数据挖掘在医学院校教务管理系统中的应用与思考*

◆王磊 王毅

作者：王磊，滨州医学院教务处现代教育技术中心实验师，主要研究方向为医学教育技术和网络教学；王毅，滨州医学院教务处，主要研究方向为教学管理（264003）。

1 医学院校教务管理系统的应用现状

教学管理是医学院校管理工作的中心组成部分，教学管理水平直接影响着教学质量。近年来，国家教育教学改革不断推进，尤为突出的是医学教育改革。因此，医学院校的教育教学工作出现很多新变化、新问题，一直延续下来的教学管理模式面临诸多挑战[1]。

教务管理系统的拓展性不够 滨州医学院的教务管理系统是2007年购入并开始使用的。随着医学教育改革的深入，学校的办学规模不断扩大，专业已由2007年的18个专业方向发展为现在的26个专业方向，虽然教务系统的供货厂家提供过几次小的升级，但因其本身拓展性不够，无法进行更大范围的升级，已不能满足现有的需求。

政策体制和机制亟待完善 教务处作为教务管理系统的主要使用和管理部门，在出台相应政策体制和机制方面有些不足。学校正在大力推进校院两级管理，教务处作为学校教学的 核心部门也应该做到简政放权，当好学校层面的决策者和二级学院层面的监督者，把制定政策作为主要任务来抓，对各个学院的教学管理工作予以指导，并加强监督。通过奖励机制提高二级学院教科办管理人员和一线教师使用教务管理系统的积极性，真正使教学管理信息化上一个新台阶。

教学管理的信息化不够 医学院校把信息化建设作为重点来抓，而教务管理系统更是重中之重。滨州医学院的教务管理系统的建设先于数字化校园，因此在后期数字化校园建设时，在对接、共享、兼容等各个方面都出现一定的问题，致使很多数据到现在都不能做到共享。前期包括网络教学平台等在内的各个管理系统均采用不同厂家的产品，使得后期的兼容整合就成了大问题。再就是一些新兴待完善的模块，像评教评学、教学研究、教材建设等，明显的理念没有渗透其中，开发利用不足。

2 数据挖掘研究现状

何为数据挖掘 数据挖掘在普遍意义上讲是指通过算法搜索、发现、提取隐藏在某些大量数据中的潜在信息的过程。它以大规模的数据作为其研究对象，通过分析数据找出他们之间的规律和联系，在未来的数据库开发中将其作为重要规律应用其中。探索新模式、发现新知识、建立新模型是数据挖掘的最重要目的。

研究现状 数据挖掘方面的研究已成为数据研究领域最重要和最主要的研究方向之一[2]。20世纪90年代中期在加拿大蒙特利尔召开的第一届关于知识发现与数据挖掘的学术会议上，正式将数据挖掘技术作为工程方面的主要研究领域。相比于国外而言，由于起步比较晚，国内的数据挖掘研究进展相对缓慢，还处于发展阶段，没有形成具有独自特色的成熟理论和技术。现在国外尤其是发达国家对于数据挖掘的研究已经非常成熟，通过面向大客户大型数据库的数据挖掘研发，为企业客户提供全方位的数据保障。

3 对教务系统进行数据挖掘的背景

医学院校使用信息系统来进行教学管理已有数年，以滨州医学院所使用的正方教务管理系统为例，从2007年开始使用到现在已有七年，持续的运行积累了大量的教学管理信息，后台服务器中存储的数据已达近百个T。但是由于学校的校院两级管理还在起步阶段，教学管理的绝大部分工作还是由教务处来完成，再加上教务处人手紧缺，导致没有专人也没有专门时间深入教学管理信息数据的处理中去。仅有的数据处理也仅仅是线处理部分，对于隐藏在学生管理、培养方案、选课数据、成绩管理、辅修等中的联系和规律没有进一步的探索，缺少对教学管理数据的深层次挖掘[3]。

2012年3月，教育部印发《教育信息化十年发展规划（2011—2020年）》，挖掘发挥信息技术在高等教育中的深层次作用是对高等教育的新要求，其中涉及教学管理方面的包括建立完善信息基础设施、优质教育资源的整合开发以及共建共享、建设高水平的高教精品课程、加强专业和课程的数字化建设、创新教与学的方式方法等[4]。相当多的医学院校都初步实现教学管理的信息化，但是距离教育部的要求还是相差甚远，对影响教育教学决策的数据都需要通过对教务管理系统进行数据挖掘，不仅仅是记录教学管理的过程，更应该是为学校决策者提供重要依据，从而明确改革和前进的方向。

4 数据挖掘技术在医学院校教务管理系统中的应用设想

通俗意义上讲，在大量数据中“挖掘”规律、知识就是数据挖掘，其过程主要包括六个阶段：问题理解、数据准备、数据解读、数据建模、评估和展示[5]。经过大量文献阅读，结合教学管理工作实际，笔者认为以下数据挖掘方法在医学院校教务管理系统中能有比较好的应用。

神经网络技术 神经网络技术是一种非线性的预测模型，主要是模仿生物复杂神经系统而构建出来的。它可以利用其抗干扰、联想记忆、适用范围广等特性对大型的数据进行聚类分析、分类分析等数据挖掘。每年报考医学院校的学生绝大部分是冲着医学相关专业来的，有些是考生本人的选择，而更多的则是家长的选择。从专业的角度来看，很多学生是不符合专业培养要求的。神经网络技术正好可以分析出某个专业适宜学习的学生特质，从而帮助学生选择专业，进而为该专业的建设提供决策支持。

