敖培

摘要：本文首先分析了信息技術(shù)考試成績分析的必要性。在此基礎(chǔ)上，以我校高一某班級第一學(xué)期信息技術(shù)期末考試成績?yōu)檠芯繉ο螅捎肒-Means聚類算法對學(xué)生群體分類，針對不同分類學(xué)生的特點提出了相應(yīng)的差異化教學(xué)輔導(dǎo)策略；采用Apriori關(guān)聯(lián)規(guī)則算法對學(xué)生知識點掌握情況進行了關(guān)聯(lián)分析，針對分析結(jié)果提出了相應(yīng)的精細(xì)化教學(xué)輔導(dǎo)策略，為教師精準(zhǔn)化教學(xué)輔導(dǎo)提供有益的指導(dǎo)。

關(guān)鍵詞：考試成績挖掘；K-Means算法；Apriori算法；教學(xué)輔導(dǎo)策略

中圖分類號：G642.0 文獻標(biāo)志碼：A 文章編號：1674-9324（2018）44-0201-02

一、分析信息技術(shù)考試成績數(shù)據(jù)的必要性

1.教師改進教學(xué)方法和提高教學(xué)能力的需要。成功的教學(xué)是依照學(xué)生的認(rèn)知規(guī)律，根據(jù)學(xué)生已有的知識基礎(chǔ)和接受能力，以及每個學(xué)生的各種差異因材施教。而因材施教的依據(jù)，可以在信息技術(shù)課程教學(xué)活動中獲得，更多的是在對各階段考試結(jié)果的分析中獲得。通過對學(xué)生考試成績的分析，教師可以了解學(xué)生對教材使用情況和對教法的適應(yīng)情況，了解學(xué)生對各知識點的掌握程度，以便在下一輪教學(xué)中調(diào)整教學(xué)內(nèi)容和教學(xué)方法，改進教與學(xué)的關(guān)系，以適應(yīng)學(xué)生的特點，滿足學(xué)生的需求。

2.學(xué)生檢驗知識掌握情況和提高知識運用能力的需要。教師對考卷進行分析之后，要及時將考試整體情況及分析結(jié)果反饋給學(xué)生。通過教師的引導(dǎo)，學(xué)生參照試卷分析結(jié)果，診斷出自身問題所在。學(xué)生通過把每次階段考試的經(jīng)驗教訓(xùn)進行總結(jié)，有利于彌補知識和能力的缺陷。學(xué)生明確自身存在的問題后，會對自己本學(xué)科學(xué)習(xí)形成一個較為全面的認(rèn)識，通過后續(xù)教師的指導(dǎo)，改進學(xué)習(xí)方法，對自身薄弱環(huán)節(jié)進行有針對性的補救和強化，為與此相關(guān)聯(lián)的后續(xù)課程的順利學(xué)習(xí)奠定良好基礎(chǔ)。

二、研究對象描述

本文以我校高一某班級2017—2018學(xué)年第一學(xué)期信息技術(shù)期末考試成績?yōu)檠芯繉ο蟆１敬慰荚嚬?0道單選題，總分100分，主要考查了信息編碼、信息處理系統(tǒng)和信息傳輸三章中的20個知識點。該班級共有學(xué)生48人，此次考試最高分94分，最低分44分，班級平均分為70分，學(xué)生成績各分?jǐn)?shù)段分布基本上滿足正態(tài)分布。

三、基于學(xué)生成績聚類的差異化輔導(dǎo)

1.基于K-Means的學(xué)生群體分類。K-Means聚類算法是一種基于劃分的聚類方法，是十大經(jīng)典數(shù)據(jù)挖掘算法之一[1，2]。該算的基本思想是：以空間中K個點為中心進行聚類，對最靠近它們的對象歸類。通過迭代的方法，逐次更新各聚類中心的值，直至得到最好的聚類結(jié)果。在對試卷難度進行分析后，將整個試題分為基礎(chǔ)題、中等題和難度題三大類，其中基礎(chǔ)題30題，中等題14題，難度題6題。根據(jù)三類題目得分情況，采用基于MATLAB軟件中的K-Means函數(shù)對學(xué)生進行聚類，其中樣本數(shù)為48個，聚類數(shù)為6。根據(jù)聚類結(jié)果可以得到六類學(xué)生的成績特點。第一類，基礎(chǔ)題和中等題一般，難度題較差；第二類，基礎(chǔ)題和難度題一般，中等題較好；第三類，基礎(chǔ)題和中等題一般，難度題較好；第四類，基礎(chǔ)題和中等題較差，難度題一般；第五類，三種題型均較好；第六類，基礎(chǔ)題較好，中等題和難度題一般。

2.基于聚類結(jié)果的差異化輔導(dǎo)策略。通過對學(xué)生成績的聚類，可以看出整個班級學(xué)生成績的分布情況。可以根據(jù)聚類結(jié)果對各類學(xué)生進行差異化輔導(dǎo)，有效地提高每個學(xué)生的成績。具體輔導(dǎo)策略如下：對于第一類基礎(chǔ)和知識運用能力較一般的學(xué)生，需要著重夯實基礎(chǔ)，提高基礎(chǔ)知識運用的能力；對于第二類知識運用能力較好但基礎(chǔ)不扎實的學(xué)生，需要在平時夯實基礎(chǔ)；對于第三類學(xué)生，此類學(xué)生思維較為靈活，但對于基礎(chǔ)知識疏于識記和運用，需要在平時加以督促；對于第四類學(xué)生需要重點關(guān)注，要從基礎(chǔ)抓起，逐步提高；對于第五類成績較為優(yōu)異的學(xué)生可以引導(dǎo)學(xué)生拓展知識面，鼓勵他們參加各種相關(guān)競賽；對于第六類基礎(chǔ)較為扎實的學(xué)生，平時需要注重對基礎(chǔ)知識的運用。

