学校中考试成绩分析

学校中考试成绩分析（精选8篇）

学校中考试成绩分析 篇1

本次期末考试，我校七年级6个班共有学生309人，参考人数为309人（汉昌学区七年级共有70个班，其中启明20，三阳22，思实10，桂花9，简青6，浊水2，清水2，共有考生3700人）。八年级6个班有学生309人，参考人数为309人（汉昌学区七年级共有67个班，其中启明20，三阳22，思实10，桂花9，简青6，浊水1，清水2，共有考生3527人）本次成绩分析从两个方面进行，一是与学区比较，二是与学校期中考试比较，三是与本校期中考试比较。

一、成绩分析

1.与学区平均比较

评价办法：取期末考试合格率40%、平均分30%、优秀率15%、关爱率15%三项数据汇总来进行比较。

（一）班级与学区平均比较（表1）

表1.

从表1数据可以看出，我校八年级校平数据与区平数据比较除关爱率外其余几项均偏低。班级总评除七年级10班（+1.32）、八年级4班（+5.46），其他班级总评都低于区平，八年级1班（-5.11）、尤其是七年级12班（-10.6）。

（二）单科与学区平均比较（表2.）

综合表2数据可以看出，八年级语文、数学（学区7校中排名第2）、地理（排名第3）三科单科校平超出了区平分别为：3.27、4.78、1.24，其它五科均低于区平：英语-0.45（排名第3）、物理-1.14（排名第4）、生物-9.59（排名第5）、政治-2.81（排名第4）、历史-1.42（排名第4），其中生物校平与区平差非常大。单科班级总评与区平差较大的有：1班的语文；1、2班的数学，1、2、3英语；3、5、6班的物理，1、2、3、4、5、6班的生物；3班的地理；1、3、5、6班的政治；1、5、6班历史。特别是生物科，全年级没有一个班达到区平均。

综合表3数据可以看出，七年级政治、地理（学区7校中排名第3）两科单科校平超出了区平分别为：0.91，1.46，其它五科均低于区平：英语-6.11（排名第4）、生物-5.69（排名第4）、语文-3.91排名第3）、历史-12.23（排名第4）、数学-4.76（排名第4）其中历史校平与区平差非常大。单科班级总评与区平差较大的有：9、10、11、12班的语文；7、8、9、11、12班的数学，7、8、9、11、12班英语；7、9、10、11、12班的生物；11、12班的地理；10班的政治；7、8、9、10、11、12班历史。特别是历史科，全年级没有一个班达到区平均。

2.与本校期中考试成绩比较

评价办法：以《2020年平江县初中学校教育教学质量评价方案》为依据，取中考教学质量考核六项指标中的总平均分30%、全科合格率40%、四科全优15%、关爱率10%四项数据汇总来进行比较。（说明：关爱率数据的确定以此次期末考试汉昌学区后20%为标准线，定我校247名之后均属于关爱生）

表4.

从表4数据分析：八年级期末校平比期中校平高，说明学生的整体成绩在进步。七年级期末校平比期中校平低，说明学生的整体成绩在退步。1、2、3、4、5、6班的班级总评均高于期中，其中6班进步最大。8、10、11班的总评高于期中，其中11班进步最大。

二、后段措施

1.用好分析数据，做到有的放矢，落实改进措施。

重视班级比较，如分析表4的数据发现：八年级班级排名第1是4班，第2是5班，第3是2班，第4是3班，第5是6班，第6是1班。第6与第1差10.57个百分点，差较大，1班班主任应该对班级学生学情进行多方面的分析：如学生学习习惯养成如何、班级学习氛围如何等。

七年级班级排名第1是10班，第2是8班，第3是11班，第4是7班，第5是9班，第6是12班。第6与第1差11.92个百分点，差较大，12班存在问题最大的科目是历史科，12班班主任应该注重学生学科的发展，不能顾此失彼。

重视全科合格率，如分析表4的数据发现：全科合格人数基本上决定了班级的排名，1班、12班全合格人数排在第6，班级总评也排在第6名，此项数据说明1、12班学生存在较为严重的偏科情况，班主任和科任教师要高度重视，对照偏科学生名册进行辅导，为学生全面发展保驾护航。5班、11班总评比期中考试进步了，原因在于班级全科合格率提高了。

2.凝聚团队智慧，加强教学研究，优化教学方式。

如从表2、表3中进行单科班级间比较，发现语文2班差5班13.67，9班差8班13.21；数学1班差4班17.44，12班差10班11.06；政治5班差4班7.3，10班差8班4.9；历史1班差3班11.52，12班差10班15.79；生物6班差4班17.05，9班差8班12.46；地理3班差6班11.19，12班差9班14.01；物理科6班差4班16.29。教研组、备课组要发挥团队精神，指导对应科目教者优化教学方式，提高课堂效率。像八年级数学组，在李松柏老师的带领下，每天的精选的试题，精编复习用的试卷，6个班中除2班没有超区平均，其余均超区平均。

3.重视培优辅困，加强学风建设，实现共同进步。

从学区期末考试数据来看，八年级：四科全优的区平值是1.64%，我校只有0.97%，而我校有309名学生，1.64%应该有5人，我校只有3人，优生比例差距较大。全合格人数学区平均值为39.75%，按这个比例我们应该有123人，但是我们只有116人。学区后20%为学困生，2822名之后为学困生，我校有43名学生，按比例我校学困生应控制在61人内，这一项略高于学区平均。

七年级：四科全优的区平值是9.03%，我校只有6.47%，而我校有309名学生，它的9.03%为28人，我只有20人，优生比例差较大。全合格人数学区平均值为35.27%，按这个比例我们应该有109人，但是我们只有83人。学区后20%为学困生，2822名之后为学困生，我校有63名学生，按比例我校学困生应控制在61人内，才能达到区平均。

目前我校学生现状：优生少，学困生、或有跛腿科的学生多。培优辅困工作必须长期坚持，并作为一项教学工作落实到常规督查中，同时加强班级学风建设，营造你追我赶的健康向上的学风。

