張瑞全

（滁州城市職業(yè)學(xué)院 體育部，安徽 滁州 239000）

1 引言

在高校教學(xué)管理領(lǐng)域，學(xué)習(xí)成績以及課堂表現(xiàn)是學(xué)習(xí)效果分析的主要依據(jù)，進(jìn)而完成學(xué)生在體育課、專業(yè)課、公共課程方面的學(xué)習(xí)能力評定，大量的學(xué)科成績?yōu)榻處熃虒W(xué)管理造成困難。伴隨信息處理技術(shù)以及大數(shù)據(jù)技術(shù)的優(yōu)化更新，教育者將學(xué)生成績管理寄希望于智能挖掘算法[1]，數(shù)據(jù)挖掘逐漸成為高校學(xué)科成績管理與學(xué)習(xí)效果分析的有效工具。

數(shù)據(jù)挖掘用于高校體育的關(guān)鍵意義在于：可以考慮學(xué)生體能狀況、課堂表現(xiàn)、課后訓(xùn)練等多元化評估指標(biāo)以全方位、綜合性評價(jià)學(xué)生的體育學(xué)習(xí)效果，避免學(xué)習(xí)效果分析的主觀性與片面性[2]。數(shù)據(jù)挖掘相比人工數(shù)據(jù)處理的效率大幅提高，評價(jià)準(zhǔn)確度更為精準(zhǔn)。數(shù)據(jù)挖掘的大學(xué)生體育學(xué)習(xí)效果一方面可作為教學(xué)質(zhì)量評價(jià)的依據(jù)，另一方面向教學(xué)管理人員提供優(yōu)化教學(xué)評價(jià)模式的決策依據(jù)。

為此，本文利用數(shù)據(jù)挖掘在關(guān)聯(lián)分析領(lǐng)域的優(yōu)勢，提出了一種基于Apriori 算法的大學(xué)生體育學(xué)習(xí)效果分析方法。

2 大學(xué)生體育學(xué)習(xí)數(shù)據(jù)采集與預(yù)處理

2.1 大學(xué)生體育學(xué)習(xí)相關(guān)信息采集

大學(xué)生體育信息數(shù)據(jù)采集具有顯著的信息化特征，和傳統(tǒng)教學(xué)中辦公軟件統(tǒng)計(jì)學(xué)生成績的方式相比，大數(shù)據(jù)技術(shù)更加注重教學(xué)傳感器、教學(xué)管理平臺等渠道數(shù)據(jù)的整合。分析大學(xué)生體育學(xué)習(xí)效果所需的數(shù)據(jù)類型主要包括學(xué)生基本信息、體育課上訓(xùn)練情況、體育課后訓(xùn)練情況、體育考核成績、體育賽事成績等等[3]。其中，學(xué)生基本信息涵蓋學(xué)生姓名、性別、學(xué)號、專業(yè)、興趣愛好、個(gè)性等等，這些信息在學(xué)生入學(xué)階段就登記在學(xué)校教學(xué)管理平臺，數(shù)據(jù)挖掘平臺通過特殊的數(shù)據(jù)接口即可與教學(xué)平臺共享學(xué)生基本信息，將有關(guān)數(shù)據(jù)導(dǎo)入數(shù)據(jù)挖掘平臺；學(xué)生課上訓(xùn)練情況一般由教師當(dāng)堂記錄并錄入教學(xué)管理平臺，體育競賽成績經(jīng)匯總后錄入信息化平臺；學(xué)生課后訓(xùn)練情況可通過“自主體能訓(xùn)練監(jiān)測系統(tǒng)”采集，分析處理后發(fā)送至教學(xué)信息管理平臺后臺數(shù)據(jù)庫，作為學(xué)生體育學(xué)習(xí)效果分析的依據(jù)。所以，此處需要介紹兩種關(guān)鍵的大數(shù)據(jù)采集技術(shù)，一是教學(xué)信息管理平臺，二是自主體能訓(xùn)練監(jiān)測系統(tǒng)。

