论文部分内容阅读
学业预警作为危机预警的一个重要应用领域，越来越得到广大高等院校和危机预警领域专家的重视，现有的高校学业预警系统已经不能适应人本化和科学化的要求，现有的学业预警系统，往往只能在学生课程学习完毕之后根据相关的政策规定给出相应的预警信息，并不能将预警期限缩短，将预警时间提前，不利于学生及时、有效地调整学业进度和学习规划。
同时，由于同一学科体系内相关课程间的内在关联没有得到足够的重视，学生成绩数据又以不同的形式存储于不同的计算机上，从而使隐藏在其中的大量课程关联信息无法得到有效的利用。而如何将这些已有的数据信息和潜在的关联信息转化为预警信息，为教学管理者提供决策支持，为学习者提供学业预警和相应指导，为任课教师提供教学进度安排的建设性意见是高校面临的丞待解决的重要问题。
数据挖掘技术是目前人工智能和数据库领域研究的热点问题，是一种新的数据处理技术。将数据挖掘技术运用于高等院校学生的学业预警领域，具有重要的理论意义与应用价值。课程相关性分析和学生成绩量化分析是实现以课程预警为单位的学业预警的前提与基础，有助于提高教学管理部门的学业预警工作的效率和准确度，有助于提升对学生学习过程评价的客观化、科学化。
本文是基于学习过程形成性评价理论，以学分制下学生培养方案和学生成绩数据库为支撑，依托数据挖掘技术的有关方法和实施工具，对基于学习过程形成性评价的学业预警进行深入的研究，在此指导下通过实现基于数据挖掘技术的课程预警使之得以实体化应用，使之成为高校学业预警的一种新思路、新体系、新机制、新模式。本文以两门课程作为实施案例，进行课程相关性分析，典型相关分析，成绩回归预测模型建立，稳定性研究以及关联规则挖掘，来具体说明其实施过程。