘技術(shù)，其可以從海量數(shù)據(jù)庫、數(shù)據(jù)中找到人們需要的內(nèi)容，通過在搜索這部分信息時，工作人員可以以模式、規(guī)律、規(guī)則、概念等規(guī)則進行搜索，縮小搜索范圍，找到有效的信息。對于數(shù)據(jù)挖掘而言，主要是從大量的信息中挖掘沒有加工整理的數(shù)據(jù)，這部分數(shù)據(jù)對相關(guān)需求用戶是有價值的，該技術(shù)涉及到很多行業(yè)和領(lǐng)域，例如有人工神經(jīng)網(wǎng)絡(luò)、機器學(xué)習、數(shù)據(jù)庫技術(shù)、高性能計算技術(shù)等，下面主要分析數(shù)據(jù)挖掘技術(shù)在高校教學(xué)系統(tǒng)中的實際應(yīng)用情況，總結(jié)使用的經(jīng)驗和效果，對以后的技術(shù)發(fā)展提出幾點建議和要求，為以后的發(fā)展奠定基礎(chǔ)[1]。

二、分析數(shù)據(jù)挖掘技術(shù)中挖掘數(shù)據(jù)的基本方法

1、分析分類挖掘數(shù)據(jù)的方法

對數(shù)據(jù)進行分類挖掘主要是先設(shè)定不同的類別，對大量數(shù)據(jù)按照一定的規(guī)則進行分類，這樣就可以構(gòu)建出一個模型或分類函數(shù)，之后將數(shù)據(jù)項映射到所制定的類別當中，在此基礎(chǔ)上，使用分類規(guī)則對相關(guān)數(shù)據(jù)進行預(yù)測和分類，這種方法必須應(yīng)用到已經(jīng)分類號的訓(xùn)練集中[2]。這種分類分析可以分為兩個階段，第一階段，建立模型對一個已知的數(shù)據(jù)分類規(guī)則進行描述，利用已知的訓(xùn)練集、分類項等對分類模型進行訓(xùn)練，這種分類模型可以表示為人工神經(jīng)網(wǎng)絡(luò)、決策樹、IF-THEN規(guī)則等，之后選用測試數(shù)據(jù)對模型的準確性進行檢測，如果發(fā)現(xiàn)這一模型分類得到的結(jié)果不準確，技術(shù)人員可以對其繼續(xù)進行訓(xùn)練，直到分類比較準確，達到一個穩(wěn)定的值為止[3]。

2、分析預(yù)測挖掘技術(shù)的方法

對數(shù)據(jù)進行預(yù)測分析是先發(fā)現(xiàn)數(shù)據(jù)項隨著時間變化的規(guī)律，主要應(yīng)用回歸分析方法，其屬于典型的預(yù)測分析方式，在分析中需要大量的已知數(shù)據(jù)，將時間作為其中的一個變量，這樣就可以得到相應(yīng)的回歸函數(shù)，這樣就總結(jié)出數(shù)據(jù)隨著時間變化的規(guī)律，一般預(yù)測是以分類作業(yè)工作基礎(chǔ)的，對預(yù)測的結(jié)果只能依靠時間進行檢驗，因此只有經(jīng)過一段時間后才能知道預(yù)測的是否準確。

3、分析關(guān)聯(lián)規(guī)則挖掘數(shù)據(jù)的方法

采用關(guān)聯(lián)規(guī)則方式進行數(shù)據(jù)挖掘時，對大量的數(shù)據(jù)進行分析，從而找到數(shù)據(jù)項之間的關(guān)聯(lián)性，其通常表示為A=＞B[4]，簡而言之，當滿足A的數(shù)據(jù)項后，其也可能滿足B的要求，通過不同的關(guān)聯(lián)規(guī)則就可以反映出數(shù)據(jù)的不同規(guī)律，在此基礎(chǔ)上可以很好的預(yù)測事件的發(fā)展情況。通過這一方法可以準確預(yù)測出實例數(shù)量，該技術(shù)應(yīng)用范圍十分廣泛[5]，例如沃爾瑪超市發(fā)現(xiàn)對于男性顧客而言，在購買尿不濕的同時也會購買啤酒，因此沃爾瑪管理人員果斷決定將尿不濕和啤酒放到一起，在這兩方面取得了很好的銷售業(yè)績。由此可見，從大量的數(shù)據(jù)中找到關(guān)聯(lián)規(guī)則，對企業(yè)領(lǐng)導(dǎo)做決策有很大的幫助，除此之外，這一方法也是進行數(shù)據(jù)挖掘方法的基礎(chǔ)[6]。