2.1.1 教學(xué)信息管理平臺

利用excel 表格匯總學(xué)生成績實(shí)現(xiàn)了數(shù)據(jù)的長期性存儲，但匯總數(shù)據(jù)、提取關(guān)鍵信息的智能化程度較低，作為教學(xué)決策的價(jià)值度和利用率不高。教學(xué)信息管理平臺集成了信息技術(shù)、大數(shù)據(jù)技術(shù)的數(shù)據(jù)處理與分析優(yōu)勢，具有強(qiáng)大的資源整合功能；采用C/S 與B/S 混合性結(jié)構(gòu)作為平臺的整體架構(gòu)，能夠處理復(fù)雜的數(shù)據(jù)業(yè)務(wù)程序，妥善解決多元化決策參與需求，滿足獨(dú)立并行業(yè)務(wù)的使用需求[4]。平臺管理員與平臺的交互則由C/S 負(fù)責(zé)，其優(yōu)勢是高效處理教務(wù)人員與平臺響應(yīng)關(guān)系，平臺管理員在權(quán)限范圍內(nèi)可直接向服務(wù)器下達(dá)指令、獲取信息，無需中轉(zhuǎn)，教學(xué)信息管理平臺結(jié)構(gòu)布局見圖1。圖1 所示的教學(xué)信息管理平臺中，應(yīng)用服務(wù)器與數(shù)據(jù)服務(wù)器可以進(jìn)行交互式信息通信，應(yīng)用服務(wù)器接收數(shù)據(jù)信息后將信息分為兩路傳輸：一路經(jīng)防火墻安全發(fā)送到教師、學(xué)生等各類型客戶手中；一路直接由平臺管理員接收，以方便對體育教學(xué)信息的管理，維護(hù)教學(xué)數(shù)據(jù)安全，控制用戶的訪問資格。

圖1 教學(xué)信息管理平臺結(jié)構(gòu)布局

平臺數(shù)據(jù)庫是獲得學(xué)生體育成績信息、訓(xùn)練信息、個(gè)人基本信息的主要來源，因此數(shù)據(jù)庫設(shè)計(jì)要符合教學(xué)數(shù)據(jù)日益增長的需求，安全存儲數(shù)據(jù)的同時(shí)確保平臺穩(wěn)定運(yùn)行。利用SQL 技術(shù)設(shè)計(jì)了平臺數(shù)據(jù)庫結(jié)構(gòu)，基于E-R 圖完成信息類別間的關(guān)系描述。

2.1.2 自主體能訓(xùn)練監(jiān)測系統(tǒng)

本次依托安卓平臺、基于多層架構(gòu)設(shè)計(jì)了學(xué)生自主體能訓(xùn)練監(jiān)測系統(tǒng)，其硬件設(shè)備主要包括加速度傳感器、圖像傳感器、藍(lán)牙通訊模塊、訓(xùn)練信息采集模塊、信息處理模塊等等[5]，基于安卓平臺的自主體能訓(xùn)練監(jiān)測系統(tǒng)布局見圖2。

圖2 自主體能訓(xùn)練監(jiān)測系統(tǒng)布局

圖2 所示系統(tǒng)利用加速度傳感器與圖像傳感器采集學(xué)生自主性體能訓(xùn)練過程中的行為數(shù)據(jù)，如肢體幅度、動作力度等；這些信息一方面通過單片機(jī)以藍(lán)牙通訊模式傳輸?shù)叫畔⑻幚砟K進(jìn)行原始備份，另一方面經(jīng)過信息采集模塊的集中整合傳輸?shù)叫畔⑻幚砟K；最終由安卓平臺接收處理后的體能訓(xùn)練信息以及原始體能數(shù)據(jù)。

