文摘
如今,教育数据挖掘技术在中国受到越来越多的学者们的关注,和学生的行为之间的相关性的应用数据和学生成绩的教学管理已经成为一个热点研究课题。从研究之间的潜在联系书借贷和学生成绩在大数据环境中,分析书借贷和学生成绩之间的关系基于先验的算法和结论之间有很强的相关性规则书借贷和学生成绩。基于BP神经网络的预测算法,本文构造一个学生成绩预警模型通过预测书借贷过程性能。预报值之间的误差的绝对值的书借款和贷款的实际价值作为基础为学生做出早期预警的性能,从而实现监控学生的学习情况,从而为教师的教学提供理论建议和促进学生的学校的管理。
1。介绍
大数据的背景下,人们会生成大量的行为数据。随着数据库技术的发展,许多潜在的相关性总是可以从人们的行为数据挖掘。一个国家的教育的发展关系到国家的未来;因此,如何把数据挖掘技术与教育已经成为目前一个重要的热点。本文旨在分析学生用书借贷行为通过大数据挖掘技术,实现预警学生的学术能力,优化学生管理,提高教师的工作效率,更好地服务学生。
传统的学生的学习行为分析主要是通过问卷调查、进行手动评估,和其他方法。这不仅是时间成本高和大错误,也有许多非客观因素,使结果往往不够客观。随着计算机网络和互联网的发展,国内外学者已开始使用教育数据挖掘技术来分析学生的行为;例如,外国学者教授Andrew Kyngdon [1)建立了一个自动评分模型基于一种新的神经网络模型在他的研究中。与传统的研究方法相比,这一研究结果是更科学,提高了结果的准确性。在基于大数据研究学生的行为,也有许多研究在图书馆借阅数据之间的相关性和学生的学习行为;例如,中国学者杨新雅[2],吴Xudong [3),和其他人进行相关性研究书借贷和学生的成绩通过SPSS和神经网络算法,发现有一个更大的学生贷款和学生成绩之间的相关性。虽然研究表明,有一个大的学生借贷行为和学生成绩之间的相关性,在这个协会有相对较少的应用研究。
机器学习是一个受欢迎的选择在分析学生的表演。为例,研究[4,5)使用两个数据集的分类和分析学生使用五个机器学习算法性能。作为这项研究的一部分,十八实验帮助学生预测的性能。这项研究在6)提出了一个预测模型来预测学生在中学教育的表现。作为这项研究的一部分,五分类算法被使用,即逻辑回归, - - - - - -最近邻(资讯),支持向量机(SVM), XGBoost,朴素贝叶斯,考虑数据集从两个葡萄牙学校报告和调查。不平衡数据集预处理使用 - - - - - -意味着SMOT(合成少数过采样技术)在实际的分类。这项研究还使用了一个可判断的石灰(本地可判断的Model-Agnostic解释)对所有研究中使用的分类器模型。
因此,本文收集了麻木的书的借贷信息五个专业的学生从学校和大学在过去四年里从2016/01到2020/09通过沟通与学校图书馆管理中心和学术事务办公室,并在2016年级所有学生的性能信息。首先,收集到的数据处理,然后是先验的算法用于研究之间的关联规则书借贷和学生的成绩,发现书之间有很强的相关性的借贷和学生的成绩。最后,基于关联规则的挖掘结果,BP神经网络算法(7)是用来构造一个学生成绩预警模型来监控各专业学生的表现。通过比较不同专业的学生成绩的预警状态,它提供了有价值的参考学校的人才培养方向。
论文的独特贡献包括:(我)实现先验的算法的研究之间的联系书借贷和学生的成绩(2)实现BP神经网络算法的开发早期预警模型有关学生表现为了监控性能各专业的学生
2。数据源和数据处理
2.1。数据源
学校图书馆管理中心的支持和学术事务办公室,本文收集了麻木的图书馆借阅信息学院的大学的学生,在班上所有学生的年级信息2016年下属二级学院在2016/01-2020/09过去四年。其中,图书馆借阅数据信息包含图书条形码,处理时间,请求数量,和其他字段信息。和学生成绩数据信息包含课程名称、课程性质、课程成绩和其他领域的信息。
2.2。数据预处理
