楊亞菲

(國家開放大學 信息化部，北京 100039)

在當今數(shù)據(jù)驅(qū)動的時代，數(shù)據(jù)是非常寶貴的資產(chǎn)。數(shù)據(jù)挖掘的核心是挖掘數(shù)據(jù)的商業(yè)價值，在大量數(shù)據(jù)中通過算法找到隱藏在背后的關(guān)鍵規(guī)律用以制定相關(guān)決策、指導相關(guān)業(yè)務工作。因此無論工作還是生活中的各種決策，因為有了數(shù)據(jù)挖掘的結(jié)果而變得更加省時、省力精準有效。隨著高校將先進信息技術(shù)應用在教務管理的探索性實踐發(fā)展，教務管理不僅可以規(guī)范高校相關(guān)管理工作，還可以在一定程度上提高教學質(zhì)量。教務管理系統(tǒng)可以說是高校中具有最豐富且最大規(guī)模數(shù)據(jù)的系統(tǒng)，利用數(shù)據(jù)挖掘相關(guān)技術(shù)獲取教務管理數(shù)據(jù)中潛在的信息，對高校的發(fā)展起著至關(guān)重要的作用。

1 數(shù)據(jù)挖掘

1.1 概述

根據(jù)相關(guān)學者對數(shù)據(jù)挖掘的定義，數(shù)據(jù)挖掘可稱為知識發(fā)現(xiàn)，它是在大量、隨機、不完全、模糊的實際應用數(shù)據(jù)中提取有價值、潛在有用知識的處理過程[1-2]。它更是一種強大的人工智能工具，通過分析數(shù)據(jù)庫中多角度多維度的數(shù)據(jù)以發(fā)現(xiàn)有價值信息，并分類匯總數(shù)據(jù)之間的關(guān)系，運用此結(jié)果幫助制定和改進決策。

1.2 步驟

數(shù)據(jù)挖掘過程包括以下步驟：①數(shù)據(jù)獲取，即根據(jù)已有需求有針對性地在數(shù)據(jù)源獲取相關(guān)數(shù)據(jù)；②數(shù)據(jù)預處理，即規(guī)范格式、清洗數(shù)據(jù)、集成數(shù)據(jù)以進一步提高數(shù)據(jù)質(zhì)量；③模型建立及優(yōu)化，即選擇和應用各種數(shù)據(jù)挖掘模型，并進行優(yōu)化，以便得到更好的分類結(jié)果，此過程也可以視為選擇合適的算法；④數(shù)據(jù)挖掘，即對經(jīng)過處理的數(shù)據(jù)使用選擇好的模型進行數(shù)據(jù)挖掘，以獲取有價值的規(guī)律或知識；⑤知識展現(xiàn)，即對數(shù)據(jù)挖掘的結(jié)果分析并評估，一般最后會進行可視化展示[1-2]。

1.3 常用方法

國際權(quán)威學術(shù)組織The IEEE International Conference on Data Mining (ICDM) 2006年12月在香港評選出了數(shù)據(jù)挖掘領域的十大經(jīng)典算法：C4.5, K-Means, SVM, Apriori, EM, PageRank, AdaBoost, KNN, Naive Bayes, CART。根據(jù)主要用途可將上述十大經(jīng)典算法分為分類、聚類、關(guān)聯(lián)分析以及鏈接分析4類，以下就教務管理方面常用的挖掘算法進行闡述。

分類是基于未知類別數(shù)據(jù)的特征或?qū)傩?，將其歸類為已有類別。常用的分類算法有樸素貝葉斯以及決策樹(C4.5，CART)。樸素貝葉斯在概率論原理指導下，基于貝葉斯定理與特征條件獨立假設，對于待分類項求解在此項出現(xiàn)的條件下各個類別出現(xiàn)的概率，將要分類的項目分類為具有最高計算概率的類別[5]。決策樹又稱判斷樹，它是一種以樹形數(shù)據(jù)結(jié)構(gòu)來展示決策規(guī)則和分類結(jié)果的模型，作為一種歸納學習算法，其重點是將看似無序、雜亂的已知實例，通過某種技術(shù)手段將它們轉(zhuǎn)化成可以預測未知實例的樹狀模型[6-7]。

聚類分析就是在未知的情況下根據(jù)數(shù)據(jù)樣本之間一定的相似度將其劃分為若干個不相區(qū)間，然后根據(jù)與已有數(shù)據(jù)樣本區(qū)間的相似度來歸類待劃分數(shù)據(jù)[4]。其中，k均值聚類算法(K-Means)比較經(jīng)典，在k-Means算法中，對于給定的樣本集，根據(jù)樣本之間的距離將樣本集劃分為k個類。

關(guān)聯(lián)分析是找大量數(shù)據(jù)集存在的關(guān)聯(lián)性或相關(guān)性，描述事物中某些屬性同時出現(xiàn)的規(guī)律和規(guī)則，其中，Apriori是經(jīng)典的關(guān)聯(lián)規(guī)則算法。Apriori算法通過挖掘頻繁項集來揭示對象之間的關(guān)聯(lián)關(guān)系，其中頻繁項集是指經(jīng)常出現(xiàn)在一起的對象集合，關(guān)聯(lián)規(guī)則隱含著對象之間可能存在很強的關(guān)系。

