基于数据挖掘技术的高校人才培养模式评价与优化

梁 强

(大连民族大学 经济管理学院，辽宁 大连 116605)

为贯彻落实党中央《关于深化人才发展体制机制改革的意见》和《关于全面振兴东北地区等老工业基地的若干意见》的精神，辽宁省在“十三五”高校人才培养规划中提出，要树立创新、协调、绿色、开放、共享的发展理念，以提高人才培养质量为核心，以提升服务经济社会发展能力为重点，通过优化专业结构和人才培养类型结构、深化创新创业教育改革、创新人才培养模式，实现高校人才培养与经济社会发展需要的全面对接，满足现代产业体系多样化的人才需求，为辽宁全面振兴提供强大的人才支撑。要提高人才培养质量，就要创新人才培养机制和模式，探索实践多种形式课程学习方式。人才培养模式一般是指在一定的现代教育理论、教育思想指导下，按照特定的培养目标和人才规格，以相对稳定的教学内容和课程体系，管理制度和评估方式，实施人才教育过程的总和。具体的，需要对教学内容、课程体系、教学模式等进行创新性变革，其中重要环节就是教育教学模式的优化[1]。目前对于高校人才培养模式优化的研究和实践已大规模展开，但是各类教育教学模式和人才培养模式的近期和远期效果如何，则需要对大量实际案例进行数据挖掘，找出隐藏于大数据中的规律，以便于大范围推广。

1 数据挖掘与数据分析

数据挖掘(Data Mining)，又称为资料探勘、数据采矿，是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、潜在有用的信息和知识的过程。数据挖掘通常包括统计、在线分析处理、情报检索、机器学习、专家系统和模式识别等方法。

数据挖掘即数据分析与处理，分为数据预处理、数据挖掘和数据后期处理三个主要阶段，具体包括信息收集、数据集成、数据规约、数据清理、数据变换、数据挖掘过程、模式评估和知识表示等8个步骤。数据挖掘与数据分析中的常用技术包括：统计技术、关联规则、遗传算法、聚集检测、连接分析、决策树、神经网络、粗糙集、模糊集、回归分析、差别分析等[2]。

数据挖掘与数据分析涵盖了统计学、数学、计算机、数据库等学科，并应用于数据库管理、人工智能、统计分析、数据仓库、在线分析处理、专家系统、数据可视化、机器学习、信息检索、神经网络、模式识别等众多领域。数据挖掘主要实现以下功能：(1)找出事物的同质性和共通性；(2)找出不同事物之间的依存关系或关联性；(3)分类和聚类，发现相同类型事物的共同特征和不同类型事物之间的主要差异；(4)根据历史资料和数据，预测事物未来的发展趋势。

根据数据挖掘的不同算法，常用方法包括：(1)生物学方法，包括人工神经网络、遗传算法等；(2)信息论方法，包括决策树算法等；(3)集合论方法，包括约略集、模糊集、最邻近算法等；(4)统计分析方法，包括预测模型算法、序列模式分析算法等；(5)可视化技术方法，包括聚类分析算法、关联规则挖掘算法、分类规则挖掘算法、WEB数据挖掘算法等。

2 数据挖掘技术的主要阶段与方法

数据挖掘与数据分析的具体操作，是从大型数据库和海量数据中，检索有效的、实用的信息，并利用这些信息做出决策。数据挖掘过程通常分为数据准备、数据挖掘、数据评价以及数据运用四个阶段。

2.1 数据准备阶段

数据准备阶段是剔除无用信息的过程，主要通过消除噪声数据和与主题明显无关的数据，对数据进行筛选、变换和预处理。经过预处理的数据通常存储在数据仓库中。数据的预处理是否充分将影响数据挖掘的准确性以及最终的决策效果。数据预处理的具体步骤包括：(1)选择数据：选择与主题高度相关的数据；(2)预处理：剔除无效、冗余的数据；(3)补充缺失数据：根据数据规律，推算补充缺失数据；(4)转换数据：根据计算需要，转换离散型和连续型数据，对数据进行分组分类；(5)缩减数据：剔除低效数据，仅保留最有价值的数据。

