论文部分内容阅读
【摘要】：数据挖掘技术在当前越来越被广泛的应用，所以对其研究具有非常重要的意义，本文以下内容将对数据挖掘在计算机教学评价中的应用进行分析和探讨，以供参考。
【关键词】：数据挖掘；计算机；教学评价
中图分类号：G623文献标识码： A
1、前言
计算机教学评价就是以学生为主体对教师进行评估，这样让学习参与进来，能够大大的提高教学质量并促进教学改革，然而，如果要将教学评价结果更加清晰的表达、分析、解释、公布和使用，从而极大的调动教师的积极性，达到更好的发挥教学评价作用的目的，就必须使用数据挖掘技术。这里所说的数据挖掘是从大量的、不完全、模糊的实际应用数据中，提取隐含在其中却有价值的知识和信息。本文以下内容将对数据挖掘在计算机教学评价中的应用进行分析和探讨，以供参考。
2、数据挖掘技术分析
数据挖掘更准确的称谓应该是从数据中挖掘知识，它是数据库中知识发现的核心，其属于数据分析的范畴，从广义的角度看，数据分析可分为验证型分析和挖掘型分析，其中多维查询可以方便地观察系统的实际情况，以便确定某种假设是否成立，属于验证型分析的范畴，而数据挖掘是在大量数据中由未知去发现知识，属于挖掘型分析的范畴，通常把挖掘型分析直接称为数据挖掘，其又可以分为描述型挖掘和预测型挖掘。描述型挖掘用于了解系统实际数据存在的特性，其目的是为预测做准备，描述型挖掘主要有关联分析、序列分析和聚类分析等方法；预测型挖掘是在描述型分析得到的结论的基础上对系统的发展进行估计，通过预测型分析，能够得到最终需要的结果，为决策者提供直接的依据。预测型挖掘还可以分为分类预测和统计回归预测，分类预测是对某个事物可能归属于某个类别的概率进行度量，回归预测是指预测一个变量值的变化，比如单位某项业务利润的变化情况。如果变量随时间而变化，则称为时间序列预测，预测模型的这种分类方法是从预测的目的上来划分的，而不是从实现的数学模型上来划分。
数据挖掘通过预测未来的趋势和行为，并做出基于知识的、前瞻的决策。数据挖掘的目标是从数据中发现隐含的、有意义的知识，其任务主要包含概念描述、关联分析、分类和预测、聚类分析、偏差分析和演变分析。数据挖掘是一个完整的过程，能从大量数据中挖掘先前未知的、有效的、可使用的知识，并作出决策或进一步丰富知识，其一般过程为确定业务对象→数据准备→数据挖掘→结果分析→知识同化。
3、关联规则与计算机教学评价数据挖掘
关联规则是数据挖掘研究的重要课题之一，也是最活跃的一个分支，即在事物数据库D中找出满足个顶最小支持度和最小置信度的关联规则，可以被分解为两个子问题，找出实物数据库D中所有不小于给定最小支持度的项目集，即频繁项集；利用频繁项集生成关联规则。从另一个方面来说，其是用来描述数据库中的数据项之间存在潜在关系的规则。关联规则的目的是用丰富的手段，获取、保存大量数据，并从庞杂的数据中提取有用的知识和信息，其具有可以产生清晰有用的结果，可以支持间接数据挖掘，可以处理变长的数据，它计算的消耗量是可以预见的。
另外，需要注意的是，评教是一种主体性活动，评教者的态度认真与否对评教结果有直接影响，如果评教者的态度不认真，必然会严重扭曲评教结果，因此，除了在评教前对评教者进行思想教育和评教方法的指导外，还应该在技术上采取一些措施，尽可能地找出那些不负责任的评教者所给的评教数据，较少评教活动的干扰因素，提高评教的客观性、准确性和一致性。
4、决策树与计算机教学评价数据挖掘
决策树是一种常用于分类和预测模型的算法，它通过将大量数据有目的的进行分类，从而找到一些有价值的、潜在的信息，其主要优点是描述简单，分类速度快，特别适合大规模的数据处理，决策树的基本算法是贪心算法，采用自顶向下的递归方式构造决策树。决策树是用样本的属性作为节点，用属性取值作为分支的树结构，它是利用信息论原理对大量样本的属性进行分析和归纳而产生的，决策树的根节点是所有样本中信息量最大的属性，树的中间节点为根的子树所包含的样本子集中信息量最大的属性，决策树的叶节点是样本的类别值。
