论文部分内容阅读
教育领域中无时无刻都在产生大量教育数据，与此同时这些教育数据中隐藏着大量的潜在的有用的价值，倘若我们能把“地大物博”的教育数据转化成有指导，有建设、有意义的科学分析来支撑教育者与学习者的教育决策与引导（比如为教育者提供改善教学，为学习者提供改善学习方法及推荐个性化学习），那么对于整个教育界来说，简直是得到了一块“无价之宝”。而对于借助机器学习、统计学、数据挖掘等方法（如构建预测模型、关联分析等）的教育数据挖掘是目前研究热点，研究者用教育数据挖掘来分析整个教育领域中所产生的教育数据，以此来改进教育者的教学实践，推荐学习者的个性化学习，给教育者决策提供科学的技术分析，为学习者提供专项指引与针对性干预。 为了提高考试数据关联规则的有效性，本文主要探讨基于图计算的教育考试数据的关联分析。首先，采用基于图计算的关联分析方法对考试数据进行图分析，针对学生的课程之间的选择建立了一个数学模型，分析该模型的拓扑排序算法；针对传统数据挖掘算法得到的关联规则有大量冗余问题，使用规则对关联规则进行了冗余检测，并采用了基于有向超图的方法表示了关联规则；通过重新定义邻接矩阵的方法来删除冗余规则。其次，对数据分析的过程进行优化。在对考试数据预处理问题上，采用了一种基于二进制编码的数值匹配方法对考试数据进行了预处理，提高了数据分析的效率。最后，针对传统教育考试质量评价过程中面临的单一、片面、复杂特性以及由此而导致的考试评价不科学、不客观等问题，采用了基于二次校正的考试数据分析与评价方法，使数据分析结果更加精准可靠。 本文中的测试是基于云计算的考试数据服务平台进行的，实验结果表明： 1)基于有向超图的关联规则环路冗余检测法，有效地减少冗余的关联规则及环路规则的出现，提高了关联规则的质量； 2)为了使基于图计算的考试数据关联分析结果更加准确与可靠，对考试成绩数据进行了二进制编码转换，提高了数值匹配速率；同时在考试评价方法中运用了基于二次校正的处理方法，为基于图计算的考试数据关联分析提供更精准的判断依据与技术支持。