决策支持系统在成绩分析中的应用

决策支持系统课程论文决策支持系统在成绩分析中的应用摘 要：本文主要应用数据挖掘技术对教务系统数据库中现存的学生成绩进行统计分析，结合教育信息的特点，将决策树算法中的ID3算法模型用于构建成绩分析的智能决策支持系统，根据信息增益值的大小，全面反应出影响学生某学科成绩的各个因素，找出课程设置之间的关联性，并从客观层面上对教师的教学质量予以综合全面的评价，为高校课程培养方案的制定者提供决策策略。本研究对于发挥成绩统计的正面导向作用，评定教学效果，反馈教学活动，服务教育决策具有重要的研究价值和实践意义。关键词：决策支持系统；成绩分析；决策树；ID3算法1 引 言各高等院校始终把教师的教学效果和学生的学习效果的评价作为一项重要工作，成绩统计分析是进行教学与学习效果评价的重要工作。现如今，各大高校扩招现象严重，然而无论是教务部行政人员还是高校教师们都未能找到现存数据库中那些历史数据之间的潜在关联。那么在决策支持系统广泛应用于教育管理工作的今天，高校教务管理系统不断的完善，我们可以利用教务系统中现存的大量学生成绩历史数据，为数据挖掘和辅助决策提供基础1。图1.1为基于决策树算法的成绩分析系统与数据库和用户之间的交互模型图： 图1.1 成绩分析系统与数据库和用户之间的交互模型图上图中，学校建立集中的数据库，数据主要来源于人工输入、文件导入、教学系统及其它应用系统的数据库，此外它还与其它部门的数据库进行交互。成绩分析系统的功能模块可以再具体细分，如图1.2所示。其中，数据预处理主要是收集数据，为数据挖掘做准备。首先是获取数据，这个数据是大量且杂乱无章的，然后再对获取的数据进行取样分析，筛选出有用的数据，并且把这些数据转换为决策支持系统可直接处理的格式。数据挖掘模块主要是使用ID3算法对已经经过了预处理的数据进行挖掘，生成决策树，找出它们的内在联系，并生成规则集直接运用。结果显示模块主要是对规则集的处理，使其在界面上显示出来。 图1.2 成绩分析系统的功能结构图2 决策支持系统与成绩分析2.1 决策支持系统与决策树2.1.1 决策支持系统基本概念在Error! Reference source not found.一书中认为，决策支持系统是按决策问题的需要，利用数据、模型和知识等决策资源，组合形成问题的多个方案，通过计算获得辅助决策的依据，达到支持科学决策的计算机程序系统。它具有如下特点：（1） 用定量方式辅助决策，而不是代替决策；（2） 使用大量的数据和多个模型；（3） 支持决策制定过程；（4） 为多个管理层次上的用户提供决策支持；（5） 能支持相互独立的决策和相互依赖的决策；（6） 用于半结构化决策领域。2.1.2 决策支持系统的体系结构图2.1.2为决策支持系统的基本结构，从图中可看出，DSS（决策支持系统）主要由对话（人机交互）、模型和数据组成。 图2.1.2 决策支持系统的基本结构Error! Reference source not found.2.1.3 基于决策树算法的智能决策支持系统在决策支持系统的基础上，随着人工智能领域的快速发展，决策支持系统也有了很大的改进，进而出现了智能决策支持系统。本文主要介绍基于决策树算法的智能决策支持系统，它的基本结构如图2.1.3所示： 图2.1.3 基于决策树算法的智能决策支持系统结构图从上图中可看出，一个完整的决策树分类系统主要包括数据库管理、挖掘前处理、挖掘实施、模式评估、知识输出表示等模块，各个模块相互衔接、相互联系，共同构成了分类数据挖掘的体系结构3。2.2 成绩分析方法2.2.1 成绩分析及其重要性在传统的教学模式中，一方面，学生所学知识的好坏程度主要取决于考试成绩的高低；另一方面，学校检验教师的教学质量和效果往往也是通过学生的成绩指标来反映，或者通过教务系统中学生对于教师的网上评价来反映。无可否认，这种做法可以在一定程度上反应教师的教学质量。然而，这种做法的一个弊端就是，学生对于教师的评价往往取决于学生的主观认知和评价，与教师本身的教学质量并没有必然联系。学生的评价可能仅仅取决于任课教师是否点名、考试出题难度高低，考试成绩给分高低。显然，这对那些教学严谨认真教学的任课老师是极为不利的。那么，对于教务系统中已存的庞大的历史数据，除了对这些数据进行最基本的查询、统计等功能外，利用数据挖掘技术，挖掘出影响学生成绩的因素，无论是对教师还是学生，都是一种比较客观全面的教学效果的评价。利用数据挖掘技术可以从定量的角度精确地展现学生成绩分析的多个方面,故而把数据挖掘技术引入到学生成绩分析中,以此来帮助教师和教学部制定相应的措施,有利于提高教学质量,增强教学效果4。本文就是研究数据挖掘中的ID3决策树算法在成绩分析中的应用。2.2.2 学生成绩的ID3决策树算法处理ID3算法主要针对决策树中分类时候的属性选择问题，是决策树算法中最具影响和最为典型的算法5。