数据挖掘技术在高职教学评估中应用探究.doc

《数据挖掘技术在高职教学评估中应用探究.doc》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、数据挖掘技术在高职教学评估中应用探究【摘要】信息时代的到来，给人们带来了很多方便，与此同时，过多的复杂的信息本身也存在着相应的隐患。第一是信息过多难以消化理解；第二是信息真假难以分辨；第三是信息的错综复杂使得安全难以保证；第四是信息形式不一致难以统一处理。另一方面，随着数据库技术的迅速发展以及数据库管理系统的广泛应用，人们积累的数据越来越多，增加的数据背后隐藏着许多重要的信息，如何将这些信息合理地利用起来为大家更好地服务，是一个值得研究的课题。【关键词】数据挖掘高职教学评估随着教育信息化建设，教育界认识到教育数据的重要性，并积累了大量的教

2、育数据，如何通过对这些庞大的数据进行分析，从而得到更多的有助于决策的信息，对于教育者来说是非常重要的。面对庞大的数据，传统的数据分析技术无法发现数据中隐藏的相互联系，导致教育数据并没有充分地、有效地发挥其在教育决策和教学测评中的作用，这个任务就落在数据挖掘者的身上。1问题研究的可行性随着学校教育的发展，教学质量已成为一个学校的生命和灵魂。好的教学质量是学校发展的基础，它直接关系到学校人材的培养，影响到学校的声誉。每个学校都在努力加强教学质量的监控力度，确保课堂教学质量，以提高学校的综合实力。教学测评的主要目的是对教学过程和结果进行监控，以

3、了解课程执行情况和教师的教学效果，以改进教学实施，从而进一步提高教育教学水平。一般来说，教师评分情况中往往积累了大量的数据，但目前对这些数据的处理还停留在初级的数据备份、查询及简单统计阶段，使得这些数据还不能发挥它应有的作用。如何开发这些“宝藏”，利用这些数据理性地分析教学中各方面的成效得失是广大教师们共同关心的问题。从解决以上几个问题入手，认真分析原因，找到决定教师评分结果的真正原因势在必行。2总体设计方案本文采用的决策树算法是一个能够适应多种情况的强壮算法，通过调节各种参数可以产生较好的分类和预测效果。数据挖掘技术的处理过程大致可以分

4、为三个主要的阶段：数据准备、数据挖掘、结果表达和解释。总体思想就是使用ID3改进算法对由部分数据形成的训练集进行划分，生成分类规则，然后利用剩余部分数据对结果进行测试，来检验生成的分类规则的正确性。以教师评价为例，选取与教师评价相关的两个属性年龄和学位，生成一组训练数据，用决策树分类算法分析训练数据，生成分类规则，如图1所示；用一组测试数据来进行模型评估，如果准确率是可以接受的，则分类规则将用于新的数据分类，如图2所示，进行分类预测。图1利用训练集进行学习图2利用测试集进行验证3决策树算法在教学评估中的具体应用3.1数据的准备。3.1.1

5、教师基本信息。本学院教师基本信息包括：姓名、年龄、学历、职称、专业、参加工作年限等属性，这些信息可通过本院教务处师资科获取详细信息。3.1.2学生提供的信息。本学院每学期期末采取学生对本学期授课教师授课情况进行打分的方法，采取不记名的方式，通过课堂上给学生分发评价表，学生按照评价表细则对教师作出授课评价。学院督导组根据学生的不记名打分情况，将学生对教师课堂教学质量的综合评定（A代表优秀、B代表合格、C代表不合格）作为期末教师教学得分情况的一个重要参数。由于学生给教师打分采用不记名的方式，并且是在课堂上当堂打分，不会出现一人填写多份的现象，

6、这就在一定程度上避免了不真实数据的产生。3.1.3学院领导提供的信息。学院领导和督导组也会按照课程计划，每学期对各个任课教师进行听课记录，发现教师的优点和不足，同时按照各项评价指标，对教师作出客观的评价。督导组同样将领导专家的听课记录表中的评分作为考查教师教学质量情况的重要参数。因为学院领导以及专家的评价可以比较客观的体现教师实际授课水平，驾驭课堂的能力。以上是几个方面数据的确定，本人认为，教师授课质量的优秀与否除了上述数据外，教师的教学加分、科研能力、授课对象、授课课程类型等因素在一定程度上也影响着教师教学质量评估的结果。由于准备用于挖

7、掘的评价教师教学质量的属性个数很多，为了便于通过决策树模型的建立掌握分类规则，选择其中与评价教师教学质量属性相关性较大的几个属性作为建立评估分类决策树模型的依据，生成新的教师教学质量评估分析基本数据表，转换后的数据训练元组见表1所示。表1转换的数据训练元组3.2使用决策树算法生成分类规则。决策树算法主要根据训练数据生成以树状结构表示的分类器，其每个内部节点都是对某个属性的判断，所有的叶节点则代表最终的分类。这种表示接近于现实世界的分类，易于普通用户的理解。决策树的算法可以被描述成一个递归的过程：首先，选择训练样本的一个属性作为节点，对该属

8、性的每种可能的取值创建一个分枝，并据此将训练样本划分为几个子集。然后，对每个分枝采取相同的方法，训练样本是其父节点划分的若干子集中的对应于该分枝取值的那个样本子集。当以下情况出现时停止该节点分