基于大数据挖掘的大学生优质教育资源推荐分析

王冠雄

摘 要：本文首先介绍大数据挖掘的研究状况及发展趋势，然后分析大数据挖掘为基础的大学生优质教育资源推荐应用，最后重点探究基于大数据挖掘的大学生优质教育资源推进策略。

关键词：推荐；大数据；大学生；教育资源

当网络信息时代到来后，教育资源整合、推送方式发生了较为明显的变化，通过数据挖掘、数据分析等方式全面掌握大学生在资源获取方面的需求，并有依据的为其提供优质教育资源，以此来进一步提高大学生就业、创业的成功率。

1 大数据挖掘的研究状况及发展趋势

1.1 大数据挖掘的应用现状

国内学者纷纷加入到大数据应用研究活动，但大数据结合优质教育资源的研究工作处于起步阶段，并且研究学者数量少之又少，据相关资料显示，国务院总理高度关注优质教育资源推广工作，并对此项工作的发展前景展望分析，以期引起研究人员和从业人员的关注，以此深化教育行业改革。当前国内逐步实践信息化教学模式，如翻转课堂、专递课堂、在线学习等，充分发挥新教学方法在教育领域的积极作用。

国外学者研究大数据挖掘的成效远远优于我国，主要是因为外国学者研究起步较早，并且研究方式较独特，基于大数据挖掘的优质教育资源推荐案例不胜枚举。此外，发达国家注重信息技术创新及信息技术与高校间的合作，通过大数据分析、适应性学习系统研发等方式从整体上提高学生学习成绩，并与时俱进的推出大数据服务项目，从而在未来的人才竞争中占据主动地位。

1.2 大数据挖掘的发展趋势

国内学者针对教育行业数据管理工作十分重视，与此同时，研究学者预测教育行业工作机制，以及网络安全态势，取得数据资源整合的良好效果，以便为教育决策制定提供可靠支持，真正实现教育资源共享目的。虽然大数据挖掘、优质教育资源推荐等方面的研究较少，但从另一个角度来讲，大数据挖掘发展空间较广阔，为了加快我国个性化人才培养速度及质量，务必从本国国情出发，主动向西方发达国家借鉴先进经验，以期高效利用优质教育资源，从整体上提高教育水平，并在大数据挖掘方面积累丰富经验。

2 大数据挖掘的大学生优质教育资源推荐应用

2.1 构建针对性的数据挖掘系统

网络信息技术快速发展的同时，线上教育应运而生，并且远程教育逐渐走进人们的视线。在线教育在资源整合的基础上，为大学生提供个性化学习机会，以此满足大学生多样化学习需求；远程教育凭借服务器日志完成数据记录任务，随着Web数据挖掘方式的有效运用，大大提高数据价值，并直观显示数据间的关系。最后通过数据分析，全面了解大学生学习行为，进而有依据的构建个性化学习系统，为每位学生推送相应的教育数据和学习资源。需要注意的是，针对性数据挖掘系统应定期更新，同时，信息采集设备也应不断完善，确保数据信息全面、准确采集，充分发挥教育资源在大学生学习中的辅助作用。从中能够看出，构建针对性的数据挖掘系统，这有利于调动大学生学习欲望，并为社会优秀人才培养起到助力作用。

2.2 构建个性化的教育资源推荐系统

教育资源推荐系统构建的前提，即建立个性化教育数据挖掘系统。全方面获取大学生成绩、量化、喜好、出勤等信息，在综合信息分析的基础上设计课程模块，针对数据间的显性关系和隐性关系深入挖掘，同时，总结得出数据间的模式，最终成功获取与大学生学习的优质教育资源的紧密联系。教育资源推荐系统将学习者分为应用型、记忆型、理解型三种，通过过滤方法设计动态化优质教育资源，并构建学习风险预警模型，尽可能满足每位大学生学习需要，最终实现人才个性化培养目的。教育资源推送的过程中，系统还会提供相应案例，便于大学生对所学内容理解和消化。

2.3 构建以数据为中心的人才培养决策系统

基于数据挖掘、数据分析建立人才培养决策系统，该系统围绕大学生完成课程安排任务，并引导大学生养成良好的学习习惯。系统运用的过程中，为不同专业学生制定相应的人才培养方案，以此打破传统人才培养模式的束缚。专业学生在完成必修课程的基础上，能够根据兴趣爱好和学习规划，选择适合的优质教育资源模块，等学生达到学分要求即可顺利毕业。在这一过程中，学校聘用专业教师前来授课，专业教师客观分析每位大学生学习现状，真实了解大学生学习需求，进而为学生推荐适合课程，促使大学生在课程学习中养成良好的学习习惯，并成功挑战自我、拓展发展空间。除此之外，学校应适当调整人才培养机制，创新相关制度，最终制定可行的、合理的人才培養决策，促进个性化人才培养工作有序推进，大大提高人才培养质量。优秀人才培养后，意味着企业发展、社会进步，均能得到优秀人才支持，这对我国教育事业持续发展、信息技术实效性提高有促进意义，最终真正实现信息技术与教育工作融合的目的。