为了方便以后研究中,原始数据需要保留的数据清洗的研究价值。本文主要利用SPSS统计分析软件进行初步的数据处理。具体处理方法如下:由于系统故障可能在学生借贷过程中,导致错误信息缺失和混乱的代码等信息条目借来的书。因此,在分析数据,利用SPSS过滤掉有问题的数据使用书电话号码和书的名字作为关键词。例如,呼叫号码列的书,明确数据类型显然有异常数据。考虑到部门中途改变,有学生从学校休息,在军队服役,并夺回课程后退出军队导致成绩数据,不是有意义的研究,本文运用学生的名字作为关键词数的总数课程由学生在四年的研究中,如果一个学生没有其他相同数量的课程为学生在同一专业,学生被认为是在上述情况下,然后明确这部分学生的信息。这本书通过数据清理借款信息保留这本书借贷信息数据在某所大学的大学的学生在过去的四年,从2016年到2020年9月,共有18091项,和品位数据保留所有学生的成绩信息数据在2016类大学,共有33758项。以下研究,本文利用SPSS书借贷初步处理后的数据进行分类,并总结了本借款学生相同的信息主要在一个表中,然后使用条件统计函数检查这本书借贷信息。统计,条件统计函数有助于计数数据符合特定的标准。这帮助计算总额的书借由每个学生在过去的四年。 For the preliminary processed score data, the paper uses SPSS to classify the data and summarize the scores of students of the same major in a table. Finally, the book borrowing data and grade data are integrated according to different majors and different students. The integrated data is as follows in Table1(由于太多的数据,只显示的文本数据的一些学生在某些重要):
2.3。数据转换
先验的算法需要的数据类型分类数据,所以这本书贷款数据和品位数据需要转换之前实现算法。
2.3.1。贷款数据转换的书
图书馆的图书流通信息必然反映出学生的一些行为特征。本文使用指标总数的书借来的图书借阅信息,以反映学生的阅读享受。据悉,为了促进阅读,大学要求学生至少读30本书在四年的大学完成阅读阻止信贷。根据这一要求,本文将学生的偏好阅读分成三个类别,分类规则和数据转换结果如下表2(由于数据太多,只有一些学生的数据是本文所示):
如表3显示,例如,如果张姚明,一个计算机科学与技术专业的学生(学校企业类),借书籍共计60倍,然后他相应的阅读水平。
2.3.2。级数据转换
本文使用专业总分来描述学生的好坏专业性能,专业总分的计算为:
总分是结合项目代表一个变量创建一个分数或属于同一变量的数据点。潜在的得分形式可靠和真实的措施和理论结构。在学术界,总分也被认为是通过分数的总和。
整体计算每个学生的专业成绩,和学生的整体专业成绩的五个专业被SPSS集群分成三个类别,和聚类结果如表所示4:
如上表所示,论文将学生成绩分为三类:好,好,和穷人,类别1表明,学生成绩差,类别2表明,学生成绩很好,3级表明,学生成绩是优秀的。实现数据转换根据聚类结果,和转换后的数据(部分数据)如表所示5:
上面的表显示,例如,Ai灵物联网工程学校(企业类)有一个全面的专业的得分为91.42分,这对应于一个性能的3级水平。
3所示。书借贷和学生成绩之间的相关性的研究
3.1。关联规则原理推测的算法
关联规则是数据挖掘的一种函数用于我的隐藏的数据从一个数据集之间的联系,表示 ,设置的物品吗叫做前提和相对应的关联结果吗 。先验的算法中最经典挖掘关联规则是关联分析。先验的算法理解的方式是相互关联的两个或两个以上的对象导致创建对象之间的关联规则。这个算法也被称为频繁模式挖掘算法,实现对数据集组成的大量交易。从本质上讲,它计算支持,自信,和提升项目集的所有排列一个接一个地,发现频繁项集,满足最小支持度,最低的信心,提升大于1。摘要支持、信心和升力计算如下:
