數(shù)據挖掘在教學評價中的應用研究.pdf

1、數(shù)據挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機的數(shù)據中,提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程,被信息產業(yè)界認為是數(shù)據庫系統(tǒng)最重要的前沿之一,是信息產業(yè)界最有前途的交叉學科.在各高校實際的教學評價中,存在著很多問題,面對歷年來積累的大量教學數(shù)據,而傳統(tǒng)的教學評價手段顯的無能為力,而數(shù)據挖掘這一技術就解決了這一難題.聚類方法是數(shù)據挖掘中一個重要的研究內容.本文對數(shù)據挖掘技術尤其是聚類挖掘技術進行了系統(tǒng)

2、、深入地分析和研究,并將其投入到教學評價中.主要包括以下一些內容: 首先對數(shù)據挖掘技術進行了簡要的回顧,在提出數(shù)據挖掘基本概念的基礎上,對數(shù)據挖掘可發(fā)現(xiàn)的模式進行了詳細地分類、歸納和總結.對數(shù)據挖掘的體系框架及運行過程也作了詳細的探討.對數(shù)據挖掘技術的國內外研究現(xiàn)狀和當前的研究熱點進行了歸納和總結.為本文的全面展開奠定了基礎. 然后重點討論了聚類算法.k 平均分區(qū)算法和層次凝聚算法是數(shù)據挖掘研究的重點之一.這兩種算法的應

3、用極為廣泛.然而隨著應用的深入,這兩種算法也暴露了一些不足之處.例如:層次凝聚算法由于在每次分區(qū)合并時,需要計算單鏈接距離(或全鏈接距離),耗費了大量的時間,其時間復雜度為0(n<'2>).并且一旦一個合并完成,它不能被撤消,然而對k平均分區(qū)算法來講,它有一個最大的優(yōu)點是不必在指定分區(qū)數(shù).但是k平均分區(qū)算法的缺點是必須事先設定分區(qū)數(shù)k.這一點對用戶來講,是相當不合理的.在k平均分區(qū)算法中,初始分區(qū)的選擇不當?shù)脑?將會收斂成為一個局部最小

4、的準則,找不到最優(yōu)解.針對上述情況,本文提出了一種新的改進算法(NP算法).本文提出了一種新的改進算法(NP算法). 將數(shù)據挖掘技術應用到實踐中,對濰坊學院的成人教育數(shù)據進行挖掘,基于MS Analvsis Services挖掘工具,通過決策樹分析、聚集分析等方法研究而得出的有關學生的特征,如:年齡小于或等于30歲的女生學習成績的綜合表現(xiàn)多偏向于中,年齡大于30歲的男生學習成績表現(xiàn)偏向優(yōu)秀的可能性較大等特征將會提供給學術顧問,以

5、便濰坊學院的教務處發(fā)現(xiàn)成人教育存在的問題與規(guī)律,針對學生的不同特征進行綜合分析后對學生的選課提出指導意見(數(shù)據以濰坊學院成人教育教育管理專業(yè)的為例). 采用數(shù)據挖掘軟件SPSS對于濰坊學院近幾年教育技術學專業(yè)的相關數(shù)據進行統(tǒng)計分析,挖掘數(shù)據背后隱藏的信息與知識,揭示若干教育現(xiàn)象,如:在畢業(yè)論文方面:男女生之間存在顯著性差異,再如在等級考試方面:男女生之間存在顯著性差異,女生的成績明顯高于男生.并為濰坊學院的教育決策支持提供若干參