4.长抓养成教育，培养良好习惯，形成健全人格。

教育就是培养习惯。推行“小组合作学习”模式，抓好学生的习惯养成教育，对学生的成长，是至关重要的。

5.抓住教学中心，抓好常规教学，加强教学研究，全面提高教学质量。教学是学校的中心工作，教学质量是衡量学校发展水平的一个重要标准。要进一步统一实施素质教育与全面提高教育质量的认识，树立“质量立教”的观念，把“质量”作为学校的生命线，理直气壮抓好教学，紧紧围绕教学这个中心，认真抓好教学的各项措施。必须扎扎实实地把教学常规管理落到实处，优化教学环节，提高教学效果。加强教学过程中的档案资料的建设，收集、整理、归类，做到规范化、科学化管理，具有真实性。

“宝剑锋从磨砺出，梅花香自苦寒来。”在过去的一个学期中，我们取得了一点点成绩，在今后的工作中，全体“芙蓉人”定会再接再厉，再创新的辉煌。

简青芙蓉学校初中部教导处

学校中考试成绩分析 篇2

关键词：Excel应用程序,运用,英语考试成绩,分析

引言

通常在工作中，经常会用到Excel应用程序进行筛选、排序、求平均值及插入图表等。本文主要讲述Excel“分析工具库”加载宏中提供的一组数据分析工具(称为“分析工具库”)，如描述统计工具、排位与百分比、直方图工具、积差相关描述等，在帮助建立复杂统计或具体分析时可节省不少的步骤。以某班级某次英语考试成绩为例，我们利用上述四种工具对该成绩表进行分析，并得出一些合理的结论。

要查看可用的分析工具，请单击“工具”菜单中的“数据分析”命令。如果“工具”菜单中没有“数据分析”命令，则需要安装“分析工具库”。安装“分析工具库”步骤如下：

1. 在“工具”菜单中，单击“加载宏”命令。

2. 选中“分析工具库”复选框。

一、描述统计工具

1. 统计描述

“描述统计”分析工具用于生成源数据区域中数据的单变量统计分析报表，提供有大数据趋中性和离散性的综合信息。

对于一组数据，要想获得它们的一些常用统计量，可以使用Excel提供的统计函数来实现。例如AVERAGE (平均值) 、STDEV (样本标准差) 、VAR (样本方差) 、KURT (峰度系数) 、SKEW (偏度系数) 、MEDIAN (中位数，即在一组数据中居于中间的数) 、MODE (众数，即在一组数据中出现频率最高的数值) 等。最方便快捷的方法是利用Excel提供的描述统计工具，它可以给出一组数据的许多常用统计量。

2. 操作步骤

打开“工具”—单击“数据分析”—选中“描述统计”—按选项中要求操作，最终确定即可。

汇总统计结果可以包含：平均值、标准误差 (标准误) 、中值 (中位数) 、模式 (众数) 、标准差、样本方差、峰值 (样本峰度) 、偏斜度 (样本偏度) 、区域、最小值、最大值、总和、计数、第K个最大值、第K个最小值、置信度。

3. 操作结果（如图所示）

4. 结果分析

“总分”项的平均分为72.7642857，标准误为0.77236974，中值为73.5，模式为70，标准偏差为6.46210886(注意：此处是估算的标准差，而非计算的标准差。计算的标准差应为：6.415784903)，样本方差为41.7588509，峰值 (峰度) 为-0.1489733，偏斜度(偏度)为-0.2945057，全距(区域)为29，最低分为57，最高分为86，分数总和为5093.5，有效数据为70个。从峰值-0.1489733和偏斜度-0.2945057都非常接近于0这一点，可以判断这些数据来自一正态分布总体(或可以说：该总体呈正态分布 (1) )。

二、排位与百分比排位

此分析工具可以产生一个数据列表，在其中罗列给定数据集中各个数值的大小次序排位和相应的百分比排位，用来分析数据集中各数值间的相互位置关系。分析该次测验中每位学生在班级中的成绩排名和相应的百分比排位，得到操作结果如下(本处篇幅有限，只选前面8名的数据)：

三、直方图

1. 直方图的意义

直方图中小矩形的面积就等于数据落在该小区间的频率f/n。由于当n很大时，频率接近于概率，因而一般来说，每个小区间上的小矩形面积接近于概率密度曲线之下该小区间之上的曲边梯形的面积。所以，通常直方图的外轮廓曲线接近于总体x的概率密度曲线。这样直方图就直观地给出了数据的统计特性和分布情况。

2. 操作步骤

打开“工具”—单击“数据分析”—选中“直方图”—按选项中要求操作，确定即可。

3. 操作结果（如图所示）

4. 结果分析

从峰值和偏斜度都非常接近0这一点可以判断该总体呈正态分布。但是仔细分析表中最高频率(图中红色部分)出现在平均值(图中黄色部分)的右侧，由此可见数据呈负偏态分布，说明试题难度偏低，难度较低的项目比例偏大。呈这种分布的试题有利于将成绩较差的学生和中等程度的学生区别开，但不利于将中等程度的学生和成绩优秀的学生区别开。

四、积差相关描述

1.积差相关描述

该工具能够帮我们得到一些相关系数，从而分析数据之间的相关系数。比较各个相关系数，可以帮助我们从中找到一些规律，来指导我们的教学和科研。

2.操作步骤

打开“工具”—单击“数据分析”—选中“相关系数”—按选项中要求操作，确定即可。

3.操作结果

4.结果分析

从上表中可以看出，“听力”与“总分”的相关系数达到了0.784017，“词形变换”与“总分”的相关系数达到了0.5940568，我们就可根据这个发现各题型之间各占总分的比例。

结语

气象远程培训考试成绩统计分析 篇3

摘 要：随着信息化时代的到来，以基层台站气象职工为主要培训对象的气象远程教育培训得到蓬勃发展。目前，气象远程教育培训效果是人们关注的焦点。在统计“天气预报技术与方法”学习评价成绩的基础上，分析了气象远程教育培训中影响学员学习成绩的主要因素，指出了当前气象远程培训学员学习评价中存在的问题，并提出改进气象远程培训学习评价的几点建议。

关键词：远程教育；学习评价；试题库

中图分类号：G726 文献标识码：A

一、引言

气象远程教育培训经过多年的发展，逐步构建了具有部门特色的，以国家级主站、省级二级站、地县级远程学习点组成的三级气象远程教育培训体系。目前，培训效果是关注的焦点，而考试是学员学习成绩的评定，是学员学习收获的一个很重要的指标，是学员是否掌握好所学知识的重要标志。通过对学员考试成绩的分析，既可以及时检验和测评培训的效果、培训的组织管理情况、学员的学习情况，还可以评价和判断试题库的组建情况。因此，为保证气象远程培训的质量和效果，必须对气象远程教育培训考试成绩进行统计分析，真正发挥考试在教学中的作用，更好地给学员及教师提供远程培训的教学支持服务。

