數據挖掘技術在高校學生評教中的應用研究

張薇

摘要：文章從當前高校學生評教的現實情況入手，概括論述了與數據挖掘技術相關的一系列內容，諸如數據挖掘的定義、過程以及方式，進而分析了數據挖掘技術在高校學生評教中的優勢與價值，并重點闡述了數據挖掘技術在高校學生評教系統中的具體應用。旨在進一步突出數據挖掘技術與高校教育教學工作的緊密聯系度，同時證明數據挖掘技術在促進高校學生評教方式改革以及切實提高高校教育教學質量中所產生的深遠影響。

關鍵詞：數據挖掘技術；高校；學生管理；評教成績

doi：10.3969/J.ISSN.1672-7274.2024.03.046

中圖分類號：G 642，TP 311.13? ? ? ? ? 文獻標志碼：A? ? ? ? ? ?文章編碼：1672-7274（2024）03-0-03

縱觀當前高校學生評教工作開展現狀，其中大部分高校所利用的都是基于數據庫類型的系統軟件。這些系統軟件中包含著非常豐富的數據信息，可以給學生提供足夠充分的參考依據，但實踐應用中不難發現學生群體對于軟件中的數據信息利用率并不高，很多數據信息并未發揮出該有的價值和作用，進而導致學生的評教工作還是存在著一定程度的偏頗，并不能保證評教的客觀性與全面性。

1? ?高校學生評教現狀

2021年教育部印發了《普通高等學校本科教育教學審核評估實施方案（2021—2025年）》，啟動了新一輪的本科教育教學審核評估，對提高教學質量提出更高的要求，需要高校完善自我評估，實施常態化的監控，改革創新學校教學質量評價。因此大數據驅動下的教育評價已經形成，基于評分數據的統計與分析顯得尤為重要[1]。

據了解，當前高校學生評教工作主要涉及兩部分內容，其一是過程性評價，其二是期末評價。其中，過程性評價一般由二級學院組織，平均每學期每門課程評價2～3次，而期末評價則由教務處組織并負責，是對教師群體在一個完整階段的教學水平和教學質量進行綜合評價。每個周期的評價結束后，評教系統會自動根據權重生成最終評價結果并予以公布，同時生成分析報告，教師可通過相關平臺查詢評價結果，并結合分析報告來對自己的教學工作自主進行診斷。這對于指導教師的后續教學工作有很大幫助作用。除此之外，教學管理部門會定期采集課堂教學數據，同步做好信息發布工作，將存在的問題及時反饋給教師本人或者有關職能部門及相關教學單位。被評教師通過反饋的信息，及時發現問題，做出調整改進，并進行教學反思。對于被評教師認為不合理的評價成績，有相關申訴機制來保障教師的權益，會由管理部門對教師提出的申訴給予調查和審議，給出處理結果。通過建立起一個“評價-反饋-改進-提升”的良性循環體系來逐步提升教師群體的整體教學質量與水平[2]。

2? ?數據挖掘技術的簡要闡述

2.1 數據挖掘技術的定義

數據挖掘技術本質上是應用于數據處理的技術類型。數據挖掘技術可借助科學高效的算法在海量數據當中發現隱藏的各種信息內容。在高校學生評教工作當中應用數據挖掘技術，可以實現對復雜數據信息的科學分析、歸納以及總結，而且在數據挖掘技術的助力下，學生在評教時可以精準搜索到更深層次的信息內容，進而為形成客觀全面的評教結果奠定更充分詳實的基礎。

2.2 數據挖掘的過程

通常數據挖掘可以劃分為五個階段。第一階段：對數據挖掘的概念進行了解，并明確數據挖掘的目的；第二階段：準備數據挖掘的相關工作；第三階段：在了解數據挖掘的各種方法之后，結合實際情況選擇合適的數據算法，并應用該算法來對需要處理的數據進行充分挖掘；第四階段：分析數據挖掘出的相關信息內容，傳達給用戶相應知識；第五階段：在合適的領域中應用數據挖掘得到的信息，充分發揮數據挖掘的指導和參考作用[3]。

2.3 數據挖掘的方式

伴隨著數據挖掘技術的創新與升級，數據挖掘方式也隨之呈現出多元化特征，而且每一種數據挖掘方式的適用范圍和界限也越來越清晰。事實上在一個相對復雜的數據挖掘系統中，單一性挖掘方式往往無法滿足實際需求，多數情況下都會應用到多種數據挖掘方式來配合完成，進而保證獲取到更為理想的數據挖掘效果。目前比較常見的數據挖掘方式主要有以下兩種。