使用先验的算法我书借贷和学生成绩之间的关联规则,与其他关联规则算法相比,该算法的优点是使用迭代方法逐层搜索我的数据。该算法很容易实现。它可以挖掘内涵,未知的但实际数据的关系。
3.2。书借贷和学生成绩之间的相关性模型
3.2.1之上。模型的假设
必须有一些联系学生使用图书馆的资源和学生成绩。对图书馆借阅信息和学生成绩之间的关系,本文以下假设:学生成绩之间有一些联系和借书的总数,和学生有更好的成就往往喜欢阅读。
3.2.2。模型建立和求解
本文通过Python实现了先验的算法,算法和最小支持度和最小信心将10%和60%,分别获得的结果如下图1:
从分析结果,可以得到电梯的获取关联规则大于1,表明获得的关联规则是有意义的。最小支持度为10%,以下协会之间存在学生享受阅读和学生成绩:60.28%的学生更喜欢阅读有一个良好的整体评分和60.64%的学生一个贫穷的总分不喜欢阅读。
4所示。对性能的研究基于BP神经网络预警模型
4.1。理论与BP神经网络算法
神经网络分为生物神经网络和人工神经网络。人工神经网络具有并行处理信息的能力,自学能力和推理能力,并广泛应用于多个领域,如模式识别智能机器人,自动控制和预测估计。BP(反向传播)神经网络是最传统的神经网络,提出了1986年的一个研究小组由Rumelhart McCelland。BP神经网络模型拓扑结构包括一个输入层、隐层、输出层,和至少一个隐藏层。输入层和隐层之间的权值网络,表明两个神经元之间的连接的强度。任何神经元隐层和输出层神经元的信息集成在前一层,模拟生物学原理必须刺激一个神经元被触发,并输出层的综合信息的神经元。算法步骤如下:
步骤1:样本取自训练样本集和其输入信息送入网络。
步骤2:计算每层节点的输出从网络。
步骤3:计算误差的实际输出和期望输出值之间的网络。
步骤4:从第一个隐层输出层和工作向后,整个网络的连接权值调整的方向误差减少按照一定的原则。
第五步:重复上述步骤为每个样本在训练样本集,直到所需的错误是实现对整个网络的训练样本集。
独立训练BP神经网络的输入和输出数据根据误差反向传播算法,找到一个合理的输入和输出数据之间的连接,并实现的预测结果。与预测方法,如最小二乘回归和灰色模型。它具有较强的非线性建模能力,所以非线性数据的预测更准确。因此,本文选择使用BP神经网络算法来预测学生的成绩。
4.2。性能预警模型建模
学生成绩之间的相关分析数据和总学生图书流通数据在前面的章节中,众所周知,以下成绩之间存在的相关性和总书循环:喜欢阅读的学生更倾向于有良好的整体分数,和那些可怜的总体成绩往往不喜欢读。基于上述研究,本章利用BP神经网络建立一个早期预警模型的学生成绩。模型需要学生的主要课程的成绩作为输入和输出和借书的总数是训练BP神经网络来预测学生借书的总数。设置阈值让成绩预警,的计算公式:
如果预测结果与真实值之间的误差值大于某个阈值 ,的警告是由年级学生,表明有一个学生的实际学习情况和测试成绩的结果反馈,或者有一个涉嫌造假的学生的书借贷,这需要老师的课更加关注这部分的学生在课堂上的指导和咨询师加强这部分学生的学习和生活。的流动性能预警模型如图2:
4.3。性能预警模型的实现
4.3.1。讨论成绩预警模型的阈值
自四个专业,即数学与应用数学专业,物联网工程专业(一般入学类),计算机科学与技术专业(学校企业级)和计算机科学与技术专业(一般入学类),包括进一步的21个主要课程,本文使用了上面的四个专业的学生成绩数据和数据总数的书借来的确定阈值 。这有助于在触发警告通过模型训练。学生成绩数据,学生总书借贷数据导入MATLAB,品位数据方案作为输入和总书借贷数据作为目标,在BP神经网络工具箱,其中模型调到测试数据,验证数据和训练数据的分布比率预测和真实值之间的误差书借贷。BP神经网络的隐层设置为10层,25%的数据作为测试数据,数据作为验证数据的15%,和60%的数据作为训练数据,和最小二乘优化算法选择训练数据得到最理想的结果,结果如下图3:
