基于聚类分析的高职学生成绩影响模型的研究

龙源期刊网 https://www.360docs.net/doc/6414953456.html,

作者：徐敏芝

来源：《电脑知识与技术》2013年第21期

摘要：该文将数据挖掘技术应用于高职院校学生成绩分析中，利用聚类分析的K-means算法，实现基于Microsoft SSAS平台的学生成绩分析数据仓库构建和模型评价，并得出有价值的潜在规律和影响学生成绩的各种因素，为教学管理以及其他相关部门提供有力的决策支持。

关键词：数据挖掘；聚类分析；成绩分析

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2013）21-4778-03

成绩作为学生在校学习情况的主要表现形式，既是教学效果考核的核心指标，也是对学生学习效果和教师教学效果的检验和评定，更是反馈于教学活动、服务于教育决策、为教育科研提供参考资料的重要手段。在高职教育信息化发展的十多年间，各类管理信息系统相继投入使用，基于传统数据库应用技术的学生成绩管理系统在教务管理中取得了很好的效果，其中大量数据日积月累起来，已形成非常宝贵的信息资源。但在大多数院校中，这些数据的主要用途仍局限于提供简单查询和统计报表，反映了过去一段时间和当前的教学情况，对后续的教学及管理工作的指导意义不大，如何利用数据挖掘技术对这些数据进行深层分析，从大量数据中发现潜在规律和内在联系，以提高教师教学的针对性、教学管理决策的科学性，进而提高学校整体教学水平和办学质量，将是高职院校在今后的信息化建设和信息资源管理、开发和利用中的重要内容之一。

1 数据挖掘

1.1 数据挖掘的概述

数据挖掘（Data Mining，DM），又称为数据库中的知识发现，被信息产业界认为是数据库系统最重要的前沿之一。它是从大量的、不完全的、有噪声的、模糊的以及随机的数据中，提取人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘技术在应对各行各业出现的“数据爆炸、信息匮乏”的问题上发挥了很好的作用，该项技术最初多应用于金融业、保险业和商业领域，随着影响力的扩大，逐步扩展到医疗保健、运输业、行政司法、通信业等社会部门以及科学和工程研究单位。近十年间，数据挖掘技术在教育领域也受到越来越多专家和学者的关注，原因是教育领域信息化管理提供了大量的数据资源，但这些资源的利用非常有限，没有对后续教育教学工作发挥应有作用，因此越来越多的组织和大学把教育数据挖掘EDM（Educational Data Mining）作为研究对象，尝试将各种各样的数据挖掘方法应用于教育领域中，目的是从学校的数据中发现新的知识，帮助教师和管理人员改进方法、提高效能。