本文通过对“天气预报技术与方法”远程培训考试成绩的统计，分析气象远程教育培训中影响学员学习成绩的主要因素，指出当前气象远程培训学员学习评价中存在的问题，并探讨改进气象远程培训学习评价的方法思路。

二、研究对象及方法

中国气象局气象干部培训学院组织了三期“天气预报技术与方法”远程培训。培训对象为各地市级、县级气象局预报员及相关业务和管理人员。由于培训内容体量较大，培训分为三期进行。在培训前和培训后共组织了六次网上统一在线考试，六次考试均由在线考试系统从试题库随机抽取题目自由组卷，考试试题以是非判断题和单项选择题为主，试卷满分100分。

三、统计结果分析

（一）总体概况

全国报名参加三期“天气预报技术与方法”远程培训的学员有10887人，参加培训前考试的有4564人，参加培训后考试的有6199人，见表1。

参加培训的学员中有8.9%的学员为硕士及以上学历，69.1%的学员为本科学历，15.9%的学员为专科学历，6.1%的学员为中专及以下学历，见图1。可见，参加“天气预报技术与方法”远程培训的学员以本科及以上学历为主。

在培训前的考试中，学员的平均成绩为58.5分、考试合格率为49%；在培训后的考试中，学员的平均成绩为70.3分、考试合格率为77%，见图2。学员的平均成绩提高了20.2%、合格率提升了28%。经过培训，学员平均成绩及合格率均有很大程度的提高，培训取得了良好的效果。

在三期的天气预报技术与方法远程培训中，由于第1期的培训内容为全国各地天气预报业务都涉及的基础理论知识部分，而第2期和第3期内容为各类灾害性天气预报分析。由于天气预报业务的区域性强，各地预报业务的重点不同，因此总体来看，第1期远程培训考试成绩的可信度最高，所以选择第1期培训考试成绩为本文分析对象。

第1期培训前考试2487人参加，平均成绩为58.2分，其中60分以上学员1221人，合格率49%；培训后考试2848人参加，平均成绩为75.3分，其中60分以上学员2419人，合格率85%，合格率提升了36%；85分以上学员938人，优秀率为33%。整体而言，经过培训学员成绩有明显提高。

（二）不同学历的学员成绩对比分析

由于学员人数较多，学历差异较大，因此在成绩统计分析过程中，考虑了学历对考试成绩的影响，根据学员不同的学历情况进行了平均成绩的统计，如表2。

从表2中可以看出，学历与考试成绩呈正比，硕士及以上学历的学员成绩明显高于本科学历学员，本科学历学员的考试成绩高于专科学员，专科学员的考试成绩又高于中专及以下学员。随着学历的降低，学员的平均成绩也逐步降低。

（三）不同年龄段的学员成绩对比分析

在成绩的统计分析过程中，还考虑了年龄对考试成绩的影响。将参加第1期培训考试学员的成绩按不同年龄段进行对比分析，结果如表3。

从表3中可以看出，不同年龄段学员的考试成绩随年龄的增大呈逐渐下降的趋势。其中，30岁以下学员平均成绩为76.8分；31～40岁之间的学员平均成绩为74.2分；41～50岁之间的学员平均成绩为74.1分；51～60岁之间的学员平均成绩为73.7分。

以上分析表明，考试采用的是在线答题的方式，年龄较大的学员答题比年轻人速度慢，可能是造成其成绩偏低的原因之一；但也表明，年轻学员思维活跃、识记能力及学习能力均较强，所以考试成绩偏高，相对而言，年龄偏大的学员考试成绩则相对偏低。

（四）学习时长对学员成绩的影响分析

对参加第1期培训后考试的学员的学习时长进行了统计，学时未达到及达到教学计划学时要求的学员考试成绩明显不同。未达到的学员平均考试成绩70.2分，达到的学员平均考试成绩78.7分，见表4。从表4可以看出，未达到的学员平均成绩明显低于整体平均成绩，而达到的学员平均成绩又明显高于整体平均成绩。因此，在培训过程中，要求学员要按照教学计划的要求学习培训课程。

由于学习是一个内因起主导作用的活动过程，学习效率影响学习收获，离开学员的积极性、主动性，教学就不会取得良好的效果。因此，在制定远程培训教学计划时，应根据培训课程的总课时数适当安排培训周期，全面做好学习支持服务，实现培训目标。

（五）培训前、后平均成绩提高幅度的对比分析

由于组织了培训前、后两次考试，因此有必要对培训前、后考试成绩进行对比分析，所以对第1期不同年龄段、不同专业背景（分为科班、非科班两大类）、不同学历层次学员的培训前、后平均考试成绩的提高幅度进行了比较，结果见表5、表6、表7。

从表5、表6及表7中可以看出，不同年龄段、不同专业背景、不同学历层次学员的培训前、后考试成绩提高幅度有明显不同。51～60岁学员的成绩提高幅度最大，40岁以下学员的成绩提高幅度偏小；非科班学员的成绩提高幅度较大，科班学员的成绩提高幅度较小；中专及以下学员的成绩提高幅度最大，硕士及以上学员的成绩提高幅度最小。这是由于年龄偏大的学员，往往学历较低、基础较差，所以经过培训后，培训前、后考试成绩的提高幅度偏大；科班毕业的学员，学前已基本掌握了基础知识部分，所以经过培训后考试成绩提高幅度偏小。由于近些年气象部门新进员工多为学历偏高人员，这些年轻而学历又高的学员由于基础理论知识的储备多、能力强，所以虽然考试成绩偏高，但培训前、后成绩的提高幅度偏低。

