郭欣 章鳴嬛 吳良 陳瑛

摘?要： 教學(xué)質(zhì)量監(jiān)控是學(xué)校進(jìn)行教學(xué)質(zhì)量管理的重要手段，對(duì)提高教學(xué)質(zhì)量具有重要意義。隨著校園信息化的發(fā)展，高校教務(wù)系統(tǒng)里積存了大量有價(jià)值的數(shù)據(jù)，但卻沒有被很好的挖掘利用。鑒此提出將數(shù)據(jù)挖掘技術(shù)應(yīng)用到高校教學(xué)質(zhì)量監(jiān)控中，使用因子分析法對(duì)計(jì)算機(jī)專業(yè)的學(xué)生成績(jī)進(jìn)行綜合評(píng)價(jià)分析，并提出一種決策樹改良方法對(duì)學(xué)生成績(jī)進(jìn)行預(yù)測(cè)，最后針對(duì)文中所提出的方法與其他方法進(jìn)行了對(duì)比分析。結(jié)果表明，

因子分析法相對(duì)于平均分排名法，蘊(yùn)含了更多的信息量可以提供更加全面的評(píng)價(jià)，另外其突出重要因素，可以對(duì)各方面情況進(jìn)行合理量化;決策樹改良方法相對(duì)于其他成績(jī)預(yù)測(cè)方法穩(wěn)定性好、準(zhǔn)確性高，且過擬合情況少。經(jīng)驗(yàn)證，這個(gè)方法可以在高校教學(xué)質(zhì)量監(jiān)控中發(fā)揮一定作用。

關(guān)鍵詞：數(shù)據(jù)挖掘技術(shù); 教學(xué)質(zhì)量監(jiān)控; 因子分析; 決策樹; 聚類

中圖分類號(hào)： TP311??????文獻(xiàn)標(biāo)志碼： A

Research on Teaching Quality Monitoring in Universities

Based on Data Mining Technology

GUO Xin1， ZHANG Minghuan1， WU Liang2，

CHEN Ying1*

Abstract： Monitoring teaching quality is an important means in teaching quality management in schools， and it is of great significance to improve the teaching quality. With the development of campus informatization， a lot of valuable data have been accumulated in the educational administration system of universities， but they have not been well mined and utilized. So this paper puts forward the application of data mining technology to the monitoring of teaching quality in universities. The factor analysis method is used to make a comprehensive evaluation and analysis of the students' achievements in computer major， and a decision tree improvement method is proposed to predict students' achievements. Finally， the methods proposed in this paper are compared with other methods in detail. The results show that factor analysis method contains more information than traditional methods and can provide more comprehensive evaluation. In addition， it highlights important factors and can quantify all aspects of the situation reasonably. Compared with the other methods， the improved method of decision tree has better stability， higher accuracy and less overfitting. It has been proved that the method proposed in this paper can play a certain role

in the monitoring of teaching quality in universities.

Key words： Datamining technology; Teaching quality monitoring; Factor analysis; Decision tree;

Clustering

0?引言

教學(xué)質(zhì)量是高校生存和發(fā)展的生命線，學(xué)校通過教學(xué)質(zhì)量監(jiān)控體系發(fā)揮教學(xué)信息收集、教學(xué)效果評(píng)估、教學(xué)過程診斷和教學(xué)質(zhì)量提高的作用，對(duì)課程成績(jī)進(jìn)行監(jiān)控是高校教學(xué)質(zhì)量監(jiān)控體系的重要內(nèi)容[1]。近年來高校的校園信息化建設(shè)已經(jīng)日臻成熟，高校教務(wù)系統(tǒng)里積存了大量有價(jià)值的成績(jī)數(shù)據(jù)，但卻沒有被很好的挖掘利用，多數(shù)還停留在數(shù)據(jù)備份、簡(jiǎn)單查詢、采用基礎(chǔ)的統(tǒng)計(jì)方法進(jìn)行分析以及使用簡(jiǎn)單的圖表進(jìn)行展示等方式上[2]。數(shù)據(jù)挖掘技術(shù)可以進(jìn)行數(shù)據(jù)分類和預(yù)測(cè)、聚類分析和關(guān)聯(lián)分析等，能夠?qū)?shù)據(jù)進(jìn)行深層次挖掘，是提高分析和決策能力的重要研究領(lǐng)域[3]。將數(shù)據(jù)挖掘技術(shù)引入教學(xué)質(zhì)量監(jiān)控，對(duì)現(xiàn)有的成績(jī)數(shù)據(jù)進(jìn)行客觀的分析，并挖掘出有價(jià)值的信息，無疑將有助于改進(jìn)教學(xué)措施，提高教學(xué)質(zhì)量[4]。

