基于数据挖掘技术的大学英语过程性评价体系分析

郝小静　谢利君

摘要：如今现代教育向更和谐的方向发展，提倡素质品行的教育。因为传统教育的保守性在教育体系的评价上明显已经不能追上社会的发展步伐，所以过程性评价体系这一种全新的方式随之而生。在过程性评价中，虽然这种方式对教学有促进作用，但是在这之中，依旧存在着各种的缺陷，例如因为老师在收集学生相关的信息资料时，因为没有充足的时间收集而导致了逻辑错误，而对学生产生了不好的印象。以下文章就针对当前大学英语过程性评价的情况进而提出了一种全新的想法，过程性评价中产生的数据要通过数据挖掘过程中进行缜密的分析，然后找到方法进而解决在使用过程性评价过程中所产生的问题，最终才可以基于数据挖掘技术促使大学英语教育，才能以更科学严谨的方法运用过程性评价。

关键词：数据挖掘技术；大学英语；体系分析

中图分类号：G434；H319.3 文献标识码：A 文章编号：1672-9129（2017）12-0042-02

Abstract： modern education is developing in a more harmonious direction and promoting quality and character education. Because the conservative nature of traditional education can not catch up with the development of society in the evaluation of the education system， a new way of process evaluation system has emerged. In the process evaluation， although this method has a positive effect on teaching， there are still various defects in this， for example， because teachers collect student-related information because they do not have enough time to collect and cause logic errors.， And had a bad impression of the students。The following article puts forward a new idea based on the current situation of college English process evaluation. The data generated in the process evaluation should be carefully analyzed through the data mining process. Then we find a way to solve the problems in the process of using process evaluation. Finally， we can promote college English education based on data mining technology， and we can use process evaluation in a more scientific and rigorous way.

Key words： data mining technology； College English； System analysis

引言：

目前，高校的教學手段日趋多样化，大学英语的教学方法和手段也日益多样化。在以前，老师单凭学生的成绩来评价学生的优良性，主观意识浓厚，不具备客观的条件，所以需要把数据挖掘技术运用到其中更全面的以更客观地方式进行评价。从1990年以来，我国许多高校的英语教学单位也逐渐把数据挖掘技术运用到其中，并且也循序渐进的启动了教学质量保障体系，这些应用的目的是通过持续的质量监测来改进教学方法并促进教学质量的提高。

1 数据挖掘技术

从数据本身的角度来看，通常数据挖掘需要有数据清理、数据挖掘实施过程、模式评估和知识表示等等8个步骤，这是一种仿生的全局优化方法。

1.1 数据清理：如果在数据库中有些数据是不完全的，和其他数据不一致，就因为这些问题的存在所以必须需要进行数据清理，清理完成后，应将完整，正确和统一的数据信息存储在数据仓库中来保持数据库的准确性。

1.2 知识表达：需要把数据挖掘中所计算出的分析信息以可观性的方式传送给用户，或者把数据分析作为一个新的知识点存放到未有的知识库中。由于数据挖掘过程是需要反复迭代的循环，如果这些步骤中的任何一个与预期的步骤不同，就必须要回到前面的一个步骤，进行重新测试并执行。

1.3 模式评估：该模型评估来自新的业务角度，并由行业信息专家专门测试，以验证数据挖掘结果的正确性和可靠性。

1.4 数据集成：数据集成是以常识或物理顺序整合来自不同来源，特征和格式的数据。从而可以更快速的为企业提供全面可靠的数据共享。

1.5 数据变换：这种方法是将准备好的数据转化为一种可以通过数据泛化，归类整理和平滑聚合等多种系统方式完美应用于数据挖掘的方法。但是对于有些数字型数据而言，重要的一步是需要进行概念的分层理解和数据的分散化来对数据进行转换。

2 数据挖掘技术的操作方法

2.1 神经网络是由于其自适应性好，自组织，同时分析处理，分布式存储等一些非常适合解决数据挖掘问题的特征。神经网络可用于前馈神经网络模型的数据分类，预测模型和模式识别；并且一些可以运用在人类难以理解的算法基础上。