四、讨论与建议

（一）气象远程教育培训学习考核评价存在的问题

1.在考试方式上过分重视终结性考试评价，忽视形成性评价

目前气象远程培训的考核评价采取的是培训终结性评价。这种评价方式用单一的考试手段代替了多元化的评价，单纯以考试成绩评定学员的学习，忽视形成性评价。其实，无论是形成性评价还是终结性评价，其作用都是对学生学习的评价，其比例应该由具体的课程性质决定，而不是单一地采用终结性评价的形式。这种与传统教育相似的学习评价方式突出了“考”的功能，一些教学思想和教学方法的改进，以及教学策略的运用在这种考试中很少体现出来，以考为主，因而从考试结果中不仅分析不了教与学过程，更不能对培训质量做出客观评价。一般而言，在师生分离的情况下，学员在学习中对形成性评价的需要比终结性评价更为迫切，因为在网络学习中，形成性评价对学员学习过程及效果的影响比终结性评价更大。

2.在考试内容上过分强调了学员对知识的识记能力，忽视了学员综合运用知识解决实际问题的能力

气象远程培训的考试多数以记忆性知识为主，出题方式多数为是非判断题和单项选择题。这类内容多是记忆性的，这样就使得学员自主学习能力与解决问题的能力在考试中体现不出来，影响学员学习的主动性和积极性。

3.在线考试所用试题库在标准化、科学化建设方面存在不足

考试所用试题库还不是很完善，虽然试题数量尚可，但试题均没有合适的区分度、难度等指标。试题库制度是学员评价的科学化、客观化、标准化的需要。试题库绝不是试题的组合，题库建设必须立足于科学的方法、手段，有一个逐渐积累、形成和评价的过程。一般地说，题库中试题必须应经过难度和区分度检验的科学筛选。试题库建设基本都是教师试题的简单汇集，这样的题库用在教考分离上会缺乏实际意义。

（二）气象远程教育学习评价方法改进的几点建议

1.构建多元化的评价指标体系

在气象远程培训的教学过程中，学习效果的评价方式不是单一的，是多元化的。评价形式应采取多样灵活的方式，应该是终结性评价与形成性评价相结合的方式。形成性评价是远程培训课程考核中一个不可或缺的环节，考核形式设计和形成性评价比重的安排既影响到学习过程管理的职能发挥，又影响到学员学习的积极性，应该利用现代网络和通信技术，发挥三级气象远程培训体系的功能，设计出使教与学互动、形成性与终结性评价贯通的考核模式。

不仅考核学员培训后的学习成绩，还要考核学员学习过程的收获。这就要加强学习过程的管理，将计划、组织、控制职能用于学习过程之中，发现问题并及时纠正、补充。使学习过程的目标与掌握相关知识趋近，使学习过程成为考核的一部分，以期推动学员在学习中进行评价，在评价中进行学习。

2.评价内容进一步注重“质”的评价

制定比较适合气象基层职工考试内容的参考原则和标准。对学员学习评价的内容应该包括学员掌握专业理论知识和实践知识的程度及已达到的认知水平等。考试评价过程中要注意全面考核学员对基本知识、基本技能、基本理论的掌握程度及应用能力。尤其是形成性评价的内容应更具有实用性，这样对学员知识构建更具有建设性，有助于激发学员的学习意愿和潜能。

3.进一步完善在线考试题库

在远程培训的学习评价中，为了提高考核结果的有效性和可靠性，试题库建设时注重内容组合、学习导向，力争达到重点突出、客观全面、难易适度。编制试题时把握好试题的难度和区分度非常重要。因为理想的试题难度不一定有理想的区分度，而难度相近的试题，其区分度也会有很大差异，只有二者指标适宜，才能把每一位学员的真正知识水平表现出来。

试题库建设是一个循环渐进的过程，培训过程中应根据新的教材和教学内容，及时健全和更新试题库，并对考题难易程度进行重新分类，进一步确定试题的区分度。要注意尽量使其内容在范围、形式、难易程度上与终结性评价所要求应掌握的内容趋近，以增强试题库内容的实用性。在编制试卷时按试题难度、区分度筛选试题，分配试题类型、比例及题量，使试题的覆盖面广，既全面又突出重点，使考试真正成为测量学员学习情况与评价教学效果的有效工具。

参考文献

[1]李红波，胡建兵.网络学习评价模式[J].电化教育研究，2004，（5）.

学校中考试成绩分析 篇4

班主任：于小龙

分析考试成绩可能是每一个班主任都有的职业习惯，我也不例外，下午期中考试成绩公布后，就想着要去简单总结一下。从总体成绩来看，班级平均分536分，全校总分前50名占42人，余下8人也在全校前90名以内，比起上学期期末考试又有不小的上升，但是依然离我的目标还有一段距离。从各科目成绩来看，数学、英语，地理，政治优势明显；特别是数学成绩在长久努力下整体有很大进步，下一步要继续加大对数学的训练考试力度，争取更大提升；语文、历史、保持稳定，但需要突破。与上学期期末考试成绩相比，部分学生排名有大的变化，进步的同学占多数，但也有的退步明显，班级最高分与最低分相差较大超过100分。高分段和进步幅度大的同学基本学习上都比较踏实努力，成绩退步和考试不理想的同学多数有些眼高手低或自律意识不强，这也可以看出班级有良好的学习氛围，有潜力的同学较多，谁努力谁踏实谁进步，谁放松谁骄傲谁落后。

班级目前有一部分同学对学习时间的管理和分配不够合理，致使浪费了许多不该浪费的时间，学习效率不高，成绩自然不佳。后两个月的学习要继续抓好常规管理，抓紧学风和纪律。一个班级必须有良好的学风和严格的纪律，才可能取得好的成绩。同时对班级学生适当分层次要求和管理，关于中等生。根据成绩分析，和各科老师进行沟通，重点抓好中等的科目拔高工作，争取下一步使中等生的成绩得到大幅度提高。对于暂时成绩落后的同学，从原因上分清是能力，方法还是态度问题，有的放矢，各个击破，重点指导学生找到学习方法和补差。每个学生都有各自的弱势学科，这个弱势学科可能就是导致整体成绩上不来的原因，针对这种情况，和各科老师一块帮助分析他们的弱势学科，并及时地指导帮助他们采取补救提升措施。至于尖子生。重点在于做好思想工作，要让他们优化自己的学习方法和学习习惯，不满足于当前的成绩，不骄不躁，稳定心态，同时加强尖子生之间的竞争性，让彼此在良性竞争中提高自身学习的积极性。

学生考试成绩分析 篇5

二、试题分析

1、各题得失分分析

填空题中的（8）数学广角的钟表敲响问题，大部分学生不能正确理解响声之间的时间间隔，而导致错误的结果；（15）中数学广角中的锯木头问题，很多学生在段数与次数之间理解不清晰，而导致出现错误。其他的题都考的是基本的基础知识，大部分学生得分都比较好。

