近些年来, 随着数据挖掘技术的不断发展, 数据挖掘技术已经被广泛的应用到银行, 保险, 电子商务, 交通, 电信, 医疗等领域, 在这些领域, 数据挖掘技术取得了令人瞩目的成绩。在国外, 数据挖掘技术已经被广泛的应用在高校教学管理实践和研究中, 主要表现在教务教学, 招生管理, 毕业生校友管理等几个方面。例如, Sanjeev等通过对大学数据库中学生登记的数据, 利用知识发现方法进行数据分析, 获得有关辍学学生的信息, 并将结果提交到管理层, 以制定相关战略决策。在我国, 数据挖掘技术应用于高校管理也是近几年才发展起来的, 将数据挖掘技术应用于职业院校, 将起到更广泛的作用。
数据挖掘技术是从上世纪90年代兴起的一门交叉学科, 数据挖掘, 也可被称作是基于数据库的知识发现, 是指存放在数据库, 数据仓库或其他信息库中的、大量的数据中获取有效的、新颖的、潜在有用的、最终可以理解的模式的非平凡过程。数据挖掘技术包括人工智能、神经网络、数理统计、模式识别、数据库、粗糙集等技术的学科。数据挖掘技术主要有关联规则、序列模式、分类/回归分析、决策树、聚类、神经网络、Web挖掘等。以下简单介绍几种常用的技术。
(1) 关联规则。关联规则是反映的事物与其他事物之间的相互依存性和关联性。如果两个或者多个事物之间存在一定的关联关系, 那么, 其中一个事物就能通过关联规则由其他事物推测得到。
(2) 分类。对大量的数据根据某个分类器将数据对象划分到给定的几个类别中的某一类。一般有两个阶段:构造分类器和利用分类器对数据进行分类。
(3) 聚类。聚类是将数据按照其自身的某些特点划分为若干组的过程, 并使得同一组内的数据对象具有较高的相似性。
(4) 决策树。决策树一般都是自上而下的来生成的。每个决策或事件 (即自然状态) 都可能引出两个或多个事件, 导致不同的结果。决策树提供了一种展示类似在什么条件下会得到什么值这类规则的方法。
目前, 各个学校都建立了教务管理信息系统, 在多年的教学过程中, 产生了大量的数据, 随着计算机技术以及信息化得发展, 这些数据存储在存储器中, 相对于传统的纸质材料进行记录的方式有了很大的提高。但是, 保存的这些大量的数据, 例如学生信息, 学生成绩, 教师评价结果等, 如果得不到合理的利用, 则几乎没有任何意义。在这些数据中或多或少存在着一定的联系, 目前, 国内外在教育教学管理领域的研究主要是利用关联规则。
利用关联规则在教学管理方面的分析可以得到一些有效的关联规则, 通过对大量的教务数据进行分析, 可以得出课堂效果与教师学历、年龄、性别、教学手段等一系列的关系, 从而为教学部门提供决策支持信息。Buldu和Ucgun利用Apriori算法对伊斯坦布尔一所职业高中中的学生数据进行挖掘, 得到了学生成绩不理想的各门课程之间的关系, 为学校进一步做决策提供有效的数据。在职业院校中, 除了理论课程是必修课之外, 还有最重要的技能课, 利用数据挖掘功能, 如何处理好理论课与技能课之间的关系, 也是非常重要的。
招生工作是各个院校的重点工作之一, 学生的录取工作直接关系到后续学生学习, 毕业就业等一系列的工作。职业院校的招生规模逐年扩大, 招生数量逐年扩大, 招生方式也在朝着多元化, 自主化方向发展。通过对往年招生信息的处理, 发现学生高考各科成绩与学生填报志愿、热门专业等要素之间的关系等等, 为学校招生部门做出招生策略提供了有效的信息。