在这个过程，核心问题有两个，一個是决策树的构建，也就是如何快速有效地创建决策树，且建立的决策树能更容易地被理解，二是决策树剪枝，即对已建立的决策树进行优化处理，使结果树大小适用。
5、SPSS Clementine与计算机教学评价数据挖掘
利用SPSS Clementine可以实现对计算机教学评价数据的挖掘分析，在使用C5.0决策树模型，对教学评价中各指标对总体评价指标的影响分析，可以发现评价指标中的教学素质、教学目标和教学内容对总体评价的影响较小，而教学态度、教学效果和教学方法影响较大，从这里就可以提醒教学管理和督导部门需加强对教师职业道德和教师责任心的培养以及教学方法的督导和引导，以帮助教师提高教学效果。
另外，通过使用CHAID决策树模型，对学生因素对考试成绩的影响进行分析，发现了不同的专业的成绩不一样，而且女生的成绩总体要比男生的成绩好，专科学生成绩总体优于本科学会僧以及文科学生成绩总体要好于理科学生等，这为教学管理部门分配任课教师，教师有效地实施教学提供良好的决策支持。基于C＆RT算法构造决策树，通过对学生评教成绩和考试成绩的相关性分析，发现二者没有必然的联系，并能够在SPSS 13.0 for windows 上进行相关性验证，这也为合理设定学生评教成绩所占教师整个教学评价结果中的比重，避免只用学生评教结果对教师进行教学评价的片面做法提供决策支持。
4、结尾
本文以上内容首先对数据挖掘技术进行了分析和探讨，随后研究了关联规则、决策树和SPSS Clementine，表达了观点和见解，作为一名软件从业人员，本人深知深入实践和加强理论学习的重要性和紧迫性，接下来，必将认真研究软件技术，总结实践经验，为软件工程的发展作出更大的贡献。
【参考文献】
[1]《数据挖掘概念与技术》孟小峰等，机械工业出版社
[2] 《数据仓库与数据挖掘》安淑芝等，清华大学出版社
[3] 《数据仓库与数据挖掘原理及应用》王丽珍等，科学出版社
【关键词】：数据挖掘；计算机；教学评价
中图分类号：G623文献标识码： A
1、前言
计算机教学评价就是以学生为主体对教师进行评估，这样让学习参与进来，能够大大的提高教学质量并促进教学改革，然而，如果要将教学评价结果更加清晰的表达、分析、解释、公布和使用，从而极大的调动教师的积极性，达到更好的发挥教学评价作用的目的，就必须使用数据挖掘技术。这里所说的数据挖掘是从大量的、不完全、模糊的实际应用数据中，提取隐含在其中却有价值的知识和信息。本文以下内容将对数据挖掘在计算机教学评价中的应用进行分析和探讨，以供参考。
2、数据挖掘技术分析
数据挖掘更准确的称谓应该是从数据中挖掘知识，它是数据库中知识发现的核心，其属于数据分析的范畴，从广义的角度看，数据分析可分为验证型分析和挖掘型分析，其中多维查询可以方便地观察系统的实际情况，以便确定某种假设是否成立，属于验证型分析的范畴，而数据挖掘是在大量数据中由未知去发现知识，属于挖掘型分析的范畴，通常把挖掘型分析直接称为数据挖掘，其又可以分为描述型挖掘和预测型挖掘。描述型挖掘用于了解系统实际数据存在的特性，其目的是为预测做准备，描述型挖掘主要有关联分析、序列分析和聚类分析等方法；预测型挖掘是在描述型分析得到的结论的基础上对系统的发展进行估计，通过预测型分析，能够得到最终需要的结果，为决策者提供直接的依据。预测型挖掘还可以分为分类预测和统计回归预测，分类预测是对某个事物可能归属于某个类别的概率进行度量，回归预测是指预测一个变量值的变化，比如单位某项业务利润的变化情况。如果变量随时间而变化，则称为时间序列预测，预测模型的这种分类方法是从预测的目的上来划分的，而不是从实现的数学模型上来划分。