2.2 数据挖掘技术中的粗糙集理论是专门研究不准确知识的数学工具。这种理论有几个优点分别是：额外信息不需要单独给出；表达空间的信息可以简单输入；并且这种理论的算法简单，利于操作。这个理论处理的目标是一个信息表的形成。但集合论是粗集理论的数学基础，不能直接处理其存在的连续属性。又因为在现实信息表中所存在的连续属性是一个不可避免的情况。因此，限制粗集理论实际应用的难点在于信息中存在的连续属性的离散化问题。

2.3 决策树是一种常用于预测数据挖掘技术模型的算法。再整合从这些数据中找到一些有意义的，包含在其中的信息。描述概况，分类和整合的速度是决策树技术的主要优势。

2.4 模糊集理论是利用理论对现实生活中的实际问题进行模糊判断，决策分析，模式识别和聚类分析。如果说是系统的数据越复杂，模糊性越强，在一般情况下模糊集合理论就是专门用来刻画模糊事物的相互包容性。专业领域的专家也提出了基于概率统计和传统模糊理论的质量不确定性，这就是云模型也被叫作云理论。

2.5 遗传算法也是数据挖掘技术的基本操作方法。该算法用于数据挖掘，因为它具有特殊的隐藏并行性，并且易于与其他模型集成展示。该算法的应用也可以结合上述技术如神经网络和粗集理论来体现。

3 数字挖掘的定义和在大学英语过程性评价中的运用

数据挖掘技术从字面上的意思来看就是数据的挖掘，是在进行过程性评价中的关键决策手段之一。数据挖掘技术可以从大量复杂的不规则数据中总结出来，然后对数据进行分类，排序，提取和转换。从这些结果中再研究出在其中的逻辑规律與关系，就可以为我们的行为活动的总体概括有了一定的信息依靠，也是督促使得最后的决策以一种最合理与最能被接受的选择出现在大众面前。数据挖掘也是专业的深层次的数据信息分析整合方法，将这些运用到大学英语过程性评价体系中来绝对是有一利而无一害。数据挖掘技术可以通过更全面和深入的分析应用于模糊集理论在过程评估中的应用。粗集理论、决策树等等方法把其隐藏在各种数据中的信息连接起来，进而可以完善过程性评价体系，也是让大学英语整个过程性评价的应用过程和结果更加的科学客观、也具有更高的准确性。

英语现在作为世界性的国际通用语言，是各国人民群众进行政治、军事、财政、文化交流的主要交际用语，所以英语现在已经被众多国家普及应用与学习。而在这些英语学习者中，学生的人数是最多的。大学英语的过程性评价是指老师从学生上课时的具体表现进行评价，比如说学生对知识掌握的多少、教学内容的学习的深浅等，运用这种分析方法可以更合理的掌控好自己的教学手段，然后对学生进行更贴合实际、更有效的评价。改革开放以来，我国教育的主要教育模式是应试教育，成绩的好坏可能最终会成为评论一个学生品行优劣的主要评价标准。成绩的高低确实是一个学生是否努力学习的依据，这是毋庸置疑的一点，从总体情况来看成绩的评价如果确实不错的话，确实能够体现出学生的学习状况，但这种方法同时也存在严重的弊端。比如老师接触到新的同学，仅仅只凭成绩来判断这名同学的品行等各个方面，实在是显得不可思议了一些，这种情况也是由主观影响所引发的。从现在教育发展程度看来这种传统的评价方式显然已经不适合现在包容性更大的大学教育，这种传统教育过于刻板，没有创新点，所以我们需要一种全新的科学过程性评价体系来对学生们进行更全面更客观的评价。

4 设定实验计划

4.1 实验目的

文章针对现在的一般大学英语没有使用过程性评价与使用了数据挖掘后的大学英语过程性评价来进行比较，从客观角度分析研究数据挖掘在大学英语过程评估中的关键作用。显示用于评估学生学习的数据挖掘技术的科学性。