此系統(tǒng)設(shè)計(jì)的目的是采集學(xué)生自主訓(xùn)練、無教師在場訓(xùn)練的相關(guān)數(shù)據(jù)，作為評價(jià)學(xué)生體育學(xué)習(xí)效果的關(guān)鍵數(shù)據(jù)來源。系統(tǒng)采集訓(xùn)練數(shù)據(jù)的思路如下：以羽毛球訓(xùn)練活動為例，利用加速度傳感器采集學(xué)生運(yùn)動中的加速度數(shù)據(jù)，基于力學(xué)理論與運(yùn)動學(xué)原理求取球拍運(yùn)動位移、力的大小、運(yùn)動速度，利用這些數(shù)據(jù)繪制學(xué)生訓(xùn)練曲線，作為評估學(xué)生自主體能訓(xùn)練效果分析依據(jù)[6]；圖像傳感器負(fù)責(zé)采集學(xué)生訓(xùn)練圖像，基于輪廓提取算法分割學(xué)生運(yùn)動特征，總結(jié)自主體能訓(xùn)練的要點(diǎn)信息。此外，系統(tǒng)配備了定位模塊可實(shí)時(shí)獲取學(xué)生訓(xùn)練的地理位置信息，保障了學(xué)生自主訓(xùn)練的安全性。自主體能訓(xùn)練監(jiān)測系統(tǒng)一定程度上確保了無監(jiān)督學(xué)習(xí)環(huán)境下的訓(xùn)練成效，是優(yōu)化學(xué)生自主運(yùn)動、自主訓(xùn)練意識的現(xiàn)代化教學(xué)輔助設(shè)備。

2.2 大學(xué)生體育學(xué)習(xí)信息數(shù)據(jù)預(yù)處理

大數(shù)據(jù)預(yù)處理一般包括數(shù)據(jù)清洗、集成、變換等步驟，旨在減少數(shù)據(jù)中的冗余噪聲信息、補(bǔ)充缺失數(shù)據(jù)、刪除重復(fù)性數(shù)據(jù)[7]。為提高大學(xué)生體育學(xué)習(xí)效果分析的準(zhǔn)確度、降低數(shù)據(jù)分析難度，采用統(tǒng)一格式表達(dá)學(xué)生的體育學(xué)習(xí)效果，以真實(shí)可靠的數(shù)據(jù)為基礎(chǔ)才能獲得更為精準(zhǔn)的體育學(xué)習(xí)效果分析結(jié)論。

導(dǎo)入來源于教學(xué)信息管理平臺的異構(gòu)數(shù)據(jù)，有必要以規(guī)范化形式表征數(shù)據(jù)。例如，學(xué)生百米跑成績表達(dá)形式不一，此處對其進(jìn)行歸一化操作，方法如公式（1）所示：

(1)式中，初始百米跑成績與歸一化后的百米跑成績分別采用xi、表示；成績上限與下限分別采用xmax、xmin描述。最后以[0.1]間的數(shù)據(jù)描述學(xué)生的體育成績，統(tǒng)一規(guī)范的數(shù)據(jù)簡化了后期的數(shù)據(jù)挖掘計(jì)算過程。

此外，需要刪除個(gè)人無效成績、班級無效成績、已轉(zhuǎn)專業(yè)學(xué)生信息、休學(xué)學(xué)生信息等等，然后基于機(jī)器學(xué)習(xí)方法補(bǔ)充缺失數(shù)據(jù)。此方法分為兩個(gè)步驟：第一，對統(tǒng)計(jì)得到的學(xué)生體育初始數(shù)據(jù)進(jìn)行相關(guān)性分析，目的是獲得與缺失數(shù)據(jù)關(guān)聯(lián)性最大的已知值屬性數(shù)據(jù)；第二，以關(guān)聯(lián)性較大的數(shù)據(jù)作為訓(xùn)練樣本數(shù)據(jù)，基于神經(jīng)網(wǎng)絡(luò)算法構(gòu)建數(shù)據(jù)預(yù)測模型，以估計(jì)學(xué)生體育成績?nèi)笔Р糠諿8]。由此預(yù)測的學(xué)生體育成績誤差較小，科學(xué)考慮了學(xué)生常規(guī)環(huán)境下的體能特征、訓(xùn)練成績，是解決學(xué)生成績數(shù)據(jù)缺失的良好方式。

