论文范文网-权威专业免费论文范文资源下载门户!
当前位置:毕业论文格式范文>毕业论文>范文阅读
快捷分类: 关于英语教学的论文 科学教学论文 教育教学论坛杂志 外语教学期刊 教学论文范文 教育教学论坛期刊 小学教学评价论文 美术教学评价论文 幼儿园教学评价论文 关于教学评价的论文 小学教学评价的论文 生物教学评价文献综述

有关教学评价函授毕业论文范文 和数据挖掘技术在高校教学评价中的应用分析有关硕士学位论文范文

分类:毕业论文 原创主题:教学评价论文 发表时间: 2024-05-20

数据挖掘技术在高校教学评价中的应用分析,本文是有关教学评价毕业论文格式范文跟数据挖掘和数据挖掘技术和应用分析类论文如何怎么撰写.

摘 要:本文阐述了数据挖掘的概念,介绍了Apriori算法.根据数据挖掘思想,收集历史数据并加以转换,使用Apriori算法对评教因素进行分析,得出了评教等级与其影响因素之间的关系,具有较好的吻合度,对教师提高教学水平和管理决策者有较大的指导意义和使用价值.

关键词:数据挖掘;Apriori算法;教学评价;分析

中图分类号:TP392文献识别码:A文章编号:1001-828X(2017)021-0-02

随着社会新技术的不断进步,信息时代的来临,计算机技术的普遍使用,数据冗余和不能提高数据的使用效率等问题日渐突出.在处理这些数据时并不能很好的开发数据,给使用者提供良好的数据基础,而人们却又十分依赖数据信息,只有收集到有用的数据才能更好地完成研究,满足人们的期望.

为了解决这一问题,数据挖掘技术应运而生.使用这一新兴的科学技术我们可以在数据的海洋里精简出有价值的数据,提高这些数据的使用效率,帮助人们在数据库中找到更有用的数据信息.当今,数据挖掘技术在日常生活和科研活动中都在广泛的使用,然后数据挖掘在高等学校的应用还远远不够.本文选择对高校教学评价方面进行数据挖掘,从教学评价中蕴含着的丰富的数据信息中挖掘出其中隐含的关联信息,从而进一步完善高校教学监督体制,提高教师的教学水平.

一、数据挖掘的相关基础知识

1.数据挖掘的概念

数据挖掘(Data Mining, DM)就是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程.数据挖掘就是从数据中发掘信息或知识,有人称为知识发现(KnowledgeDiscoveryinDatabase, KDD).

数据挖掘是一门新兴的不断发展中的交叉性学科,融合了人工智能、数据库技术与数据仓库、模式识别、机器学习、统计学和数据可视化等多个领域的理论和技术,现已广泛应用于金融保险业、电信、零售、市场营销、医药、通讯、电子工程、航空、体育及生物学等诸多领域.数据挖掘过程可概括为三部分:数据预处理、数据挖掘、结果解释和评估.[1]

2.数据挖掘的方法

数据挖掘的方法按挖掘任务可分为:(1)聚类;(2)异常和趋势挖掘;(3)序列模式挖掘;(4)关联规则挖掘;(5)分类模型挖掘;(6)依赖模型挖掘;(7)数据总结.

关联规则挖掘就是发现大量数据中项集之间有趣的关联或相关联系,假若属性间存在着某种对应的关系,则即可借助其他与之相关属性值实现预测某种属性[2][3].

项即是数据库的最小单位,通常用i表示.项的集合称为项集.设是项集,可知项集I中项的数量为k个,那么我们将I称作k-项集.每一次行为称为一个事务,事务是项集的真子集.所有事务的集合称为事务集合.

关联规则就是有关联的规则,即:两个不相交的非空集合X、Y,如果有X-->Y,就说X-->Y是一条关联规则.关联规则的强度用支持度(support)和自信度(confidence)来描述[4]:

支持度:support(X-->Y) 等于 |X交Y|/N等于集合X与集合Y中的项在一条记录中同时出现的次数/数据记录的个数.

自信度:confidence(X-->Y) 等于|X交Y|/|X| 等于 集合X与集合Y中的项在一条记录中同时出现的次数/集合X出现的个数.

