數(shù)據(jù)挖掘?qū)W生全口徑接收效果分析論文
隨著我國高等教育招生規(guī)模的提升，高等教育的大眾化已基本實(shí)現(xiàn)，研究生的規(guī)模也迅速擴(kuò)大，因此研究生課堂教學(xué)質(zhì)量逐漸成為各大高校關(guān)注的焦點(diǎn)問題之一。而課堂接收效果直接影響研究生課堂教學(xué)質(zhì)量，進(jìn)而影響人才的培養(yǎng)。因此，調(diào)查、了解研究生的課堂狀態(tài)，深入研究影響課堂接收效果的因素，對(duì)于提升研究生課堂質(zhì)量具有十分重要的現(xiàn)實(shí)意義。本文通過調(diào)查東北財(cái)經(jīng)大學(xué)研究生課堂行為，挖掘影響大學(xué)課堂效果的相關(guān)因素，歸納出其主要影響因素并從中尋求提升大學(xué)課堂效果的可行性策略。
一、文獻(xiàn)綜述
劉華和李瑗[1]通過教學(xué)態(tài)度，教學(xué)內(nèi)容，教學(xué)方法這三個(gè)指標(biāo)打分情況，進(jìn)而利用Microsoft決策樹算法，Microsoft關(guān)聯(lián)算法和Microsoft聚類分析法挖掘模型進(jìn)行挖掘分析。駱懿玲[2]基于元規(guī)則約束的關(guān)聯(lián)挖掘進(jìn)行課堂教學(xué)質(zhì)量評(píng)價(jià)挖掘，并得出分析結(jié)果，給出建議。邵珠艷等[3]利用灰色關(guān)聯(lián)分析，對(duì)影響課堂教學(xué)效果的因素打分后進(jìn)行分析。葉勇[4]將云模型引入到遺傳算法，再用改進(jìn)遺傳算法對(duì)支持向量機(jī)參數(shù)進(jìn)行優(yōu)化，并與BP神經(jīng)網(wǎng)絡(luò)、多元線性回歸模型比較，以便對(duì)課堂教學(xué)質(zhì)量的模型評(píng)價(jià)效果進(jìn)行評(píng)價(jià)。袁萬蓮和鄭誠[5]利用關(guān)聯(lián)規(guī)則進(jìn)行數(shù)據(jù)挖掘，得出與教學(xué)質(zhì)量相關(guān)因素是教師的學(xué)歷、職稱以及教齡；職稱為講師、教齡較長或者高級(jí)職稱、高學(xué)歷的教師教學(xué)質(zhì)量較好。張震等[6]將評(píng)價(jià)指標(biāo)大致分為教學(xué)態(tài)度、教學(xué)內(nèi)容、教學(xué)水平以及教師研究能力，利用關(guān)聯(lián)規(guī)則進(jìn)行數(shù)據(jù)挖據(jù)。戴俊[7]以教師因素，學(xué)生因素，師生雙方因素以及環(huán)境因素和考試成績作為變量，通過主成分回歸方法對(duì)影響課堂教學(xué)效果的因素進(jìn)行分析，為改進(jìn)教學(xué)評(píng)價(jià)方式與提高課堂教學(xué)效果提供理論參考。許云華等[8]設(shè)計(jì)調(diào)查問題為“您最想對(duì)課堂教學(xué)提的意見”“改進(jìn)方法”“如何實(shí)現(xiàn)從被動(dòng)學(xué)習(xí)向動(dòng)吸收知識(shí)的轉(zhuǎn)變”，基于扎根理論對(duì)上述問題答案進(jìn)行分析并得出分析結(jié)果。柴志賢和邱風(fēng)[9]借鑒過程—成果研究方法，在以往研究的教師職稱、年齡、所教年級(jí)、課程類別這些教師背景變量的基礎(chǔ)上，增加教學(xué)素質(zhì)、教學(xué)技能與教學(xué)責(zé)任心這三個(gè)影響因子進(jìn)行分析，從而為提高高校課堂教學(xué)效果提供一定經(jīng)驗(yàn)指導(dǎo)。
二、理論
�。ㄒ唬┲С窒蛄繖C(jī)（SVM）
支持向量機(jī)是由CorinnaCortes和Vapnik等在1995年首先提出的，是一種基于統(tǒng)計(jì)學(xué)習(xí)原理的數(shù)據(jù)挖掘技術(shù)。支持向量機(jī)分為支持向量回歸機(jī)和支持向量分類機(jī)，本文主要應(yīng)用支持向量分類機(jī)進(jìn)行數(shù)據(jù)挖掘。支持向量機(jī)分類的核心是找到兩相互平行并且間隔（margin）最大，并能將屬于不同類別的樣本點(diǎn)正確分開的邊界，位于兩邊界中間位置并與之平行的超平面，稱之為最大邊界超平面，即為最終解。
（二）TF-IDFTF-IDF
