应用数据挖掘技术提高计算机网络课程的教学质量

宋绍云　陈一民

摘要：针对各专业计算机网络课程，利用数据挖掘技术，运用Excel Idata工具对学生考试成绩进行数据挖掘和分析，以达到改进教学方法，提高教学质量的目的。对今后的计算机网络教学工作具有一定的指导意义。

关键词：数据挖掘；计算机网络；Excel；教学质量；粗糙集

中图分类号：G642 文献标识码：A 文章编号：1009-3044(2012)36-8753-03

计算机网络是高等学校有关专业的重要专业课程，但目前我校计算机网络课程主要采用教师讲授和验证性实验相结合的教学模式，实验教学主要是模仿学习和验证课堂上学过的知识，难以将学过的理论知识应用到实际和解决实际问题，不能充分发挥学生的主动性和创造性。计算机网络的教学目标是使学生能够将理论知识应用到实际中，能做出符合实际的网络实施方案，充分发挥学生的主观能动性，正确安装配置网络设备和各种服务器软件，成为既熟悉本专业业务又掌握计算机网络技术的复合型人才。为提高该课程的教学质量和教学效果，更好地培养学生计算机应用能力，采用数据挖掘技术对多年的考试成绩中现隐含的知识进行分析，为学校计算机网络课程实施教学改革提供决策支持。

1 数据挖掘基本概念

粗糙集理论作为一种处理不精确(imprecise)、不一致(inconsistent)、不完整(incomplete)等各种不完备的信息有效的工具，一方面得益于他的数学基础成熟、不需要先验知识；另一方面在于它的易用性。由于粗糙集理论创建的目的和研究的出发点就是直接对数据进行分析和推理，从中发现隐含的知识，揭示潜在的规律，因此是一种天然的数据挖掘或者知识发现方法，它与基于概率论的数据挖掘方法、基于模糊理论的数据挖掘方法和基于证据理论的数据挖掘方法等其他处理不确定性问题理论的方法相比较，最显著的区别是它不需要提供问题所需处理的数据集合之外的任何先验知识，而且与处理其他不确定性问题的理论有很强的互补性(特别是模糊理论)。完整的数据挖掘过程分为确定业务对象、数据准备、数据挖掘、结果分析。数据挖掘技术的方法主要有数理统计、神经网络、模糊理论、粗糙集理论、遗传算法、决策树方法、统计分析、聚类法等。

2 数据准备

3 基于Excel Ida的数据挖掘

基于Excel Ida的ESX 能帮助创建目标数据，找出数据中的不规则性，执行数据挖掘并提供有关所发现知识实际值的解释。ESX 使用的主要数据结构是一种三层概念的层次结构，如图1所示。树的实例层上结点表示了各个实例，它们定义了概念层上给出的概念类。概念层上结点存放了各个实例层子结点中属性值的汇总统计。树的根层结点存放了这个域中所有实例的汇总信息。将概念层和根层的汇总信息提交给报表生成器，依次输出电子表格形式的汇总报表。

4 结果分析及教学改革

从表4可以看出，在历届考试中，问答题的重要度为2.13，对考试结果影响最大，而问答题的主要考核内容是有关基本功能和基本工作原理，从次可以看出，教学中必须加强对这部知识的讲授，并在实验中体现这部分内容。其次填空题的重要度为1.95，这部分考核的内容主要是计算机网络基本概念，对学生的成绩影较大。最后是判断题和名词解释。而平时成绩对总分的影响很小，可以忽略。究其原因，由于理论考试的知识点较多，并且更侧重于概念方面，部分学生在平时的学习中没有很好地去理解和掌握，因而导致本题得分对考试总分造成了重要影响。基本概念和基本原理一直是教学的重点和难点，尤其是概念，学生普遍感到较难，主要体现在不能正确掌握基本概念和基本原理的实质内容。判断题和应用题得分较高，相差不大，对考试结果的影响很小，这是因为学生对这块内容的学习比较感兴趣，因而能较好地掌握基本的操作。由此可见，为了提高计算机网络的学生考试成绩和应用能力，教师在平时的教学中应加强理论部分的教学，帮助学生理解常见的概念和知识点，在实验任务完成后，学生对实验必须具备基本概念进行描述，这样学生可以通过感性知识来掌握理性知识。

5 结束语

该文以计算机网络课程为例，利用基于粗糙集理论中的属性重要性，并用Excel Ida工具分析了影响学生考试成绩的主要知识点，表明数据挖掘技术在课堂教学中具有重要的作用和意义，通过对考试数据的有效挖掘，进而指导今后的教学工作。使教学模式符合计算机网络课程特点，提高学生解决问题和分析问题的能力。

参考文献：

[1] 王国胤. Rough 理论与知识获取[M]. 西安: 西安交通大学出版社, 2001:3.

[2] 刘宇阳. 数据挖掘技术在高校学生成绩分析中应用[J].交通科技与经济, 2008(4): 65-67.

[3] 柳炳祥, 章义来. 基于数据挖掘的教学评价方法[J]. 计算机与现代化, 2005(4):87-89.

[4] 张文宇. 数据挖掘与粗糙集方法[M]. 西安: 西安电子科技大学出版社, 2007:42-43.

[5] 韩玲, 朱昌杰, 胡国亮. 粗糙集理论在计算机基础教学测评中应用[J]. 电脑知识与技术, 2010,6(12):3064-3065.

[6] 王国胤,安久将,吴渝.Rough 集理论代数观与信息的差异量化分析[J].小型微型计算机系统, 2005,26(7):1187-1189.

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

[8] Quinlan J R.C4. 5: programs for machine learning[M].Morgan Kaufmann.San Mateo, CA, 1993.

[9] Margaret H. Dunham. 数据挖掘教程[M]. 郭崇慧, 田凤占, 靳晓明,等,译.北京: 清华大学出版社, 2005.

[10] 张云涛, 龚玲. 数据挖掘原理与技术[M]. 北京: 电子工业出版社,2004.

[11] Roiger R J.数据挖掘教程[M]. 翁敬农,译.北京: 清华大学出版社, 2003.

[12] Kantardzic M.数据挖掘——概念、模型、方法和算法[M]. 闪四清,译.北京:清华大学出版社,2003.

[13] Berndt E R.The practice of Economer trics[M].Addison- Wesley: A. Stukel AT Dartmouth. EDU, 1991.