支持度和自信度越高,说明规则越强,关联规则挖掘就是挖掘出满足一定强度的规则.基本思想:给定一个交易数据集T,找出其中所有支持度support>等于 min_support、自信度confidence >等于 min_confidence的关联规则.具体步骤为:

1)生成频繁项集:找出所有满足最小支持度的项集,这些项集称为频繁项集.

2)生成规则:在上一步产生的频繁项集的基础上生成满足最小自信度的规则,产生的规则称为强规则.

关联规则挖掘所花费的时间主要是在生成频繁项集上,而生成频繁项集需要测试很多的备选项集,如果不加优化,所需的时间非常大.为了减少频繁项集的生成时间,可以借助于Apriori算法.Apriori算法属于候选消除算法,是一个生成候选集、消除不满足条件的候选集、并不断循环直到不再产生候选集的过程.其主要步骤为:

(1)扫描所有的数据,生成候选1-项集的集合C1;

(2)按照最小支持度的要求,由C1推导出L1;

(3)对,重复执行步骤(4)-(6);

(4)对Lk-1执行连接和剪枝操作,产生候选k-项集的集合Ck;若,跳往步骤(7),否则,跳往步骤(5);

(5)按照最小支持度的要求,由Ck推导出Lk;

(6)若,则k等于k+1,跳往步骤(4);否则,跳往步骤(7);

(7)按照最小置信度的要求,由频繁项集产生强关联规则,结束.

二、基于数据挖掘的高校教学评价分析

教学评价对于完善教学的监控体制,提升教师的教学水平起着极其重要的作用,有效的教学评价对教学质量有导向、促进、激励和调控的功能,为此许多高校将其纳入教学管理的必要环节.近年来,随着高校的快速发展,教学改革的不断深化,高校对专任教师的教学评价采用多元化的形式,根据学生、督导、二级学院评教进行总结归纳,结果通报各教学单位,评价结果作为年度考核评优、职称晋升等的依据.

本文将关联规则挖掘应用于**学院的教学评价系统,找出教师素质与教学效果的内在联系,实现合理调配师资,提高教学效果,从而为高校领导层提供有关教学决策的支持,不断提升高校的教学质量.

1.数据采集与处理

在教学评价中需要教师和学生两方面的原始数据,包括教师基本信息表、教师评教信息表,学生成绩表等.现收集了**高校2016年426条评教数据,如表1所示.

表1 2016年评教相关数据表

教师编号性别出生年学位职称课时量学生平均成绩评教成绩

00001女1978年硕士讲师18075.1283.12

00002男1956年学士教授9080.2490.12

00003男1959年硕士副教授9076.8888.56

00004女1965年硕士讲师18088.1587.22

00005男1979年硕士讲师28864.6372.18

……………………

使用SQL Server的DTS工具对收集的数据进行处理,将数据中的错误、噪声、缺失、不统一等进行消除.

2.数据转换

数据转换主要是消减数据维数或降维,减少数据挖掘时要考虑的特征或变量个数.为了数据表达方便,对数据的形式往往需要做预先的转换.教师年龄段划分为青年(出生年>1970)、中年(1960<出生年<等于1970)和老年(出生年<等于1960);课时量属性分为超课时(课时量>210)、满课时(120<等于课时量<等于210)、未满(课时量<120)三个等级;学生成绩属性分为优秀(90<等于成绩<等于100)、良好(80<等于成绩<90)、中等(70<等于成绩<80)、合格(60<等于成绩<70)和不合格(成绩<60)五个等级;评教等级属性分为优秀(85<等于成绩<等于100)、合格(60<等于成绩<85)和不合格(成绩<60)三个等级.

通过上面的转换,原来的数据表变化为下面的形式:

表2 调整后的2016年评教相关数据表

教师编号性别年龄段学位职称课时量学生平均成绩评教成绩

00001女青年硕士讲师满课时中等合格

00002男老年学士教授未满良好优秀

00003男老年硕士副教授未满中等优秀

00004女中年硕士讲师满课时良好优秀

00005男青年硕士讲师超课时合格合格

……………………

3.关联规则挖掘分析

基于Apriori算法,使用SPSS对上面的数据进行分析.

从年龄段进行分析,结果如下表所示:

项集青年→

优秀青年→

合格中年→

优秀中年→

合格老年→

优秀老年→

合格

支持度18%42%21%30%15%5.30%

置信度32%59.30%82%21%86.20%13.20%

由上表可知,产生强关联规则有青年→合格,中年→优秀,老年→优秀.