4.2 数据挖掘的步骤及原理

根据数据挖掘技术的基本操作模式，采用数据挖掘的一般步骤为实验对象收集大量有用的信息。再应用到数据挖掘对数据进行剖析概括、转换、抽取筛选，然后把大批量的数据进行分解处理，再把分解过后的数据重新拼接组装成一个全新的数据，进一步挖掘出数据中隐藏的各种内在关系。

4.3 实验中数据挖掘的过程

在分析“大学英语”课程内容并分析考试结果后，以及从相关任课老师那里所得到的相关成绩、以及在课上的主动发言率、课堂演讲内容准备的学生的听力训练和写作训练的充分性和完整性，英语水平和准确性，学生的英语四年级考试成绩和其他信息，深层断层分析，大学英语四级考试与“大学英语”之间的内部关联及其与学生整体质量评估的关系，进而发现使用数据挖掘来应用到“大学英语”过程性评价中的优点，以此提供科学客观的根据。

4.4 数据挖掘的合理运用

把数据挖掘运用到“大学英语”过程性评价中需要解决面临的三个重要问题，这样才可以确保实验研究的真实性和准确性。第一：大学英语的学习和4级考试是否一致？“大学英语”中学生的整体评估能否反映出学生英语考试成绩的分析；第二：大学英语和英语四级学习的目的是一致的，其中相连的关系又有哪些？第三：专业老师在英语过程性评价中是否掺杂进了自己的主观意识？这些情况的发生会不会影响教师评价学员的综合成绩？首先，我们可以知道“大学英语”是根据“大学英语教学大纲”编写的。同时，CET-4也是由“大学英语教学大纲”根据不同高等院校组织的统一，一次性使用的标准化教学测试。所以这两个要求是对学生一样的。之后，“大学英语”课程特别重视学生在听，说，写，译方面的综合能力，使学生的英语水平得到充分和平衡的发展。对于英语四级考试绝对是锦上添花的，所以，学生在“大学英语”的课程学习过程中的综合评价是可以体现学生的英语四级考试能力的，最基本的是可以预测该学生是否具备英语四级考试的过关能力。最后，这是两个目标是否一致的问题。目的和准确测量大学生的英语能力，以及“大学英语”课程的目的是提高学生的英语使用能力。所以二者的目的也是一致。

5 结束语

综上所述，随着现代信息技术不断的发展成熟，所需要的技术要求质量越来越高，又随着数据挖掘技术的兴起与推广应用，教育行业可以在其中占一部分优势。通过运用数据挖掘技术的方法来融入到大学英语过程性评价教学中，也是能够有效的改进传统的总结性评价，也是从一个更客观的方面来看待，甚至在必要的时候这种方法完全可以取代它。最好的是过程性评价采用的是一种自由式的开放的评价方式，没有固定的评价模式，它还使教师和学生有最大的自由使用自己的空间，以便他们在学习英语的过程中得到他们需要的东西。对于许多高校来说，他们只处于存储和查询数据信息的基本阶段，目前还没有能够很好地利用数据挖掘技术，但是它在教育研究领域中的前景是非常可观的存在。

参考文献：

[1]吴羊.数据挖掘在大学英语教学质量分析中的应用研究[J]. 现代教育技术，2010，（4）：73-76，84.

[2]齐玲. 形成性评价在大学英语中的应用[J]. 考试周刊，2009，（41）：354- 355.

[3]郭瑞波.数据挖掘技术在英语成绩评价中的应用[J]. 金融理论与教学，2012，（5）：82-84.

[4]蔡静一. 大学英语写作课程形成性评价模式的研究[J]. 中国科技财富，2012，（8）：434.

[5]刘飞兵. 运用数据挖掘技术优化大学英语多媒体教学[J]. 外语电化教学，2006，（5）：72-74.

[6]姚晓宇，冯丽. 大学英语教学中的形成性评价分析[J]. 学周刊A版，2015，（9）：10-11.

[7]卜剑锋. 大学英语课程考试与CET-4成绩的相关性研究[J]. 惠州学院学报，2015，（1）：117-120.