| 标题 | 班级学习辅助管系统研究与实现 |
| 范文 | 欧家豪 宋万里 摘要：该文立足于学生信息管理系统，围绕着班级师生的学习与工作，探讨对学生学习上辅助服务的可能性。通过建立班级论坛、班级文件、成绩管理等模块提供给学生辅助性帮助。通过分组管理为班级管理者解决成员分组带来的困扰。通过大量的学生成绩数据再加上Apriori关联规则挖掘算法，发现隐藏的课程关联，为课程设置的合理性与成绩预警提供依据。再通过常规的个人班级排名及与班级均分的比较为班级成员提供成绩预警。班级学习辅助管理系统，旨在为学生提供学习上的监督与反馈，为老师提供更好的管理与服务手段，以数字化、智能化、综合化为方向，为班级师生打造一个共同成长、共同进步的管理系统。 关键词：成绩预警；分组算法；关联规则挖掘；Apriori 中图分类号：TP311.5 文献标识码： A 文章编号：1009-3044（2018）21-0110-03 Abstract： Based on the student information management system， this article focuses on the learning and work of class teachers and students and explores the possibility of assisting students in learning. Through the establishment of class forums， class documents， grade management and other modules to provide students with help. Manage the problems of member grouping by the grouping algorithm for the class management. Through a large number of student achievement data， Apriori association rule mining algorithm is used to discover hidden lesson associations and provide basis for the rationality of course setting and early warning of scores. Again， class leaders are provided with early warnings through regular individual class rankings and class averages. The Class Learning Assistant Management System aims to provide students with supervision and feedback on learning， provide teachers with better management and service tools. The Class Learning Assistant Management System is oriented towards digitization， intelligence， and integration to create a management system for class teachers and students to grow together and progress together. Key words： performance warning； grouping algorithm； association rule mining； Apriori 1 背景 班级学习辅助管理系统的开发始于班级信息管理系统[1]，伴随着互联网技术和数据挖掘技术的发展而长足进步，班级门户网站不再止步于对信息的存储。它将信息管理系统中累积的数据进行处理加工，以期挖掘潜在的数据价值，为学生配置更优的学习资源。 该文为提高在校学生学习生活的质量，提供了班级相册、文件、公告、论坛等功能，藉以增强系统的多样性[2]；方便班级学生、班委和老师；反馈学生的学习生活情况，实现信息互动交流和基础数据的共享，通过信息化的管理手段来实现班级管理的高效运作，为各类学生日常事务的管理提供良好的服务平台。除了相关管理数据的常规操作外，关联规则挖掘算法为成绩管理模块中分析成绩提供策略[3]，而其中Apriori作为实现关联规则挖掘的经典算法成为实现课程关联分析的核心[4]。贪婪算法在按照学生成绩分组模块中的应用，增添了学生成绩均衡分组的一种手段[5]。此外，许多班级网站的建设，其切入点较小，往往专注于某一个功能模块，这样一来导致针对性虽强但綜合性能不高的结果。 该文在学生信息管理系统的基础上深入研究，拓展延伸各种学习功能模块，集三种用户角色为一体。通过多门课程的历次成绩进行数据挖掘，以成绩作为评判依据来完成均衡分组，将学生成绩与均分的比较、以及学生的班级成绩排名作为预警信息，实现班级学习辅助管理系统。 2 系统架构设计 用户登录系统首页时，选择用户角色，可选的有学生、教师和管理员三种角色。