类似地,从学位分析产生强关联规则有硕士→优秀,学士→合格;从职称分析产生强关联规则有教授→优秀,副教授→优秀,讲师→合格;从学生成绩分析产生强关联规则有优秀→优秀,良好→优秀,中等→合格,合格→合格.即,青年教师评教等级合格概率较大,中老年教师评教等级优秀概率较大;硕士的评教等级优秀概率较大,本科生的评教等级合格概率较大;教授副教授评教优秀概率较大,讲师评教合格概率较大;学生成绩优秀、良好的评教等级优秀概率大,成绩中等、合格的评教等级合格概率大.由此可以看出,教师的评教等级随年龄增长而提高,与学历、职称有较大联系,与学生学习成绩基本正相关.

三、结语

通过上述分析,学校应该多组织教师形成帮扶对子,由老带新,传授教学经验,做好青年教师的教学经验学习与积累,以达到快速提高青年教师的教学能力;要积极引进高学历人才,调整教师队伍的学历构成;积极抓好师资队伍建设,由高学历人才帮助其他教师,尽快提高职称水平;从而最终提高学校的师资队伍建设和教学质量.

本文给出的结果,条理清晰,贴近实际,具有一定的指导意义.当然,没有将所有的因素都考虑在内,如教师的课时量,科研情况等,同时由于数据预先要进行人工处理,可能导致在支持度和自信度上存在一定的误差.后续我们可以根据数据挖掘的相关模块对设计方案进行修正,以提高支持度和自信度,保证结果的有效性和可靠性.

参考文献:

[1]吕纪荣,张贵彬.基于数据挖掘的高校新生报到率分析—以镐京学院为例[J].科技展望,2017(6):1,3.

[2]毛国君,等.数据挖掘原理与算法[M].北京:清华大学出版社,2005.

[3]梁循.数据挖掘:建模、算法、应用和系统[J].计算机技术与发展,2006(1):1-4,65.

[4]吴笑兰.关联规则数据挖掘在读者决策采购中的应用研究[J].科技广场,2017(2):145-148.

作者简介:吕纪荣(1982-),女,汉族,山西阳泉人,硕士研究生,讲师,主要从事算子理论与小波分析、数据挖掘、数学教学研究.

基金项目:陕西省教育厅专项科研计划项目《数据挖掘在高校中的应用研究》,项目编号:15JK2024.

汇总:这篇文章为适合数据挖掘和数据挖掘技术和应用分析论文写作的大学硕士及关于教学评价本科毕业论文,相关教学评价开题报告范文和学术职称论文参考文献.

参考文献:

1、 论初中信息技术的课堂教学评价 李晓平【摘 要】课堂教学改革是制约当前基础教育课程改革的瓶颈之一,课堂教学的评价在很大程度上影响着课堂教学改革的进行 要全面了解初中信息技术教师的教学情况,激励教师的教学热情,促进教师的可持续发展,需.

2、 信息技术在高校教学中的应用效果与影响因素分析 摘要本文运用逻辑分析法分析信息技术在现代高校教学中的应用现状,并结合其效果探究应用信息技术后的影响及影响因素 认为信息技术在现代高校教学起到了积极的作用,提高了教学质量,促进了课程开发 并需要教师和学.

3、 多媒体技术在高校机械制图课程教学中的运用探析 摘要在高校“机械制图”课程教学过程中,利用多媒体教学技术,能够进一步增强教学效果 多媒体教学技术的应用,可以更好地培养学生的学习兴趣,通过将机械图展现在同学面前,有利于学生空间.

4、 大数据与云计算支持下的高校教学模式变化 摘要高……教育依托网络和大数据分析,将有更多的手段、方法和多维特色,更注重学生个体差异化 新一代的网络学习平台上,数据在网上自动跳转和智能整合 通过信息化平台设计新理念的研究,总结出大数据对高校教学的.

5、 核心素养概念在高校英语教学评价体系中的应用 【摘要】2014 年教育部提出了“核心素养”的概念,将对学生核心素养的培养作为教学的关键环节,将核心素养概念整合到整个教育体系之中 本文通过将核心素养概念与高校英语教学评价的结.