4、分析聚類挖掘數(shù)據(jù)的方式

對數(shù)據(jù)采取聚類的分析方式，就是將大量數(shù)據(jù)按照一定的特點將其自然的分成不同的組別，有效減少相同一類數(shù)據(jù)項之間的不同，從而增大不同類別數(shù)據(jù)之間的不同，這種分類方式可以保證同一類的數(shù)據(jù)內(nèi)容的相似度，這樣再進行數(shù)據(jù)挖掘中，就可以提高挖掘數(shù)據(jù)的效率，可以在短時間內(nèi)找到所需要的大量數(shù)據(jù)，提高了數(shù)據(jù)的應(yīng)用效果[7]。雖然挖掘數(shù)據(jù)的方法不同，但是一般其挖掘的流程都是一樣的，為了保證得到相關(guān)規(guī)律的準確性，要確保各個環(huán)節(jié)工作的質(zhì)量，尤其在數(shù)據(jù)準備中，確保數(shù)據(jù)的真實性和有效性，確保數(shù)據(jù)的權(quán)威性，否則以這一數(shù)據(jù)挖掘計算得到的結(jié)果實際應(yīng)用價值有限。

進行數(shù)據(jù)挖掘過程中，要先定義目標，確定具體的挖掘目標，工作中就是進行需求分析；然后做好數(shù)據(jù)準備，針對調(diào)查對象的不同，準備相關(guān)的數(shù)據(jù)，數(shù)據(jù)要充足可靠，保證分析結(jié)果準確；在挖掘數(shù)據(jù)中，將隱含的規(guī)律挖掘出來，先確定分析方法的類型，結(jié)合具體的分析方法，選用一種合適的算法，最終找到相關(guān)的規(guī)律；在結(jié)果表示階段，結(jié)合用戶的需要，將發(fā)現(xiàn)的數(shù)據(jù)規(guī)律做進一步轉(zhuǎn)換，一般都是轉(zhuǎn)變?yōu)槎M制的數(shù)字，方便使用算法進行計算，根據(jù)得到的數(shù)據(jù)規(guī)律，結(jié)合不同的領(lǐng)域需求，將結(jié)果應(yīng)用到特定的領(lǐng)域中，為決策人員提供決策依據(jù)，確保決策的科學(xué)性和有效性。為了保證工作質(zhì)量，工作過人員必須保證數(shù)據(jù)準備的充足，合理的選用算法，并結(jié)合不同的領(lǐng)域使用數(shù)據(jù)規(guī)律，總結(jié)其中的問題，提出合理化建議等。