2.2 数据挖掘与分析阶段

数据挖掘与分析阶段是数据挖掘的核心步骤，也是数据挖掘的关键技术。根据研究目标和主要任务，采用生物学、信息论、集合论、统计分析、可视化技术等方法，选取相应的算法，分析数据并得到相应的模式或规则。

2.3 数据评价阶段

在分析得到相应的模式或规则后，评估模式或规则的有效性和准确性。评估可以使用数据算法进行检验，也可以根据专家经验判断。同时，还需要根据数据使用者的反馈，判断决策的有效程度，并依据反馈对模式和规则进行修改和完善。

2.4 数据运用与决策阶段

数据运用与决策是将挖掘出的有效信息清晰地传递给数据使用者。这需要选择合适的可视化工具，将结果以具体的模式或规则的形式传递给用户。同时还要对信息进行一致性检验，解决本次挖掘与以前得到的信息之间互相矛盾、冲突的地方，使信息具有连续性和稳定性。数据运用与决策主要有两种方法：一种是评价数据分析本身的结果，并以此为依据进行决策；另一种是运用挖掘得到的信息对新的数据进行分析，并对决策结果进行优化和完善。

3 数据挖掘在高校人才培养模式分析及评价中的应用

3.1 分析学生在不同教学模式下的学习特征，优化人才培养模式

学生的学习特征主要包括学习的初始能力和学习的一般特征。学习的初始能力是指在学习某一特定的知识点时，已经具备的与该知识点相关的知识储备与技能基础。学习的一般特征是指学生的性别、年龄、专业、年级、认知水平、智力能力、学习态度、学习期望、生活经验，以及学生成长的文化、社会、经济等背景因素。这些因素都可能在学习过程中影响学生的心理、学习状态和学习效果。学生的学习特征与学习活动和学习效果之间有着密不可分的关系，不同学习特征的学生对同一知识点或同一课程的感知和接受存在显著的差异性。

利用数据挖掘与数据分析，可以深入分析学生的学习特征。例如，在互联网+教学中，记录、分析学生对网络和系统的访问情况，利用定位技术，跟踪、分析学生出勤情况[3]。还可以根据学生的性别、年龄、专业等基本情况进行分组，挖掘不同教育教学模式下学生的学习特征。并利用可视化技术，将学习特征信息以图表或曲线等直观的形式提供给教师，使教师能对比不同教学模式下学生的学习特征，以优化高校人才培养模式。

本文以某大学的国际贸易专业为例，该专业从2013级开始调整培养方案，每个年级开设一个全英文教学班，其余为普通教学班。此处选取同一专业、同一位教师授课、不同培养方案的学生为研究对象，其中A组样本为2013-2017级国贸全英文班共计137名学生的统计学(双语)课程期末卷面成绩，B组样本为2013、2014、2016级国贸普通班共计295名学生的统计学课程期末卷面成绩。

A组为全英班成绩数据，样本容量为137，由于篇幅所限，未列出全部学生成绩，部分数据见表1。

表1 A组部分学生期末卷面成绩

B组为普通班成绩数据，样本容量为295，部分数据见表2。

表2 B组部分学生期末卷面成绩

使用SPSS软件对A、B两组数据进行独立样本T检验，以检验不同培养方案对同一专业、同一位教师授课的学生成绩是否有显著影响。截取的SPSS软件分析结果如图1。

图1 独立样本T检验结果

数据组1为普通班，数据组2为全英班。从“组统计量”结果可以看出，普通班的统计学平均成绩为69.98分，而全英文班的统计学平均成绩为73.84分。从“独立样本检验”结果可以看出，对方差齐性的假设检验中Sig=0.000，小于0.050，说明不满足方差齐性，因此方差是不齐的；对均值方程的T检验中Sig=0.026，小于0.050，说明两组数据之间存在显著性差异，即全英文班的统计学平均成绩明显高于普通班。因此，最终结论是：在本案例中，不同培养方案对同一专业、同一位教师授课的学生成绩具有显著差异的影响。