选择题中（3）,0.1-1之间有几个一位小数，此题比较简单，但是平时练习中做的事0-1之间有几个一位小数，部分同学粗心大意，根本就没看清题，就直接选出结果。

计算题中，主要考察小数加减法与小数单名数与复名数之间的换算，在小数单名数与复名数之间的换算中，有些同学还是失分严重。

简便运算中，这些题都是平时经常练习的题型，没有一道难得，但是在学生的卷面中反应出学生掌握不是很好，特别是99*37+37错误率特别的高。

解决问题中，第一题的数学广角中，此题平时较多，不算什么难题，但是容易出错，因为在间隔数与种树数之间、全长、间距与间隔数之间，都是围绕间隔数展开的，部分学生思维过程转换不过来，出错也较多。

三、存在问题

二年级：

1、学生的基本知识掌握不够透彻，导致一些填空题和计算题失分较多。

2、填空题第4、5、6题，题型比较灵活但难度不大，错误率比较高。三年级：

1、学生失分最多的是二十四时记时法。

2、对于基础知识掌握的并不牢固，基础题失分比较严重。

3、学生解决实际问题能力不够强，学生个体间存在一定差异。

四年级：

1、填空题第3、5、9题比较灵活，大部分同学填写错误，失分率较高。

2、作图题，部分学生作图不规范，作图习惯有待加强。

3、学生灵活解题能力不强，对于判断题中的隐性信息以及解决问题中出现的条件不能很好把握，造成很大的失分。五年级：

1、学生对于小数数位意义理解不够透彻，填空题失分较多。

2、对特殊图形的周长和面积计算掌握不到位。

六年级：

我校参加这次六年级数学考试的共76名同学，通过对学生的平均分、及格率和优秀率进行横纵比较及对各大题的得失分情况的统计，从试卷中反映出以下五个问题：

1.学生分析问题的不细心。失分分布不等,由于学生的分析问题不认真，一些看似简单的题目被无辜失分。一些学生轻视题目，认为简单，结果出现了计算错

误、数字写错等现象。我想在教学中要在这个方面有所侧重，才能使我们的学生高分高能。

2.对概念的理解不深。个别同学在回答填空题和判断题时对概念理解不深, 3.计算能力有待夯实。计算的得分率虽然相对最高，但有些问题是不应该出现的。这里不光有粗心的习惯问题，连口算都出现了不少的错误。

教和学存在问题

1．基础知识不够扎实，对数学的基本概念缺乏深刻的理解，会导致基础题失分。

2．学生不善审题，分析问题、解决问题的能力较欠缺 3．运算能力不过硬、缺乏技巧。

4．思维层次不高，数学思想方法的运用还不够灵活。2）平时教学抓得不实。

平时工作不踏实，要求不严格，作业没有及时完成，没有及时订正，学生在学习上的问题没有得到及时解决和补救，对后续学习影响越来越大，丧失学习的兴趣和信心。

（3）学习习惯的培养。

三、整改措施

4、平时练习时要有针对性，不要让学生泛泛做题，力争做到优生吃好，一般学生吃饱，学困生吃了，既不浪费时间，又收到良好效果。

语文考试成绩分析 篇6

一、试题分析

这次考试的重点体现课外知识，拓展相关知识的迁移能力。从总体上来看难易适中。

整个试卷共四大题22小题，共150分，考试时间为150分钟。第一大题为现代文阅读题，重点考查学生对文中重要概念、重要语句的理解，考查筛选并整合文中信息以及根据文章内容分析判断的能力。

第二大题为文学类文本阅读题，对文章信息的筛选、分析综合能力，对重要语句的分析能力。

第三大题为实用类文本阅读题，主要考查对文学作品的阅读鉴赏能力，旨在引领并提升学生的分析综合、鉴赏评价和探究能力。

第四大题为古代时文阅读题，重点考查对知识的识记、理解能力，以及教材相关内容。

第五大题为语言文字运用题，主要考察学生的语言运用能力。第六大题为写作题。考查学生语文综合写作能力。审题立意明确，旨在引导考生学会认真阅读作文命题材料，领会命题的意图，熟练掌握常用的方法。

二、学情分析

高二年级7班学生语文成绩100分以上的21人，90——100分的29人，70——90分的16人，分数极低的5人。

学生主要把精力放在重点篇目，而这次考试的侧重点较偏。另外，他们的学习方式还有待转变，还停留在初中阶段死记硬背的层面上。而高中更注重跟上老师讲课的思路，更多的需要去理解，去进行信息筛选，知识整合，提高学以致用的能力。

1、现代文大阅读得分率整体不高，答题技巧有待提高。

2、学生在本次作文中出现的比较突出的问题表现在以下几个方面：

审题不清。明明要求写议论文，部分学生写成了记叙文。立意不高，事实不足。学生的写作功底普遍不高，列举事例不充分。或不能说明论据。

语言表述不够简洁、准确、规范。语言表达过于口语化；部分作文错别字严重、写作态度消极甚至恶劣、套作拼凑等现象的存在。

总之，通过本次考试，学生体现出来的问题有：

1、对语文的重视不够。

2、读书太少，主要表现在作文方面没有素材。

3、不会答题，掌握的技巧不够灵活。

三、落实情况

1、对语文的重视不够。老师就要提高讲课的趣味性，吸引学生。对学生也要多鼓励，尽量让学生感受到语文学科不是没什么可学的。并不像他们想象的那么简单，从而重视语文。、读书太少，主要表现在作文方面没有素材。所以老师利用课前5分钟进行优秀文章推荐，好书大家读，帮助学生积累素材。

3、不会答题，学习方式不对。老师就要多练习，在练习中更多的是进行方法的指导，让学生知道如何去答题，怎样形成语言。

4、基础薄弱。对待基础薄弱的问题，就要利用早自习的时间进行基础的夯实。例如多背课文，多默写，多看名句，诗词等等。

学校中考试成绩分析 篇7

1 数据挖掘技术概述

数据挖掘技术简单来说就是从大量的、不完全的、有噪声并且模糊的数据当中提取隐含在当中的未知的知识的一个过程。如何对这些不完整的数据进行分析, 积极进行数据统计, 并且提取当中所包含的有用的模式, 在当前是关键所在, 也是数据挖掘的首要任务。

