周劍云　施秋萍　唐秀忠

摘要：隨著教育信息化的迅速發(fā)展，以及國(guó)家對(duì)高等教育高質(zhì)量發(fā)展的進(jìn)一步要求，人才培養(yǎng)質(zhì)量評(píng)價(jià)的方法和技術(shù)手段的科學(xué)化和信息化在不斷增強(qiáng)。文章通過(guò)數(shù)字媒體技術(shù)專業(yè)的人才培養(yǎng)方案的課程相關(guān)性分析，發(fā)現(xiàn)專業(yè)主要課程的相關(guān)性信息，對(duì)專業(yè)主干課程為一線教師和教學(xué)管理者提供了一種方法和思路借鑒，從而不斷促進(jìn)我們的教育教學(xué)水平和人才培養(yǎng)質(zhì)量不斷提升。

關(guān)鍵詞：人才培養(yǎng)；課程；數(shù)據(jù)挖掘；關(guān)聯(lián)規(guī)則

中圖分類號(hào)：G642? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）34-0068-03

1 引言

“十三五”期間，我國(guó)已建成世界規(guī)模最大的高等教育體系，并提出了“雙一流”建設(shè)要求。進(jìn)一步推動(dòng)了各高校更加關(guān)注學(xué)科建設(shè)。而專業(yè)建設(shè)是學(xué)科人才培養(yǎng)的基礎(chǔ)，學(xué)科建設(shè)是專業(yè)持續(xù)發(fā)展的動(dòng)力?？梢哉f(shuō)專業(yè)建設(shè)是高等學(xué)校最重要的教學(xué)基本建設(shè)，是教學(xué)工作中的重要生命線[1]。專業(yè)建設(shè)決定著人才培養(yǎng)的格局與辦學(xué)水平，對(duì)高等學(xué)校的改革與發(fā)展具有深遠(yuǎn)的影響。

本文以本校數(shù)字媒體技術(shù)專業(yè)學(xué)生大學(xué)期間所上專業(yè)基礎(chǔ)課程、專業(yè)主干課程成績(jī)?yōu)閿?shù)據(jù)對(duì)象，來(lái)示例分析專業(yè)人才培養(yǎng)方案中主要課程的相關(guān)性，從而為專業(yè)負(fù)責(zé)人和學(xué)院專業(yè)建設(shè)提供參考和決策支持。

2 相關(guān)技術(shù)

2.1 數(shù)據(jù)挖掘技術(shù)

隨著教育信息化的普及，教學(xué)過(guò)程管理產(chǎn)生了大量的數(shù)據(jù)，需要通信息技術(shù)把這些海量數(shù)據(jù)中蘊(yùn)含的信息挖掘出來(lái)，幫助我們更好地開展教育教學(xué)管理和改革，從而數(shù)據(jù)挖掘技術(shù)在教育系統(tǒng)也得到了廣泛應(yīng)用。

數(shù)據(jù)挖掘即指的是從數(shù)據(jù)準(zhǔn)備到結(jié)果分析的一個(gè)完整的過(guò)程，該過(guò)程從大量數(shù)據(jù)中挖掘先前未知的、有效的、可使用的信息，并使用這些信息做出決策或豐富知識(shí)。數(shù)據(jù)挖掘按挖掘指導(dǎo)方法可分為有指導(dǎo)數(shù)據(jù)挖掘和無(wú)指導(dǎo)數(shù)據(jù)挖掘。有指導(dǎo)數(shù)據(jù)挖掘是利用可用的數(shù)據(jù)建立一個(gè)模型，這個(gè)模型是對(duì)一個(gè)特定屬性的描述。無(wú)指導(dǎo)數(shù)據(jù)挖掘是在所有的屬性中尋找某種關(guān)系。數(shù)據(jù)挖掘按功能來(lái)分，常見的有分類、估值、預(yù)測(cè)、關(guān)聯(lián)規(guī)則、聚類等，也即分類、估值和預(yù)測(cè)屬于有指導(dǎo)的數(shù)據(jù)挖掘；關(guān)聯(lián)規(guī)則和聚類屬于無(wú)指導(dǎo)的數(shù)據(jù)挖掘[2]。隨著信息技術(shù)、大數(shù)據(jù)技術(shù)的發(fā)展，數(shù)據(jù)挖掘已不只這些。