四、基于知識點關(guān)聯(lián)規(guī)則挖掘的精細(xì)化輔導(dǎo)

1.基于Apriori的學(xué)生知識點掌握關(guān)聯(lián)分析。Apriori關(guān)聯(lián)規(guī)則算法是最經(jīng)典的挖掘頻繁項集的算法，其核心思想是通過連接產(chǎn)生候選項及其支持度，然后通過剪枝生成頻繁項集[3]。本文首先以考試涉及的20個知識點為屬性，記為{A，…，T}。將某班級學(xué)生每個知識點對應(yīng)各題目得分進行累加，得到48個學(xué)生20個屬性的得分。然后，進行數(shù)據(jù)規(guī)范化。以該知識點得分超過該知識點總分的60%表示學(xué)生掌握了該知識點，否則認(rèn)為學(xué)生未掌握該知識點。掌握的20個知識點的記為{A1，…，T1}，未掌握的記為{A2，…，T2}最后，采用MATLAB自定義的Apriori函數(shù)提取學(xué)生知識點掌握的關(guān)聯(lián)規(guī)則，其中支持度閾值設(shè)為0.3，置信度閾值設(shè)為0.7，得到6條規(guī)則：（1）A2，B2->C2；（2）A1->F1，G1；（3）B2->D2，E2；（4）N1，O1->S1，T1；（5）J2，K2->L2，M2；（6）J1->K1。

2.基于關(guān)聯(lián)分析結(jié)果的強化輔導(dǎo)策略。（1）關(guān)鍵知識點細(xì)致化講解。由第1—3條規(guī)則可知，如果“信息數(shù)字化及其作用”和“信息編碼的基本原則”兩個知識點的掌握情況不是很好，那么“數(shù)制轉(zhuǎn)換”、“英文字符編碼”、“圖像編碼”和“聲音編碼”這幾個知識點的掌握情況也不是很好，規(guī)則置信度均在75%以上。說明理解好“信息數(shù)字化及其作用”和“信息編碼的基本原則”兩個知識點，對于“數(shù)制轉(zhuǎn)換”和編碼實例等知識點的掌握是及其重要的。因此，諸如“信息數(shù)字化及其作用”這樣對于后續(xù)知識掌握至關(guān)重要的知識點，在教學(xué)輔導(dǎo)過程中應(yīng)該重點、詳細(xì)地講解。（2）注重知識點的銜接輔導(dǎo)。由第4條規(guī)則可知，如果“計算機網(wǎng)絡(luò)傳輸信息的常見載體及其特點”和“計算機網(wǎng)絡(luò)的常見連接硬件”兩個知識點掌握情況較好，那么“計算機網(wǎng)絡(luò)中標(biāo)識計算機的主要方式及其特點”和“TCP協(xié)議和IP協(xié)議的作用及主要工作過程”這兩個知識點掌握的情況也較好，規(guī)則置信度達到80.37%以上。前一組考察兩個知識點的概念，后一組考察兩個知識點的運用，說明理解好前一組知識點有助于理解后一組知識點并解決實際問題。因此，在教學(xué)輔導(dǎo)過程中應(yīng)該按照知識點前后銜接，合理安排教學(xué)輔導(dǎo)內(nèi)容，讓學(xué)生對于前后的知識點融會貫通。（3）強化概念性知識點的識記。由第5和第6條規(guī)則可知，如果“馮·諾依曼主要思想與計算機結(jié)構(gòu)”和“計算機指令、程序和軟件”兩個知識點掌握情況不是很好，那么“計算機網(wǎng)絡(luò)傳輸信息的特點”和“計算機網(wǎng)絡(luò)的主要分類和主要應(yīng)用”這兩個知識點的掌握情況也不是很好，規(guī)則置信度達到79%以上。而前后兩組知識點分屬不同章節(jié)，內(nèi)容的前后關(guān)聯(lián)度并不是很強。但是經(jīng)過仔細(xì)分析后，試題中兩組知識點均為概念題，通過此關(guān)聯(lián)規(guī)則看出學(xué)生平時對于基礎(chǔ)概念是疏于識記的，因此導(dǎo)致對于兩組知識點均掌握的不夠好。在輔導(dǎo)和平時教學(xué)過程中，應(yīng)該重視并隨時督促學(xué)生對概念性知識的識記。

參考文獻：

[1]K Hornik，I Feinerer，M Kober，et al.Spherical k-Means Clustering[J].Journal of Statistical Software，2017，50，（10）：1-22

[2]李曉瑜，俞麗穎，雷航，等.一種K-means改進算法的并行化實現(xiàn)與應(yīng)用[J].電子科技大學(xué)學(xué)報，2017，46（1）：61-68.

[3]H Toivonen.Apriori Algorithm[J].Encyclopedia of Machine Learning，2017：39-40.

Abstract：Firstly，the necessity of analyzing the results of the information technology examination is analyzed in this paper. Secondly，the results of first semester final exam of information technology of one class are taken as the research object in my high school. K-Means clustering algorithm is used to classify the students. Based on the different characteristics of classified students，the corresponding difference teaching and tutoring strategy is put forward. Finally，students' mastery of knowledge points is analyzed by using Apriori association rules algorithm. In order to provide useful guidance for precise teaching of teachers，the corresponding strategies of fine teaching is put forward according to the results of the analysis.

Key words：examination results mining；K-Means algorithm；Apriori algorithm；teaching and tutoring strategy