计算机专业本科生课程成绩的相关性分析

刘红梅，李　京

(1.阜阳师范学院 实验(网络)管理中心，安徽 阜阳 236041；2.中国科学技术大学 计算机科学与技术学院，安徽 合肥 230026)



计算机专业本科生课程成绩的相关性分析

刘红梅1,2，李京2

(1.阜阳师范学院 实验(网络)管理中心，安徽 阜阳 236041；2.中国科学技术大学 计算机科学与技术学院，安徽 合肥 230026)

摘要：对本校计算机专业本科生期末考试成绩进行相关性分析，针对学生各学期成绩之间、各类型课程成绩之间及专业基础课与专业课成绩之间有很高的相关性，利用建构主义学习理论解释成绩之间相关现象，得出学生成绩的相关性与学习过程的连贯性、知识的连贯性有关。

关键词：计算机专业；学生成绩；相关性分析；建构主义学习理论

大学是学生系统掌握专业知识和专业技能的学习阶段，从学生的角度来说，成绩是衡量学生学习效果、反映教学质量的重要标尺。学生课程成绩之间有什么样的关系、这种关系与哪些因素有关，得到了教学管理部门和教师的普遍关注。丁澍等[1]人通过分析学生第一至第七学期的学习成绩的特点及变化规律，认为大学阶段各学期成绩之间有很强的相关性；佟磊等[2]人应用典型相关分析法对专业基础课和专业课成绩相关性进行分析，验证了基础课对于专业课学习的促进作用；王修信等[3]人利用相关系数法对成绩之间的相关性进行定量分析，得出专业课程成绩不仅受到基础课成绩的影响，还受其他因素的综合影响，但是没有提及其他因素是什么。本文从学生各学期成绩之间相关性、各类型课程成绩之间相关性及专业基础课与专业课成绩之间相关性三个方面进行分析，找出影响学生成绩之间相关性的因素，并用建构主义学习理论分析课程成绩相关性背后的原因。

1分析对象及数据处理

抽取本校计算机学院本科生期末考试成绩作为分析对象。因为师范生第七学期安排教育实习且学习课程较少，考虑到学习成绩的连续性，我们仅采用第一至第六学期的学习成绩，剔除中途因退学、休学、转专业、缺考、补考、作弊等原因造成课程成绩记录不完全的学生，收集到2009级和2010级6个班级共261名本科生第一到第六学期的考试成绩。按照该专业本科学分制人才培养方案，前六个学期共开设46门必修课程，其中，第一、二、三学期以公共基础课和专业基础课为主，第四、五、六学期以专业主干课和专业拓展课为主，根据培养方案对46门课程进行分类，将课程分成公共基础课、专业基础课、专业课(包括专业主干课和专业拓展课)、教师教育课四个类型。

由于课程的难易程度和教师评分的标准不同，因此，不宜直接比较不同课程的分数，对学生的成绩进行归一化处理。假设某门课程成绩为X，xi为学生i的成绩，则处理后成绩为

2分析方法

相关分析是研究观测值之间是否存在某种依存关系，并探讨具有依存关系的变量之间相关方向、相关程度，是研究随机变量之间相关关系的一种统计方法。根据变量数的多少，相关关系可分为双变量之间的简单相关和多变量之间的偏相关。在此，仅对学生成绩的各变量做两两之间的简单相关统计分析。由于学生成绩为连续性数据，因此，使用Pearson相关系数

来表示两个成绩变量之间的相关性，变量之间不分自变量和因变量，相关系数的正负号反映变量正相关或负相关。变量之间关系强弱，依据表1中的标准进行判断。

表1　变量之间相关系数—相关强度对应关系

3成绩的相关性分析

3.1　各学期成绩的相关性

对学生第一学期到第六学期成绩(将每个学期开设课程成绩归一化处理后的加权和)进行相关性分析，生成各个学期学生成绩的相关系数矩阵。

由表2的统计结果可以看出，各学期成绩之间相关系数均大于0.5，说明各学期成绩之间存在较强的相关性。从相关系数来看，相邻两个学期的学习成绩相关性很大，各学期学习成绩之间的相关性随着时间间隔的增加而降低。