（1）關聯規則。關聯規則這一數據挖掘方式可以有效發現數據庫當中兩個及兩個以上數據項之間的關聯關系，這是當前數據挖掘技術當中的一個重要研究方向，其具體技術也相對成熟和完善。關聯規則中適用到的分析規則是非常簡單明確的，其通過發現數據之間的關聯性來進一步研究某些屬性同時出現的規律和模式。關聯規則的優勢主要體現在其不存在變量的限制，所以可以進行多維數據之間的相關性分析。以購物籃分析為例，通過從大量顧客的購買信息中，分析他們放入購物籃中不同商品之間的關聯性，進而對顧客的購物習慣進行精準分析，了解顧客的喜好，會習慣性同時購買哪些商品，并且發現這些商品之間的關聯性，進而為制定出更為科學合理的營銷策略提供依據。關聯規則這一算法共有兩個步驟：第一步，找出所有的頻繁項集，即支持度不小于最小支持度的項目集。第二步，由頻繁項集產生強關聯規則，即必須要滿足最小支持度和最小置信度。

（2）神經網絡方法。神經網絡方法在近些年受到了非常高的關注度，其多應用于解決大型復雜問題，是一種相對簡單有效的數據挖掘方式。神經網絡方式建立在自學數據模型基礎之上，其可以在短時間內對復雜的數據內容進行精準分析，并且可以同步完成對人類大腦或者其他計算機來說太過復雜的模式抽取和趨勢分析。其中基于神經網絡方法的數據挖掘工具對于非線性數據具有非?？焖俚慕Ｄ芰?，這也是神經網絡方法得以廣泛應用的一個主要原因。神經網絡方法的具體過程：首先把數據聚類，其次結合權值分類進行計算，多體現在網絡連接的權值上。此外，神經網絡方法在用于處理非線性數據以及含噪聲的數據信息時要更比其他數據挖掘方式更具優勢[4]。

3? ?數據挖掘技術在高校學生評教中的應用優勢

其一，應用數據挖掘技術來助力高校學生評教，可以幫助學校更全面精準地了解教師的教學情況、教學成果以及學生對教師工作能力的認可度等相關信息。而且在數據挖掘技術的幫助之下，學?？梢詮母顚哟蝸矸治鰧W生評教的具體結果，進而更全面地了解各專業課程教學的真實情況[5]。

其二，應用數據挖掘技術來助力高校學生評教，學?？梢詫嶋H評教結果為參考依據來進一步衡量各專業課程設置的科學性與合理性，也可借此來了解學生對不同課程類型的偏愛程度，進而為深入挖掘多元課程之間的關聯性以及優化課程設置提供更詳細的參考信息[6]。

其三，應用數據挖掘技術來助力高校學生評教，使評教系統可應用數據挖掘技術來統一展現不同階段的評教結果，學校便可以通過評教成績變化情況來了解教師在各個階段的教學情況，并以此為切入點來分析和研究學生學習需求變化，進而為后續教育教學與學生管理工作提供有效指導[7]。

4? ?數據挖掘技術在高校學生評教中的具體應用

4.1 數據挖掘技術在數據準備階段的應用

數據準備階段主要任務是準備可直接應用、處理與分析的數據信息內容。數據準備階段通常會應用相關算法來集成、篩選和處理相應的源數據，進而得出更具精準性和實用性的結果。在整個學生評教工作當中，數據準備階段的工作量相對而言是比較大的。數據挖掘技術在數據準備階段的具體應用如下。

其一，應用數據挖掘技術獲取學生評教所用信息，但這些信息并不單純服務于學生評教工作，一般情況下還會涉及多個數據庫以及多門學科，所以在應用數據挖掘技術獲取信息的同時還需要利用數據挖掘技術來自動完成數據信息的分類整理，及時消除數據源和源之間的語義模糊性，同時對其中存在的信息缺陷進行集中處理，最終建立起統一且規范的數據格式[8]。

其二，應用數據挖掘技術雖然可獲取到海量數據信息，但其中會有部分數據信息不具備利用價值，或者可利用價值不高，換言之，這些數據信息并不能為學生評教工作提供相應的支持和幫助，如果處理不當，很有可能會成為阻礙因素，反而干擾到學生的正常評教。所以，從這一角度來講，必須要在數據準備階段高質量地完成好數據篩選工作，要確保學生得到的數據信息都是經過系統科學篩選并具備應用價值的[9]。

其三，一般情況下在數據準備階段篩選后得到的數據還是會存在各種各樣的問題，比如噪聲問題、文本冗余、數據不一致等，因此需要通過數據預處理操作來進一步優化數據結構，充實數據信息含量，進而為保證學生評教分析結果的可信度和可靠性奠定基礎[10]。