目前，已有將數(shù)據(jù)挖掘技術(shù)應(yīng)用于教學(xué)管理的相關(guān)研究，如文獻(xiàn)[5]研究了基于頻繁模式譜聚類的課程關(guān)聯(lián)分類模型和學(xué)生成績(jī)預(yù)測(cè)算法;文獻(xiàn)[6]提出一種基于K近鄰局部最優(yōu)重建的殘缺數(shù)據(jù)插補(bǔ)方法并結(jié)合隨機(jī)森林模型實(shí)現(xiàn)了成績(jī)預(yù)測(cè);文獻(xiàn)[7]研究如何借助多種預(yù)測(cè)和統(tǒng)計(jì)手段用本科成績(jī)數(shù)據(jù)推測(cè)學(xué)生在研究生期間的表現(xiàn)。本文在借鑒前人研究經(jīng)驗(yàn)的基礎(chǔ)上，使用因子分析法對(duì)計(jì)算機(jī)專業(yè)的學(xué)生成績(jī)進(jìn)行綜合評(píng)價(jià)分析，并提出一種決策樹改良方法對(duì)學(xué)生成績(jī)進(jìn)行預(yù)測(cè)，最后針對(duì)文中所提出的方法與其他方法進(jìn)行了詳細(xì)的對(duì)比分析，從中找到更能促進(jìn)教學(xué)質(zhì)量監(jiān)控的方法。

1?數(shù)據(jù)采集與預(yù)處理

本文涉及的所有樣本數(shù)據(jù)均來自我校教務(wù)系統(tǒng)，以2018屆186名計(jì)算機(jī)科學(xué)與技術(shù)專業(yè)學(xué)生的17門課程的期末考試成績(jī)作為研究對(duì)象。為了規(guī)范研究數(shù)據(jù)的歸屬權(quán)與保護(hù)數(shù)據(jù)所有者的隱私，后續(xù)涉及相關(guān)數(shù)據(jù)時(shí)將采用編號(hào)等方式進(jìn)行虛擬化處理。

由于所研究的數(shù)據(jù)對(duì)象是學(xué)生多門課程的期末考試成績(jī)，所以首先需要將數(shù)據(jù)進(jìn)行集成，本文利用數(shù)據(jù)庫技術(shù)，根據(jù)學(xué)生學(xué)號(hào)的唯一性，將不同課程的成績(jī)合并到一個(gè)表中。其次，由于缺考或者沒有選課等原因，出現(xiàn)某些課程的成績(jī)?yōu)榭罩?另外有部分學(xué)生重修某些課程，出現(xiàn)成績(jī)重復(fù)的現(xiàn)象，所以接下來需要對(duì)集成好的數(shù)據(jù)進(jìn)行清洗，方法如下：

（1）對(duì)于多門課程沒有考試成績(jī)的學(xué)生數(shù)據(jù)直接刪除記錄;

（2）對(duì)于同一門課程出現(xiàn)多個(gè)考試成績(jī)的學(xué)生數(shù)據(jù)采取其第一次考試的成績(jī)記錄;

（3）針對(duì)部分成績(jī)空缺的學(xué)生數(shù)據(jù)用該課程的平均成績(jī)進(jìn)行填補(bǔ);

（4）如果某門課程有多數(shù)學(xué)生成績(jī)空缺，則認(rèn)為該課程數(shù)據(jù)異常，將其進(jìn)行刪除處理。

對(duì)數(shù)據(jù)清洗完成后，為了解決量綱不一致等問題對(duì)數(shù)據(jù)進(jìn)行Z標(biāo)準(zhǔn)化處理。

2?基于因子分析法的學(xué)生成績(jī)綜合評(píng)價(jià)

本文以教育部計(jì)算機(jī)科學(xué)與技術(shù)教學(xué)指導(dǎo)委員會(huì)（下文簡(jiǎn)稱“教指委”）提出的計(jì)算機(jī)專業(yè)人才培養(yǎng)的4項(xiàng)基本能力要求為參考依據(jù)（見表2）[8]，選取17門專業(yè)必修課成績(jī)?yōu)檠芯繉?duì)象，根據(jù)因子分析的基本原理和步驟，對(duì)學(xué)生成績(jī)進(jìn)行綜合評(píng)價(jià)。這17門課分別為：計(jì)算機(jī)組成原理（X1）、計(jì)算機(jī)電路基礎(chǔ)（X2）、數(shù)據(jù)結(jié)構(gòu)（X3）、計(jì)算機(jī)網(wǎng)絡(luò)（X4）、離散數(shù)學(xué)（X5）、微型機(jī)接口技術(shù)（X6）、操作系統(tǒng)（X7）、C++面向?qū)ο蟪绦蛟O(shè)計(jì)（X8）、數(shù)據(jù)庫原理與技術(shù)（X9）、算法設(shè)計(jì)與分析（X10）、JSP/ASP