3.2 分析课程成绩的影响因素，提升课程体系设置的合理性

利用数据挖掘与数据分析，可以进行更为高效精准的考试与成绩分析。课程考试的成绩能够较为直观地显示学生对知识点和知识体系的掌握程度，对成绩进行数据挖掘，可以提高教师教学过程的针对性，更精确的对教学内容进行调整。在此基础上，教师可以根据数据挖掘的结果优化教学目标、课程内容、教学策略和教学手段，为学生打造一个精准定位、匹配其学习特征的教学模式，进而提高人才培养的针对性和精准度。

高等学校的人才培养方案中，课程设置具有一定的逻辑顺序和关联性。在学习某些较高级课程之前，必须具备相应的知识储备和课程基础。如果前置课程和相应知识点没有掌握，则会影响后续课程的学习效果。在不同的教育教学模式下，学习同一门课程的不同班级的成绩水平会存在较大差异。利用关联分析与时间序列分析等数据挖掘方法，对比不同类型的教学模式对学生成绩的影响，从教学数据库中挖掘出有效信息[4]，并根据以上信息，找出影响教学效果和人才培养质量的关键因素，提升人才培养方案和课程体系设置的合理性。

3.3 评价教学效果和教育教学质量，动态调整人才培养模式

教学评价是根据人才培养的目标和要求，依据特定的规则对教学效果做出描述性统计。教学评价是通过以下方式搜集学生对任课教师所讲授课程的评价数据：学生评议打分、学生座谈会意见、专家评价、课程考试的成绩汇总等。利用数据挖掘技术可以对数据库中的各项教学指标数值进行数据处理，以确定学生对教学难度和范围是否适应，授课时间安排是否合理，授课思路和语言表述是否清晰易懂，教学方法与教学内容、授课对象是否匹配等。从而及时根据评价反馈的信息，动态调整教育教学模式，实现人才培养模式的优化。

教育教学质量一般通过学生的学习效果进行衡量。跟踪分析学生的学习行为和学习效果，可以通过信息反馈，深入了解学生学习的个体差异，以便于因材施教、因人施教。对于学生学习行为的评价，一般采用模糊综合评价方法和聚类方法。具体为对评价结果进行加权平均，算出综合得分并根据分值进行排序，然后采用动态聚类方法对评价结果进行聚类分析[5]。对于学生学习效果的评价则通常采用对成绩数据库进行数据挖掘的方法。挖掘过程是依据不同的标志进行统计分组，进行一系列的统计分析，包括数值分布、描述统计、相关性检验、显著性检验等。对于数据挖掘结果采用特征规则、关联规则、交叉表、特征曲线、统计图表等表示。

4 结论与建议

随着大数据时代信息量的急剧增长和高校人才培养模式转变的需求，使用传统方法从海量数据中寻找规律越来越难以实现。利用数据挖掘与数据分析去发掘教学数据中隐藏的规律，为人才培养模式的转变提供数据支持，已成为高等教育改革的有效路径[6]。数据挖掘与数据分析方法体现了以学生为中心的教育理念，教师和教学管理部门应依据挖掘反馈的信息，进行动态靶向调整，实现高校人才培养与经济社会发展需要的精准对接。同时，笔者提出如下建议。

4.1 制定和实施推动教学改革的措施，激励和保障教学改革的开展

以试点班的形式探索多种人才培养模式，打破单一的人才培养格局，拓宽人才培养途径。目前的实验班形式较为简单，可以探索更深入的实验班形态。例如，大范围引入国外高校师资，为实验班配备专职教师队伍，实验班的教师在考核、职称评审等方面，享受一定的政策倾斜，鼓励教师加大教育教学投入。

4.2 深化校企联合培养，对学生就业数据进行挖掘与分析

开展校企合作育人，探索各类校企联合人才培养模式，由高校为主培养，转变为校企双方联合培养，校企共同制定培养计划，打造“零适应期”就业模式，提高毕业生的职业发展能力。同时，对就业数据进行分析，为校企合作模式的调整提供依据。

4.3 实施全程数据追踪，优化“实践与创新”教育模式

遴选优秀学生，组建拔尖创新人才实验班。课程体系强化实践与创新，探索理论课程与实践课程融合，依托高校科研团队加强专业和创新教育。实施全程数据追踪和挖掘分析，并根据实验班的数据挖掘结果，优化实践与创新教育模式，进而提升拔尖创新人才的培养质量。