教师用户选择教师用户模块入口进入教师登录界面，验证成功后进入系统的教师管理模块，主要对班级的文件模块、分组模块、课程模块和学生成绩模块进行管理，还有班级相册和班级论坛的相关业务，以及对个人信息的查询和修改。学生用户在对应的登录界面验证成功后即可拥有访问系统各项功能的权限，其中包括的功能模块有个人信息管理、班级论坛图片上传、班级图片的在线浏览、文件下载、班级论坛的浏览与回复、班级公告的查看和班级成员信息的查看。管理员登入系统后，对班级的各模块进行管理，包括学生管理、教师管理、论坛管理、相册管理、公告管理以及班级课程的关联性分析。管理员的管理功能，基本上比相同功能模块的教师和学生用户多出一个删除功能。该系统的架构图如图1所示。 3 系统实现 3.1 搭建系统框架 系统拥有学生、教师和管理员三种不同角色功能的模块，其中三种角色含有共同的功能模块，包括个人信息模块、班级论坛模块、班级相册模块、班级公告模块和学生信息模块。此外，系统用户角色所对应的权限功能是不完全相同的。文件、课程和学生成绩由教师单独管理，教师信息和学生信息由管理员管理。 3.2 班级学习分组 分组需求的实现需要借助于一定的分组依据，该文探究的分组算法给出了两种分组依据，一种是随机条件下的分组，另一种是根据学生的学科能力（量化为学生学科的平均成绩）进行分组。此外，该文探究的分组算法在人数的分配上是尽量平均化的，即每组分得的成员数量基本上是相同的，最多允许一个小组的人数偏差50%。 3.2.1 利用随机函数随机分组 随机分组算法的核心是一个随机函数，借此可以达到随机分配小组成员的目的。它将获取到的班级成员姓名放置在Java集合ArrayList中，利用集合工具類Collections中的shuffle（）随机函数打乱集合的初始顺序，由此产生一次随机顺序，并将该随机数据的集合转发至显示页面进行显示。随机分组的显示页面迎合分组需求，使得每组组员的人数分布从二至十，如图1所示，该页面还对分组的功能作了一些说明以应对分组人数不平均的情况，即每组的人数以所选人数为主，在分组不平均的情况下，成员分配不足的一组将单独成为一组或并入上一组。页面显示分得的小组和小组的成员，为形成该二维表，使用JSP技术进行流程控制。 3.2.2 基于成绩排序S型分组 S型分组算法作为实现按照成绩均衡分组的策略之一，该算法是基于排序算法的S型排列，这种排列如果以行排列，则在确定每一行的个数之后，从第二行起以与上一行相反的顺序依次排列，直到结束后，每一列即可形成一组。算法可以分为三步完成，其一完成个人成绩求平均值，其二完成全体学生的成绩排序，其三完成对“S型”需求的流程控制。 第一步，由于一门课程可能出现不止一场考试，而为了衡量一位学生某一门课程的学习水平，必须对学生所有场考试的成绩作求平均值处理。第二步，将上一步的学生成绩排序，并依据排序的顺序找出对应学生姓名的顺序，这一步可以借助Java数据结构HashMap解决。第三步需要对排序的结果进行排列，除了平均分配组员外，对于非平均分组也制定了相关规则达到均衡分组的目的，这里的分组说明同随机分组一样。虽然这一过程用到了for语句循环，但是分组的过程并不是固定方向的循环排列，而是每产生一次分组则变换一次排列方向，排列的路线形如S线型，该算法名称由此得来。 3.2.3 利用贪婪算法按成绩分组 实现按照成绩均衡分组的另外一个策略是贪婪算法，它从当前所有可能性分组中，选取与班级均值和方差最接近的一组，不断迭代，直到找出所有的分组为止，如果每一组组员的平均成绩和方差接近于总体的平均值和方差，则可以认定分得的小组之间的学科水平大致相当。 基于贪婪算法的分组算法在实现上同S型分组算法一样，也可分为相同的三步。其一完成个人成绩求平均值，其二确定分组成员名单，其三控制成员名单在前台的页面显示。由于第一步同S型算法的第一步完全一样，在此不作说明。第二步实现复杂，却是整个算法的核心，即通过贪婪算法反复迭代计算出一定标准下最合适的一对小组成员，直至分组完毕。顾名思义，贪婪算法是在求解问题时，总是做出在当前的最佳决策。获得最优解的局部问题又称为子问题，它适用于：所求问题的整体最优解可以通过一系列局部最优解来达到的情况。 该系统在贪婪算法下的子问题是如何找出一个小组，使得小组成绩的平均值、方差最接近班级成绩的平均值和方差。在找到一个小组后，将它添入显示列队，同时将它从待分组的成员中删除。如此重复上述过程，直至分组完毕。上述过程针对班级成员刚好平均分配的情况，当遇到分组人数不均匀的情况时，优先将人数不均衡的小组作为贪婪算法的子问题解决掉，然后再当作平均分组的情况进行问题解决。那么，如何找出与班级成绩均值和方差最接近的小组均值和方差？为此，将该问题抽象化，将均值和方差作为有序实数对，利用点与点的距离公式寻找最小的距离，方可找到最佳的小组均值和方差，两点（X1，Y1）、（X2，Y2）之间的距离d与两点坐标的关系如公式（1）所示。 算法运行过程中，若不能平均分配，则剔除多余人数。这里剔除的标准是：由多余人数组成的小组平均值与方差必须最接近班级平均值与方差，即找出d值最小的那一小组（组员人数是多余人数），再按照均匀分组的情况进行分组。在均匀分组的条件下，算法枚举所有分组情况并从中挑选d值最小的一组数据，待分组的学生随分组的次数呈几何倍数减少，直到分组结束。 