文摘

目前的工作旨在解决这个问题,传统的教务管理系统,如低效率分析大数据,分析结果较低价值,是基于手工规则定义在大数据分析和处理。这项工作提出了一个学生成绩预测模型FCM-CF基于模糊c均值(FCM)和协同过滤(CF)。工作也引入到教育行政管理的研究来构建一个智能教务管理系统。起初,FCM-CF模型详细描述。然后,详细描述了系统需求和具体的设计方法。最终,与学生的性能预测为例,系统的性能测试,设计了仿真实验。结果表明,学生的成就密切相关日常研究性能如课前准备、课堂表现、出勤、课外学习,和家庭作业完成。一般来说,学生的考试成绩很重要,日常表现。在相同的实验条件下,FCM-CF模型的预测误差小于10.8%的提议,其他的算法。模型具有更好的预测性能和更适合中学生的考试成绩预测的教务管理系统。 The innovation of intelligent educational administration management system is that, in addition to the basic information management function, it also has two other functions: students’ performance prediction analysis and teacher evaluation prediction. It can provide data support for improving teaching quality. The research purpose is to provide important technical support for more intelligent educational administration and reduce the loss of human resources in educational administration.

1。介绍

近年来,随着计算机技术的不断发展,人们的生活已经进入了一个高度信息化的时代。无论是个人身份信息、消费信息,或旅游信息,同时给人们带来很大的便利,他们所熟悉的人。当然,这种便利也反映在教育行业,特别是在大学。信息技术的使用已非常成熟。在日常教学中,应用计算机辅助教学(CAI)打破了僵化的传统教学模式,使课堂生动和灵活的(1]。在校园管理的方面,信息技术的应用使大学变得智能化的管理,大大减少了相关人力资源的浪费。高校教务管理系统是这个利用率的化身。为中心的大学管理、教务管理系统管理的一系列行动和计划的学院,包括学生的状态信息,学生在线选课、教师的年度教学计划、教学材料、每学期能力测试,统计测试结果的录入和查询,和管理教师教学评价(2]。

纳西尔等人研究了自动调整的学业成绩影响因素的学生主修管理学院的教师培训和科学教育。结果表明,学业成绩高的学生将有更强的自律能力3]。Lv等人的方案设计智能建筑室内环境测量和控制系统基于cyber-physical系统(CPS)包括四个基本模块:检测、控制、执行和沟通。CPS和人工智能(AI)进行了研究,促进他们在建筑行业中的应用。相信CPS的结合研究和人工智能建筑行业可以为智能建筑产业的发展提供理论基础(4]。谢等人声称深度学习(DL)显示巨大的潜力在疾病预测和药物反应预测,总结了DL预测方法对不同疾病,指出目前疾病预测的一系列问题,并证明了高相关性DL和医学领域的未来发展5]。Lv等人建立了一个智能城市建设模型的支持下物联网,云计算和互联网和刺激的垂直市场体系智能城市从经济视角。结果表明,该系统具有良好的稳定性。从垂直市场的角度来看,自营零售商更有优势,可以提供实验参考未来智能城市建设和经济发展(6]。

高校招生规模的扩张,学生和教师的数量正在增加。大量的人员信息数据给学校管理带来了困难。然而,大多数学院和大学不注意教育行政管理的创新。他们的管理系统还设计的技术人员直接通过规则的定义根据学校的实际情况和需求。这些系统可以提供信息查询、添加和删除功能,但不能用于分析数据。因此,学校的招生计划分析、教师人事管理、教学管理、和资产设备管理需要由人工进行分析和处理,效率很低。在此基础上,目前的工作提出了一个学生成绩预测model-FCM-CF基于模糊c均值(FCM)和协同过滤(CF)引入到教育行政管理的研究构建一个智能教务管理系统。首先,FCM-CF模型详细描述。然后,系统需求和具体的设计方法进行了说明。最终,以学生成绩预测为例,系统的性能测试,设计了仿真实验。 The powerful data mining ability of FCM can also make colleges better deal with the real-time situation of education and make a certain contribution to the development and optimization of educational administration in colleges. The research purpose is to provide important technical support for more intelligent educational administration and reduce the loss of human resources in educational administration.