WEB技術(shù)（X11）、JAVA語言程序設(shè)計(jì)（X12）、硬件課程設(shè)計(jì)（X13）、計(jì)算機(jī)信息安全（X14）、軟件工程（X15）、程序設(shè)計(jì)語言課程設(shè)計(jì)（X16）、C程序設(shè)計(jì)基礎(chǔ)（X17）。

2.1?KMO和巴特利特球度檢驗(yàn)

KMO和巴特利特球度檢驗(yàn)的取樣適切性量數(shù)為0.957，根據(jù)統(tǒng)計(jì)學(xué)家Kaiser給出的標(biāo)準(zhǔn)[9]，可以認(rèn)為數(shù)據(jù)對(duì)象適合因子分析。

2.2?提取公因子

由因子分析的共同度可知其提取值都介于0.5到0.8之間，可以認(rèn)為因子基本能解釋各門專業(yè)課的方差。另外，從總方差的解釋情況可看出旋轉(zhuǎn)后第一個(gè)因子的方差貢獻(xiàn)率為43.347%，三個(gè)因子的累積方差貢獻(xiàn)率為69.916%，即三個(gè)因子解釋了原有17個(gè)變量的69.916%含義。

2.3?公因子解釋

為了使因子變量更具有可解釋性，對(duì)因子載荷矩陣進(jìn)行了最大正交旋轉(zhuǎn)，得到旋轉(zhuǎn)后的因子載荷矩陣，如表1所示。

另外，根據(jù)教指委的指導(dǎo)意見，我們可以把計(jì)算機(jī)科學(xué)與技術(shù)專業(yè)本科生的專業(yè)能力、知識(shí)體系和上述17門課程之間的關(guān)系歸納如表2所示。

結(jié)合表1和表2可以對(duì)3個(gè)公因子進(jìn)行解釋：3個(gè)因子基本代表了專業(yè)能力培養(yǎng)目標(biāo)所要求的4種能力，其中F1代表綜合能力、計(jì)算思維能力，F(xiàn)2代表算法設(shè)計(jì)與分析能力、系統(tǒng)的認(rèn)知、分析、開發(fā)與應(yīng)用能力，F(xiàn)3代表程序設(shè)計(jì)與實(shí)現(xiàn)能力，如表3所示。

2.4?用公因子進(jìn)行綜合評(píng)價(jià)

根據(jù)回歸算法計(jì)算出因子得分矩陣，據(jù)此可以得到因子得分函數(shù)，鑒于篇幅原因，這里只給出F1因子的得分函數(shù)，F(xiàn)2和F3雷同如式（1）。

F1=0.154X1+0.213X2+0.117X3+0.194X4+0.149X5+0.112X6+0.093X7+0.076X8+0.029X9+0.03X10+0.205X11+0.05X12-0.021X13-0.322X14-0.015X15-0.216X16-0.012X17

（1）

學(xué)生的綜合表現(xiàn)由公因子反映，可以用公因子計(jì)算每個(gè)

學(xué)生的成績(jī)綜合評(píng)分，公因子的權(quán)重取其方差貢獻(xiàn)率，則綜合評(píng)分的計(jì)算式為式（2）。F=0.574F1+0.072F2+0.054F3

（2）??計(jì)算得到綜合評(píng)分之后，可以將其作為對(duì)學(xué)生成績(jī)進(jìn)行排序和比較分析的依據(jù)。

3?基于決策樹改良方法的學(xué)生成績(jī)預(yù)測(cè)

3.1?決策樹改良方法介紹

決策樹屬于有監(jiān)督式的機(jī)器學(xué)習(xí)方法 [10]，本文使用的決策樹算法是C5.0。C5.0算法對(duì)數(shù)值變量進(jìn)行離散化處理時(shí)使用的是MDLP（Minimal Description Length