错误情节表明,模型的预测精度测试集和验证值高,说明模型的使用可以达到预测的目的的总数通过专业课程的成绩书借来的。训练集的可怜的预测精度表明,有一些学生学习性能之间的差异和实际学习情况。
经过调查,据了解,大约20%的大学学生将收到一个学术警告来自学校的学术事务办公室在大四,毕业前夕。结合直方图图的错误4,超过78%的学生用书借贷总量预测价值和误差绝对值的真正价值是在25。因此,在论文中,阈值成绩预警模型触发成就警告设置为25。如果成就> 25日警告,如果的区间内吗 ,成就不是警告。
4.3.2。模型实现和结果分析
专业课程成绩和总数量的书借学生的大学导入MATLAB,包级数据作为输入,借书的总数作为目标,BP神经网络的隐层定义为10层,25%的数据作为测试数据,15%的数据作为验证数据,60%的数据作为训练数据,选择和最小二乘优化算法训练数据。使用MATLAB运行数据之后,总数的预测和真正的价值的书借了获得如下图5:
总结学生的百分比的性能警告每个主要取得如下表6:
比较学生的百分比在五个专业,成就警报可以获得以下结果:物联网工程专业的大多数学生入学(通用类)性能警告数量最高,其次是在降序排列如下:数学与应用数学专业,计算机科学与技术专业(学校企业类)、计算机科学与技术专业(一般入学类),和物联网工程专业学校(企业类)。通过与专业顾问,理解比较学术警告的数量的比例由每个主要的学术事务办公室的学生在毕业前和早期预警的数量的比例模型的分析结果,发现两者之间的差异在5%以内。这表明该模型对学生成绩有较高的早期预警和有一定的参考价值。
比较学生的比例一般入学年级警告类企业和学校类表7,它可以发现学校企业级的性能警告显著优于一般承认的类。这个结果符合去年的学校的国家级学科评估的结果。
在先前的研究中,尽管一些学者应用BP神经网络算法对学生成绩预警模型,研究对象往往是某些专业的学生,和模型的误差约为10%。本文研究了预警情况学生的性能在不同的办学性质和专业和研究对象的数量和类型都比先前的研究。两个维度的办学和主要的性质,通过与实际情况对比,验证,模型的误差在5%以内,这提高了模型的精度。
5。结论
本文主要使用四年大学成绩数据和图书借某学校为研究对象的数据。首先,使用Python编程语言,先验的算法挖掘关联规则书的借贷和学生成绩数据。发现学生的成绩之间存在一定的正相关和借书的总量。喜欢阅读的学生不会有坏成绩,和更好的成绩的学生也喜欢阅读。然后,基于结论,学生成绩之间有很强的关联规则和借款总额书,使用BP神经网络算法,以学生成绩为输入和学生本借款总额为目标,经过神经网络训练,预测学生借书的数量和使用的绝对值预测结果和真实值之间的差异,合理设置阈值 ,从而构建学生成绩的预警模型。这个模型实现学生成绩的监测和广泛用于管理学生的学习行为。使用这个模型给早期预警五个不同专业的学生在某大学,比较在不同专业学生的警告,和学习,在大学的研究中,更要注意培养学生的实践能力,将理论知识与实践相结合,并鼓励学生走出校园,去企业实习对应于他们的专业。
然而,本文还有以下缺点:一是本文中的数据样本不够大,导致不满意的推广价值的关联规则。在后续的研究中,需要增加样本数据改进关联规则的推广。第二是使用本借款信息不足。它只使用借来的书的信息总量的学生和不使用这本书的类别的数据。然而,通过阅读文献,可以发现,借来的书的类别信息研究学生成绩是很重要的。研究的意义需要进一步探索和分析。第三,本文并没有做出更好的改进算法,并进一步学习和研究需要在未来三个问题。
数据可用性
使用的数据来支持本研究的结果包括在本文中。
的利益冲突
作者宣称没有利益冲突。
确认
本研究部分财政支持通过授予重庆市高等教育教学改革研究重点项目(222166),《重庆科技技术创新和应用开发关键项目(没有。cstc2020jscx-dxwtBX0044),重庆科技局(没有技术创新和应用程序开发项目。cstc2020jscx-msxmX0152),重庆大学教育的科研项目(没有。KY202107B)。