3.3 利用Apriori算法挖掘课程关联关系 Apriori算法是一种经典的挖掘关联规则的实现算法，其经典之处在于通过挖掘频繁项集来生产布尔型关联规则，它从一个事务数据集中发现频繁项集并推出关联规则，其名字就是由先验知识（priori knowledge）而得来。算法的思路是根据前一次找到的频繁项集来生成本次的频繁项集，再由频繁项集产生形如“若……则……”的关联规则，而决定一条关联规则质量的两个参数置信度和支持度，分别表示规则的可信程度和频繁项集在所有事务中出现的频度[6]。 由对应关联规则的频繁项集可以得到频繁项集的支持度和该规则的置信度，相反，由频繁项集找符合一定支持度和置信度的关联规则，则需要设置最小支持度和最小置信度。最小支持度用于衡量规则需要满足的最低重要性，而最小置信度则表示关联规则需要满足的最低可靠性。因此，依靠最小支持度和最小置信度，可以从海量的数据集中挖掘出符合条件的数据关联规则，为开展后续工作提供一定的决策信息[7]。 教师管理模块中的成绩数据，来自某一门学科某一场考试批量录入的班级全体成绩[8]。实现成绩预警，就需要设置预警条件[9]。学生用户模块中的个人成绩，来源于全部课程的考试成绩，一门课程中还包含了全部的考试记录。学生用户查询个人成绩时，弹出的页面显示全部的课程记录，选中某一门课程记录后，才相应地显示所有的成绩记录。学科成绩页面显示一张表格，该表格字段包含了考试成绩、班级均分、班级排名和老师寄语（即预警信息），其中预警信息的内容根据成绩排名的位置分成三类信息，如下表1所示。 4 实验结果及分析 4.1 实验方法 该文借助于著名的数据挖掘机器学习软件Weka[10]，对Apriori算法进行研究和探讨。算法处理的数据来源为某学院14级计算机科学与技术专业1个班47名学生的大学4年来27门计算机主干课程的成绩，将成绩90分至100分标为A等第，80分至89分标为B等第，70分至79分标为C等第，60分至69分标为D等第，60分以下标为E等第。以成绩的等第表作为运行Weka软件中Apriori算法的输入，设置Apriori算法运行所必需的支持度与置信度参数。 4.2 实验结果 根據运行结果，以前三条规则为例进行分析可知，若《Oracle课程设计》和《Android基础》的等第都是B，那么《Android高级》的等第是D，支持度0.617，置信度0.931；若《Android高级》的等第是D，那么《Android基础》的等第是B，支持度0.830，置信度0.923；若《Oracle课程设计》的等第是B，那么《Android高级》的等第是D，支持度0.702，置信度0.909。以上规则的支持度和置信度皆大于最小支持度和最小置信度，可以说规则都比较有价值。 由上述规则可以知道，《Android高级》课程难度大，需要加强基础课程的学习如《Android基础》和《Oracle课程设计》，唯有如此《Android高级》才有可能获得高等第的分数。所以《Android高级》的教学顺序必须靠后，至少得在《Android基础》和《Oracle课程设计》之后。此外，若《Android基础》等铺垫性课程无法获得好成绩，那么《Android高级》成绩偏低的可能性更大，这对学生学习基础性课程具有警示作用，督促学生集中精力学好基础课程。 5 结束语 该文对班级学习辅助管理的设计与实现，该系统尽可能地满足当下大学生班级学习的方方面面，班级论坛、班级相册、班级文件、班级公告等，不一而足，但是功能模块还是没有囊括大学生全部的班级活动，比如班级投票功能。该文将用户身份分为三种角色，提供不同角色下的权限功能。利用三种不同的分组算法满足班级分组的需求，即随机分组和按成绩分组；利用Apriori关联规则挖掘算法实现对隐藏在学生课程成绩信息中的强关联规则的挖掘，为课程优化配置和学生成绩预警提供依据。通过实验表明，该文提出的班级学习辅助系统能够实现挖掘课程关联性信息的需求，监督并反馈学生的学习状况，体现了班级管理教与学的智能化。下一步是对挖掘出的关联规则的优化，以提高系统数据挖掘的充分性。 参考文献： [1] 叶之光. 高校学生信息管理系统的设计与实现[D]. 长春： 吉林大学， 2016. [2] 蔡秀娜. 班级网站系统功能的分析与实现[J]. 中国科技信息， 2014（7）： 165-167. [3] 崔妍， 包志强. 关联规则挖掘综述[J]. 计算机应用研究， 2016， 33（2）： 330-334. [4] 王成勇. 基于关联规则Apriori算法的学生成绩分析[J]. 价值工程， 2018（5）： 171-172. [5] 邹哲讷. 贪心算法及其应用[J]. 计算机光盘软件与应用， 2015（3）： 85-86. [6] 顾辉， 杨青， 蒋成功， 等. 关联规则在成绩分析中的研究及应用[J]. 计算机应用， 2015（35）： 149-151， 98. [7] 杨财英. Apriori算法及其在学生成绩分析中的应用研究[D]. 长沙： 湖南大学， 2015. [8] 赵子云. 高职院校教学预警管理系统的设计研究[D]. 无锡： 江南大学， 2016. [9] 陈强. 高职院校学生成绩预警管理系统的设计与实现[D]. 大连： 大连海事大学， 2014. [10] 袁梅宇. 数据挖掘与机器学习——WEKA应用技术与实践[M]. 北京： 清华大学出版社，2012. 【通联编辑：谢媛媛】 |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。