数据挖掘通过预测未来的趋势和行为，并做出基于知识的、前瞻的决策。数据挖掘的目标是从数据中发现隐含的、有意义的知识，其任务主要包含概念描述、关联分析、分类和预测、聚类分析、偏差分析和演变分析。数据挖掘是一个完整的过程，能从大量数据中挖掘先前未知的、有效的、可使用的知识，并作出决策或进一步丰富知识，其一般过程为确定业务对象→数据准备→数据挖掘→结果分析→知识同化。
3、关联规则与计算机教学评价数据挖掘
关联规则是数据挖掘研究的重要课题之一，也是最活跃的一个分支，即在事物数据库D中找出满足个顶最小支持度和最小置信度的关联规则，可以被分解为两个子问题，找出实物数据库D中所有不小于给定最小支持度的项目集，即频繁项集；利用频繁项集生成关联规则。从另一个方面来说，其是用来描述数据库中的数据项之间存在潜在关系的规则。关联规则的目的是用丰富的手段，获取、保存大量数据，并从庞杂的数据中提取有用的知识和信息，其具有可以产生清晰有用的结果，可以支持间接数据挖掘，可以处理变长的数据，它计算的消耗量是可以预见的。
另外，需要注意的是，评教是一种主体性活动，评教者的态度认真与否对评教结果有直接影响，如果评教者的态度不认真，必然会严重扭曲评教结果，因此，除了在评教前对评教者进行思想教育和评教方法的指导外，还应该在技术上采取一些措施，尽可能地找出那些不负责任的评教者所给的评教数据，较少评教活动的干扰因素，提高评教的客观性、准确性和一致性。
4、决策树与计算机教学评价数据挖掘
决策树是一种常用于分类和预测模型的算法，它通过将大量数据有目的的进行分类，从而找到一些有价值的、潜在的信息，其主要优点是描述简单，分类速度快，特别适合大规模的数据处理，决策树的基本算法是贪心算法，采用自顶向下的递归方式构造决策树。决策树是用样本的属性作为节点，用属性取值作为分支的树结构，它是利用信息论原理对大量样本的属性进行分析和归纳而产生的，决策树的根节点是所有样本中信息量最大的属性，树的中间节点为根的子树所包含的样本子集中信息量最大的属性，决策树的叶节点是样本的类别值。
在这个过程，核心问题有两个，一個是决策树的构建，也就是如何快速有效地创建决策树，且建立的决策树能更容易地被理解，二是决策树剪枝，即对已建立的决策树进行优化处理，使结果树大小适用。
5、SPSS Clementine与计算机教学评价数据挖掘
利用SPSS Clementine可以实现对计算机教学评价数据的挖掘分析，在使用C5.0决策树模型，对教学评价中各指标对总体评价指标的影响分析，可以发现评价指标中的教学素质、教学目标和教学内容对总体评价的影响较小，而教学态度、教学效果和教学方法影响较大，从这里就可以提醒教学管理和督导部门需加强对教师职业道德和教师责任心的培养以及教学方法的督导和引导，以帮助教师提高教学效果。
另外，通过使用CHAID决策树模型，对学生因素对考试成绩的影响进行分析，发现了不同的专业的成绩不一样，而且女生的成绩总体要比男生的成绩好，专科学生成绩总体优于本科学会僧以及文科学生成绩总体要好于理科学生等，这为教学管理部门分配任课教师，教师有效地实施教学提供良好的决策支持。基于C＆RT算法构造决策树，通过对学生评教成绩和考试成绩的相关性分析，发现二者没有必然的联系，并能够在SPSS 13.0 for windows 上进行相关性验证，这也为合理设定学生评教成绩所占教师整个教学评价结果中的比重，避免只用学生评教结果对教师进行教学评价的片面做法提供决策支持。
4、结尾
本文以上内容首先对数据挖掘技术进行了分析和探讨，随后研究了关联规则、决策树和SPSS Clementine，表达了观点和见解，作为一名软件从业人员，本人深知深入实践和加强理论学习的重要性和紧迫性，接下来，必将认真研究软件技术，总结实践经验，为软件工程的发展作出更大的贡献。
【参考文献】
[1]《数据挖掘概念与技术》孟小峰等，机械工业出版社
[2] 《数据仓库与数据挖掘》安淑芝等，清华大学出版社
[3] 《数据仓库与数据挖掘原理及应用》王丽珍等，科学出版社