2 數(shù)據(jù)挖掘在教務管理系統(tǒng)中的應用

2.1 分類算法在教務管理中的應用

通過樸素貝葉斯分類算法監(jiān)測學生考試成績，分析學生考試成績變化趨勢[5]。此外，將教務管理中學生的平時成績和試卷成績以及具體成績細節(jié)作為數(shù)據(jù)挖掘?qū)ο?，使用決策樹算法進行分類分析，挖掘影響學生綜合成績的重要因素，以及這些因素與綜合成績之前的正負關(guān)系[6-7]。基于此，不僅為教務管理者制定教學計劃提供了科學依據(jù)，而且還可有針對性地指導學生高效率學習。

2.2 聚類算法

對教務管理中學生對教師教學測評結(jié)果和教師授課信息進行聚類分析，挖掘教師教學水平評價的關(guān)鍵影響因素，分析學生就相關(guān)課程對教師教學質(zhì)量關(guān)注的重要指標[4]?；诖朔治觯环矫娼處熆梢杂嗅槍π缘卣{(diào)整授課側(cè)重點，提高教師教學水平；另一方面可以作為衡量教師教學質(zhì)量以及教師績效考核的重要量化參考依據(jù)，進而促進高校教師的團隊管理。

2.3 關(guān)聯(lián)分析

對教務管理積累的歷史選課數(shù)據(jù)以及已經(jīng)取得的成績?yōu)閷ο筮M行關(guān)聯(lián)分析，針對學生的選課傾向與學習課程后掌握情況、考試成績等信息，挖掘課程之間相關(guān)性和課程與成績之間相關(guān)性等有用信息構(gòu)建相關(guān)模型[3]?；诖耍梢詫崿F(xiàn)個性化課程推薦，為后續(xù)學生有針對性地調(diào)整培養(yǎng)方案提供科學依據(jù)，進一步完成個性化人才培養(yǎng)目標。此外，可為以后課程具體內(nèi)容設計方面提供細節(jié)參考，幫助教師有的放矢地準備授課內(nèi)容，提高整體教學質(zhì)量。

3 對數(shù)據(jù)挖掘技術(shù)在教務管理中應用的思考

3.1 應用范圍需要擴展

目前數(shù)據(jù)挖掘?qū)虅展芾矸矫娴膽醚芯看蠖嗍轻槍W生選課以及成績方面，而教務管理的業(yè)務范圍并不僅于此，還包括招生、學籍、科研、畢業(yè)、就業(yè)等多方面。只有將數(shù)據(jù)挖掘技術(shù)全面應用于教務管理各個方面，才能更加充分地完善教務管理系統(tǒng)，提高教務管理水平。此外，還可以為教學中自動問答功能以及個性化推薦功能提供基礎性支持。所以，研究數(shù)據(jù)挖掘算法，探索合適的挖掘模型，以處理教務各業(yè)務方面數(shù)據(jù)是今后努力的方向。

3.2 數(shù)據(jù)安全需要引起重視

在應用數(shù)據(jù)挖掘處理教務相關(guān)數(shù)據(jù)的過程中，處理的數(shù)據(jù)主體主要來自教務系統(tǒng)數(shù)據(jù)庫，數(shù)據(jù)源頭包含學生和老師的個人隱私信息。針對個人信息安全保護問題，國家明確規(guī)定了相關(guān)法律條文并發(fā)布實施。所以在獲取教務管理數(shù)據(jù)時，應該盡量避免敏感數(shù)據(jù)。如果研究中不可避免需要一些隱私數(shù)據(jù)，則需要對數(shù)據(jù)采取匿名化或去標識化等保密措施。將高度關(guān)注個人信息的敏感性，防止個人隱私泄露，防止對個人安全造成威脅作為對待數(shù)據(jù)的原則。

3.3 加強對教務系統(tǒng)的完善

大多學者通過對教務某業(yè)務方面的數(shù)據(jù)采用數(shù)據(jù)挖掘技術(shù)進行試驗分析，最后根據(jù)實驗結(jié)果獲取數(shù)據(jù)與業(yè)務相關(guān)的規(guī)律，用以支持制定教務管理相關(guān)決策或提升教學水平。然而，研究的最終目標不能局限于此，應該在相關(guān)研究成果的基礎上，結(jié)合教務系統(tǒng)實際使用情況對其功能進行升級完善，將研究結(jié)果轉(zhuǎn)化為教務系統(tǒng)中相應的功能模塊或是輔助教務管理的功能模塊，由此使得數(shù)據(jù)挖掘針對教務管理的應用成果能更加直觀地呈現(xiàn)于實際管理工作中。

4 結(jié)語

隨著信息化的推進，高校教務管理系統(tǒng)不斷升級、功能不斷完善、業(yè)務不斷規(guī)范，教務管理方面的信息數(shù)據(jù)量也不斷增加。如何正確科學使用教務管理方面的數(shù)據(jù)是每所高校管理者甚至是高層必須深思的問題，因為這決定著學校如何優(yōu)化教學資源、標準化教學管理、提升教學水平，甚至決定著整個教育行業(yè)的發(fā)展走向。數(shù)據(jù)挖掘技術(shù)為在紛繁復雜的海量教務管理數(shù)據(jù)中挖掘知識提供了很好的工具，雖然已經(jīng)有一些學者就此方面進行了研究，但是數(shù)據(jù)挖掘并沒有在高校教務管理方面得到廣泛應用，因此仍有較大的發(fā)展和創(chuàng)新空間，有必要進行深入研究。