在数据挖掘的分类上, 根据数据挖掘的任务可以分为几种不同的类型, 主要包含:分类或者预测模型数据挖掘、数据总结、数据聚类分析、关联规则分析、序列模式发现和异常趋势发现等多种类型。如果从数据的挖掘对象上来进行分析, 有以下几种数据源:关系数据库、面向对象数据库、空间数据库、时态数据库和文本数据库等[1]。

在进行数据挖掘的过程中主要包含了数据的清理、数据收集、数据选择、数据变换和模式评估等几个过程, 这些过程并不是一次就能完全完成的, 当中有一些步骤需要进行重复性的分析和反复的操作才能完成。当前阶段常见的数据挖掘主要有关联规则分析、分类分析和预测分析等几种类型。

2 数据挖掘技术在计算机等级考试成绩分析中的应用

计算机等级考试中每次都会产生大量考试数据, 长时间以来会导致数据存储在教务系统中, 却不能及时的得到利用。怎样更好利用这些数据, 为以后的教学提供可靠的服务是数据挖掘技术应用的主要目的。在进行数据挖掘之前需要对数据进行进一步清理, 例如对于一些缺考的学生, 还有一些因为漏答等问题所造成的记录不完整现象等都需要及时进行清理。

2.1 应用关联规则分析教师教龄、职称、评教情况在计算机等级考试中的影响

所谓关联分析患者要指的是在进行正式的实施教学活动之前使用的频繁的有效的方式。主要应用在数据库中数值之间的关联性, 从中找到一些相关的潜在的有用性的信息, 并实际的应用到教学指导当中去[2]。当前来说比较平常的关联分析方式中主要有关联规则和序列模式两种例如:大量的超市购物数据当中如果发现了比较有趣的关联关系, 那么则能帮助商家进行营销策略的改革, 促使销售效率得到提升。对高职的计算机教学来说很多时候会将学生的计算机等级考试作为计算机学习的评价主要依据。通过使用关联规则来对学生的考试成绩进行分析, 能在最大限度上发现学生通过率低的主要因素, 并及时的做出调整, 从而为日后的教学提供可靠的保障。

在本次研究中以吉林省经济管理干部学院的计算机等级考试成绩分析为主要案例。随机将本校教师的信息和学生的等级老师成绩信息进行连接, 构成教师教学综合信息表格。然后对教师的年龄、职称和学生的成绩分别录入到数据库当中, 对其他的一些信息忽略, 以便于日后进行分析。及格的成绩对应的是1, 不及格对应的是0。年龄分为四个阶段, 分别为A1[22—30]、A2[31—35]、A3[36—49.]、A4[50—60]、代替。职称用B1初级、B2中级、B3副高、B4正高来进行代替。C1[0, 1]则代表的是等级考试的成绩, 详细预处理后的综合信息图如图1所示:

使用关联规则算法, 事先预设最小支持度和最小可信度, 能够得到初步的关联规则, 然后公共关联规则就能够得到最终的教师结构与考级通过率之间的关联关系。当了解到了教师的结构对于考试等级通过率的影响以后, 能够及时的进行教师的结构调整, 从而促使整个教学结构趋于科学化, 为教学的未来发展提供可靠的保障。

2.2 使用分类算法分析影响计算机等级考试成绩的因素

分类就是对事物或者对象根据规则进行划分和归类。在这个过程中可以选择分类模型进行已有的数据进行分析, 同时还可以使用分类模型进行预测分析。分类和预测作为两种主要的预测问题, 分类算法主要通过对已知的分类信息进行计算从而得到预测模型[3]。在具体的实施中可以采取以下几种实施步骤:首先, 进行数据的采集。对学生计算机等级考试中出现的一些问题进行分析, 当中主要包含学生的个人信息, 例如姓名、学号和班级等基本信息。然后对学生进行基本的信息调查, 例如学生的兴趣爱好和对计算机的掌握能力等[4]。这些信息主要通过调查的方式来进行收集, 然后由学生进行填写。为了能更好的解决在数据上的统计问题, 可以通过网络在线调查的方式来实现信息调查。而在成绩方面, 成绩数据中主要包含了学生学号和平时的考试成绩等内容, 这部分的数据内容主要需要教师根据学生的实际情况和成绩进行填写。

第二部是对数据进行预处理。首先要将数据收集到的内容进行数据库分类, 利用数据库技术生成相应的学生分析基本数据库。然后进行数据的清理工作。数据清理主要是为了进行一些遗漏的数据补充[5]。在学生成绩的分析基本数据库当中, 难免会出现一些缺少的内容, 对于这部分缺少的内容, 需要及时的进行补充。接下来要进行数据的转换。数据转换主要是对数据进行离散化的操作。将上述的成绩属性的所有值划分为两个不同的部分, 成绩在60分之下的属于较差的范围分类当中, 成绩在60分以上的则为通过[6]。此外就是数据削减工作。这部分的主要目的就在于缩小所挖掘信息数据的规模, 但这并不会影响到最终的挖掘结果。由于学生的信息表当中的属性字段很多, 为了对学生进行基本的学习情况分析, 需要将学生的班级和籍贯等信息进行删除, 从而形成一个成绩上的综合分析数据表。

2.3 分析学生的家庭情况和学习成绩的关系

对学生成绩所造成影响的因素有很多, 可以从对计算机成绩考试数据库当中进行分析, 从而进一步的了解到数据分析活动与学生等级考试之间存在的关系。首先, 可以根据聚类分析的方式来对学生进行分类, 然后根据分类情况进行进一步的关联性预测分析。这种分析方式有利于学生的等级考试成绩提升, 对学生的整体风貌提升也具有积极意义。

3 结语

在计算机等级考试成绩中数据挖掘技术的应用将对学生的学习和教师的工作起到一定的意义, 因此在当前需要加以重视。通过分析可以找到影响学生学习的一些因素, 从而帮助学生提升考试的通过率, 对于教学的整体改进也将产生重要的作用和影响。

参考文献

[1]刘妍.数据挖掘技术及其在医学信息领域的应用[J].科技传播, 2016, 5 (19) :45-51.

[2]曾丽, 岳佳欣.试论数据挖掘技术在客户关系管理中的应用[J].科技创新与应用, 2016, 12 (30) :60-64.

