《数据挖掘技术在教师教学评价中的应用研究》-工学论文，软件工程论文-论文范文参考-科学狗论文网

标题

数据挖掘技术在教师教学评价中的应用研究

范文

刘占波闫实王晓丽

摘? 要：随着科学技术的快速发展以及数据挖掘技术的不断改进，各个学校的教学管理系统中都已存储了大量的数据信息，本文主要对目前教师在教学评价中的现状进行了研究，并以教学评价的体系为数据挖掘的基础平台，利用数据挖掘技术对教师教学相关的数据进行挖掘和分析。重点对数据挖掘技术在教师教学评价中的应用进行研究，从而可促进学校教学的质量，对教师教学评价有重大的意义。

关键词：教师;教学评价;数据挖掘

【Abstract】： With rapid development of science and technology， continuous improvement of data mining technology， teaching management system of each college has stored a large amount of data information. The article mainly researches current situation of teaching evaluation of teachers， mines and analyzes teaching data of teachers with data mining technology based on data mining basic platform of teaching evaluation system，mainly researches? application of data mining technology in teaching evaluation of teachers， to promote teaching quality of colleges， which is of great significance to teaching evaluation of teachers.

【Key words】： Teacher; Teaching evaluation; Data mining

0? 引言

隨着新一代社交网络、数字城市等大规模互联网应用的迅猛发展。大数据的特点为：（1）弹性服务。（2）按需服务。（3）资源池化。（4）服务可计费。（5）泛在接入。大数据主要就是云架构计算技术，并且云架构计算是分布式计算、互联网技术以及大规模资源管理等技术的发展与融合，其应用和研究涉及资源虚拟化、信息安全、海量数据处理等亟待处理的重要问题。随着科学技术的快速发展以及数据挖掘技术的不断改进，各个学校的教学管理系统中都已存储了大量的数据信息，对存储的大量的数据信息都是进行简单的数字处理，不能对这些数据进行更深入的研究和分析[1]。

本文主要对目前教师在教学评价中的现状进行了研究，并以教学评价的体系为数据挖掘的基础平台，利用数据挖掘技术对教师教学相关的数据进行挖掘和分析，对教师教学评价有重大的意义。

1? 数据挖掘技术

数据挖掘主要就是云架构计算技术，并且云架构计算是分布式计算、互联网技术以及大规模资源管理等技术的发展与融合，其应用和研究涉及资源虚拟化、信息安全、海量数据处理等亟待处理的重要问题。数据挖掘系统的结构如图1所示：

数据挖掘其可用于发现的模式类型主要有以下6种：

（1）挖掘中的频繁项集的关联以及相关模式。

（2）概念和类相关的描述，主要包含特征化和区分两个方面。

（3）通过聚类对已有的数据进行类标记和分析。

（4）对数据进行聚类和预测，通过对比分析建立一个概念模型。

（5）对建立的模型进行演变分析，模拟数据的演变过程。

（6）对数据中的表现异类的数据进行深入的分析，即对离群点进行分析。

2? 利用数据挖掘技术进行教师教学评价研究的流程

Romero等研究学者认为在教师教学评价中数据挖掘技术的应用会是一个十分重要的循环迭代，通过数据挖掘技术将得到的教师教学评价相关的知识进入评价系统的循环中，并且通过改进学习系统、支持决策以及改善学习者的学习等过程，而不是简单的将数据转换为教师简单的评价过程[2-4]。

各个学校的教学管理系统中都已存储了大量的数据信息，对存储的大量的数据信息都是进行简单的数字处理，通过对这些数据进行更深入的研究和分析，主要对目前教师在教学评价中的现状进行了研究，并以教学评价的体系为数据挖掘的基础平台，采用数据挖掘技术对教师教学评价的研究过程中主要的流程包括数据收集、确定数据挖掘目的、数据的挖掘以及模式评估与知识表示等四个部分。数据挖掘的过程主要包括以下几个方面：

（1）根据已知的条件，确定数据挖掘目的。

（2）需要挖掘数据的准备，即对数据的清洗、数据的筛选等步骤。

（3）根据选定的算法对已有的数据进行挖掘。

（4）依据上述挖掘的结果，对数据挖掘的模式评估与知识进行表示。

大数据与实际生产应用紧密结合，并且其研究领域广泛。通过对已有大数据体系结构以及关键技术的研究，对大数据还可以从以下两个方面进行深入的研究：一方面，通过拓展大数据的外沿，比如将大数据与移动互联网领域以及科学计算相结合，来拓展新的大数据应用模式;另一方面，通过讨论大数据模型的缺陷来挖掘大数据的内涵，比如以大规模程序调试诊断以及端到云的海量数据传输为例来分析云架构技术面临的挑战。