如滨州医学院临床医学专业（本科）大一课程的设置上，除了设置主要的通识教育课（包括思想道德修养、中国近现代史纲要、大学英语等）之外，还设置了医用物理学、医用高等数学等医学基础课程。学生对以上课程学习完成之后，在教务系统中留下其在学习过程中主要环节表现及成绩等的各种数据，通过分析这些数据，设定某些关键点或神经元，学生学习的过程中连接到该关键点或神经元，就表示其适应该专业的学习。

决策树技术 决策树技术是一种相对直观的图解分析法，在已知各种数据出现概率的基础上，通过把现有数据构成决策树来判断其可行性和未知风险。由于决策分支图形跟树的枝干很相似，因此称为决策树。其中属性测试用节点来表示，分支代表测试输出，叶节点代表类别。决策树技术应用十分广泛，很多企业等都通过它来对客户行为进行预测和分类。医学院校在对教务系统进行数据挖掘时也常用到决策树技术。

进入21世纪以来，滨州医学院办学规模持续扩大，2014年学校专业数量、学生数量都创历史新高。随着医学教育改革的推进，各专业的人才培养方案需要不断修订和完善，在这个过程中就应用到了决策树技术。通过对教务系统中历年来学生的各种数据进行决策分析，挖掘出与人才培养方案修订相关的数据。对于培养方案中设置的课程，通过挖掘出的数据判断其是否有必要继续开设或者有哪些方面需要改进，从而为修订完善人才培养方案提供依据，进而提升专业的竞争力，提高医学教育教学质量。教务处近期制定出台《本专科人才培养方案管理办法》，就将决策树技术细化应用其中。

回归分析技术 回归分析技术是一种统计分析变量之间互相依存的定量关系的方法。按自变量数量的多少划分，如果只有一个自变量，就称为一元回归分析；如果有两个及两个以上自变量，就称为多元回归分析。按因变量和自变量之间的相互关系类型划分为线性和非线性。延伸开来，还能划分出一元线性、一元非线性、多元线性、多元非线性等多种回归分析技术。中国医疗卫生事业存在不少问题，医生医德好坏、医术高低常常成为热议焦点，如何培养医德过硬、医术过硬的医生便成为医学院校面临的首要问题。

为保证医学教学质量、培养医学合格人才，从2011年开始，滨州医学院实行学业警示制度。学生每学期必修课的考核及格门数必须达到一定比例，否则就面临学业预警、留级、退学等后果。在这里就可以运用回归分析技术对学生学习成绩数据进行挖掘，通过SPSS软件来完成统计分析。通过分析，不仅知道有哪些学生需要学业警示，更为重要的是要获知学业警示学生的各种指标，包括男女生比例、警示学生所在专业分布、入学成绩和学业警示的相关性[6]、不及格课程分布等，以便于对可能出现学业问题的学生进行提前预警，并对人才培养方案中课程的设置提供合理化建议。

聚类分析技术 聚类分析技术是一种通过对数据建模而达到数据简化目的的方法，是一种探索性分析。它不需要提供分类标准，就能从基本数据开始，自动进行分类分析，主要特点是简单直观，可提供多种可能的结果，变量的改变对最终结果影响很大等。

自从教育部开展本科教学评估工作以来，教学质量监控成了教学管理中的非常重要的一环。滨州医学院在推进校院两级管理过程中，教务处教学质量监控中心首先推出教学质量监控体系，评教、评学工作自然而然成为一项重要内容。学校采用教学信息员评价制度，每个班级一个教学信息员，每学年更换，他们通过教务系统对为其上课的所有教师进行打分。教务系统中的评教评学模块就采用聚类分析方法设计而成，通过对任课教师的教学态度、教学内容、教学方法、教学效果等主要指标进行打分评价[7]。打分评价后的数据经过聚类分析，进而获得教师教学效果的一手数据，从而在对教师教学工作量完成情况、学历职称对教学的影响、课程教学情况等有比较直观的了解，进而对学校教学工作量核算、职称晋升、人才引进等提供数据支撑。

5 结语

在大数据时代来临、大力推进教学信息化的今天，教务管理水平要想实现突破、提升层次，必须以教学数据为基础，以数据挖掘为手段。因此，医学院校的广大教务工作者应该对教学管理中的大量数据进行科学、合理、细微的分析、推理、演变和综合，以便为教学提供更准确的决策。与此同时，更应该更新教育教学理念，提升教务管理水平，全面提高医学院校的教育教学质量。■

[1]王瑞雷.高校教务管理信息化建设模式探析[J].科技视界,2014(23):168.

[2]张莉.数据挖掘研究现状及发展趋势[J].赤峰学院学报:自然科学版,2014,30(9):14-15.

[3]王艳.在教务管理中可应用数据挖掘技术[J].天津市经理学院学报,2014(3):69-70.

[4]教育部关于印发《教育信息化十年发展规划（2011—2020年）》的通知（教技〔2012〕5号）[DB/OL].http://www.moe.gov.cn/public files/business/html files/moe/s3342/201203/xx gk_133322.html.

[5]刘静.数据挖掘技术在教务管理实践中的应用研究[J].电子设计工程,2014,22(24):1-3.

[6]邓文俊,曹阳波,刘英群,等.基于教务管理系统的数据分析工具的研究与设计[J].中国电化教育,2014(5):138-143.

[7]马秀麟,衷克定,刘立超.从大数据挖掘的视角分析学生评教的有效性[J].中国电化教育,2014(10):78-84.