3 基于關(guān)聯(lián)規(guī)則的大學(xué)生體育學(xué)習(xí)效果挖掘

3.1 關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘原理

大規(guī)模數(shù)據(jù)集之間的關(guān)聯(lián)可以通過關(guān)聯(lián)規(guī)則準(zhǔn)確描述[9]。本次大學(xué)生體育學(xué)習(xí)效果挖掘研究通過Apriori 算法實(shí)現(xiàn)，其中最小支持度負(fù)責(zé)尋找數(shù)據(jù)頻繁項(xiàng)集，即高頻數(shù)據(jù)集；最小置信度用于生成符合最小支持度與最小置信度條件的關(guān)聯(lián)規(guī)則，且關(guān)聯(lián)規(guī)則生成以頻繁項(xiàng)集為來源[10]。具體過程如下：

3.1.1 頻繁項(xiàng)集確定

頻繁項(xiàng)集需要從大量候選項(xiàng)集中產(chǎn)生，運(yùn)用寬度優(yōu)先策略進(jìn)行頻繁項(xiàng)集搜索：

Step 1：定義Ur表示原始的候選項(xiàng)集，其中r取值為1。

Step 2：定義Er為頻繁項(xiàng)集，設(shè)置Smin為項(xiàng)集篩選標(biāo)準(zhǔn)，求取Ur中所有項(xiàng)集支持度后以Smin為標(biāo)準(zhǔn)留下Smin之上的項(xiàng)集，得到Er。

Step 3：假設(shè)存在U r=θ，令其在

后停止運(yùn)算；反之，基于自然連接算法處理頻繁項(xiàng)集Er，以獲取候選集Ur+1。連接當(dāng)前集合與頻繁項(xiàng)集Er-1獲得一個(gè)候選項(xiàng)集Ur，此過程即為自然連接算法操作過程。

Step 4：令r=r+1，繼續(xù)執(zhí)行Step 2。

經(jīng)過上述連接操作后采用以下原理進(jìn)行剪枝：采用u描述Ur集合中的r 項(xiàng)集，假設(shè)子集Ur-1由u的r-1 個(gè)元素組成，且Er-1不包含Ur-1，c則是Ur中的剪枝對象。

3.1.2 頻繁項(xiàng)集產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則

Apriori 算法運(yùn)行過程是以循環(huán)掃描事務(wù)數(shù)據(jù)庫推進(jìn)的，頻繁性是Apriori 算法中頻繁項(xiàng)集的基本特性，生成的關(guān)聯(lián)規(guī)則能精準(zhǔn)描述兩個(gè)事務(wù)間的關(guān)聯(lián)關(guān)系。

3.2 基于關(guān)聯(lián)規(guī)則的學(xué)習(xí)效果挖掘

Apriori 算法挖掘?qū)W生體育信息過程中由于數(shù)據(jù)處理對象規(guī)模龐大，所以需要執(zhí)行大量的事務(wù)數(shù)據(jù)庫掃描命令[11]，導(dǎo)致算法運(yùn)算量增加，加大了運(yùn)算平臺負(fù)荷，所以傳統(tǒng)Apriori 算法運(yùn)算效率不高[12]。為此利用對比與刪除的方式去除Er-1中的無價(jià)值項(xiàng)集，精簡運(yùn)算過程。掃描Er-1時(shí)，依次記錄項(xiàng)集，同時(shí)定義Ei包含r 個(gè)子項(xiàng)方便描述計(jì)算過程，則有