移动互联网的飞速发展极大的丰富了大数据的外部应用，使得大数据和移动互联网的联系十分密切。由于移动设备在接入方式上和硬件配置上的特殊性，使得对于大数据和移动互联网的关系研究十分重要。下面对移动互联网中移动设备的资源以及网络接入问题进行更为深入的探讨[5-6]。

2.1? 有限的移动设备资源

往往需要在浏览器端解释的如JavaScript、Ajax等执行脚本程序才能访问基于Web门户的大数据服务，这样会消耗较多的移动设备的计算能源与资源，并且移动设备运行平台具有更新速度快以及种类繁多等特点，从而为移动设备定制客户端成为不可能的事件。因此，为大数据平台设计相对应的访问接口非常迫切。

2.2? 网络接入问题

应用需求动态的调整系统规模，使得系统的运行成本降低，对于大数据的分布式应用，开发者需要考慮资源回收以及动态分配的问题，但这个过程很容易发生死锁、资源泄露等问题。同时上述大规模各领域的应用对于大数据平台的搭建带来了难题，因为其使得大数据平台的搭建过程更为繁琐和复杂。因此，需要不断开发新的应用模型以及适合大数据的实用工具来解决这些问题显得更为迫切。

3? 支持向量机SVM算法在教师教学评价中的应用

3.1? 支持向量机SVM算法

3.2? 支持向量机SVM算法在教师教学评价中的应用

在应用数据挖掘技术进行教师教学评价研究的过程中，本文在实验过程中使用Weka中的J48聚类器进行教师测评结果信息表的挖掘，详细过程为：

（1）启动软件进入Explorer界面，打开己经进行预处理（离散化）后的数据表格，选择preprocess选项卡，观察数据表中数据情况，其中包含625条数据信息，4个属性，具体如图2所示。

在结果窗口中单击右键，可以看到支持向量机SVM算法在教师教学评价中的应用的图像，能够对聚类结果一目了然，本文方法对目前教师在教学评价中的现状进行了研究，并以教学评价的体系为数据挖掘的基础平台，利用数据挖掘技术对教师教学相关的数据进行挖掘和分析具有很好的效果[7-9]。

4? 总结

科学技术的快速发展以及数据挖掘技术的不断改进，各个学校的教学管理系统中都已存储了大量的数据信息，对存储的大量的数据信息都是进行简单的数字处理[10-13]，通过对这些数据进行更深入的研究和分析，主要对目前教师在教学评价中的现状进行了研究，并以教学评价的体系为数据挖掘的基础平台，利用数据挖掘技术对教师教学相关的数据进行挖掘和分析，对教师教学评价有重大的意义。

参考文献

毛伊敏，彭喆，陈志刚，等. 基于不确定决策树聚类算法在滑坡危险性预测的应用[J]. 计算机应用研究， 2014， 31（12）： 3646-3650.

彭喆. 基于不确定的数据挖掘聚类算法在滑坡灾害预测的应用[D]. 江西理工大学， 2015.

Han J， Kamber M. 数据挖掘概念与技术[M]. 范明，孟小峰，译. 北京：机械工业出版社， 2001.

刘述昌，张忠林. 基于中心向量的多级聚类KNN算法研究[J]. 计算机工程与科学， 2017， 39（9）： 1758-1764.

Fabrizio S. Machine learning in automated text categori zation[J]. ACM Computing Surveys， 2002， 34（1）： 1-47.

Romdhani S， Torr P， Scholkopf B， et al. Efficient face detection by a cascaded support-vector machine expansion[J]. Pattern Recognition， 2004， 3175： 62-70.

Chen Guang-xi， Xu Jian， Cheng Yan. Cluster method of support vector machine to solve large-scale data set classi fication[J]. Computer Science， 2009， 36（3）： 184-188. （in Chinese）.

García V， Alejo R， Sánchez J S， et al. Combined effects of class imbalance and class overlap on instance-based classifi cation[A] // Intelligent Data Engineering and Auto mated Learning–IDEAL 2006[M]. Berlin， Heidelberg： Springer， 2006： 371-378.

Xia Zhan-guo， Xia Shi-xiong， Cai Shi-yu， et al. Semi-Supervised gaussian process classification algorithm addressing the class imbalance [J]. Journal on Communi cations， 2013， 34（5）： 42-51.

Cao Yong. Research of chinese web text classification[D]. Xiamen： Xiamen University， 2007. （in Chinese）.

GILLEN A， BROUSSARD F W， PERRY R， et al. Optimizing infra- structure： the relationship between it labor costs and best practices for managing the windows desktop[EB/OL]. http： //download. microsoft. com/ download/a/4/4/a4474b0c- 57d8-41a2-afe6-32037fa93ea6/IDC_windesktop_IO_whitepaper. pdf 2007.

MELL P， GRANCE T. The NIST Definition of Cloud Computing[R]. National Institute of Standards and Tech nology， 2011.

卓广平. 高效数据挖掘算法在大规模数据集中的应用研究[J]. 软件， 2014， 35（08）： 72-74.

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。