表2　各学期成绩之间的相关系数

3.2　各类课程成绩的相关性

对公共课、专业基础课、专业课及教师教育课4类课程的成绩(每一类课程的成绩为相应课程成绩归一化处理后加权和)进行相关性分析，生成各类课程学生成绩的相关系数矩阵。

由表3的统计结果可以看出，各类型课程成绩之间相关系数均大于0.5，说明各类型课程成绩之间存在很强的相关性，从相关系数来看，专业基础课与专业课成绩之间的关联性最大，公共课成绩与专业课成绩之间的关联性次之。因此，作为大一、大二所开设的公共课和专业基础课对学生专业知识的学习起到重要的作用。

表3　各类型课程成绩之间的相关系数

3.3　专业基础课及专业课成绩的相关性

按照该专业本科生教学计划，从第一到第六学期共开设的24门专业基础课和专业课，通过对成绩进行相关性分析，可以得出课程成绩之间的相关系数。由于课程较多，为方便观察课程成绩之间的相关关系，使用pajet工具软件对课程成绩之间的相关关系进行可视化处理。首先对课程成绩之间的相关系数r做离散化处理，根据课程成绩之间关系的强弱，将相关系数分为四种等级(表4)，构成一个以课程之间相关等级为元素的24×24矩阵，然后利用pajet软件生成各课程之间的相关关系图(图1)，课程之间连线的粗细代表关联程度的强弱。

表4　相关系数离散化处理后的对应值

从图1可以看到，24门课程除DELPHI与其他课程成绩的相关性较弱以外，其余课程成绩都与许多课程成绩之间有较强的相关性。从图1中删除成绩低度相关课程之间的连线，由成绩相关程度较高的课程之间连线生成一个成绩相关性的简化图，为方便观察，把课程节点按照学期的顺序进行组合排列(图2)。在图2中课程成绩之间相关关系形成以《高级语言程序设计》、《模拟电子技术基础》、《数字逻辑》、《离散数学》、《数据结构》、《组成原理》、《数据库原理》、《操作系统》为中心(节点度数大于4)的网络；第二、三、四学期课程成绩之间关联性较多且相关程度较高；专业课成绩与专业基础课成绩有较强的相关性，如图2中虚线①、②连接的第二学期开设的专业基础课《模拟电子技术基础》、《数字逻辑》、第五学期开设的专业课《微机原理与接口技术》这三门课程之间成绩的相关性。但是，也有一些课程内容相关性不大，但课程成绩之间却有很强的相关性，如图2 中虚线③、④连接的第一学期开设的《高等数学(一)》、第四学期开设的《CAI与课件制作》、第五学期开设的《微机原理与接口技术》。

图1各课程成绩之间的相关关系图

从以上分析可以看到，每学期学习成绩之间、各个类型课程成绩之间、专业基础课成绩与专业课成绩之间有较强的相关性，从课程的开设时间和开设顺序来看表现为在整个学习过程中学习成绩是连续的、高度相关的，那么这种连续性与课程内容连贯性有多大关系，我们将通过专业基础课成绩和专业课成绩之间关系做进一步的分析。

首先将专业基础课和专业课的成绩分别进行归一化加权求和，对得出两种类型课程成绩离散化，将成绩分为5类，“A”(成绩≥0.8)、“B”(0.8>成绩≥0.6)、“C”(0.6>成绩≥0.4)、“D”(0.4>成绩≥0.2)、“E”(成绩<0.2)，统计出专业基础课和专业课成绩每个等级的人数及等级的转换情况(表5)。

表5　专业基础课和专业课成绩等级及人数转移矩阵

由表中可以看到，专业基础课成绩等级为A和B的学生，专业课成绩也很好(23.3%的学生成绩为A，72%的学生成绩为B)；专业基础课成绩等级为C和D的学生，专业课成绩也受到很大的影响(94%的学生成绩在B级以下)。