Principle，即最短描述長(zhǎng)度原則）的熵分箱方法，其核心測(cè)度指標(biāo)是信息熵和信息增益[11]。該方法不能按照各門課程考試的難易程度和分箱個(gè)數(shù)自定義分箱規(guī)則，不夠靈活，因此本文對(duì)其進(jìn)行改良，先使用Kmeans聚類算法對(duì)各門課程的成績(jī)數(shù)據(jù)分別進(jìn)行離散化處理，再進(jìn)行目標(biāo)課程成績(jī)預(yù)測(cè)。

3.2?確定預(yù)測(cè)目標(biāo)

本文的預(yù)測(cè)目標(biāo)是通過將教學(xué)計(jì)劃中的專業(yè)基礎(chǔ)課、專業(yè)核心課按照開課的先后順序進(jìn)行整理，然后選出較早開設(shè)的課程成績(jī)作為解釋變量，來預(yù)測(cè)后續(xù)與之相關(guān)的高階專業(yè)課的學(xué)習(xí)成績(jī)，找出有可能掛科的學(xué)生，提前對(duì)其進(jìn)行干預(yù)，從而達(dá)到預(yù)警的目的。例如，將“計(jì)算機(jī)信息安全”作為預(yù)測(cè)目標(biāo)，綜合考慮開課學(xué)期的順序和課程類別，將C程序設(shè)計(jì)基礎(chǔ)、操作系統(tǒng)、離散數(shù)學(xué)等9門課的成績(jī)作為解釋變量，對(duì)目標(biāo)課程成績(jī)進(jìn)行預(yù)測(cè)。

3.3?利用聚類算法進(jìn)行數(shù)據(jù)轉(zhuǎn)換

按照前文所述，在使用C5.0算法對(duì)目標(biāo)課程的成績(jī)進(jìn)行預(yù)測(cè)之前，要將數(shù)據(jù)進(jìn)行轉(zhuǎn)換，即采用Kmeans聚類算法對(duì)課程成績(jī)進(jìn)行離散化處理。表4顯示的是聚類分析后各等級(jí)的聚類中心點(diǎn)情況，如表4所示。部分學(xué)生10門課程成績(jī)經(jīng)Kmeans聚類算法處理后的樣本分布情況，如表5所示。

3.4?利用C5.0算法進(jìn)行預(yù)測(cè)分析

將離散化處理后的數(shù)據(jù)載入SPSS

Modeler，并調(diào)用C5.0算法對(duì)其進(jìn)行建模，采用十折交叉驗(yàn)證算法作為模型的評(píng)估手段，Boosting算法作為提高預(yù)測(cè)準(zhǔn)確度的方法，以獲得最佳的樹形結(jié)構(gòu)，最終結(jié)果如圖1所示。

如圖1所示，

“數(shù)據(jù)庫原理及技術(shù)”是模型的根節(jié)點(diǎn)，可見其是信息熵增益最強(qiáng)的屬性，其次是離散數(shù)學(xué)，再次是C程序設(shè)計(jì)基礎(chǔ)、數(shù)據(jù)結(jié)構(gòu)等。因此，在9門作為解釋變量的課程中，“數(shù)據(jù)庫原理及技術(shù)”與“離散數(shù)學(xué)”對(duì)于預(yù)測(cè)目標(biāo)課程“計(jì)算機(jī)信息安全”的成績(jī)的貢獻(xiàn)度最大，對(duì)于想取得優(yōu)異成績(jī)和預(yù)測(cè)結(jié)果較差的學(xué)生應(yīng)加強(qiáng)對(duì)這兩門課程的學(xué)習(xí)。另外，我們可以對(duì)決策樹進(jìn)行規(guī)則提取，即沿著決策樹的根節(jié)點(diǎn)到每一個(gè)葉節(jié)點(diǎn)的路徑用IFTHEN語句進(jìn)行表示。由于按照?qǐng)D1所示的決策樹提取的規(guī)則較多，下面只列出“計(jì)算機(jī)信息安全”評(píng)級(jí)為“差”的規(guī)則，如下：

IF（ 數(shù)據(jù)庫原理及技術(shù)=“優(yōu)”or“中”or“良”） AND（ 離散數(shù)學(xué)=“良”） AND（ 數(shù)據(jù)結(jié)構(gòu)=“差”） THEN

計(jì)算機(jī)信息安全=“差”