以噪聲問題為例：針對噪聲問題的處理可使用3σ法，根據評價數據會發現同一個班級同一門課程中，會有少數學生對該課程某項評價指標明顯不同的情況，這些打分明顯不同的數據即定性為噪聲數據。關于噪聲數據的處理方式，即通過對數據集中的離群點進行檢測，先計算出標準偏差，給定一個區間，若誤差超過這個區間范圍，則屬于粗大誤差，需要做噪聲數據刪除處理。需要注意的是對評價文本的處理使用Python文檔語言，數據集中存在與評教文本無關的數據，會對結果造成偏差，需對每條評教數據進行判斷，過濾掉無效數據，將其無關文本清理干凈。

4.2 數據挖掘技術在數據挖掘階段的應用

在高校學生評教工作當中，數據挖掘階段應該屬于執行部分的內容。數據挖掘階段會使用到很多種數據挖掘算法來進行有針對性的數據信息分析和處理，從而挖掘出可以應用的內在關聯規律或者知識圖譜[11]。

數據挖掘技術在該階段的具體應用：第一步，要明確清楚數據挖掘的核心目標和主要任務；第二步，以挖掘目標為指導，選擇合適的挖掘算法，構建起數據模型和需要分析的具體參數，應用數據模型來挖掘和分析數據庫里的數據參數，找到與其要求相一致的關聯規則、數據回歸結構等，同時給出可以應用于評估和分析的模式表達式。

4.3 數據挖掘技術在數據結果解釋與表達階段的應用

在完成一系列數據挖掘工作之后，高校需要根據數據挖掘得到的結果以及應用到的各種模式來進行評估與判斷，在檢查其有效性的同時也要看是否能夠滿足學生評教的真實需求。如有必要，則可更改算法或者重新執行數據挖掘的過程[12]。

5? ?結束語

綜上所述，伴隨著數據挖掘技術在高校學生評教工作中的具體應用，數據挖掘技術的功能和價值已經得到了充分認可與肯定。對于高校而言，學生評教結果是反映學校整體教育教學質量的一個重要指標，其更是高校持續開展教育教學創新與改革工作的一項重要參考依據。高校必須要進一步加強對數據挖掘技術的研究力度，逐步提高數據挖掘技術在學生評教中的應用率，以保證學生評教結果的精準性、全面性，進而為高校優化課程設置、調整教師教學、制定教學計劃提供更充分的參考依據?！?/p>

參考文獻

[1] 唐瀟，張紅霞，范子怡，等．數據挖掘技術在高校學評教中的模型應用研究[J]．科學技術創新，2022（19）：64-65.

[2] 劉占波，劉暢，王芳．教師應用數據挖掘技術的評教有效性改革[J]．辦公自動化，2021（17）：58-59，11.

[3] 孫曙輝，劉邦奇，李鑫．面向智慧課堂的數據挖掘與學習分析框架及應用[J]．中國電化教育，2018（2）：59-66.

[4] 劉金憶．數據挖掘技術在高校學生成績分析中的應用[J]．信息記錄材料，2021（7）：165-167.

[5] 單紅宇．數據挖掘技術在高校教學質量監控與評估系統中的應用研究[J]．辦公自動化，2022（8）：41-43.

[6] 何瑾．數據挖掘技術在高校學生就業信息管理系統中的應用研究[J]．黑龍江人力資源和社會保障，2022（13）：79-81.

[7] 蘇翠紅．大數據應用視角下高職院校多元教學質量評價體系建構——評《數據挖掘在高職教學質量評價體系構建中的研究與應用》[J]．教育理論與實踐，2022（14）：2.

[8] 汪濤，李秋華，倪智力，等．基于數據挖掘與情感分析的環境工程研究生評教質量研究[J]．高教學刊，2023（1）：66-69.

[9] 杜可敬．淺談數據挖掘分類技術在高校教學中的應用[J]．科學大眾：智慧教育，2022（4）：93-94.

[10] 肖柳珠．基于數據挖掘的填補技術在高校圖書館服務中的應用研究[J]．電子測試，2021（5）：85-86，19.

[11] 王行建，劉欣．數據挖掘方法在大學通識課建設中的實踐研究——以《計算機網絡技術與應用》課程為例[J]．教育進展，2023（3）：1255-1262.

[12] 張昌博．數據挖掘技術在軟件開發中的應用探究[J]．電腦編程技巧與維護，2022（3）：72-74，116.