三、評估高校教師的教學(xué)質(zhì)量應(yīng)用情況

1、關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘方法分析

為了提高學(xué)生的能力，把好教師職稱評定這一關(guān)，有必要使用數(shù)據(jù)挖掘技術(shù)對教師的教學(xué)質(zhì)量情況進行評估。常用的評估方式是統(tǒng)計分析，對學(xué)生的評價、成績等數(shù)據(jù)進行收集和整理，然后利用加權(quán)計算的方式計算出教師的得分情況，得到的數(shù)據(jù)就是評定的一項指標。但是這一評定方法科學(xué)性差，沒有很強的權(quán)威性，在教學(xué)過程中很多重要的數(shù)據(jù)都沒有進行挖掘，針對這一情況，技術(shù)人員通過關(guān)聯(lián)規(guī)則方法進行評估，得到了很好的效果。關(guān)聯(lián)規(guī)則是從大量數(shù)據(jù)中挖掘各個數(shù)據(jù)項之間的依賴關(guān)系[8]，表示為X→Y，支持度=s%，置信度=c%規(guī)則；在全體事件中，在X的事件中有c%也滿足事件Y，通過置信度可以直接表示X→Y關(guān)聯(lián)的強度，記作confidence（X→Y，可以將最小的置信度記作minConf，通過用戶就會給定[9]。對于關(guān)聯(lián)規(guī)則X→Y的支持度s%而言，表示在全體事件集合D中，有s%事件同時滿足X、Y。支持度表示X→Y關(guān)聯(lián)的頻度，記作Support（X），可以將最小的支持度記作minSup。分析中主要分為兩個步驟，第一步，做到全體集合的數(shù)據(jù)庫，分析所有的頻繁項集；第二步，利用頻繁項集生成關(guān)聯(lián)規(guī)則[10]。這種分析方法可以得到很好的效果，一般針對收集的數(shù)據(jù)分析，很難得到相關(guān)規(guī)律，而且挖掘數(shù)據(jù)規(guī)律不細致，但是通過從海量數(shù)據(jù)進行關(guān)聯(lián)方式分析，可以得到這一數(shù)據(jù)和另一數(shù)據(jù)之間的關(guān)系，進而加深對數(shù)據(jù)的理解，掌握數(shù)據(jù)背后對相關(guān)工作，領(lǐng)導(dǎo)決策的幫助。

2、分析Apriori的具體算法

對于Apriori算法而言，選用迭代法進行分析和計算，例如從頻繁k-項集搜索得到頻繁（k+1）的項集，具體進行計算時掌握其流程，先準確將頻繁1-項集挖掘出來，其將會作為迭代的起點，之后利用迭代方法對頻繁k-項集的數(shù)據(jù)進行挖掘，一般是先挖掘出候選頻繁k-項集，結(jié)合最小置信度minsup進行數(shù)據(jù)的篩選， 最終會得到頻繁k-項集，最終將所有的頻繁k-項集都進行合并；在此之后，可以從頻繁項集中將所有的關(guān)聯(lián)規(guī)則都挖掘出來，結(jié)合minConf得到頻繁關(guān)聯(lián)規(guī)則，確保準確挖掘出相關(guān)的數(shù)據(jù)[11]。

3、分析管理分析方法實踐應(yīng)用情況

先準備相關(guān)的數(shù)據(jù)，以某高校為例，從其管理系統(tǒng)數(shù)據(jù)庫中得到500條有關(guān)教師教學(xué)評價的信息，然后將其中的六個屬性挑選出來，分別是評價分數(shù)、學(xué)歷、職稱、教齡、性別、教師編號，同時將這些指標轉(zhuǎn)化成二進制數(shù)字，有利于后續(xù)的程序計算，例如可以將教授、副教授、講師轉(zhuǎn)換成00、01、11。之后選用上述管理規(guī)則分析方法進行分析，設(shè)定搜索目標是評價分數(shù)在90分以上，其可以判定教師的教學(xué)質(zhì)量，如果滿足這一要求，那么就說明教師教學(xué)質(zhì)量屬于優(yōu)秀級別。通過這一方法進行搜索，得到了143條記錄，計算出其最小的置信度minSup=15%，最小的支持度minConf=10%，最終得到了關(guān)聯(lián)規(guī)則情況，可以參考下表。關(guān)聯(lián)規(guī)則教授→優(yōu)秀，置信度=82.5%，支持度=21%，其表示在教師當中，職稱是教授、評價分數(shù)在90分以上，占到總?cè)藬?shù)的21%；除此之外，在所有教授當中，評價分數(shù)在90分以上，滿足這兩項要求占到總?cè)藬?shù)的82.5%。在此之后評價實驗結(jié)果，通過分析得知學(xué)生青睞女教師和男教師的概率基本相同；當教師的學(xué)歷越高時， 其整體的教學(xué)效果就越好， 說明高學(xué)歷的教師基本功更為扎實，具有很高的科研水平，除此之外，由支持度得知該校的高學(xué)歷教師較多，因此這一高校領(lǐng)導(dǎo)的辦學(xué)水平很高。