分類，它首先從數(shù)據(jù)中選出已經(jīng)分好類的訓(xùn)練集，在該訓(xùn)練集上運(yùn)用數(shù)據(jù)挖掘技術(shù)，建立一個(gè)分類模型，再將該模型用于對(duì)沒有分類的數(shù)據(jù)進(jìn)行分類。估值，與分類類似，但估值最終的輸出結(jié)果是連續(xù)型的數(shù)值，估值的量并非預(yù)先確定。估值可以作為分類的準(zhǔn)備工作。預(yù)測(cè)，是通過(guò)分類或估值來(lái)進(jìn)行，通過(guò)分類或估值的訓(xùn)練得出一個(gè)模型，如果對(duì)于檢驗(yàn)樣本組而言該模型具有較高的準(zhǔn)確率，可將該模型用于對(duì)新樣本的未知變量進(jìn)行預(yù)測(cè)。聚類，是自動(dòng)尋找并建立分組規(guī)則的方法，它通過(guò)判斷樣本之間的相似性，把相似樣本劃分在一個(gè)簇中。關(guān)聯(lián)規(guī)則，其目的是發(fā)現(xiàn)哪些事項(xiàng)總是一起發(fā)生。

2.2 數(shù)據(jù)挖掘工具之——Weka

Weka （Waikato Environment for Knowledge Analysis） 即懷卡托智能分析環(huán)境，是新西蘭懷卡托大學(xué)基于JAVA環(huán)境下開源的機(jī)器學(xué)習(xí)（machine learning） 以及數(shù)據(jù)挖掘（data mining） 的著名開源軟件，該系統(tǒng)自1993年開始由新西蘭政府資助，至今已經(jīng)歷近30年的發(fā)展，其功能已經(jīng)十分強(qiáng)大和成熟。它包括對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，分類，回歸、聚類、關(guān)聯(lián)規(guī)則以及在新的交互式界面上的可視化。

3 研究示例

數(shù)據(jù)挖掘過(guò)程主要包括：數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、模型建立、整體分析歸納[3]。本文數(shù)據(jù)直接從教務(wù)系統(tǒng)導(dǎo)出2016級(jí)數(shù)字媒體技術(shù)專業(yè)學(xué)生大學(xué)四年所修的10門主要專業(yè)基礎(chǔ)課、專業(yè)必修課成績(jī)作為研究對(duì)象。以此分析過(guò)程為專業(yè)人才培養(yǎng)課程相關(guān)性研究提供分析參考。

當(dāng)?shù)玫皆紨?shù)據(jù)之后，就需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，為后續(xù)建模奠定基礎(chǔ)。

3.1 數(shù)據(jù)預(yù)處理

預(yù)處理包括數(shù)據(jù)清理、數(shù)據(jù)變換和特征描述等?？傮w目的就是去除無(wú)效數(shù)據(jù)、不規(guī)范數(shù)據(jù)、錯(cuò)誤數(shù)據(jù)，補(bǔ)齊缺失數(shù)據(jù)，對(duì)數(shù)據(jù)范圍、量綱、格式、類型等進(jìn)行統(tǒng)一化處理，以便進(jìn)行后續(xù)計(jì)算[5]。

對(duì)于初步獲取的數(shù)據(jù)，首先需要去除那些與最終分析不相關(guān)的字段列，如學(xué)生類別、姓名、性別、班級(jí)等，保留學(xué)號(hào)、課程號(hào)、成績(jī)值并刪除那些缺考或是多次重修的成績(jī)，保留所選的10門課程每名學(xué)生有一條記錄。然后，為了分析課程之間的相關(guān)性，需要把數(shù)據(jù)轉(zhuǎn)置為每名學(xué)生所修的全部課程為一條記錄。最后由于關(guān)聯(lián)分析需對(duì)數(shù)據(jù)進(jìn)行離散化處理，處理數(shù)據(jù)對(duì)照表1，最終我們得到如表2的成績(jī)數(shù)據(jù)，其中sNO是學(xué)號(hào)，其他列的列名是課程號(hào)。

