数据挖掘技术在高校教学评价中的应用研究

1、数据挖掘技术在高校教学评价中的应用研究摘要：本文概要论述了新建本科院校教学评价的现状，并以高校教学评价系 统为数据挖掘平台，以高校教师评价数据为训练集，重点阐述了数据挖掘技术在 高校教学评价系统中的应用研究。通过研究表明，数据挖掘结果使得教师能够寻 找有关影响教学质量的原因及影响学生学习质量的因素，从而对教师改进教学方 法，提高教学质量起到了积极的作用，对高校教学评价具有一定的参考价值。关键词：数据挖掘，教学评价，决策树评价对于我们每个人而言都是一个熟悉的不能再熟悉的词汇，它存在于我们 生活的每时每刻。而教学评价对于一个从事教育工作的人来说，则与评价之于我 们是一样的。但在教学评价过程中，我们

2、该如何把握评价的内涵和目的？这是教 冇科学的一个重要的研究领域和教育领域的一项重要的实践活动。本课题的研究 基于新建本课院校的教学评价，提出了基于数据挖掘技术的教学评价系统，并对 应用的数据挖掘技术进行了研究分析，以期与同行进行交流，共同为评价工作尽 一份微薄之力。一、高校教育评价现状的分析在这里，只是本人对教育教学评价现象的一种思考，针对目前三类本科院校 教冇教学评价实践活动的现状的一种思考，目的是期望教冇评价作为一种管理手 段的价值，更好地发挥教育教学评价实践的功能。在一定意义上来讲，长期以来 的教育评价实践，是一种不利于教育发展的实践，这是对教育评价种种弊端或不 合理现象的集中说明。在这

3、里简要论述如下。1、从事教学评价的人员，不能真正理解教学评价目的及内涵，这往往导致 了教师对教学评价的抵触和不安，起不到教学评价的促进作用。2、教学评价方法单一、教学评价结果不公开，不能真正做到公平、公正、 公开，导致教师对评价活动重视程度不足，起不到评价的作用和意义。3、为了评价而评价，更是在很大程度上导致了评价和教学发展的分离。4、校园圈子小，导致了人的主观情感较大地影响了评价的客观性。二、数据挖掘技术的应用研究本课题的研究提出了基于数据挖据技术的教学评价系统，在本系统中对教 师、学生及学校管理者的评价采取了多种方法，尤其数据挖掘技术的应用，能更 好地为决策者提供决策帮助。1、算法选择数据

4、挖掘技术的实现算法很多，如决策树、关联规则、聚类、日志挖掘、神 经网络等。在本课题的研究中，根据教学评价的特点及数据的相关性，在挖掘技 术实现中，选择了关联规则算法及决策树算法。一方面，关联规则可以通过发现 的关联知识建立起数据之间的关系网（如网络评价过程中，学生的点击率、对不 同课程的访问率等），通过检测一种现象，推出相关的结果。它的优点是能够产 生清晰有用的结果，可以支持间接数据挖掘，甚至于变长数据的处理，它计算的 消耗量是可以预见的。另一方面，决策树算法则是在分类问题上是很有效的方法, 这对教师的评价具有很好地作用，因为通过分类，可以清晰地了解教师在教学过 程哪些方面不足，是什么影响的教

5、学质量等。这两种算法，对于基于网络的教学 评价系统是很有效的方法。本文仅对决策树技术的应用进行来分析论述。2、决策树技术的应用决策树安其字面意思既是一种以树形结构的方式来体现数据挖掘结果，并按 树枝给岀分类规则的一种挖掘算法。是数据挖掘技术的核心算法之一，它通过将 大量数据有目的的分类，从中找出一些潜在的、对决策价值的信息，常用于预测 模型。决策树的算法很多，如1986年quinlan提出的id3算法，后于1993年 改进算法c4.5, leobreiman等人提出的cart算法，melhaetal提出的sliq算 法等。在诸多算法中，本系统的分类挖掘算法采用c4.5算法，用来构造决策树 生成

6、分类模型，以期通过教师的基本信息如教师素质、教师职责、教学能力等等 的数据挖掘对其进行预测，供决策者使用，从而做到人尽其才，激发教师工作积 极性，提高教学质量的目的。(1)数据准备构造决策树的前提条件是数据的准备，在本实例中，对教师的评价数据来源 于系统的数据库，包括同行评价、学生评价、教师自评及专家评价等，这部分数 据可通过数据库表的读取来获得；另外一方面是调查问卷整理获得的数据。教学 评价数据统计表如表1所示。由于分析表中包含多个字段，在这里只给出几个方 面的数据采集情况。如同行教师对教师的评价包括了平时教师的业务情况，听评 课、教学方法、教学效果等等。而调查问卷则针对学生在学习过程中存在

7、的问题 及对教师的教学过程进行的。表1教学评价分析表序号教师姓名学生评价同行评价综合评价1张宁良好中一般2高辉良好良3王藏一 八、中中一般4刘新一般中中 (2)数据预处理对数据的预处理，也就是针对样本集获得的数据，将其转换为适合数据挖掘 统一格式，由于教师评价分析数据库中的属性字段很多，经过预处理，在决策树 模型建立吋，根据具体实际情况，将教学内容、课堂控制、教学方法、教学效果 等为非类别属性，评价是否良好为类别属性。在本例中选取了 300多数据作为训 练样本。(3) c4.5算法构造决策树运用c4.5算法构造决策树的核心是爛的计算。因为c4.5算法采用了信息增 益作为度量判别决策属性的分类，

8、即进行决策节点属性的选择。信息增益即爛的 计算方法下：设有事例集合t和事例样本类标号ci, i=l, a, n,则信息爛是：w洱呼2于在这里frequ(ci, t)用来表示集合t中事例属于ci的个数。| t则表示事 例集t的样本个数。每一个可能的消息的概率是从训练集计算而来。如果选择 了有k个不同值的属性x,产生的决策树信量的期望值即条件爛是：” |t|ex = s 器 xinfo ) 匸】171|引是基于属性x的某个值的子树屮每一类例的数目。其信息增益是：gain(x) =infb(t)-exc4.5算法设计的每一步都采用启发式搜索来选择导致最大信息增益，gain 的属性x作为扩展属性进行分

9、枝。当有人量不同的属性值和采用标准化的处理 程序时，这种启发式方法很有效。通过对爛的计算，形成的决策树模型如图1 所示。学牛学习兴趣教学方法图1评价是否良好决策树从上我们可以看出，教学效果是否良好可以通过树形结构来阐述说明，例如: if教学方法好，学牛学习兴趣一般，教学内容准备充分，then教学效果较好， 口通过测试运行发现，良好的比率可达80%以上。if教学效果差then教学控 制差，学生兴趣差等；通过统计，三类本科院校尤其是三表学生学习兴趣低，调 查发现，10%左右学生学习兴趣非常薄弱。是教师教学过程中需要攻克的一个难 关。综上所述，本文运用实例，阐述了决策树技术的应用，提出了在高校教学评 价系统屮运用数据挖掘技术是有益于