数据挖掘技术在高校学生评教中的应用研究

张薇

摘要：文章从当前高校学生评教的现实情况入手，概括论述了与数据挖掘技术相关的一系列内容，诸如数据挖掘的定义、过程以及方式，进而分析了数据挖掘技术在高校学生评教中的优势与价值，并重点阐述了数据挖掘技术在高校学生评教系统中的具体应用。旨在进一步突出数据挖掘技术与高校教育教学工作的紧密联系度，同时证明数据挖掘技术在促进高校学生评教方式改革以及切实提高高校教育教学质量中所产生的深远影响。

關键词：数据挖掘技术；高校；学生管理；评教成绩

doi：10.3969/J.ISSN.1672-7274.2024.03.046

中图分类号：G 642，TP 311.13          文献标志码：A           文章编码：1672-7274（2024）03-0-03

纵观当前高校学生评教工作开展现状，其中大部分高校所利用的都是基于数据库类型的系统软件。这些系统软件中包含着非常丰富的数据信息，可以给学生提供足够充分的参考依据，但实践应用中不难发现学生群体对于软件中的数据信息利用率并不高，很多数据信息并未发挥出该有的价值和作用，进而导致学生的评教工作还是存在着一定程度的偏颇，并不能保证评教的客观性与全面性。

1   高校学生评教现状

2021年教育部印发了《普通高等学校本科教育教学审核评估实施方案（2021—2025年）》，启动了新一轮的本科教育教学审核评估，对提高教学质量提出更高的要求，需要高校完善自我评估，实施常态化的监控，改革创新学校教学质量评价。因此大数据驱动下的教育评价已经形成，基于评分数据的统计与分析显得尤为重要[1]。

据了解，当前高校学生评教工作主要涉及两部分内容，其一是过程性评价，其二是期末评价。其中，过程性评价一般由二级学院组织，平均每学期每门课程评价2～3次，而期末评价则由教务处组织并负责，是对教师群体在一个完整阶段的教学水平和教学质量进行综合评价。每个周期的评价结束后，评教系统会自动根据权重生成最终评价结果并予以公布，同时生成分析报告，教师可通过相关平台查询评价结果，并结合分析报告来对自己的教学工作自主进行诊断。这对于指导教师的后续教学工作有很大帮助作用。除此之外，教学管理部门会定期采集课堂教学数据，同步做好信息发布工作，将存在的问题及时反馈给教师本人或者有关职能部门及相关教学单位。被评教师通过反馈的信息，及时发现问题，做出调整改进，并进行教学反思。对于被评教师认为不合理的评价成绩，有相关申诉机制来保障教师的权益，会由管理部门对教师提出的申诉给予调查和审议，给出处理结果。通过建立起一个“评价-反馈-改进-提升”的良性循环体系来逐步提升教师群体的整体教学质量与水平[2]。

2   数据挖掘技术的简要阐述

2.1 数据挖掘技术的定义

数据挖掘技术本质上是应用于数据处理的技术类型。数据挖掘技术可借助科学高效的算法在海量数据当中发现隐藏的各种信息内容。在高校学生评教工作当中应用数据挖掘技术，可以实现对复杂数据信息的科学分析、归纳以及总结，而且在数据挖掘技术的助力下，学生在评教时可以精准搜索到更深层次的信息内容，进而为形成客观全面的评教结果奠定更充分详实的基础。

2.2 数据挖掘的过程

通常数据挖掘可以划分为五个阶段。第一阶段：对数据挖掘的概念进行了解，并明确数据挖掘的目的；第二阶段：准备数据挖掘的相关工作；第三阶段：在了解数据挖掘的各种方法之后，结合实际情况选择合适的数据算法，并应用该算法来对需要处理的数据进行充分挖掘；第四阶段：分析数据挖掘出的相关信息内容，传达给用户相应知识；第五阶段：在合适的领域中应用数据挖掘得到的信息，充分发挥数据挖掘的指导和参考作用[3]。

2.3 数据挖掘的方式

伴随着数据挖掘技术的创新与升级，数据挖掘方式也随之呈现出多元化特征，而且每一种数据挖掘方式的适用范围和界限也越来越清晰。事实上在一个相对复杂的数据挖掘系统中，单一性挖掘方式往往无法满足实际需求，多数情况下都会应用到多种数据挖掘方式来配合完成，进而保证获取到更为理想的数据挖掘效果。目前比较常见的数据挖掘方式主要有以下两种。