3.2 課程相關(guān)性挖掘

將預(yù)處理得到的Excel數(shù)據(jù)另存為CSV格式文件，選擇Weka數(shù)據(jù)挖掘軟件導(dǎo)入數(shù)據(jù)。這里我們還需要注意一定要把數(shù)值型（Numeric） 數(shù)據(jù)轉(zhuǎn)換為常規(guī)（Norminal） 數(shù)據(jù)，方法為選擇Preprocess頁(yè)的Filter組，點(diǎn)擊Choose按鈕選擇NumericToNorminal選項(xiàng)，如圖1。

關(guān)聯(lián)規(guī)則分析，選擇Associate選項(xiàng)卡進(jìn)行挖掘算法選擇，這里我們選擇經(jīng)典的Apriori算法進(jìn)行關(guān)聯(lián)規(guī)則（Association Rule） 分析。該算法主要分兩步進(jìn)行：第一步，生成所有的頻繁項(xiàng)目集。一個(gè)頻繁項(xiàng)目集（Frequent Itemset） 是一個(gè)支持度高于最小支持度閥值（min_sup） 的項(xiàng)目集；第二步，從頻繁項(xiàng)目集中生成置信度大于最小置信度閥值（min_conf） 的規(guī)則。支持度和置信度是衡量關(guān)聯(lián)規(guī)則強(qiáng)度的兩個(gè)重要指標(biāo)，他們分別反映著所發(fā)現(xiàn)規(guī)則有用性和確定性。例如最經(jīng)典的關(guān)聯(lián)規(guī)則的例子：嬰兒尿不濕-->啤酒（支持度=10%，置信度=70%） ，這個(gè)規(guī)則是說(shuō)，在所有顧客中，有10%的顧客同時(shí)購(gòu)買了嬰兒尿不濕和啤酒，而在所有購(gòu)買了嬰兒尿不濕的顧客中，有70%的人同時(shí)還購(gòu)買了啤酒。在Weka中對(duì)Apriori算法設(shè)置的參數(shù)可參照表3。

可反復(fù)嘗試設(shè)置最小支持度和最小置信度閾值，以發(fā)現(xiàn)最精練和有意義的規(guī)則。本文這里設(shè)置最小支持度0.3，最小置信度0.9，得到以下5條規(guī)則，如圖2。若最小支持度0.2，最小置信度0.9，得到規(guī)則，如圖3。

3.3 挖掘結(jié)果分析

在規(guī)則中課程號(hào)310200102是概率論與數(shù)理統(tǒng)計(jì)，14060093是繪畫基礎(chǔ)，618100603是計(jì)算機(jī)網(wǎng)絡(luò)基礎(chǔ)，618100902是廣告策劃與創(chuàng)意，618100803是計(jì)算機(jī)圖形學(xué)，618101503是計(jì)算機(jī)平面設(shè)計(jì)。通過(guò)挖掘結(jié)果可以反映出：

1） 從選擇的10門專業(yè)主要課程中，以上6門的相關(guān)性較高。

2） 課程之間，可以發(fā)現(xiàn)，若學(xué)生概率論與數(shù)理統(tǒng)計(jì)學(xué)不好，那計(jì)算機(jī)網(wǎng)絡(luò)基礎(chǔ)課程成績(jī)只是勉強(qiáng)及格的概率也極高。而繪畫基礎(chǔ)課程成績(jī)好的同學(xué)，廣告策劃與創(chuàng)意課程和計(jì)算機(jī)圖形學(xué)課程成績(jī)一般也較好。