四、分析評估學(xué)生成績的方法實踐應(yīng)用

1、決策樹方法評估學(xué)生的成績

在進行高校教學(xué)工作中，學(xué)生成績是教學(xué)質(zhì)量的重要指標，也是衡量一個學(xué)校辦學(xué)水平的重要指標，因此必須嚴格進行考核。傳統(tǒng)的成績評估就是利用簡單的人工算法，雖然有海量的數(shù)據(jù)，但是不能對其進行全面、綜合的分析，相關(guān)技術(shù)人員引用了決策樹的方法進行數(shù)據(jù)挖掘分析。其屬于一種分類分析方法，根據(jù)訓(xùn)練集對大量數(shù)據(jù)進行分類，搜索潛在具有價值的信息，進而有效預(yù)測事物的發(fā)展情況，對以后的決策提供數(shù)據(jù)支持。一般在應(yīng)用中可以分為兩個步驟來完成：第一，建立決策樹，根據(jù)訓(xùn)練集的數(shù)據(jù)，利用遞歸方法訓(xùn)練生成決策樹；第二，根據(jù)生成的決策樹，輸入相關(guān)數(shù)據(jù)，對數(shù)據(jù)進行分類和預(yù)測。構(gòu)建時其從上到下進行遞歸構(gòu)建，根節(jié)點可以判斷起始狀態(tài)，根節(jié)點到不同的葉子節(jié)點路徑就是一個決策。

2、分析ID3計算方法的使用情況

使用ID3算法時，可以利用信息增益的方式作為屬性的選擇標準，對決策樹中不同節(jié)點進行屬性選擇，各個節(jié)點都可以得到很大的類別信息，具體應(yīng)用該算法時，第一，對數(shù)據(jù)項目中的屬性寬度進行優(yōu)化，選擇其中信息增益最大的屬性，將其作為決策樹的節(jié)點，以這一節(jié)點為基礎(chǔ)，結(jié)合屬性不同取不同的值，構(gòu)建這一節(jié)點的分支；第二，使用遞歸的方法繼續(xù)構(gòu)建分支中的分支；第三，當同一類別的數(shù)據(jù)都被相關(guān)子集包含時，這一算法就自動結(jié)束，最終得到?jīng)Q策樹。這種算法操作簡單，而且容易實現(xiàn)，具有較強的訓(xùn)練能力，但是也存在一定的缺點，例如對噪音敏感，得到的結(jié)果不穩(wěn)定等。

3、分析C4.5算法的實踐應(yīng)用情況

傳統(tǒng)的C4.5算法存在一定的問題，因此在以后的發(fā)展中，工作人員對其做了一定程度的優(yōu)化，該算法繼承了ID3算法的優(yōu)點，在此基礎(chǔ)上進行了優(yōu)化，因此其達到的效果會更好。第一點，為了解決決ID3算法使用中，信息增益選擇屬性結(jié)果偏向選擇取值多的屬性問題，該算法利用信息增益率進行屬性的選擇；第二點，為了有效減小算法運行的開銷，提高工作效率，這一算法在構(gòu)造決策樹時做了剪枝處理；第三點，這一算法可以把連續(xù)屬性離散化，有效處理連續(xù)屬性；第四點，該算法還可以對不完整的數(shù)據(jù)進行處理。和其他算法進行對比，這一算法優(yōu)勢較為明顯，計算中得到的分類規(guī)則、結(jié)果很容易理解，表示非常清楚，但是在執(zhí)行算法中需要大量掃描相關(guān)數(shù)據(jù)，并進行排序，如果數(shù)據(jù)集很大時，算法效率會很低，針對這一問題， C4.5算法在內(nèi)存數(shù)據(jù)集中可以進行分類挖掘，不能大規(guī)模進行挖掘。在數(shù)據(jù)處理過程中，對于特殊情況有必要進行剪枝處理，利用C4.5、ID3方法構(gòu)建決策樹，如果受到異常數(shù)據(jù)的影響之后，導(dǎo)致其分支較多，因此決策的規(guī)模很大，嚴重制約了決策樹算法執(zhí)行的效率，對于得到的分類結(jié)果而言，對訓(xùn)練集產(chǎn)生很大的依賴性，就是所謂的訓(xùn)練過度。為了有效避免這一問題，執(zhí)行這一算法中對相關(guān)的分支做修剪處理，一般分為事后修剪和事前修剪，得到的效果沒有很大的差別。