4解释与讨论

对学生而言，大学的学习与之前的学习体验和经历有很大的不同，大学学习更侧重于学生的自学，学习是如何发生的，在什么情况下会促进学生的学习。建构主义学习理论认为，学习是信息被学习者以当前的认知结构同化或顺应的过程，新知识的学习取决于学习者当前的认知结构，最有意义的学习发生在解决现实世界任务的过程中[5]。在学校学习中，成绩是衡量学习效果和知识掌握的水平标准之一，本文中，我们认为成绩的高低能够代表学生知识掌握的水平。

4.1　学生成绩的相关性与学习过程的连贯性

表2和表3显示各学期及各类型课程成绩之间的较高相关性，从时间的维度我们可以看到，前一阶段学生习得的知识将对下一阶段的学习产生影响。而这个习得的知识是一个广泛的知识，包括学生学得的书本知识和概念、学生的学习能力、学习态度、学习积极性等。从表2可以看到，第一学期与其他各学期的学习成绩的相关系数虽然在递减但都有较强的相关性(相关系数均大于0.6)，因此，大学的第一年所获得的学习能力在大学学习生涯将发挥重要的作用。

4.2　学生成绩的相关性与知识的连贯性

从图2看到24门课程中有80%的课程成绩之间有较强的相关性，从计算机专业的课程体系来说，这些专业基础课之间、专业课之间及专业基础课与专业课之间的内容是有一定的相关性的。从表5中专业基础课与专业课成绩之间的转移情况来看，有57%的学生专业课成绩等级都保持专业基础课成绩的等级，35%的学生专业课成绩等级略高于基础课成绩的等级(成绩等级进步的学生中有96%的学生成绩只进步了一个等级)，由此可以看出，学习者当前所掌握的知识和认知结构对新知识的获得有很大的影响。

参考文献:

[1] 丁澍, 缪柏其.当今本科生学业状况的统计分析[J].中国科学技术大学学报,2010,40(6):557-564.

[2] 佟磊, 姚俭. 大学本科基础课和专业课关系的典型相关分析法研究[J].上海理工大学学报(社会科学版),2003,25(2):70-73.

[3] 王修信,卢小春,罗涟玲,等. 物理教育专业力热课程成绩对计算机程序设计课程成绩的影响分析[J].广西物理,2011,32(2):25-27.

[4] 谢龙汉,尚涛.SPSS统计分析与数据挖掘[M].北京:电子工业出版社,2012.

[5] B.R.赫根汉,学习理论导论[M]. 郭本禹,译.上海:上海教育出版社,2011:241-253.

[6] 刘宏超,岳红云. 基于因子分析法的学生成绩影响因素的数学模型研究[J].高等函授学报(自然科学版),2011,24(5):57-60.

[7] 魏顺平.社会网络分析及其应用案例[J].现代教育技术,2010,20(3):29-34.

[8] 王陆.典型的社会网络分析软件工具及分析方法[J].中国电化教育,2009(267):95-100.

Correlation Analysis of Computer Majored Students′ Grades in University

LIU Hong-mei1,2, LI Jing2

(1. Experiment (Network) Management Center, Fuyang Normal College, Fuyang 236041, China;

2. School of Computer Science and Technology, University of Science and Technology of China, Hefei 230026, China)

Abstract:Analyzing the correlation of computer majored students' final exam scores in our school, and considering the high correlations between the scores, including the scores of each semester courses, various types of courses, fundamental courses and specialized courses of the computer curriculum, we use the constructivist learning theory to interpret the scores correlations, and get the coherence of the learning process and knowledge cause the correlations.

Key words:computer major, university students' grades, correlation analysis, constructivist learning theory

中图分类号：TP399

文献标识码：A

文章编号：1007-4260(2015)01-0120-04

DOI：10.13757/j.cnki.cn34-1150/n.2015.01.034

作者简介：刘红梅，女，安徽界首人，硕士，阜阳师范学院实验(网络)管理中心实验师，主要从事计算机应用研究。

基金项目：安徽高校人文社会科学重点研究基地项目(SK2014A065)，阜阳师范学院校级质量工程项目(2012JYXM75，2013JYXM44)和阜阳师范学院省级科研机构校级委托专项课题(2013WBZX02ZD)。

收稿日期：2014-06-09