[3]刘西清.数据挖掘技术应用于经济统计中的研究[J].人力资源管理, 2016, 10 (10) :12-16.

[4]作者不祥.“数据挖掘技术交流研讨会”顺利召开[J].信息网络安全, 2016, 8 (9) :56-58.

[5]孙晓迎.数据挖掘技术在软件工程中的应用[J].数字技术与应, 2016, 20 (10) :33-35.

学校中考试成绩分析 篇8

关键词：核Fisher判别分析；高职教育；考试成绩预测

中图分类号： TP391 文献标志码：A 文章编号：1673-8454（2016）16-0076-04

一、引言

随着国家“十三五”规划的顺利进行，加快发展职业教育已经越来越成为国家、社会和教育界的共识，高职院校不可避免的成为了培养实用技能型人才的主要基地。随着高职招生人数的不断扩大，以及社会还没有摆脱对职业教育的传统观念，高职院校的生源质量每况愈下。一部分学生的基础知识较差，学习新知识的意愿不强，无论在课堂上与老师的互动，还是课下的平时作业完成情况，都不尽如人意，使得教师很难在真正考试之前评估教学效果，从而造成教学质量下降。因此，如何提高高职学生的学习成绩，成为社会和学校都关注的问题。在教学过程中、期末考试之前，有针对性的建立模型预测考试成绩，提前评估教学效果，可以起到预警的作用。对那些有可能不及格的学生及时纠正其不良学习行为，并进行单独辅导，则有助于提高学生成绩，减少不合格现象，进而提高学生培养质量，优化课程设计，促进教师教学进步。

正是意识到学生成绩预测对提高教学质量、促进教学改革的重要性，国内一些学者在几年前就已经开始对该领域展开研究。大部分学者将成绩预测视为分类问题，于是多采用数据挖掘或机器学习领域的算法，如决策树、人工神经网络、支持向量机等来建立模型。其中，决策树方法因为理论发展成熟、易于理解等优点，被广泛用于大学生英语成绩预测[1]、大学生计算机等级考试成绩预测[2]、一般性课程的成绩预测[3， 4]等；而人工神经网络和支持向量机也因为扎实的理论基础和广泛应用，被用于大学生课程成绩预测[5，6]，并取得良好的效果。

核Fisher判别分析作为基于核函数的机器学习算法的典型代表[7]，其分类效果在其他模式识别和预测领域得到了很好的验证[8，9]。学者们前期的研究成果表明，决策树、神经网络和支持向量机方法在学生考试成绩预测方面均取得了不俗的成绩。但是到目前为止，我们尚未发现有学者应用完整的核Fisher判别分析进行大学生成绩预测的系统报道（虽然有学者利用线性Fisher判别分析对SVM模型中的数据因素进行加权[6]）。因此，本文提出利用核Fisher判别分析作为工具，尝试寻找学生学习属性与成绩之间隐含的非线性复杂关系，从而建立高职在校学生期末考试成绩预测模型。实验分析中以深圳信息职业技术学院物流管理专业2015级3个班级的学生作为研究对象，采用学生性别、生源地、考勤表现和平时作业成绩等作为模型的输入变量，来预测学生的期末考试成绩。实验结果证明，核Fisher判别分析的泛化能力强，其预测精度与支持向量机十分接近，并且优于C4.5决策树方法。

二、核Fisher判别分析

核Fisher判别分析[7]是基于核函数的机器学习算法中的一种，其结合了线性Fisher判别分析与核函数的思想，能够有效地解决现实中的分类问题[8， 9] 。

1.线性Fisher判别分析原理[10]

线性Fisher判别分析是一种有监督学习的分类方法。给定一组d维空间的样本数据x∈R（i∈1，2，.....n），n为样本数据集的大小，他们分别属于不同的两类，则样本类别标识记为yi∈{1，2}。属于类1的n1个样本记为X1={x11，x12，......x1}，属于类2的n2个样本记为X2={x21，x22，......x2}。算法“学习”或者“训练”的过程，就是要找到样本数据与其类别隐含的内在关系模式x→y。线性Fisher判别分析构造学习模型的核心目标是寻找一个d维向量w∈R，当样本数据向该方向投影时，最大化类间散度和类内散度的比值，使得样本数据在这个方向上尽可能的分开，达到清楚辨识的目的。定义某一类样本（i=1，2）数据类内均值为：

2.核Fisher判别分析原理

线性Fisher判别分析是一种线性分类器，当样本数据与类别呈现线性关系时其分类效果会很好。但是实际问题中，样本数据与其类别的关系往往呈现出复杂的非线性，则线性Fisher判别分析的分类效果就会差强人意，而且也无法解决模式识别中常见的维数灾难问题。在支持向量机中成功应用的核函数的出现解决了这个问题[11， 12]。核函数首先将数据从低维的输入向量空间R映射到高维（甚至是无限维）的特征空间，即φ：R→。通过某些核φ（·），映射可表示为xi→φ（xi）=（a1φ1（xi），……，amφm（xi），……）。在这个高维的特征空间中应用线性Fisher判别分析，在特征空间得到的线性分类器通过核映射回原始的输入数据空间R时，就得到了非线性分类器。

基于线性Fisher判别分析的原理，核Fisher判别分析在特征空间要寻找w∈，使得下式F（w）最大化：

三、实验及分析

为了评估本文提出的基于核Fisher判别分析的预测模型的实际效果，我们将深圳信息职业技术学院物流管理专业2015级3个班级共151名学生作为研究对象，收集第一学年某门专业基础课的期末考试成绩及相关因素作为模型的输出和输入变量。预测模型的输入变量（样本属性）应该与考试成绩密切相关，我们选择输入向量时主要根据日常教学经验反馈的以下几点事实：①大学生个体的期末成绩往往与其旷课、迟到次数（出勤反映学习态度）负相关，与平时作业成绩（平时作业代表学习态度和对知识的理解程度）正相关；②本专业学生的自有特点是女同学平均成绩比男同学略胜一筹；③深圳市外生源较市内生源入学平均成绩高。因此，我们选择学生的性别、生源地、出勤表现和平时作业成绩作为样本的属性变量，具体总结如表1所示。