对于院校来说, 通过对对学生志愿信息利用关联规则挖掘, 可以得出目前相对支持度较高的专业, 针对这些专业进行宣传, 打造学校的特色专业, 这些结果同时为编制招生计划提供了参考依据。对于学生来说, 院校可以通过对学生信息的分析, 为学生推荐适合他的专业, 为学生报名填志愿提供了很大的帮助。这在职业院校, 尤其是独立自主招生的院校有很大的发展前景。
目前职业院校招生规模扩大非常迅速, 大学毕业生就业问题日益突出, 已经成为社会普遍关注的问题。对于职业院校来说, 就业问题甚至会关系到下一届的招生工作的展开。提高职业学校的就业率, 各个院校都采取了信息化手段, 建立就业信息系统管理, 取得了良好的效果, 但是随着毕业生数据的激增, 传统的手段已经不能满足需要, 数据挖掘技术就是一个有效处理分析毕业生就业数据的有效方法。
目前, 数据挖掘技术在职业院校的就业指导体系中有了很大的发展, 主要通过决策树等分类算法对学生的就业数据信息进行数据采集、数据预处理等一系列操作, 建立就业训练样本集, 通过决策树分类算法得到实际有效的毕业预测分析模型, 进而得出一系列的预测规则, 完善学校就业服务体系。通过对学生信息的分析, 为学生提高就业率提供帮助。
虽然目前挖掘技术在教育领域应用比较广泛, 发展比较迅速, 但是毕竟数据挖掘技术还不完善, 还处于起步阶段, 是一个比较新的研究领域。数据挖掘技术在职业院校中的应用还存在着以下几个问题。
(1) 性能和成本。数据挖掘技术还在起步阶段, 一些资源及技术需要陈本较大, 不利于数据挖掘技术在教育领域普及。
(2) 数据质量。许多数据库可能不能提供完整的, 完全正确的数据, 这就要求进行数据挖掘时采用恰当的数据挖掘技术, 并进行噪声数据处理。
(3) 技术水平。要求工作人员具备较高的计算机水平, 懂得数据挖掘方面的知识, 并能熟练运用各种相关知识对数据进行分析、实验, 能够提出决策支持方面的需求。
总之, 数据挖掘技术在教育领域的应用研究取得了一定的发展, 但相对于其他领域来说, 起步较晚, 还有很多工作要做。
摘要：近些年来各职业院校为了改善教学管理质量, 扩大招生, 提高学生就业率, 开发了多种管理等系统, 保存了大量的数据, 但是对这些数据的利用并不高。数据挖掘技术在职业院校中的应用越来越广泛, 主要应用在教育教学管理与评估, 学生就业, 学校招生等方面。通过对保存的大量数据进行处理分析, 帮助学校管理层的人员进行决策, 为学校的发展提供帮助。
关键词：数据挖掘,教学管理,关联规则,决策树
[1] 李雄飞, 董元方, 李军, 等.数据挖掘与知识发现[M].2版.北京:高等教育出版社, 2010:2-5.
[2] 刘美玲, 李熹, 李永胜.数据挖掘技术在高校教学与管理中的应用[J].计算机工程与设计, 2010 (5) :1130-1133.
[3] 孙忠祥, 彭湘君, 杨玉平, 等.数据挖掘在教育教学中的应用综述[J].智能计算机与应用, 2012 (2) .
[4] 江敏, 徐艳.数据挖掘技术在高校教学管理中的应用[J].电脑知识与技术, 2012 (4) .
[5] 周留军, 王靖.基于数据挖掘的高职学生就业情况的研究[J].电脑知识与技术, 2012 (5) .
推荐阅读：
浅谈数据分析在企业管理中的重要性05-27
数据库技术与应用课程设计06-25
大数据在旅游业的应用06-30
数据库技术试题及答案06-11
《电子商务数据库技术课程设计》报告格式06-29
专利挖掘流程图06-28
挖掘机代理合作协议05-25
卡特挖掘机维修手册05-30
工程承包合同(土方挖掘)05-31
潜能生潜能挖掘之我见06-27