從規(guī)則中我們可以看出，“數(shù)據(jù)庫原理及技術(shù)”的成績(jī)不是預(yù)測(cè)“計(jì)算機(jī)信息安全”是否為“差”的決定因素（從完整的決策樹可以看出其為預(yù)測(cè)“計(jì)算機(jī)信息安全”是否為“優(yōu)”的決定因素），而“離散數(shù)學(xué)”和“數(shù)據(jù)結(jié)構(gòu)”學(xué)不好，“計(jì)算機(jī)信息安全”就有可能掛科，因此當(dāng)“離散數(shù)學(xué)”、“數(shù)據(jù)結(jié)構(gòu)”的成績(jī)不理想時(shí)，就應(yīng)該向相關(guān)學(xué)生進(jìn)行預(yù)警。

4?分析與討論

4.1?因子分析與傳統(tǒng)綜合評(píng)價(jià)方法對(duì)比如表6所示。

（1）因子分析法既可以從整體上對(duì)學(xué)生成績(jī)進(jìn)行排序，還可以了解每位學(xué)生知識(shí)掌握情況的細(xì)節(jié)，知道學(xué)生在哪些專業(yè)能力方面得到了較好的發(fā)展而哪些相對(duì)薄弱，例如表6中f14011632、f14011507兩名學(xué)生F綜合得分近似（分別為第1、2名），但是相比之下f14011632的F1因子得分較高，代表其綜合能力、計(jì)算思維相對(duì)較強(qiáng)，而F2、F3因子得分較低，代表其算法設(shè)計(jì)與分析，系統(tǒng)的認(rèn)知、分析、開發(fā)與應(yīng)用，程序設(shè)計(jì)與實(shí)現(xiàn)能力較差，學(xué)號(hào)為f14011507的學(xué)生情況恰好相反。由此可見，相對(duì)于傳統(tǒng)的平均分排名法，因子分析法蘊(yùn)含了更多的信息量，幫助教師引導(dǎo)學(xué)生及時(shí)調(diào)整學(xué)習(xí)和發(fā)展的方向。

（2）由表6還可以看出因子分析與傳統(tǒng)的平均分排名結(jié)果不同，例如f14011632因子分析排名第1，但平均分卻排名第9;而f14011407因子分析排名第11，平均分排名卻達(dá)到第2，仔細(xì)觀察后不難發(fā)現(xiàn)f14011407各項(xiàng)成績(jī)比較均勻，而f14011632的F1因子得分非常突出，這與按平均分排名時(shí)各門課的權(quán)重相同，而因子分析法F1的權(quán)重較大的特點(diǎn)相對(duì)應(yīng)。由此可見，按平均分排名的傳統(tǒng)方法沒有對(duì)課程的重要性進(jìn)行區(qū)分，而因子分析法突出重要因素，對(duì)各方面情況進(jìn)行了合理量化。

4.2?決策樹改良方法與其他學(xué)生成績(jī)預(yù)測(cè)方法對(duì)比

下面通過實(shí)驗(yàn)對(duì)比三種成績(jī)預(yù)測(cè)方法的效果，即直接用C5.0算法、經(jīng)傳統(tǒng)方法離散化處理后再用C5.0算法、決策樹改良方法，三者的對(duì)照結(jié)果如表7所示。

其中，傳統(tǒng)的數(shù)據(jù)離散化方法是區(qū)間標(biāo)記法，即指定一個(gè)分?jǐn)?shù)區(qū)間將其標(biāo)記為相應(yīng)等級(jí)（實(shí)驗(yàn)中將85-100分標(biāo)記為優(yōu)、70-84分標(biāo)記為良、60-69分標(biāo)記為中、0-59標(biāo)記為差），從而替換連續(xù)的數(shù)值。

由表7可以看出，決策樹改良方法的估計(jì)準(zhǔn)確性最高，所生成的決策樹深度最小、葉子節(jié)點(diǎn)數(shù)最少，這表明由其生成的決策樹模型與其他兩種方法相比更加準(zhǔn)確且健壯。另外，交叉驗(yàn)證結(jié)果中決策樹改良方法的標(biāo)準(zhǔn)差也較小，說明其模型的穩(wěn)定性較好，預(yù)測(cè)的波動(dòng)較小[12]。整體上來說，由于決策樹改良方法在對(duì)數(shù)據(jù)離散化處理時(shí)建立了合理的分箱規(guī)則，對(duì)課程本身的考試難度進(jìn)行了區(qū)分，相對(duì)其他兩種方法，其效果更好。

5?總結(jié)