4、分析評估學(xué)生成績時使用決策樹算法的效果

以某高校英語班為例，分析這一班級英語六級的通過情況，分析方法是決策樹的方法。第一，做好數(shù)據(jù)的準備工作，從相應(yīng)的教學(xué)管理系統(tǒng)中抽取1000條學(xué)生成績進行記錄，選擇和研究目標相關(guān)的屬性，包括英語六級通過情況、英語四級成績、入學(xué)英語成績、性別、生源地等，將數(shù)據(jù)進行離散化，可以將入學(xué)成績分為 0～60、60～90、90～110、110～130、130～150，得到相關(guān)的訓(xùn)練數(shù)據(jù)集，最終將數(shù)據(jù)指標變?yōu)槎M制數(shù)值，方便程序進行運算。

利用這種方法進行數(shù)據(jù)挖掘時，這次研究目標是六級通過情況，因此可以將其分為通過和未通過，使用決策樹算法程序?qū)Ω鱾€屬性信息增益情況進行計算，英語四級成績是最大的信息增益，將這一屬性作為決策根節(jié)點，之后按照順序遞歸分支，做好剪枝操作就可以得到一顆決策樹。

通過這次實踐應(yīng)用結(jié)果得知，在分析中使用決策樹方式進行挖掘，可以得到相關(guān)的數(shù)據(jù)規(guī)律，通過高校管理層結(jié)合數(shù)據(jù)情況，分析管理中存在的問題，對以后的管理工作進行完善，提高管理水平。第一點，對于英語六級的通過情況而言，主要影響因素是四級的成績，如果學(xué)生的具有很高的四級水平，那么其應(yīng)用水平就很高，那么在以后學(xué)習中，通過英語六級的概率增大；第二點，和男生相比，女生通過六級的概率更高，男生一般比較貪玩，英語成績達到老師的要求即可，沒有進行深入的學(xué)習，而女生學(xué)習比較認真，因此英語基礎(chǔ)較好。第三點，生源地是重要的指標，由于學(xué)生之前的學(xué)校辦學(xué)水平不同，極大影響學(xué)生的學(xué)習成績，很多學(xué)校不重視英語教學(xué)，因此這部分學(xué)生的英語水平一般，影響了其以后的學(xué)習和發(fā)展，導(dǎo)致英語六級的通過率低。第四點，通過數(shù)據(jù)顯示英語入學(xué)成績和六級是否通過沒有必然的聯(lián)系，二者的影響不是很大，因此針對這一調(diào)查中，高校在以后的辦學(xué)發(fā)展中，可以針對四級成績較低的學(xué)生進行英語培訓(xùn)，強化英語筆試訓(xùn)練，除此之外，教師日常教學(xué)中加強對男生、農(nóng)村學(xué)生的培養(yǎng)，一般其英語水平比較薄弱，如果教學(xué)速度過快，或者沒有讓學(xué)生有一個適應(yīng)過程，那么這部分學(xué)生很容易根本上，直接導(dǎo)致英語學(xué)習效果進一步下降， 因此教學(xué)中予以更多的關(guān)注，加強其學(xué)習方面的監(jiān)督；教師在日常教學(xué)中，要具有虛心的態(tài)度，教學(xué)工作之余不斷進行自我學(xué)習、自我深造，提高在英語方面的水平，補充在英語方面的知識儲備，重點對教學(xué)方法進行學(xué)習，結(jié)合班級整體學(xué)生的特點和英語水平，選擇合適的教學(xué)方法，針對英語能力較差的學(xué)生，抽出時間對其進行特殊教學(xué)，及時彌補其之前落下的功課。由此可見，為了提高英語六級的通過率，教師要具備較高水平的教學(xué)能力，分析班級現(xiàn)實情況，選擇科學(xué)的方法有針對性的進行教學(xué)，提高學(xué)生的成績，提高高校的辦學(xué)水平。