當(dāng)Ur包含Ei時(shí)，則r-1 個(gè)r-1 項(xiàng)集也存在于Ur-1中。根據(jù)以上分析結(jié)果總結(jié)數(shù)據(jù)掃描規(guī)則：如果定義H1、H2為項(xiàng)集出現(xiàn)的概率，則相應(yīng)存在H1≥r-1，H2≥r-2，進(jìn)一步推斷得到Hr-1≥ 1是出現(xiàn)的概率。由此確定刪除和對比項(xiàng)集的方法如下：項(xiàng)集的掃描次數(shù)設(shè)置為H1、H2，此時(shí)存在兩種操作執(zhí)行情況：（1）刪除操作。當(dāng)r-1＞H1時(shí)，刪除Er-1中以Ei（1）為首的r-1 項(xiàng)集；當(dāng)r-2＞H2時(shí)，刪除Er-1中以為首的所有項(xiàng)集。（2）對比操作。當(dāng)r-1≤H1時(shí)，對比r-2 和H2；當(dāng)r-2≤H2時(shí)，繼續(xù)與后續(xù)項(xiàng)集掃描次數(shù)對比。上述優(yōu)化策略減少了不必要的連接操作，有效節(jié)省了Apriori 算法運(yùn)算量，是提高數(shù)據(jù)挖掘效率的有效之舉。

為驗(yàn)證優(yōu)化后的Apriori 算法對于學(xué)生體育的分析效果，將2018 級某專業(yè)兩個(gè)班級學(xué)生作為對象，展開大學(xué)生體育學(xué)習(xí)效果分析測試?；贏priori 關(guān)聯(lián)規(guī)則的大學(xué)生體育學(xué)習(xí)效果挖掘原理示意如圖3，其中，知識庫為學(xué)生各項(xiàng)體育信息，樣本信息來自校園教學(xué)信息管理平臺，即學(xué)生基本信息、體育課上訓(xùn)練情況、體育課后訓(xùn)練情況、體育考核成績、體育賽事成績；評價(jià)庫是對學(xué)生學(xué)習(xí)效果等級評定標(biāo)準(zhǔn)的設(shè)置，采用較差、一般、良好、優(yōu)秀進(jìn)行描述；數(shù)據(jù)預(yù)處理之后開始關(guān)聯(lián)規(guī)則挖掘，得到的挖掘結(jié)果以可視化形式展示，基于Apriori 算法生成的關(guān)聯(lián)規(guī)則分析出與學(xué)生學(xué)習(xí)效果相關(guān)的元素，即形成當(dāng)前學(xué)習(xí)效果的有利因素與不利因素，幫助教師科學(xué)優(yōu)化體育教學(xué)。

圖3 關(guān)聯(lián)規(guī)則在數(shù)據(jù)挖掘功能中的作用

基于本文方法挖掘得到某學(xué)生體育學(xué)習(xí)效果如表1 所示。

表1 某學(xué)生體育學(xué)習(xí)效果關(guān)聯(lián)規(guī)則挖掘

限于篇幅，表1 僅展示了該生部分?jǐn)?shù)據(jù)挖掘結(jié)果。其中支持度與信任度均為預(yù)先設(shè)置值，支持度值與挖掘規(guī)則量成反比、與挖掘效率成正比，支持度越大對應(yīng)生成的規(guī)則數(shù)量越少、挖掘關(guān)聯(lián)規(guī)則的效率越高。為了權(quán)衡體育學(xué)習(xí)效果關(guān)聯(lián)規(guī)則挖掘的數(shù)量與效率，將支持度定義在35%～50%之間，既能保障在較短時(shí)間內(nèi)得到學(xué)習(xí)效果挖掘結(jié)果，又能保障關(guān)聯(lián)規(guī)則挖掘數(shù)量。

詳細(xì)分析可知，此學(xué)生的興趣愛好為慢跑，那么在耐力考核中取得良好成績的信任度則為68.24%；同樣，此學(xué)生柔韌性訓(xùn)練為良好等級，那么他在瑜伽項(xiàng)目中取得良好成績的信任度為90.41%。以此類推，當(dāng)此生身體靈敏度一般時(shí)，他取得羽毛球賽專業(yè)成績的信任度為81.06%。

