数据挖掘在高校管理中的应用研究

柴容倩

1 引言

随着大数据应用及数据挖掘技术的不断推广，教育领域存在着大量数据等待挖掘分析，这些数据能够提供有价值的信息，帮助我们找到学生在学习、生活、就业等方面被忽视的东西，从而为教育教学改革提供参考意见，以及给具体学生提供有针对性的指导。

2 数据挖掘在高校管理中的应用

2.1 关联规则在制定教学计划中的应用

在高校教学计划制定过程中，课程间的关联程度及课程教学的先后顺序直接影响着教师的教学效果。因此，基于教务系统中大量课程信息及学生成绩数据进行挖掘分析，找出课程间的关联程度，可以为教学计划的制定提供指导，从而提高教学质量。

关联分析是数据挖掘的核心技术之一，其关联规则模型及数据挖掘算法是由IBM公司的R.Agrawal在1993年首先提出的，旨在从大量数据中发现项集之间的有趣关联或相互关系，关联性的强度则由关联分析中的三个核心概念——支持度、置信度和提升度控制和评价。其中，Apriori算法较为经典，在关联规则分析领域具有较大影响力。

运用关联规则对存储在教务管理系统中的大量课程信息和学生成绩数据进行分析，找出课程间潜在的多种关联性，进而发现课程在先后顺序方面的关系及其他有价值信息，从而为教学服务工作的开展提供参考意见。

2.2 决策树在学生挂科预警机制中的应用

高等院校学生的学习成绩是评判教育教学质量的重要标准，也是教师判断学生对知识掌握程度的重要依据。对学生课程成绩进行挖掘分析，从中提取有价值的信息，可以为教师教学及学生学习提供指导，从而提高教学质量和学习效率。

决策树是最经典的数据挖掘方法之一，该方法以树形结构形式将决策过程展现出来，简单直观、解读性强。根据适用情况的不同，有时也被称为分类树或回归树。简单来说，其目的是根据若干输入变量的值构造一个相适应的模型，近而预测输出变量的值。

运用决策树算法对存储在教务管理系统中的学生成绩数据进行分析，提前预测学生课程成绩，建立学生挂科预警机制。教师可根据分析结果了解学生掌握知识情况，从而调整教学进度、教学模式和教学方法，同时，对不同学生做出针对性的指导。学生可以根据分析结果，发现后续课程中有挂科风险的学科，做好针对性的学习。

2.3 聚类分析在学生就业管理中的应用

随着影响就业的因素、就业行业的多元化及高等院校毕业生数量的增加，预测毕业生就业趋势以及改革创新学生培养模式，越来越多的依赖于对毕业生就业信息的分析。对就业信息进行多层次、多角度的分析，挖掘這些数据中所蕴含的有价值的信息，形成准确的就业数据模型，有助于提高学生就业管理水平及学生就业质量。

聚类分析是一种原理简单、应用广泛的数据挖掘技术。顾名思义，聚类分析就是把若干事务按照某种标准归为几个类别，其中较为接近的聚为一类，不那么接近的聚于不同类。常见的聚类算法有K—均值聚类、K—中心点聚类、密度聚类、系谱聚类、期望最大化聚类等。

运用聚类算法对毕业生课程成绩、计算机能力、英语能力、表达能力、生源地等相关属性进行分析，从而实现对学生的精准聚类。同理，通过对招聘单位基于注册资本、企事业单位性质、企业所属行业、行业前景等相关属性进行聚类分析，从而实现对招聘单位精准分类。基于以上分析结果，有针对性的向毕业生推荐就业单位，或者为学生寻找就业单位提供参考意见，从而实现毕业生与就业单位的完美对接，提高就业服务质量。

3 结语

目前，数据挖掘技术被应用于各行各业，作为大数据的生产者，高等院校各类业务系统为学校的各项信息化工作提供了基础保障，其中存储的大量数据隐含了很多有价值的信息，通过对各类数据进行挖掘分析，能够为高等院校日常教学、学生管理、就业管理以及个性化服务等提供科学合理的保障。

本研究为四川大学锦城学院课题项目：数据挖掘在学生管理中的应用研究（编号：2018JCKY0009）

（作者单位：四川大学锦城学院）