2。模型建设和系统设计

2.1。基于FCM-CF学生成绩预测模型

聚类分析是一个过程,用数学方法研究和处理给定对象,并识别和分类根据事物之间的相似之处。随着模糊理论的建立,人们开始使用模糊方法来解决聚类问题,即模糊聚类分析。模糊聚类可以应用于处理许多对象的属性的区别不明显。它用隶属函数来表达样本之间的相似性。自从模糊聚类获得样本的不确定性程度的数量和每个类别,它表达了样本类别的中介;也就是说,它建立的不确定性的描述样本的类别,可以更客观地反映现实世界。一般来说,基于目标函数的模糊聚类方法用于集群目标(7]。方程(1)代表了样本集 。

在方程(1), , 。参数 类别的样本的数量吗转移。参数 意味着样本的隶属度到类 。

模糊划分矩阵被定义为

在方程(2), 代表样本的隶属度到类 。目前使用最广泛的葬礼是模糊c均值(FCM),主要获得每个采样点到所有类的隶属度中心通过优化目标函数,确定采样点的类来实现自动分类的样本数据的目的。每个样本属于每个集群成员函数,和会员的样本进行分类价值。其目标函数是

在方程(3),指的是一个加权指数, ,这是用来描述模糊程度的聚类结果。采用最好的经验值,其中 。参数代表样本在 , 是指集群中心,是一个成员函数。

为了使至少,方程(1)- (3)转化为方程(4)来解决约束优化问题。

在方程(4),代表一个加权指数,代表样本在 , 是集群中心,是指一个成员函数。拉格朗日乘数法来解决这个问题

在方程(5),指的是一个加权指数,代表样本在 , 代表集群中心,是一个成员函数,表示拉格朗日乘子方法,是指一个函数的乘数。的偏导数关于 , , 设置为0如下:

在方程(6),代表一个隶属函数,指的是一个加权指数,代表样本在 ,和代表了集群中心。

在方程(7),是集群中心,指的是一个加权指数,代表样本在 ,和代表一个隶属函数。图1演示了FCM的具体步骤。

首先,参数将模糊聚类的类别数,加权指数,迭代操作的数量,随着阈值停止迭代。第二,聚类中心初始化。第三,进行迭代操作,更新隶属函数方程(6),由方程(更新聚类中心7),直到结果收敛,所以最终结果得到的聚类中心和模糊划分矩阵(8]。

将模糊聚类技术应用于教育管理系统,有价值的信息和其固有的法律可以从大量的数据挖掘在教育管理系统。它有助于提高入学率的效率和就业管理、教师人事管理、教育管理、学生发展指导和管理、资产和设备管理,为了更好地理解学生,优化教学,加强管理,完善相关系统。

CF算法是一个技术在信息过滤和信息系统。它是用来分析用户的兴趣,找到类似的用户指定的用户的用户组根据他或她的利益,综合这些相似用户在某一信息的评价,并形成一个系统来预测的指定用户的偏好信息。预测学生的性能可以被理解为“推荐”学生的表现,和学生之间的类似情况或因素,更接近学生的考试分数。预测学生的表现可以使用历史数据中发现类似的学生被预测。学生对应于类似的用户协同过滤数据集。这些类似的学生历史结果可以集成预测指定学生的表现。目前的工作结合FCM-CF提出一个基于FCM-CF学生成绩预测模型。图2显示的结构模型。

最初,模糊聚类技术用于集群的历史学生成绩数据,每个学生在每个集群的成员矩阵。然后,每个集群的预测来预测学生的性能计算,根据每个学生的分布属于每个集群和基于学生的协同过滤方法。最终,获得的最终预测结果加权的分布属于每个集群目标的学生。具体预测算法如下:

通过下属矩阵和每个学生的情况属于每个聚类中心,学生——的性能在集群-可以计算(9]