（1）关联规则。关联规则这一数据挖掘方式可以有效发现数据库当中两个及两个以上数据项之间的关联关系，这是当前数据挖掘技术当中的一个重要研究方向，其具体技术也相对成熟和完善。关联规则中适用到的分析规则是非常简单明确的，其通过发现数据之间的关联性来进一步研究某些属性同时出现的规律和模式。关联规则的优势主要体现在其不存在变量的限制，所以可以进行多维数据之间的相关性分析。以购物篮分析为例，通过从大量顾客的购买信息中，分析他们放入购物篮中不同商品之间的关联性，进而对顾客的购物习惯进行精准分析，了解顾客的喜好，会习惯性同时购买哪些商品，并且发现这些商品之间的关联性，进而为制定出更为科学合理的营销策略提供依据。关联规则这一算法共有两个步骤：第一步，找出所有的频繁项集，即支持度不小于最小支持度的项目集。第二步，由频繁项集产生强关联规则，即必须要满足最小支持度和最小置信度。

（2）神经网络方法。神经网络方法在近些年受到了非常高的关注度，其多应用于解决大型复杂问题，是一种相对简单有效的数据挖掘方式。神经网络方式建立在自学数据模型基础之上，其可以在短时间内对复杂的数据内容进行精准分析，并且可以同步完成对人类大脑或者其他计算机来说太过复杂的模式抽取和趋势分析。其中基于神经网络方法的数据挖掘工具对于非线性数据具有非常快速的建模能力，这也是神经网络方法得以广泛应用的一个主要原因。神经网络方法的具体过程：首先把数据聚类，其次结合权值分类进行计算，多体现在网络连接的权值上。此外，神经网络方法在用于处理非线性数据以及含噪声的数据信息时要更比其他数据挖掘方式更具优势[4]。

3   数据挖掘技术在高校学生评教中的应用优势

其一，应用数据挖掘技术来助力高校学生评教，可以帮助学校更全面精准地了解教师的教学情况、教学成果以及学生对教师工作能力的认可度等相关信息。而且在数据挖掘技术的帮助之下，学校可以从更深层次来分析学生评教的具体结果，进而更全面地了解各专业课程教学的真实情况[5]。

其二，应用数据挖掘技术来助力高校学生评教，学校可以实际评教结果为参考依据来进一步衡量各专业课程设置的科学性与合理性，也可借此来了解学生对不同课程类型的偏爱程度，进而为深入挖掘多元课程之间的关联性以及优化课程设置提供更详细的参考信息[6]。

其三，应用数据挖掘技术来助力高校学生评教，使评教系统可应用数据挖掘技术来统一展现不同阶段的评教结果，学校便可以通过评教成绩变化情况来了解教师在各个阶段的教学情况，并以此为切入点来分析和研究学生学习需求变化，进而为后续教育教学与学生管理工作提供有效指导[7]。

4   数据挖掘技术在高校学生评教中的具体应用

4.1 数据挖掘技术在数据准备阶段的应用

数据准备阶段主要任务是准备可直接应用、处理与分析的数据信息内容。数据准备阶段通常会应用相关算法来集成、筛选和处理相应的源数据，进而得出更具精准性和实用性的结果。在整个学生评教工作当中，数据准备阶段的工作量相对而言是比较大的。数据挖掘技术在数据准备阶段的具体应用如下。

其一，应用数据挖掘技术获取学生评教所用信息，但这些信息并不单纯服务于学生评教工作，一般情况下还会涉及多个数据库以及多门学科，所以在应用数据挖掘技术获取信息的同时还需要利用数据挖掘技术来自动完成数据信息的分类整理，及时消除数据源和源之间的语义模糊性，同时对其中存在的信息缺陷进行集中处理，最终建立起统一且规范的数据格式[8]。

其二，应用数据挖掘技术虽然可获取到海量数据信息，但其中会有部分数据信息不具备利用价值，或者可利用价值不高，换言之，这些数据信息并不能为学生评教工作提供相应的支持和帮助，如果处理不当，很有可能会成为阻碍因素，反而干扰到学生的正常评教。所以，从这一角度来讲，必须要在数据准备阶段高质量地完成好数据筛选工作，要确保学生得到的数据信息都是经过系统科学筛选并具备应用价值的[9]。

其三，一般情况下在数据准备阶段筛选后得到的数据还是会存在各种各样的问题，比如噪声问题、文本冗余、数据不一致等，因此需要通过数据预处理操作来进一步优化数据结构，充实数据信息含量，进而为保证学生评教分析结果的可信度和可靠性奠定基础[10]。

