數(shù)據(jù)挖掘技術(shù)下的學生管理數(shù)據(jù)

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了數(shù)據(jù)挖掘技術(shù)下的學生管理數(shù)據(jù)范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：隨著教育信息化的普及，如何有效地利用學生管理過程中產(chǎn)生的數(shù)據(jù)，提高學生管理水平和效率，成為了新時代學生管理過程中亟需解決的問題。文章通過決策樹分析，研究了溫州職業(yè)技術(shù)學院2013年9月-2018年12月學生晚歸與當時天氣情況的聯(lián)系。研究發(fā)現(xiàn)在晴天、高溫（29℃以上）、風力強（3級以上）的情況下，更容易發(fā)生晚歸。而在晴天、高溫（29℃以上）、風力弱（0-3級）和晴天、低溫（20℃以下）的情況下，發(fā)生晚歸的情況明顯低于平均值。文章的研究結(jié)論可以幫助學生公寓管理人員，通過天氣預報提前識別可能發(fā)生的晚歸風險，有針對性地進行學生回寢的統(tǒng)計和檢查。從而降低因晚歸帶來的管理風險，提高學生管理工作的有效性和針對性。

關(guān)鍵詞：晚歸；數(shù)據(jù)挖掘；決策樹；教育大數(shù)據(jù)

1概述

隨著現(xiàn)代計算機和存儲技術(shù)的發(fā)展，每天產(chǎn)生并被記錄的數(shù)據(jù)越來越多。在教育領(lǐng)域這些龐雜的數(shù)據(jù)涵蓋了學生學習、生活和管理的方方面面，是學校一筆隱性的資源。但是，由于數(shù)據(jù)本身量大，信息渠道錯綜復雜，導致大量數(shù)據(jù)不被重視，從而被認為是“垃圾”而被忽略[1]。與此同時，高校規(guī)模的不斷擴張和信息技術(shù)的發(fā)展，對學生管理、課堂教學以及就業(yè)工作都提出了新的挑戰(zhàn)。充分地利用教育領(lǐng)域的大數(shù)據(jù)，及時地預測和判斷學生行為，能為高校在心理健康分析、教學質(zhì)量評估和學生就業(yè)等方面提供決策幫助[2]。隨著高校內(nèi)全面地推行一卡通，統(tǒng)一了學生管理信息獲取的渠道，為研究學生行為數(shù)據(jù)提供了物質(zhì)基礎(chǔ)。2014年12月起，成都電子科技大學教育大數(shù)據(jù)研究所在教育部的支持下，開始研發(fā)“學生畫像”系統(tǒng)。該系統(tǒng)通過學生日常生活數(shù)據(jù)，如學生進入圖書館次數(shù)、打水次數(shù)、就餐次數(shù)等，分析學生學習、生活狀態(tài)以及進行過宅預警、抑郁預警等一系列預警，幫助教師和輔導員及時了解學生動態(tài)[2]。本文收集了溫州職業(yè)技術(shù)學院2013年9月-2018年12月時間內(nèi)的學生晚歸數(shù)據(jù)（晚歸定義：學生在規(guī)定的門禁時間之后回到公寓一種違紀情況），運用決策樹分析法，研究晚歸的發(fā)生與當天的天氣情況以及自然環(huán)境之間的關(guān)系。以此了解學生晚歸特點，為學校公寓管理提供決策分析和幫助。

2數(shù)據(jù)與方法

本文收集了溫州職業(yè)技術(shù)學院2013年9月-2018年12月時間內(nèi)的學生晚歸數(shù)據(jù)，總共整理匯總1319期學生晚歸公告。針對數(shù)據(jù)有效性進行了篩選，最后得到832期晚歸公告，每一期公告代表一天，若該日晚上有學生晚歸，則記為該日發(fā)生晚歸，若該日無學生晚歸，則記為該日無晚歸。經(jīng)計算可知，總計832天平均發(fā)生晚歸的概率為63%。此外，根據(jù)晚歸數(shù)據(jù)，查閱歷史天氣資料，整理匯總出對應時間的最高氣溫、晴雨情況、風力強度等天氣情況作為研究晚歸事件發(fā)生的標簽[3]。數(shù)據(jù)挖掘（DataMing）本質(zhì)上是從海量的數(shù)據(jù)中提取潛在的有用信息[4]。決策樹算法是數(shù)據(jù)挖掘領(lǐng)域的一種重要的數(shù)據(jù)分類方法，其分類規(guī)則是計算劃分后樣本的信息增益，通過比較信息增益能夠快捷地將實際問題轉(zhuǎn)化成各種易操作的分類規(guī)則[5]。本文使用Python3.7實現(xiàn)決策樹ID3算法，研究晚歸發(fā)生與天氣情況之間的關(guān)系。