上述規(guī)則可以應(yīng)用在體育教學(xué)中，如在健美操課前教師可以預(yù)先掌握學(xué)生在身體協(xié)調(diào)度方面的情況，明確哪些學(xué)生協(xié)調(diào)度較差，在課上采用針對性的教學(xué)方案給予這類學(xué)生關(guān)注與指導(dǎo)，解決健美操授課難題，提升全班學(xué)生整體學(xué)習(xí)效果。再如，在羽毛球課程中，教師可以用階段性課程或者專業(yè)訓(xùn)練技巧培養(yǎng)學(xué)生身體靈敏度，以優(yōu)化學(xué)生的羽毛球運(yùn)動技能。

測試了本文Apriori 算法與未優(yōu)化之前傳統(tǒng)Apriori 算法的數(shù)據(jù)挖掘效率，結(jié)果如表2 所示。對比之下，本文算法數(shù)據(jù)挖掘響應(yīng)時(shí)間明顯低于傳統(tǒng)Apriori 算法，當(dāng)學(xué)生數(shù)量達(dá)到80 名時(shí)，本文算法相對節(jié)約了21.5 s。本文方法之所以取得了較高的計(jì)算效率、節(jié)約大量運(yùn)算時(shí)間是因?yàn)闇p少了無效的數(shù)據(jù)挖掘計(jì)算量。詳細(xì)而言，本方法基于對比與刪除的方式去除頻繁項(xiàng)集中的無價(jià)值項(xiàng)集，通過對比頻繁項(xiàng)集子項(xiàng)數(shù)量r 與頻繁項(xiàng)集出現(xiàn)概率H1、H2的關(guān)系，確定采取“對比”操作還是“刪除”操作，兩種操作的最終目的均是減少無效項(xiàng)集的挖掘計(jì)算量，以此減少Apriori 算法挖掘?qū)W習(xí)效果關(guān)聯(lián)規(guī)則的步驟，數(shù)據(jù)挖掘的響應(yīng)時(shí)間自然降低。

表2 數(shù)據(jù)挖掘效率對比

4 結(jié)論

總體而言，基于關(guān)聯(lián)規(guī)則的數(shù)據(jù)挖掘算法以大學(xué)生個(gè)人基本信息、課上與課后體育訓(xùn)練信息、體育考核成績、體育賽事成績作為數(shù)據(jù)挖掘的基礎(chǔ)，進(jìn)行最小支持度與最小置信度選擇獲取體育信息之間的關(guān)聯(lián)規(guī)則，從中可以得知學(xué)生體育學(xué)習(xí)效果如何，哪些因素影響學(xué)生體育學(xué)習(xí)效果，將此作為體育教學(xué)優(yōu)化的決策依據(jù)。

本文選用的Apriori 算法對連接運(yùn)算部分進(jìn)行精簡，通過對比與刪除項(xiàng)集的方式省略了不必要的連接操作，此為該算法的優(yōu)勢所在。正因如此，改進(jìn)后的Apriori 算法節(jié)省了運(yùn)行的時(shí)間開銷，減輕了數(shù)據(jù)挖掘平臺的接口負(fù)載量。在實(shí)際的大學(xué)生體育成績分析測試中，優(yōu)化后的算法節(jié)約了大量運(yùn)算時(shí)間，數(shù)據(jù)挖掘性能優(yōu)于傳統(tǒng)型Apriori 算法。數(shù)據(jù)挖掘算法在大學(xué)生體育學(xué)習(xí)效果分析中的應(yīng)用是教育領(lǐng)域的重要變革，也是未來教育事業(yè)必然發(fā)展趨勢。但是大數(shù)據(jù)帶來的安全信息泄露、學(xué)生行為不被信任等負(fù)面影響也應(yīng)引起關(guān)注。所以，教育者推廣數(shù)據(jù)挖掘技術(shù)過程中要做好大數(shù)據(jù)算法的監(jiān)測工作，不能一味信任智能算法挖掘的教學(xué)評價(jià)結(jié)果，而忽視學(xué)生不被信任的感受；教育者可將數(shù)據(jù)挖掘結(jié)果作為教學(xué)方案制定的依據(jù)，科學(xué)評估智能分析結(jié)果的合理性，防范負(fù)面因素對數(shù)據(jù)挖掘技術(shù)的侵蝕影響評估結(jié)果。