该方法使用信息增益度来选择测试属性，其中所涉及的公式如下：（1）假设有n个互不相容的事件，它们中有且仅有一个发生，则其平均的信息量可如下度量（其中，为事件发生的概率）： 公式1（2）在决策树分类中，假设是训练样本集合,是训练样本数，样本划分为n个不同的类，,，这些类的大小分别标记为|,|,|，则任意样本属于类的概率为： 公式2（3）是属性A的所有可能的值，是属性A有值的子集，是中的元素的个数；是中的元素的个数，是根据公式2计算A取值的概率；为为属性A在值下的信息量的大小，这个值是根据公式1计算得来；所以为属性A的信息量大小的期望值。 公式3（4）那么属性A在集合上的信息增益值的计算公式为： - 公式4其中集合总的信息量的大小，由公式1计算得出；的值越大，说明选择测试属性对分类提供的信息越多。ID3算法的建立基本流程为：首先对目前的数据表，建立一个节点N；如果数据表中的数据都属于同一个类，N就是树叶，并在树叶上标出所属的类；如果数据表中没有其他数据可以考虑，则N也是树叶,按照少数服从多数的原则在树叶上标出所属类别；否则，根据平均信息期望值E或Gain值选出一个最佳属性作为节点N的测试属性；节点选定后，对于该属性中的每个值，从N生成一个分支，并将数据表中与该分支有关的数据收集形成分支节点的数据表，在表中删除节点属性那一栏；如果分支数据表非空，则运用以上算法从该节点建立子树7。在成绩分析系统中，首先要将数据预处理去噪等操作后，将影响学生成绩的各项属性作为样本属性代入到ID3算法中进行处理，根据信息增益值的大小依次选择分类的节点属性，最后得到一棵决策树。3成绩分析决策支持系统的应用3.1 案例表3.1为某学校学生A课程的成绩数据库(训练样本集合),训练样本包含四个属性,它们分别为A课程成绩、任课教师、A课程的课程类别、是否修过B课程。样本集合的类别属性为是否通过C 课程。该属性有2个取值,即为C课程合格和C课程不合格。 表3.1 某学校学生的成绩数据库序号A课程成绩任课教师A课程类别是否修过B课程C课程是否合格185甲核心无不合格254乙核心无不合格370丙核心无合格490甲专业选修无合格553丁通识选修有不合格687甲通识选修有不合格766丙通识选修有合格855乙专业选修无合格942丙通识选修有不合格1089丁专业选修无不合格3.2 应用上表中，首先将A成绩这个属性进行划分区间处理，因为ID3算法主要针对的是离散取值，而成绩属性是一个连续取值的变量。将成绩属性进行求平均数等过程处理后，分为两个区间，即成绩大于等于54.5和小于54.5。其次，根据2.2.2节中的公式和算法思想，分别计算4个属性对于C课程是否合格分类的信息增益值，计算结果可得成绩属性的信息增益值最大，所以根节点属性为A课程成绩；再次调用ID3算法，对成绩中的每个值分别计算剩下属性的信息增益值，如此循环，直到分类得到C课程是否及格方可停止。最终得到的决策树如图3.2所示： 图3.2 C课程是否合格的决策树由上图中的决策树可得到下面的关联规则集：（1）C课程是否合格与B课程无关；（2）如果A课程成绩低于54.5分，那么C课程一定不合格；（3）如果A课程成绩大于54.5，当A课程的任课教师为乙和丙时，C课程合格；A课程的任课教师为丁时，C课程不合格；（4）A课程成绩大于54.5的情况下，当A课程的任课教师为甲时，如果A课程为专业选修，那么选C课程的学生成绩合格；如果为核心课程或者同时选修课程，那么选C课程的学生成绩不合格。4 结 论对上述决策树和规则集挖掘的结果进行分析，可以得到如下结论：（1）A课程必须作为C课程的先修课程，并且，只有在A课程达到某个成绩后,C课程的成绩才能合格。这样,A课程的成绩对于教学管理者在课程设置，和安排学生进行重新学习时，就得作为一个必须考量的因素。是否先对A课程先重新学习后再安排关于C 课程的学习。（2）不同的授课教师也影响着C课程的学生成绩，当学生A课程成绩高于54.5分时，乙老师和丙老师所教的学生C 课程均合格，而同样的情况下，丁老师所教的学生并没有取得合格的成绩，这在一定程度上也能反应某位教师的授课质量。而在之前，我们判断教师的授课质量，只能从学生的打分及相对比较简单的合格率上进行判断。使用算法改进得到规则后，我们可以在比较平等的情况下，对教师的授课质量进行比较综合全面的评价。（3）在本例中，由于所列举的数据不够，最后一个分类的属性A课程的修习类别，没有作为分类属性进行挖掘。而在数据足够多的情况下，我们可以容易的看出在课程设置的时候,A课程是否需要作为核心课程进行教学，如果不需作为核心课程，那么在学时和学分上的要求就可以相对降低，这对于学生的课程自主安排上也有指导意义。综合本文的研究内容来看，将基于决策树的智能决策支持系统应用于成绩分析中，将会有很大的应用前景。利用决策树支持系统进行数据挖掘，不仅可以帮助分析课程设置的先后顺序或者对教师教学质量进行评价，还可以用于研究教师年龄、职称、学历与教学效果之间的关系，或者是对学生的心理素质分析7，对学生的成绩进行预测。总之，将数据挖掘技术与决策支持系统相结合，关注教育领域中各种类型的数据，将会极大地促进教育教学的发展。参考文献1 张凌.ID3算法的研究以及在成绩统计辅助决策系统中的应用D.厦门：厦门大学，2007.36-37.2 陈文伟.决策支持系统及其开发M.第二版.北京：清华大学出版社,2014.5-67.3 刘海燕.基于决策树分类算法的学习成绩分析系统的设计与实现D.