在方程(8),指的是元素 , 代表学生的表现下影响因素,表示学生的数量意味着学生——的性能在集群- 。的性能以下因素可以根据集群的学生获得下属。

在方程(9),是指一个元素 ,和 代表目标学生——的性能以下因素n。

2.2。分析系统设计

技术的发展和信息化的不断进步极大的影响人们的生活,包括信息技术带来的便利和信息泄露带来的麻烦。跟上时间的步伐,各行各业现代化的需求正在增加。信息化并不完全代表现代化。然而,实现现代化必须从信息化的发展分不开的10]。现代大学教育,信息技术是不可或缺的方法和常用工具在教育改革的趋势。随着计算机和其他信息技术的应用,在高等教育教学突破了传统教学模式的局限性,变得更加灵活和可控。教育信息化的发展,在不断发展,高校不可避免地面临的情况需要处理大规模的教育信息。尽管学院的信息管理系统不断改进,目前教务管理系统仍然面临巨大的挑战[11]。使用FCM管理教育信息可以为高校提高教学质量提供数据支持。此外,FCM的强大的数据挖掘能力还能让大学更好地处理教育的实时情况,从而为高校的管理决策提供理论依据(12]。

初衷的教务管理系统是高校教学管理工作,及其功能需要满足高校的日常运营需求(13]。要求的教育管理系统的功能主要包括:(1)数据库建设和管理的学术地位,和输入和编辑的学术信息。(2)制定整体教育计划研究所研究所发布教学大纲,使教师的教学计划,从教务处审核教学计划。(3)的输入、查询、编辑和统计学术材料。(4)从教务处发布课程信息,调查,并选择课程的学生,整合课程选择的信息,和重新选择课程。(5)的位置和时间安排考试,监考人的选择和确定,和其他相关信息的查询。(6)输入和编辑学生的成绩,老师,学生的统计分析由系统自动个人表现,并从学生调查和投诉。(7)实现教师的自我评估,评估从学生、同事、领导,统计分析的评价信息。

系统的设计旨在提高大学的教育管理水平,使教育管理工作系统化、规范化、和智能,减少高校信息管理所需的人力消耗。作为结论,教务管理系统的设计有五个基本原则(14作为显示在图3。(1)管理制度化的原则:教务管理系统的设计必须符合学院的教务管理系统。和相应的教育标准和系统应被视为基准,以确保系统的实用性。(2)系统的开放性和共享的原则:共享信息和数据,方便用户跨平台运行,系统的设计应该保持开放。(3)操作简单、快捷的原则:大多数时候,教育行政管理相对比较简单。因此,系统的操作必须是简单和快速促进管理者的管理。(4)方便的更新和升级的原则:信息数据的复杂性和多样性要求教务管理系统方便更新升级,促进系统的后续改进。(5)安全性和可靠性的原则:高校教育管理的工具,教育管理系统必须具有高度的安全性和稳定性。在确保机密信息的前提下不会泄露,与操作系统无法轻易崩溃。

2.3。教务管理系统的设计

2.3.1。系统的硬件设计

大学的教育管理系统由服务器、客户端和网络设备。这里有两个服务器构成的系统,即数据库服务器和网络服务器。前者为用户提供数据查询和指令提交服务,而后者提供网络连接服务(15]。用户提交的指令传送到服务器通过网络服务器、交换机、防火墙、路由器和路线。服务器进程指令后,信息反馈到用户客户端(16]。图4显示系统的具体硬件架构。

2.3.2。Microsoft SQL Server 2008数据库

Microsoft SQL Server是一个全面的数据库平台发布的微软,极大的方便和灵活性等优点,是非常实用和高度集成与其他软件(17]。Microsoft SQL Server 2008是最强大的和全面的版本的Microsoft SQL Server,它有如下特点:(1)可信度:这个特点使得企业应用软件安全、可靠和可扩展的执行重要的任务。(2)高有效性:这个特性减少了时间和成本,当企业进行开发和管理基础设施的数据(3)情报:开发平台可以为用户提供相关数据,作为一个全面的和灵活的平台(18]

Microsoft SQL Server 2008有4种核心组件如下:(1)数据库引擎:主要用于存储、管理和控制对数据的访问和其他处理(2)分析服务:提供支持联机分析处理和数据挖掘基于现有的数据库(3)报告服务:提供基于现有数据生成的机密信息的报告,因此用户可以访问的报告和数据(4)集成服务:集成数据、处理结果和处理报告核心组件的实现数据的集成