本文利用數(shù)據(jù)挖掘技術(shù)對(duì)學(xué)校教務(wù)系統(tǒng)里的成績(jī)數(shù)據(jù)進(jìn)行了深入地挖掘與剖析。首先對(duì)教務(wù)系統(tǒng)中的數(shù)據(jù)進(jìn)行采集和預(yù)處理，然后利用因子分析法對(duì)學(xué)生成績(jī)進(jìn)行綜合評(píng)價(jià)，之后用Kmeans聚類算法+C5.0算法的決策樹改良方法對(duì)目標(biāo)成績(jī)進(jìn)行預(yù)測(cè)，最后將上述方法與其他方法進(jìn)行了對(duì)比分析。分析結(jié)果表明：因子分析法相對(duì)于傳統(tǒng)方法，其分析結(jié)果更加全面、合理;決策樹改良方法相對(duì)于其他預(yù)測(cè)方法，穩(wěn)定性好、準(zhǔn)確性高，并且生成的決策樹更加健壯，可以盡量避免過擬合現(xiàn)象。但是，由于目前擁有的數(shù)據(jù)有限，結(jié)果可能會(huì)存在一定的局限性，后續(xù)將進(jìn)一步研究。

參考文獻(xiàn)

[1]?喬斌.SPSS在計(jì)算機(jī)課程教學(xué)質(zhì)量評(píng)估中的應(yīng)用[J].河套學(xué)院學(xué)報(bào)，2013（12）：6566.

[2]?紀(jì)連恩，高芳，黃凱鴻，等.面向多主體的大學(xué)課程成績(jī)相關(guān)性可視探索與分析[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2018，30（1）：4456.

[3]?Jiawei Han， Micheline Kamber 著.數(shù)據(jù)挖掘概念與技術(shù)[M]范明，孟小峰，譯.北京：機(jī)械工業(yè)出版社，2007：8695.

[4]?張?zhí)?基于數(shù)據(jù)挖掘的高校學(xué)生成績(jī)關(guān)聯(lián)分析研究[D].北京：北京郵電大學(xué)，2017.

[5]?何楚，宋健，卓桐.基于頻繁模式譜聚類的課程關(guān)聯(lián)分類模型和學(xué)生成績(jī)預(yù)測(cè)算法研究[J].計(jì)算機(jī)應(yīng)用研究，2015，32（10）：29302933

[6]?曹歆雨，曹衛(wèi)權(quán)，李崢，等.面向不確定殘缺數(shù)據(jù)的大學(xué)生成績(jī)預(yù)測(cè)方法[J].現(xiàn)代電子技術(shù)，2018（6）：145149.

[7]?M Saarela，T K？rkk？inen. Analyzing Student Performance using Sparse Data of Core Bachelor Courses [J]. JEDMJournal of Educational DataMining，2015，75（1）：332.

[8]?教育部高等學(xué)校計(jì)算機(jī)科學(xué)與技術(shù)教學(xué)指導(dǎo)委員會(huì).高等學(xué)校計(jì)算機(jī)科學(xué)與技術(shù)核心課程教學(xué)實(shí)施方案[M].北京：清華大學(xué)出版社，2009：45.

[9]?Jin Hailiang， Liu Huijie. Research on visualization techniques in data mining[C].2009 International Conference on Computational Intelligence and Software Engineering， 2009.CiSE2009.International Conferenceon. IEEE，2010：131133.

[10]?商俊燕，陸兵，柏倩然.決策樹C4.5算法在學(xué)生成績(jī)分析中的應(yīng)用[J].微型電腦應(yīng)用，2015，31（4）：4345.

[11]?Kaur P， Singh M， Josan G S. Classification and prediction based data mining algorithms to predict slow learners in education sector[J].Procedia ComputerScience，2015，57：500508.

[12]?Ahmed M， Zafar B， Manzoor U. Modeling and predicting students' academic performance using data mining techniques[J].International Journal of Modern Education and Computer Science，2016（8）：36.

（收稿日期： 2019.07.22）

基金項(xiàng)目：2018年教育部高教司協(xié)同育人項(xiàng)目（201802001049）;2018年教育部高教司協(xié)同育人項(xiàng)目（201802111036）

作者簡(jiǎn)介：郭欣（1982），女，講師，碩士，研究方向：數(shù)據(jù)挖掘與分析。

章鳴嬛（1980），女，副教授，博士，研究方向：計(jì)算機(jī)應(yīng)用。

吳良（1955），男，教授，碩士，研究方向：教學(xué)質(zhì)量管理。

通信作者：陳瑛（1968），女，教授，博士，研究方向：數(shù)據(jù)工程。文章編號(hào)：1007757X（2020）01000704