3 大数据挖掘的大学生优质教育资源推进策略

3.1 对大学生日常行为数据进行采集

这项工作操作过程十分复杂，再加上数据来源不一，因此应做好数据预处理工作，以此优化数据集成效果。数据采集主要包括初始登录信息、使用记录信息、迭代更新信息，对于初始登录信息，即大学生制定学习目标及计划、大学生学习风格及爱好，此类信息全部包含于数据库；对于使用记录信息，即大学生在个人信息填写的基础上进行课程学习，并且学生浏览记录、IP地址会自动存储，此外大学生交互数据、注册信息、测试成绩也会存储于数据库；对于迭代更新信息，由于大学生学习目标以及爱好会动态变化，这时数据库系统也会随之改变，顺利实现新信息的存储，进而向大学生推荐适合的学习资源。

针对上述采集的大学生日常行为数据进行处理，通过去停用词、分词等方式完成预处理任务，其中去停用词指的是删除重复数据和冗余数据，这在一定程度上能够提高存储信息与优质教育资源间的关联度，进而数据价值会大大增加，并从整体上减少研究误差，尽可能提高存储空间利用率。去分词指的是，针对性提取大学生兴趣特征，并对大学生分类，进而优质教育资源推送目标能够准确确定，优质资源推送效率也会大大提高。大学生日常行为数据采集、数据预处理等工作为接下来数据存储和数据管理起到基础铺垫作用，因此应全面采集数据，提高数据预处理效率。

3.2 对大学生日常行为数据进行存储和管理

由于大学生日常行为数据量与日俱增，要想高效存储、统一管理海量数据，务必筛选出价值信息，必要时借助存储技术以及可行性策略完成差异化标准、结构、实时性要求数据信息的存储和管理。

首先，数据加密。学校存储大学生日常行为数据的过程中，为了避免出现网络黑客侵袭现象，实现数据信息在安全范围内的有效管理，引进先进加密技术，并利用加密信息实现内容与代码的转换，只有大学生本人有权解码，这在一定程度上能够提高数据传输有效性。其次，仓库存储。大数据管理难度较大，通过仓库存储的方式管理大数据，实现大数据在存储中心合理规划、有序调用目的。这一方法在短时间内有较强适用性，若从长远角度考虑，仓库存储方法应适当改进。最后，云端备份。现如今，大学生日常行为数据存储和管理正逐步脱离物理机器，转向数字领域，由于大数据增长速度过快，然而现有物理机器以及仓库的容纳范围有限，这为云端备份提供了广阔空间。目前云端存储服务范围逐渐扩大，并且云计算应用效率大大提高，即使存在网络攻击行为，则云端能够通过数据迁移的方式进行防御。

3.3 对大学生日常行为进行分析

分析大学生日常行为的过程中，巧妙运用R语言完成数据信息分析任务，并将分析结果以报告的形式直观呈现，从整体上提高优质教育资源个性化推荐平台实用性。在此期间，综合运用数据统计方法、机器学习技术、数据挖掘技术，通过模型建立的方式深层次挖掘大学生学习内容、学习行为、就业意见间的联系，进而确定大学生就业方向，以此为依据制定个性化人才培养方案。最后合理配置优质教育资源，共同完成优秀人才培养目标。

基于R语言构建大学生学习表现和性格特征数据模型，具体步骤为：采集个体表现数据→数据输入到数据库→构建专门数据库→构建专门数据模型→运用数据算法分析表现数据→出具大学生个体性格特征。接下来将大学生表现数据类型进行相似性分析，并将同类性格特征数據归为同组数据库，梳理学习表现数据与性格特征间的关系。运用回归分析法构建数学模型，同时利用最小二乘法获取学习表现数据与性格特征间的关系式。此外，通过BP神经网络法综合分析学习表现数据和性格特征，通过决策树法完成数据分类任务。最终能够直观显示大学生性格，最终教师能够有目的的指导大学生，并帮助大学生制定就业、创业规划，因此，学生毕业后能够在社会中找到适合的位置，为社会发展、国家繁荣做出积极贡献，同时，大学生能够实现自我价值。

4 结束语

综上所述，基于大数据挖掘的大学生优质教育资源推荐，这符合现阶段社会发展需要，同时还能为教育教学工作顺利开展起到引导作用，这在一定程度上能够扩大信息技术应用范围，提高数据挖掘技术利用率。希望学校教育工作者以及信息技术研究者能够以此为借鉴，高度重视数据挖掘工作，并合理制定大学生优质教育资源推荐方案，为社会优秀人才培养做出积极贡献，以此深化教育教学改革。

参考文献

[1]孙雨生，于凡，孙肖妹.国内基于大数据的个性化服务研究进展——架构体系与关键技术[J].现代情报，2018，38（02）：171-177.

[2]刘淇，陈恩红，朱天宇.面向在线智慧学习的教育数据挖掘技术研究[J].模式识别与人工智能，2018，31（01）：77-90.

[3]柳益君，何胜，熊太纯.大数据挖掘视角下的图书馆智慧服务——模型、技术和服务[J].现代情报，2017，37（11）：81-86.