敖培

摘要：本文首先分析了信息技術考試成績分析的必要性。在此基礎上，以我校高一某班級第一學期信息技術期末考試成績?yōu)檠芯繉ο?，采用K-Means聚類算法對學生群體分類，針對不同分類學生的特點提出了相應的差異化教學輔導策略；采用Apriori關聯(lián)規(guī)則算法對學生知識點掌握情況進行了關聯(lián)分析，針對分析結果提出了相應的精細化教學輔導策略，為教師精準化教學輔導提供有益的指導。

關鍵詞：考試成績挖掘；K-Means算法；Apriori算法；教學輔導策略

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

一、分析信息技術考試成績數(shù)據(jù)的必要性

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

2.學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果反饋給學生。通過教師的引導，學生參照試卷分析結果，診斷出自身問題所在。學生通過把每次階段考試的經(jīng)驗教訓進行總結，有利于彌補知識和能力的缺陷。學生明確自身存在的問題后，會對自己本學科學習形成一個較為全面的認識，通過后續(xù)教師的指導，改進學習方法，對自身薄弱環(huán)節(jié)進行有針對性的補救和強化，為與此相關聯(lián)的后續(xù)課程的順利學習奠定良好基礎。

二、研究對象描述

本文以我校高一某班級2017—2018學年第一學期信息技術期末考試成績?yōu)檠芯繉ο?。本次考試?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，學生成績各分數(shù)段分布基本上滿足正態(tài)分布。

三、基于學生成績聚類的差異化輔導

1.基于K-Means的學生群體分類。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果。在對試卷難度進行分析后，將整個試題分為基礎題、中等題和難度題三大類，其中基礎題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)聚類結果可以得到六類學生的成績特點。第一類，基礎題和中等題一般，難度題較差；第二類，基礎題和難度題一般，中等題較好；第三類，基礎題和中等題一般，難度題較好；第四類，基礎題和中等題較差，難度題一般；第五類，三種題型均較好；第六類，基礎題較好，中等題和難度題一般。

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

四、基于知識點關聯(lián)規(guī)則挖掘的精細化輔導

1.基于Apriori的學生知識點掌握關聯(lián)分析。Apriori關聯(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}。將某班級學生每個知識點對應各題目得分進行累加，得到48個學生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%表示學生掌握了該知識點，否則認為學生未掌握該知識點。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)提取學生知識點掌握的關聯(lián)規(guī)則，其中支持度閾值設為0.3，置信度閾值設為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.基于關聯(lián)分析結果的強化輔導策略。（1）關鍵知識點細致化講解。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)知識掌握至關重要的知識點，在教學輔導過程中應該重點、詳細地講解。（2）注重知識點的銜接輔導。由第4條規(guī)則可知，如果“計算機網(wǎng)絡傳輸信息的常見載體及其特點”和“計算機網(wǎng)絡的常見連接硬件”兩個知識點掌握情況較好，那么“計算機網(wǎng)絡中標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，在教學輔導過程中應該按照知識點前后銜接，合理安排教學輔導內容，讓學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構”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)絡傳輸信息的特點”和“計算機網(wǎng)絡的主要分類和主要應用”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)，內容的前后關聯(lián)度并不是很強。但是經(jīng)過仔細分析后，試題中兩組知識點均為概念題，通過此關聯(lián)規(guī)則看出學生平時對于基礎概念是疏于識記的，因此導致對于兩組知識點均掌握的不夠好。在輔導和平時教學過程中，應該重視并隨時督促學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)與應用[J].電子科技大學學報，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