图5演示了Microsoft SQL Server 2008的体系结构。

2.3.3。系统的结构设计

客户机/服务器(C / S)模式以服务器为中心,可以充分利用服务器和客户机的硬件优势,合理分配任务,并降低系统的沟通时间。客户端可以访问服务器获得所需要的网络资源,和客户端上传的信息可以存储在服务器上。图6清单C / S系统的结构。

Browser-Server模式(B / S)是一种提高C / S,属于三层C / S结构。B / S结构只需要一个浏览器来解决这个问题,传统的方法必须使用特殊软件来解决,大大节省了成本,简化了开发、维护和使用的系统。这是一个新的软件系统施工工艺。该模型结合客户端和系统功能实现的核心部分集中到服务器上。数据交互可以通过安装一个浏览器客户端和web服务器上的数据库(19]。图7意味着B / S结构的系统。

系统或软件使用B / S结构可以让服务器完成安装、修改和维护功能。B / S结构的最大优点是随时随地用户想要一个电脑可以连接到互联网,他们可以实现零维护的目的的客户端不需要安装特殊软件。两种结构都有各自的优点和缺点(20.),如图8和9。

针对B / S结构的优点和缺点和C / S结构,目前的工作主要探讨两者的集成架构。目前,有两种方法对C / S和B / S混合模式:一个叫做“查询/修改”模型,和其他被称为“内部/外部”模式。

在B / S和C / S混合软件体系结构的“查询/修改”模型,无论用户通过互联网或局域网连接到系统时,如果使用的C / S架构的维护和修改数据操作是必需的。要是一般执行查询和浏览操作时,使用B / S架构。

“内部/外部”模型的B / S和C / S混合软件体系结构,企业的外部用户通过互联网访问网络服务器,然后通过网络服务器访问数据库服务器。企业的内部用户直接访问数据库服务器通过局域网,和软件系统采用C / S架构。

教务管理系统的软件体系结构构造结合浏览器/服务器(B / S)和客户机/服务器(C / S)和内部局域网用于存储、管理和维护教育管理信息(21]。不同的角色对应不同的管理路径。学生和老师需要查询等功能,进入教育信息,而教务办公室需要的功能,如审查和维护教育信息(22]。图10表示特定的软件架构。

根据系统的功能需求在前一节中提到的,七个主要功能是为教务管理系统,学生状态信息、年度教学计划,教学材料,为学生网上选课,每个学期能力测试,统计测试结果的录入和查询,评估教师的管理(23]。图11说明了具体的操作流程。

图12演示了7个模块的主要功能的教育管理系统。

学术地位信息管理包括三个部分:信息管理,日常管理和事务管理。教学计划的管理主要是指学术管理制定和发布的整个学年通过系统的教学计划,和教师根据教学大纲制定和上传教学计划和教学任务。教材管理模块用于教材需求信息的收集和输入的教材购买和销售记录;学生在线选课管理主要提供的选择和确认功能必修课和选修课;学期测试管理主要用于调查,确认,安排,和释放考试时间、考场信息,和监考人信息;性能管理模块提供的功能的输入,查询,投诉的考试分数。现在工作FCM-CF算法适用于这个模块,可以实现学生的预测的未来分数基于学生的历史成绩。教师的评价和管理模块主要用于输入和编辑相关信息教师评价。

2.4。系统仿真实验设计

2.4.1。选择数据集和数据转换

目前的工作主要以学生成绩预测为例,进行预测模型的性能测试研究。学生的学业成绩与许多因素有关。课外学习与课堂学习一样重要。学生的个人学习兴趣、学习能力和学习方法直接影响到学生的考试成绩。调查学生的课外学习提供了一个更全面的把握的因素影响学生的表现。目前工作需要收集的调查结果“C语言程序设计”课程的计算机科学与应用专业和学生考试分数的课程为例,选择字段,对学业成绩有更大的影响,比如preclass准备、课堂表现、出勤率、课外学习、完成作业的学生,来预测他们的考试成绩。表1列出了具体的数据。

