2020年数据挖掘学生全口径接收效果分析论文

数据挖掘学生全口径接收效果分析论文随着我国高等教育招生规模的扩大，高等教育的大众化基本实现，研究生规模也迅速扩大，研究生课堂教学质量逐渐成为各大大学关注的问题之一。课堂接受直接影响研究生课堂教学质量，影响人才培养。因此，调查了解研究生课堂状态，深入研究影响课堂接收效果的因素，对提高研究生教学质量具有十分重要的现实意义。本文调查东北财经大学研究生课堂行为，发掘影响大学课堂效果的相关因素，总结主要影响因素，探讨提高大学课堂效果的可行性策略。油画和李圭1是利用Microsoft决策树算法、Microsoft相关算法和Microsoft集群分析挖掘模型的挖掘分析，分为教学态度、教学内容、教学方法等三个指标。罗一玲2基于元规则约束关联挖掘，进行课堂教学质量评价挖掘，推导分析结果，提供建议。邵珠炎等3使用灰色关联分析，对影响课堂教学效果的因素进行评分后分析。Ye Yong 4将云模型引入遗传算法，使用改进的遗传算法优化支持向量机参数，并与BP神经网络、多线性回归模型进行比较，评价课堂教学质量的模型评价效果。圆联和定性5通过利用关联规则进行数据挖掘，发现与教学质量相关的因素是教师的学历、职称、教令。职称为讲师、学龄或高级职称、高学历教师教学质量优秀。张振等将评价指标大体分为教学态度、教学内容、教学水平、教师研究能力，利用相关规则发掘资料。戴俊7以教师因素、学生因素、师生相互因素和环境因素及考试分数为变量，通过主成分回归方法分析影响课堂教学效果的因素，为改进教学评价方法和提高课堂教学效果提供理论参考。许云华等8设计调查问题是根据根理论分析和分析“课堂教学最想提出的意见”、“改进方法”、“如何实现从被动学习到被动学习的知识吸收”等问题的结果。差异智贤和邱丰9参考课程-过去研究的教师职称、年龄、教授年级、课程类别基于这些教师背景变量，分析了教育质量、教学技术和教学责任感三个影响因素，为提高大学课堂教学效果提供了一定的经验指导。(a)支持向量机(SVM)支持向量机是1995年由CorinnaCortes和Vapnik等公司首次提出的，是基于统计学习原理的数据挖掘技术。支持向量机分为支持向量回归机和支持向量分类器，本文主要应用支持向量分类器进行数据挖掘。支持向量机分类的核心是寻找相互平行且最大的间距(margin)，定位在属于不同类别的采样点精确分离的两个边界中间，从而找到平行的超平面，即最大边界超平面。(b) TF-IDFTF-IDF判断文件中单字重要性的加权统计方法。一个词在文档中出现的次数越多，在此文档中出现的次数就越重要；这个词在整个语言中出现得越频繁，对这个文档就越不重要。TF-IDF利用计算机技术从文件中提取关键字，无需人为干预，快速执行有关单词频率的统计，并且经常用于文本挖掘和信息检索等前缀区域。TF-IDF的主要想法是，一个单词很少出现在另一个文件中，但是如果经常出现在此文件中，则类分隔功能很好，很有可能反映此文件的特性。TF-IDF实际上表示单词频率的TF*IDF，IDF表示反向文件频率。(a)数据1.选择变量为了获取教员因素、学生因素、环境因素三个变量的有效数据，我慎重设计了分为教员因素、学生、环境的问卷调查。教师的因素包括与学生的互动、上课方法、上课出席、按时上课、使用PPT、普通话、讲课声音大小、布置作业、教学和考试形式等。学生因素包括出席情况、问题交换情况、课堂上与学生和教师的交流情况、学习状态、讲课性能、课堂笔记情况、课堂内容掌握情况、课堂感受等。环境因素包括上课时间周围环境、使用的教室类型、上课日程上下学期情况、机器是否上课、教育设备、讲课时间、讲课时间、教室卫生等。2.数据收集在调查对象的选择中，我们主要以东北财经大学研究生为对象，发布了在线问卷调查问卷，让学生认真评价自己专业课程中某一课程的教学效果。(b)数据挖掘过程和结果(1)读取数据。在源选项卡中，选择excel节点，将问卷中的数据导入clementine。(2)数据审核。“选择输出”选项卡上的“数据核查”节点连接到excel节点，评估结果Q5变量的类别比率为90: 9: 1，单个类别值过大可能会影响建模的准确性，因此应将其删除。(3)数据分区。使用分区节点对数据进行分区。其中70%是培训集，其馀30%是测试集。(4)变量相关分析。统计节点使您可以分析变量之间的相关性，如果相关，则需要删除相关变量，否则不需要删除。因为在本文的变量中没有发现高相关变量，所以不需要删除变量。(5)分数变量重新分类。使用“重新分类”节点对得分变量进行分类。其中0-7分为一个类别，8、9、10分为另一个类别。(6)要素选择建模。在造型选择卡上，选择“要素选择”节点以连接到数据流中的适当位置。(7)支持向量机建模。提取在上一步骤中获取的重要变量，然后从建模选择卡中选择SVM节点进行建模。(8)数据测试。测试过程和培训过程相同，测试结果良好，准确度达93%。(c)文本挖掘过程和结果1、清理数据。原始问卷数据包括文字、标点符号。其中一些信息对关键字提取没有帮助，可能会严重影响研究。为了使提取工作顺利进行，首先需要整理原始审阅数据，例如“无”或“好”，并进行对问卷内容没有帮助的直接删除处理。2、数据预处理。经过预处理，句子水平的文本数据主要可以分为分词、词性标记、从属语法分析三个部分。本文在分词中使用LTP。3、提取关键字。本文使用TF-IDF算法自动提取关键字，以减少手动标注的主观影响，因为手动标注可能会引起主观干扰。(a)结论学生、教师、环境三者都对课堂接收效果有很大影响。数据挖掘结果、课堂兴趣领域、主题确定内容是学生因素、讲课方法和课堂互动是教师因素，第二类周围环境是环境因素。文本挖掘结果、学生、课程、认真是学生因素，理论、讲座、讲座、案例、互动是教师因素，课堂是环境因素。因此，所有三个因素都会影响课堂接收效果。使用文本挖掘和数据挖掘的比较分析，可以得到很好的研究结果。文本挖掘和数据挖掘结果反映了学生因素、教师因素和环境因素对课堂接收效果的影响，两种方法的分析结果都以高频率出现了“交互”因素，证明本文中使用的两种方法都是可行的，可以取得更准确的结果。(b)提议增加课堂分组讨论的环节。集体讨论是激活课堂气氛、交换意见、扩大学习范围的课堂中不可忽视的环节；可以活跃学生的思维，多角度思考，提高解决问题的能力，避免传统的灌输式教学方法。提高师生之间的课堂互动。加强师生之间的互动，调动课堂气氛，利用实际问题创造情况，学生提出解决方案，提高学生的学习兴趣。增加教科书知识和实际案例的结合。书的知识往往是生硬抽象的，结合实际事例后，坚硬的教科书的知识不仅更生动，更容易理解，而且通过实际事例整合。也可以提高学生的学习兴趣，提高对学习的积极性和主导权。增加课程实习环节。在实际操作中使用教科书知识，不仅可以使学生学习的乐趣，还可以使学生结合生活经验学习相关知识，在实际学习和未来工作中使用更好的书本知识，同时加深对教材知识的理解。增加大学课程改革调查。本文对东北财经大学研究生的问卷调查结果进行了分析和建议