以噪声问题为例：针对噪声问题的处理可使用3σ法，根据评价数据会发现同一个班级同一门课程中，会有少数学生对该课程某项评价指标明显不同的情况，这些打分明显不同的数据即定性为噪声数据。关于噪声数据的处理方式，即通过对数据集中的离群点进行检测，先计算出标准偏差，给定一个区间，若误差超过这个区间范围，则属于粗大误差，需要做噪声数据删除处理。需要注意的是对评价文本的处理使用Python文档语言，数据集中存在与评教文本无关的数据，会对结果造成偏差，需对每条评教数据进行判断，过滤掉无效数据，将其无关文本清理干净。

4.2 数据挖掘技术在数据挖掘阶段的应用

在高校学生评教工作当中，数据挖掘阶段应该属于执行部分的内容。数据挖掘阶段会使用到很多种数据挖掘算法来进行有针对性的数据信息分析和处理，从而挖掘出可以应用的内在关联规律或者知识图谱[11]。

数据挖掘技术在该阶段的具体应用：第一步，要明确清楚数据挖掘的核心目标和主要任务；第二步，以挖掘目标为指导，选择合适的挖掘算法，构建起数据模型和需要分析的具体参数，应用数据模型来挖掘和分析数据库里的数据参数，找到与其要求相一致的关联规则、数据回归结构等，同时给出可以应用于评估和分析的模式表达式。

4.3 数据挖掘技术在数据结果解释与表达阶段的应用

在完成一系列数据挖掘工作之后，高校需要根据数据挖掘得到的结果以及应用到的各种模式来进行评估与判断，在检查其有效性的同时也要看是否能够满足学生评教的真实需求。如有必要，则可更改算法或者重新执行数据挖掘的过程[12]。

5   结束语

综上所述，伴随着数据挖掘技术在高校学生评教工作中的具体应用，数据挖掘技术的功能和价值已经得到了充分认可与肯定。对于高校而言，学生评教结果是反映学校整体教育教学质量的一个重要指标，其更是高校持续开展教育教学创新与改革工作的一项重要参考依据。高校必须要进一步加强对数据挖掘技术的研究力度，逐步提高数据挖掘技术在学生评教中的应用率，以保证学生评教结果的精准性、全面性，进而为高校优化课程设置、调整教师教学、制定教学计划提供更充分的参考依据。■

参考文献

[1] 唐潇，张红霞，范子怡，等．数据挖掘技术在高校学评教中的模型应用研究[J]．科学技术创新，2022（19）：64-65.

[2] 刘占波，刘畅，王芳．教师应用数据挖掘技术的评教有效性改革[J]．办公自动化，2021（17）：58-59，11.

[3] 孙曙辉，刘邦奇，李鑫．面向智慧课堂的数据挖掘与学习分析框架及应用[J]．中国电化教育，2018（2）：59-66.

[4] 刘金忆．数据挖掘技术在高校学生成绩分析中的应用[J]．信息记录材料，2021（7）：165-167.

[5] 单红宇．数据挖掘技术在高校教学质量监控与评估系统中的应用研究[J]．办公自动化，2022（8）：41-43.

[6] 何瑾．数据挖掘技术在高校学生就业信息管理系统中的应用研究[J]．黑龙江人力资源和社会保障，2022（13）：79-81.

[7] 苏翠红．大数据应用视角下高职院校多元教学质量评价体系建构——评《数据挖掘在高职教学质量评价体系构建中的研究与应用》[J]．教育理论与实践，2022（14）：2.

[8] 汪涛，李秋華，倪智力，等．基于数据挖掘与情感分析的环境工程研究生评教质量研究[J]．高教学刊，2023（1）：66-69.

[9] 杜可敬．浅谈数据挖掘分类技术在高校教学中的应用[J]．科学大众：智慧教育，2022（4）：93-94.

[10] 肖柳珠．基于数据挖掘的填补技术在高校图书馆服务中的应用研究[J]．电子测试，2021（5）：85-86，19.

[11] 王行建，刘欣．数据挖掘方法在大学通识课建设中的实践研究——以《计算机网络技术与应用》课程为例[J]．教育进展，2023（3）：1255-1262.

[12] 张昌博．数据挖掘技术在软件开发中的应用探究[J]．电脑编程技巧与维护，2022（3）：72-74，116.