此外，将所有学生分为两类，期末考试成绩大于等于60分记为“合格”，否则记为“不合格”。数据集中的部分样本示例如表2所示。

我们在MATLAB环境中编写核Fisher判别分析的实现代码，并装载收集到的原始数据集进行实验研究。为了比较核Fisher判别分析对高职学生成绩的预测效果，我们还测试了支持向量机SVM算法和C4.5决策树方法，这两种方法同样在MATLAB环境中实现。在核Fisher判别分析和SVM建模时，为了防止样本中某个维度的数值过大而在核函数计算中淹没其他维度数据的作用，我们先对原始数据进行预处理，即将原始数据标准化在[-1，+1]的范围内。在使用C4.5决策树建模时，因为其能够同时处理连续值和离散值的属性，训练和测试过程不受数据大小的影响，所以C4.5方法实现中仍旧保持原始数据，不进行额外处理。

由于实验用的原始数据集较小，如果简单地分为训练和测试两个数据集合，评估效果容易出现偏差。为了能够全面反映各种算法预测的精度，我们对整个样本数据进行多次划分，每次从全体数据集中选择10%的数据作为测试数据，其余数据用于训练模型和确定最优参数。此外，核Fisher判别分析和SVM均采用RBF径向基核K（xi，xj）=exp（-γ||xi-xj||2）作为核函数，其中γ是核参数。由于训练得到的模型的泛化能力高度依赖于核函数参数、正则化参数或惩罚系数的选择，因此选择最优的参数很有必要。在实验中，核Fisher判别分析的正则化参数设为δ=10-3，核Fisher判别分析和SVM中用到的核参数γ和惩罚系数由10-交叉验证网格搜索法来确定[13]。在最优参数设置下对测试样本数据进行预测，每次测试的准确率定义如下：

准确率=×100%（14）

实验的结果是进行十次测试的平均值，如表3所示。

从实验结果可以看出，基于核函数方法的核Fisher判别分析和SVM预测精度相近（其中核Fisher判别分析预测准确度的平均值略微高于SVM），这一点与两者在标准数据集上的测试结果一致[7]，但是两者的预测精度都明显高于C4.5决策树算法。C4.5决策树方法训练模型时，主要采用信息增益率作为选择根结点和各内部结点中分支属性的评价标准，训练速度快，得到的模型直观性强，规则易于被使用者理解。但是决策树方法在训练集上的预测效果往往优于测试集，即容易出现过拟合的现象。核Fisher判别分析和SVM利用的核函数将数据从低维的输入空间映射到高维的特征空间，在特征空间都基于各自的分类原理构建线性分类器使得两类数据集尽可能的分开，得到的线性分类器经过核函数映射回输入空间后，即成为非线性分类器。因此，核Fisher判别分析和SVM得到的预测模型泛化性能良好，能够挖掘出输入样本属性与其类别之间隐含的非线性复杂关系。另外，本文用到的原始实验数据采集自学生的实际情况，其中包含着一部分不完全、有噪声的数据，比如有些学生学习能力强、成绩突出，但是有个别作业没有提交或是迟到的情况，却依然会通过考试。噪声数据会使得决策树方法产生的过拟合现象更加严重，减小了泛化能力，从而影响测试效果。与之对应的是，核Fisher判别分析和SVM分类的基本原理保证了尽可能将噪声数据的影响降到最低，所以会取得较好的预测效果。

四、结束语

在我国的长期规划中，高等职业教育受到越来越多的重视。基于目前高职教学和生源的自有特点，建立准确的学生考试成绩预测模型，能够帮助教师提前评估教学成果，改进教学方法，对提高教学质量具有非常重要的意义。本文在MATLAB环境中建立了基于核Fisher判别方法的学生考试成绩预测模型，可以在期末考试之前，根据学生的自身特点和平时表现来预测其成绩。在以本校高职学生为研究对象的实验中，核Fisher判别方法取得了良好的预测效果，可以成为一线教师提高教学的有力工具。同时，只要能够正确地选择输入变量的属性，该模型可以被直接推广到一般本科院校的学生考试成绩预测中，同时也为后续建立教育信息化决策系统打下基础。

在后续的研究中，可以在两个方面进行进一步的拓展。第一，在实际情况中，经常会出现通过考试的学生数量远远超过未通过考试的学生数量，使得不同类别的原始采样数据数量不平衡，这有可能影响模型的泛化能力。未来可以考虑如何针对不平衡数据集进行训练和测试。第二，本文建立的分类模型，仅仅可以根据输入向量来预测学生是否通过考试，而不能预测学生具体的考试分数。期望以后能够应用基于核函数的回归分析算法[11]，进行学生成绩的分数预测。

参考文献：

[1]孙力，程玉霞.大数据时代网络教育学习成绩预测的研究与实现——以本科公共课程统考英语为例[J]. 开放教育研究，2015（3）： 74-80.

[2]黄振功.决策树在高校计算机等级考试成绩分析的应用[J].科技资讯，2013（25）：18-19.

[3]武彤，王秀坤.决策树算法在学生成绩预测分析中的应用[J].微计算机信息，2010（3）： 209-211.

[4]于立红，张建伟.基于数据挖掘的高职生成绩分析与预测[J].郑州轻工业学院学报，2006（3）： 77-79.

[5]邱文教.基于人工神经网络的学习成绩预测[J].计算机与信息技术，2010（4）： 5-6.

[6]李建萍.基于加权支持向量机的学习成绩预测模型[J].中国科教创新导刊，2009（14）： 137-138.

[7]Mika S， R tsch G， Weston J， et al. Fisher discriminant analysis with kernels[C]. Neural Networks for Signal Processing IX， 1999. Proceedings of the 1999 IEEE Signal Processing Society Workshop.

[8]李建云，邱菀华.核Fisher判别分析方法评估消费者信用风险[J].系统工程理论方法应用，2004（6）： 548-552.

[9]李映，焦李成.基于核Fisher判别分析的目标识别[J].西安电子科技大学学报， 2003（2）：179-182.

[10]Bishop C.Pattern Recognition and Machine Learning[M]. Springer Science & Business Media， 2006.

[11]Vapnik V.The nature of statistical learning theory[M]. Springer Science & Business Media， 2013.

[12]Mercer J. Functions of positive and negative type， and their connection with the theory of integral equations[J]. Philosophical transactions of the royal society of London. Series A， containing papers of a mathematical or physical character，1909， 209： 415-446.

[13]Chang C， Lin C. LIBSVM： a library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology （TIST），2011， 2（3）： 27.