五、總結(jié)

通過以上對數(shù)據(jù)挖掘技術(shù)和在高校教學(xué)系統(tǒng)中的實際應(yīng)用分析，發(fā)現(xiàn)數(shù)據(jù)挖掘技術(shù)作用非常大，和傳統(tǒng)的數(shù)據(jù)統(tǒng)計分析相比，這一技術(shù)可以總結(jié)、分析出很多有價值的數(shù)據(jù)，為高校辦學(xué)提供決策依據(jù)。通過分析決策樹。關(guān)聯(lián)分析等方法，以高校為例進行了教學(xué)管理方面的分析，得到了一些有價值的數(shù)據(jù)規(guī)律，這樣高校在辦學(xué)過程中，可以根據(jù)數(shù)據(jù)情況進行完善、改革和做決策，傳統(tǒng)數(shù)據(jù)統(tǒng)計雖然也具有一定的價值，但是其對數(shù)據(jù)的利用度有限，不能綜合、全面進行數(shù)據(jù)分析，因此對決策的質(zhì)量有很大影響，在以后的發(fā)展中要繼續(xù)優(yōu)化數(shù)據(jù)挖掘技術(shù)，讓其發(fā)揮更大的作用。

[1]曹煜.高校教學(xué)質(zhì)量測評系統(tǒng)的開發(fā)及數(shù)據(jù)倉庫與數(shù)據(jù)挖掘技術(shù)在其中的應(yīng)用[D].東北大學(xué),2015.114-115.

[2]王可安,賈存良,李質(zhì)勇.基于SQL Server 2015的數(shù)據(jù)挖掘技術(shù)在高校教學(xué)評價中的應(yīng)用研究[J].棗莊學(xué)院學(xué)報，2011,26(5):99-104.

[3]高云輝.數(shù)據(jù)挖掘技術(shù)在高校教學(xué)評價中的應(yīng)用研究[J].吉林省教育學(xué)院學(xué)報旬刊,2013(1):36-37.

[4]吳淼.數(shù)據(jù)挖掘技術(shù)在高校圖書管理系統(tǒng)中的應(yīng)用研究[J].內(nèi)蒙古科技與經(jīng)濟,2012(3):83-84.

[5]孫艷.數(shù)據(jù)倉庫與數(shù)據(jù)挖掘技術(shù)在高校教學(xué)管理系統(tǒng)中的應(yīng)用研究[D].中國石油大學(xué),2010.(11):44-46.

[6]姜文秀.數(shù)據(jù)挖掘技術(shù)在高校教學(xué)質(zhì)量監(jiān)控與評估系統(tǒng)中的應(yīng)用研究[D].南京理工大學(xué),2012.(13):201-201.

[7]嚴忠貞.高校教學(xué)質(zhì)量評價信息系統(tǒng)中數(shù)據(jù)挖掘技術(shù)的研究與應(yīng)用[J].今日科苑,2011(6):241-242.

[8]宋黎明.基于歸納學(xué)習的數(shù)據(jù)挖掘技術(shù)在高校教學(xué)研究中的應(yīng)用[J].黑龍江科技信息,2010(15):144-144.

[9]李忻.數(shù)據(jù)挖掘在高校教學(xué)質(zhì)量評價系統(tǒng)中的應(yīng)用研究[D].華北電力大學(xué)(保定),華北電力大學(xué), 2011.

[10]張敬,姚書科.探討數(shù)據(jù)挖掘技術(shù)在教學(xué)評估系統(tǒng)中的應(yīng)用[J].軟件導(dǎo)刊, 2012,11(2):157-158.

[11]杜芳芳.數(shù)據(jù)挖掘技術(shù)在遠程教學(xué)輔助系統(tǒng)中的應(yīng)用研究[J].河南科技, 2011(6X):40-41.

G434

A

2095-3089（2017）27-0032-03