3數(shù)據(jù)分析與討論

為了研究學生晚歸情況與當天天氣情況的關(guān)系，首先要將天氣情況數(shù)據(jù)離散化處理。如表1所示，根據(jù)日常經(jīng)驗可以將風力分為強弱兩類，將晴雨情況也可以分為晴天和雨天兩類。對于溫度標簽，本文將它分為高中低三類，因此必須找到高溫與中溫、中溫和低溫的兩個臨界點（a，b）。筆者翻閱了相關(guān)資料發(fā)現(xiàn)，對于氣溫高低的劃分并沒有統(tǒng)一的標準。為了更好地得到更好的分類結(jié)果，本文設(shè)計一個6×6溫度矩陣G,其中Gij=[ai，bj]代表一種最高溫度分類的可能，a=[15℃，16℃，17℃，18℃，19℃，20℃]b=[25℃，26℃，27℃，28℃，29℃，30℃]。根據(jù)溫度矩陣G，本文分別計算了上述36種可能的最高溫度分類情況下的決策樹。通過分別計算每一顆決策樹模型的準確率，可知Gij=[20℃，29℃]時模型準確率達到最高，從而實現(xiàn)對最高溫度的離散化處理，如下表1所示。如圖1a所示，本文通過Python3實現(xiàn)ID3算法，得到晚歸決策樹。分析決策樹可發(fā)現(xiàn)，影響某一天晚上是否會發(fā)生晚歸的最主要因素是當天是晴天還是雨天，其次是最高溫度，最后是風力強度。該決策樹每一條樹枝的準確率可通過計算得到：P1{X=晚歸│天氣晴∩氣溫高∩風力強}=75%、P2{X=無│天氣晴∩氣溫高∩風力弱}=46.9%、P3{X=晚歸│天氣晴∩氣溫中}=64.7%、P4{X=無│天氣晴∩氣溫低}=43.4%、P5{X=晚歸│天氣雨}=65.9%由上文可知，平均晚歸率為63%（即非晚歸率為37%），P1、P2和P4的準確率分別都高出平均值12.5%、9.9%和6.4%，說明以上三種分類方式能夠有效地識別晚歸。P3和P5只比平均值高出1-2%，說明這兩種分類方式的效果不明顯。在決策樹模型中，針對分類效果不明顯的樹枝可以進行適當?shù)摹凹糁Α?。因此，本文根準確率剪去了如下兩條樹枝：{X=晚歸│天氣晴∩氣溫中}和{X=晚歸│天氣雨}。最終得到“剪枝”后的決策樹，如圖1b所示。

4結(jié)論

本文運用數(shù)據(jù)挖掘的思想方法，對溫州職業(yè)技術(shù)學院2013年9月-2018年12月的學生晚歸數(shù)據(jù)進行分析。通過Python實現(xiàn)決策樹ID3算法，分別研究了晚歸現(xiàn)象與最高溫度、晴雨情況以及風力強度的關(guān)系。分析結(jié)果顯示，在晴天、高溫（29℃以上）、風力強（3級及以上）的夜晚，發(fā)生晚歸的概率明顯高于平均值；在晴天、高溫（29℃以上）、風力弱（0-3級）和晴天、低溫（20℃以下）的夜晚，學生晚歸的概率明顯低于平均值。該項研究結(jié)論可以幫助學生公寓管理人員，通過天氣預報提前識別可能發(fā)生晚歸的風險日期，有針對性地進行學生回寢的統(tǒng)計和檢查，提前聯(lián)系個別尚未回校的學生。從而降低因晚歸帶來的管理風險，提高學生管理工作的有效性和針對性。

參考文獻：

[1]丁波，孫力.教育數(shù)據(jù)挖掘研究現(xiàn)狀及趨勢[J].數(shù)字教育，2015（006）：13-16.

[2]劉譞.基于學生行為的成績預測模型的研究與應用[D].電子科技大學，2017.

[3]魯瑋.數(shù)據(jù)挖掘技術(shù)在高職學生心理健康數(shù)據(jù)中的應用研究[D].安徽大學，2019.

[4]JIAWEIHAN，MICHELINEKAMBER，JIANPEI，etal.數(shù)據(jù)挖掘:概念與技術(shù)[M].2012.

[5]周志華，等.機器學習及其應用2011[M].清華大學出版社，2011.

作者：葉超 單位：溫州職業(yè)技術(shù)學院