是一種判斷詞語在文件中重要性程度的加權(quán)統(tǒng)計(jì)方法。一個(gè)詞語在文件中出現(xiàn)的頻率越高，它對(duì)這個(gè)文件來說就越重要；這個(gè)詞語在整個(gè)語言中出現(xiàn)的頻率越高，它對(duì)這個(gè)文檔來說越不重要。TF-IDF可以利用計(jì)算機(jī)技術(shù)在不需要人工進(jìn)行干預(yù)的情況下提取文件中的關(guān)鍵詞，并快速對(duì)詞頻進(jìn)行統(tǒng)計(jì)，常被用于文本挖掘和信息檢索等前言領(lǐng)域。TF-IDF的主要思想是：若某個(gè)詞在其他文件中很少出現(xiàn)，但在這一文件中出現(xiàn)的頻率高，那么它極有可能反映了這一文件的特性，則認(rèn)為它很適合用來分類，因?yàn)樗哂泻芎玫念悇e區(qū)分能力。TF-IDF實(shí)際上代表的是TF*IDF，TF表示詞頻，IDF表示逆文件頻率。
三、模型
�。ㄒ唬⿺�(shù)據(jù)來源
1.變量選取
為了獲得教師因素、學(xué)生因素以及環(huán)境因素這三個(gè)變量的收稿日期：有效數(shù)據(jù)，筆者精心設(shè)計(jì)一份調(diào)查問卷，影響因素分為教師、學(xué)生及環(huán)境。教師因素中包括：學(xué)與生互動(dòng)情況、授課方法、課堂考勤、按時(shí)上下課、PPT使用情況、普通話水平、講課聲音大小、作業(yè)布置情況以及課程考查形式。學(xué)生因素包括：出勤狀況、遇到問題交流情況、課下與同學(xué)和老師交流情況、學(xué)習(xí)狀態(tài)、聽課表現(xiàn)、上課做筆記情況、課程內(nèi)容掌握情況以及課堂上的感受。環(huán)境因素包括：上課時(shí)周邊環(huán)境、所用教室類型、課程安排上下學(xué)期情況、上機(jī)教學(xué)與否、教學(xué)設(shè)備、授課時(shí)間段、授課時(shí)長以及教室衛(wèi)生環(huán)境。
2.數(shù)據(jù)獲取
在調(diào)查對(duì)象的選擇上，我們主要以東北財(cái)經(jīng)大學(xué)研究生為調(diào)查對(duì)象，發(fā)放線上調(diào)查問卷，讓學(xué)生認(rèn)真對(duì)自己所學(xué)課程中某一門課的教學(xué)效果進(jìn)行評(píng)價(jià)。
�。ǘ⿺�(shù)據(jù)挖掘過程及結(jié)果
�。�1）讀入數(shù)據(jù)。選擇源選項(xiàng)卡中的excel節(jié)點(diǎn)，將調(diào)查問卷中數(shù)據(jù)導(dǎo)入到clementine中。
�。�2）數(shù)據(jù)審核。選擇輸出選項(xiàng)卡中的數(shù)據(jù)審核節(jié)點(diǎn)連接到excel節(jié)點(diǎn)上，由審核結(jié)果可知，Q5變量的類別比為90∶9∶1，單個(gè)類別值過大，會(huì)影響建模的精確程度，故應(yīng)刪除。
（3）數(shù)據(jù)分區(qū)。利用分區(qū)節(jié)點(diǎn)將數(shù)據(jù)進(jìn)行分區(qū)，其中70%為訓(xùn)練集，其余30%為測試集。
�。�4）變量相關(guān)性分析。利用統(tǒng)計(jì)量節(jié)點(diǎn)分析變量之間的相關(guān)性，若相關(guān)性高，需要剔除相關(guān)變量，反之則不需剔除。經(jīng)測試，在本文的變量中未發(fā)現(xiàn)高相關(guān)性變量，因此無需剔除變量。
�。�5）得分變量重新分類。利用“重新分類”節(jié)點(diǎn)將得分變量分類，其中0—7分為一類，8、9、10分為另一類。
�。�6）特征選擇建模。選擇建模選擇項(xiàng)卡中的特征選擇節(jié)點(diǎn)，將其連接到數(shù)據(jù)流的恰當(dāng)位置上。
�。�7）支持向量機(jī)建模。提取上一步得到的重要變量，選擇建模選擇項(xiàng)卡中的SVM節(jié)點(diǎn)進(jìn)行建模。
（8）數(shù)據(jù)測試。測試過程和訓(xùn)練過程是相同的，且得到的準(zhǔn)確率為93%，測試結(jié)果良好。
�。ㄈ┪谋就诰蜻^程及結(jié)果
1、數(shù)據(jù)清洗。原始調(diào)查問卷數(shù)據(jù)中包括文字，標(biāo)點(diǎn)符號(hào)。其中一些信息對(duì)關(guān)鍵詞抽取沒有幫助，甚至?xí)䥽?yán)重影響研究。為了方便抽取工作順利開展，有必要先對(duì)原始評(píng)論數(shù)據(jù)進(jìn)行清洗，如“無”或“好”等，對(duì)問卷內(nèi)容沒有幫助，進(jìn)行直接刪除處理。