3） 課程群，可以發(fā)現(xiàn)，要重點(diǎn)注意概率與數(shù)據(jù)統(tǒng)計(jì)、計(jì)算機(jī)網(wǎng)絡(luò)基礎(chǔ)兩門課程之間；繪畫基礎(chǔ)、廣告策劃與創(chuàng)意、計(jì)算機(jī)圖形學(xué)三門課程之間。

因此，對(duì)于該專業(yè)的人才培養(yǎng)方案中，要高度重視這幾門課程的安排。重視對(duì)課程的學(xué)期設(shè)置，即前導(dǎo)課與后續(xù)課程關(guān)系的安排，以提升專業(yè)課程結(jié)構(gòu)設(shè)置的合理性。同時(shí)，要求相應(yīng)課程教師，注意關(guān)聯(lián)課程中學(xué)生成績(jī)狀況，采取一定的改進(jìn)措施，促進(jìn)學(xué)生學(xué)業(yè)成績(jī)提升。

4 結(jié)束語(yǔ)

在教育信息化日益發(fā)展的今天，諸多研究都表明，教師和學(xué)校決策者對(duì)數(shù)據(jù)的有效利用可以促使學(xué)生獲得更高的學(xué)業(yè)成就，促進(jìn)學(xué)校教學(xué)水平提升[6-10]。作為一線教師和教育工作者都需要掌握教育支持方法和分析工具，例如數(shù)據(jù)挖掘方法，開源的Weka工具等，通過(guò)了解并熟悉分析教育過(guò)程數(shù)據(jù)的方法，再借助方便的分析工具，對(duì)廣大教師和教學(xué)管理者都是一種極大的教育教學(xué)能力提升，從而不斷提高我們的教育教學(xué)水平和人才培養(yǎng)質(zhì)量。

參考文獻(xiàn)：

[1] 胡欽太，伍文燕，馮廣，等.人工智能時(shí)代高等教育教學(xué)評(píng)價(jià)的關(guān)鍵技術(shù)與實(shí)踐[J].開放教育研究，2021，27（5）：15-23.

[2] 張?jiān)?基于非營(yíng)利性、數(shù)據(jù)挖掘和科學(xué)管理的高校財(cái)務(wù)分析、評(píng)價(jià)與管理研究[M].北京：首都經(jīng)濟(jì)貿(mào)易大學(xué)出版社，2014.

[3] 葉福蘭.數(shù)據(jù)挖掘技術(shù)在教學(xué)質(zhì)量監(jiān)控中的應(yīng)用[J].福建電腦，2020，36（6）：102-105.

[4] 高鐵剛，杜娟，王寧.學(xué)校智慧教育生態(tài)建設(shè)研究[J].中國(guó)電化教育，2021（12）：26-32.

[5] 廖宣植.數(shù)據(jù)挖掘在醫(yī)學(xué)高校課程關(guān)聯(lián)和成績(jī)預(yù)測(cè)上的應(yīng)用[J].信息與電腦（理論版），2019（2）：154-156.

[6] 馮仰存.數(shù)據(jù)驅(qū)動(dòng)的教師教學(xué)決策研究綜述[J].中國(guó)遠(yuǎn)程教育，2020，41（4）：65-75.

[7] 付達(dá)杰.教育大數(shù)據(jù)對(duì)教學(xué)決策的影響及優(yōu)化策略[J].湖北成人教育學(xué)院學(xué)報(bào)，2018，24（2）：90-93.

[8] 管玨琪，孫一冰，祝智庭.智慧教室環(huán)境下數(shù)據(jù)啟發(fā)的教學(xué)決策研究[J].中國(guó)電化教育，2019（2）：22-28，42.

[9] McNaughton S，Lai M K， Hsiao S.Testing the effectiveness of an intervention model based on data use： A replication series across clusters of schools[J]. School Effectiveness and School Improvement， 2012，23（2）：203-228.

[10] Schildkamp K，Ehren M.From “intuition”- to “data”-based decision making in Dutch secondary schools？[M]//Data-based Decision Making in Education.Dordrecht：Springer Netherlands，2013：49-67.

【通聯(lián)編輯：王力】