数据挖掘技术在课程相关性分析中的应用

《数据挖掘技术在课程相关性分析中的应用》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、数据挖掘技术在课程相关性分析中的应用详细介绍了基于数据挖掘技术的课程相关性分析方法（相关分析法、典型相关分析法和关联规则分析法）的运算原理、适用范围和优缺点。分析认为，三种分析方法各具优缺点，互不可替代，具有显著的实用意义和社会价值，可作为教育教学改进决策的支持信息来源，也理应是教育工作者在教学提升方面的重要研究方向。课程相关性分析数据挖掘相关分析典型相关分析关联规则一、引言课程是实现教学内容传递的集中体现，是学校教育的目的性、计划性和组织性的集中体现。课程设置规定着课程类型、课程性质、课程排序和学时分配，还规定各类各科课程的学习目标、学习内容和学习要求等，其合理与否

2、将直接影响到所培养人才的质量，关系到学生知识面的宽度、深度、动手实践和研究能力的高低，同时也已经成为了影响大学生就业的主要因素之一。因此，课程结构和课程内容的合理设置尤为重要。课程相关性分析可定量描述课程之间的相关性，可根据相关系数值的大小确定课程间关系的紧密程度，然后从顺序性、整体性、关联性和连续性四个方面为优化课程设置提供参考信息，优化课程结构和课程内容。近年来，国内外教育工作研究人员开展了大量的课程相关性方面的研究，国内外多所著名高校已将课程相关性研究成果作为课程设置的基本依据。目前课程相关性分析研究所采用的方法均基于数据分析，其方法主要包括传统数据分析法和数据

3、挖掘分析法两种，而两者又有着本质的区别。在探索数据关系时，传统的分析方法一般是基于验证的方法，即用户首先对数据之间的关系做出一定的假设，然后通过数据分析来验证假设是否正确来得出相应结论，其分析过程是基于假设驱动的演绎型分析；数据挖掘不是用于验证某个假定的模式（模型）的正确性，而是在数据库中自己寻找模型，数据挖掘在本质上是一个完全基于发现驱动的归纳型分析过程。本文对课程相关性分析中的数据挖掘过程及基于数据挖掘技术的课程相关分析方法进行介绍，以期为我国高校课程的优化设置研究提供理论指导和方法借鉴。二、数据挖掘技术数据挖掘（datamining，dm）又称数据库中的知识发现

4、，是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，通过使用成熟的数据挖掘模型，提取出隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识，得到数据中反映出来的数据内在的关系，从而进一步应用到具体的数据分析研究中去。数据挖掘得到的信息具有先前未知、有效和实用三个特征。目前，数据挖掘技术的已被应用于关联分析（associationanalysis）、概念/类别描述（concept/classdescription）、分类与估值（classificationandestimation）、聚类分析（clusteringanalysis）、时间序列分析（ti

5、me-seriesanalysis）、偏差分析（deviationanalysis）、孤立点分析（outlieranalysis）等方面，随着数据挖掘技术的发展，可能还会继续出现新的数据挖掘功能。课程相关性分析为其关联分析功能中的一部分，所采用的分析方法主要有相关分析法、典型相关分析法和关联规则分析法等。数据挖掘分析过程各步骤之间互相影响、反复调整，形成一种螺旋式上升过程，具体分析流程见图1所示。目前已建立的数据挖掘模型有crisp-dm模型（crossindustrystandardprocessfordatamining）、oddm模型（oledbfordatam

6、ining）、oracle9i数据挖掘模型等多种，对于课程相关性分析来说，具有直观、简单和可靠等特点的crisp-dm模型最为适用，其模型见图2所示。三、基于数据挖掘的课程相关性分析方法基于数据挖掘的课程相关性分析方法主要有相关分析法、典型相关分析法和关联规则分析法，三种方法各具优缺点，互不可取代。1.相关分析法相关分析法又称单因子相关分析法，主要用于研究两个变量因子间的相关关系。作为教育信息多元统计分析方法的一种，相关分析法主要用于测定现象之间相关关系的规律性，据此进行预测和控制。将其用于课程相关性的探讨研究，可直接量化两门课程间的相关性，分析过程简单、快捷，显示方

7、式直观，数据可信度高。相关分析法在课程相关性分析研究中应用，主要有以下几个步骤：（1）确定两门课程之间有无相关关系以及相关关系的类型。在不熟悉课程情况时，则需收集两门课程的对应资料，用绘制相关图的方法进行初步判断。（2）判定现象之间相关关系的密切程度，通常是计算相关系数r（又称皮氏积矩相关系数），其绝对值在0.8以上表明高度相关，必要时应对r进行显著性检验。