2、數(shù)據(jù)預(yù)處理。預(yù)處理可以把句子級(jí)別的文本數(shù)據(jù)劃分成可識(shí)別的`詞、詞組，主要包括分詞、詞性標(biāo)注和依存句法分析三個(gè)部分。在本文中使用LTP進(jìn)行分詞。
3、關(guān)鍵詞提取。由于人工標(biāo)注會(huì)造成主觀干擾，本文為了減小人工標(biāo)注的主觀性影響，要利用TF-IDF算法自動(dòng)提取關(guān)鍵詞。
四、結(jié)論及建議
（一）結(jié)論
學(xué)生、教師、環(huán)境三方面均對(duì)課堂接收效果產(chǎn)生較大影響。數(shù)據(jù)挖掘結(jié)果中，課堂興趣、學(xué)科掌握內(nèi)容為學(xué)生因素，授課方法以及課堂互動(dòng)屬于教師因素，排在第二位的上課周邊環(huán)境則是環(huán)境因素。文本挖掘結(jié)果中，學(xué)生、課程、認(rèn)真為學(xué)生因素，理論、講課、上課、教學(xué)、案例、互動(dòng)屬于教師因素，教室則是環(huán)境因素。因此，三種因素均對(duì)課堂接收效果產(chǎn)生影響。利用文本挖掘與數(shù)據(jù)挖掘?qū)Ρ确治隹梢缘玫搅己玫难芯拷Y(jié)果。文本挖掘與數(shù)據(jù)挖掘的結(jié)果中均體現(xiàn)出了學(xué)生因素、教師因素以及環(huán)境因素對(duì)課堂接收效果產(chǎn)生影響，并且兩種方法的分析結(jié)果中均以高頻率出現(xiàn)“互動(dòng)”因素，印證了文中使用的兩種方法均可行并可得到較為精準(zhǔn)的結(jié)果。
（二）建議
增加課堂小組討論環(huán)節(jié)。集體討論是課堂中不可忽視的環(huán)節(jié)，既可以活躍課堂的氣氛，交換意見觀點(diǎn)，拓寬學(xué)習(xí)范圍；又可以活躍學(xué)生思維，多角度展開思考，提升解決問題的能力，避免傳統(tǒng)灌輸式的教學(xué)方式。增加師生課堂互動(dòng)。加強(qiáng)師生互動(dòng)，調(diào)動(dòng)課堂氣氛，并利用實(shí)際問題創(chuàng)設(shè)情境，讓學(xué)生給出解決的方案，提高學(xué)生的學(xué)習(xí)興趣。增加課本知識(shí)與實(shí)際案例的結(jié)合。書本的知識(shí)往往是生硬抽象的，而結(jié)合實(shí)際的案例后，不僅可以使死板的課本知識(shí)更加形象生動(dòng)，易于理解消化，融會(huì)貫通于實(shí)際案例中；也可以提高學(xué)生的學(xué)習(xí)興趣，提升學(xué)習(xí)的積極性與主動(dòng)性。增加課程實(shí)踐環(huán)節(jié)。將課本知識(shí)用于實(shí)際操作中，不僅可以升學(xué)生學(xué)習(xí)的樂趣，還可以使學(xué)生結(jié)合生活經(jīng)驗(yàn)學(xué)習(xí)相關(guān)知識(shí)，更好地將書本知識(shí)用于實(shí)際學(xué)習(xí)以及未來的工作中，同時(shí)在實(shí)踐中深化對(duì)于課本知識(shí)的理解。增加高校課改調(diào)查。
本文針對(duì)東北財(cái)經(jīng)大學(xué)研究生的調(diào)查問卷結(jié)果進(jìn)行分析，并提出建議。不同學(xué)校的實(shí)際情況會(huì)有一定差異，師資力量會(huì)有差異，學(xué)生學(xué)習(xí)素質(zhì)不同，院校學(xué)習(xí)氛圍也有一定差異等。不同院校根據(jù)本校情況設(shè)計(jì)相應(yīng)的調(diào)查研究方式，會(huì)使研究結(jié)果更具可信性，建議更具可行性，為教學(xué)改革提供更加切合實(shí)際的方案。
【數(shù)據(jù)挖掘?qū)W生全口徑接收效果分析論文】相關(guān)文章：
大數(shù)據(jù)崛起與數(shù)據(jù)挖掘分析論文11-28
數(shù)據(jù)挖掘論文09-24
聘：數(shù)據(jù)分析 數(shù)據(jù)挖掘01-15
軟件工程數(shù)據(jù)挖掘進(jìn)展分析論文06-01
基于數(shù)據(jù)挖掘的社交網(wǎng)絡(luò)分析與研究論文01-23
網(wǎng)絡(luò)游戲的數(shù)據(jù)挖掘與數(shù)據(jù)分析01-15