为方便统计,preclass准备、课堂表现、出勤,课外学习,作业完成表1转换成相应的分数(0∼10)。学生的考试分数除以10,例如,60点到6。

一个数据集包含所有学生的成绩。数据集分为训练集和测试集验证每个预测方法的效果。

2.4.2。具体的实验设计流程

根据上面的教育管理体系构建中,FCM-CF模型用于预测学生的考试分数。为了验证模型的有效性,K——集群(K)则被选中来取代FCM-CF模型形成一个对比。学生的历史性能数据集被用来预测学生的表现,和预测结果进行比较和分析。两种算法用于预测时,集群(参数的数量c)需要首先确定。在这个过程中,临时数据集分为训练集和测试集的比例9:1。同时,有必要确定数量K资讯的最近邻算法。在实验中,K值是最初作为训练集的规模的10%,增加5%的时间间隔。

FCM-CF预测模型,整个训练集是指学生的考试分数预测,和数据的所有学生分为不同的集群根据不同概率的预测结果。因此,使用不同的权重来预测学生的分数。因此,目前的研究探讨了最佳比例的训练集数据集使用FCM-CF时预测模型。图13显示了特定的流程。

2.4.3。评价指标

平均绝对误差(MAE)作为预测和评价的标准24]。美价值越小,预测精度越高。方程(10)显示了计算。

在方程(10),指的是用户预测评分项目- - - ,即目标的预测成绩学生的考试成绩的预测方法。参数代表用户的实际得分项目- - - ,也就是说,实际的目标学生的考试成绩。N代表数量的分数,哪个用户-使项目3所示。

3所示。仿真实验的结果

3.1。显示的预测数据

图14展示了转变学生考试成绩的结果。

图14表明学生的最终成绩日常研究性能密切相关。是否准备上课前,在课堂上认真听,参加每一节课,课后开展相关研究,完成家庭作业,等将直接影响学生的最终成绩。在正常情况下,学生的分数对应于这些表演将是相似的;也就是说,学生课前准备好将在课堂上表现非常好,他们的出勤率会相对较高,和课外学习时间将会更长。同时,完成他们的家庭作业也是非常好的,相应地,他们的考试成绩将会满意。相反,学生不上课前预览会在课堂上表现不佳,和他们的出勤率会相对较低。他们不会学习下课后,作业的质量会差,和他们的期末考试结果将不满意。

3.2。测定的指标KMCF模型和FCM-CF模型

3.2.1之上。测定的指标模型

图15揭示了变化趋势预测的平均绝对误差(MAE) KMCF模型的集群的数量c在K和聚类的变化则从1到25日K10%到40%的训练集。

图15表明,最优,当集群的数量是10,K训练集的值是20%。当集群的数量是1,也就是说,所有的学生都在同一个集群时,K——集群不是采取集群的学生。随着集群的数量增加,和集群的数量相对较少,更多的学生在同一个集群与学生的成绩预计将获得更高的权威,和学生在同一集群可以被认为有较高的相似度。然而,当集群的数量太大,即使每个学生是一个集群,集群不应该采取这种情况下。

增加的最近邻的大小K,更类似于学生预测分为最近邻,这将提高预测的准确性。然而,K价值继续增加甚至相当于整个训练集,和学生是非常不同的学生也分为KN预测集,从而减少KMCF预测方法的准确性。当FCM-CF模型用于预测,集群的数量c的集群保持10 KMCF模型。

3.2.2。确定训练集的比例FCM-CF模型

图16说明了梅的变化趋势与训练集的变化比率。

图16表明,当采用FCM-CF进行预测,模型的预测误差的比例增加而增加训练集,当训练集的比例是90%,模型的误差达到最小。这是因为当训练集规模的增加,更多的数据的学生的表现将会参与预测,避免一些意外因素,所以美测试集的值越小,更好的预测效果。因此,训练集的比例在数据集设置为90%。

3.3。预测模型的性能的比较分析

得到一个更清晰的对比KMCF和FCM-CF模型,比较了美结果预测的两个模型在不同训练集的比例。图17表示比较的结果。

图17意味着KMCF和FCM-CF模型预测美减少与训练集的比例增长的数据集,以及模型预测美当训练集的比例最低为90%。美KMCF模型预测的平均是0.939。的平均美FCM-CF模型为0.838,低于10.8% KMCF模型。因此,在相同条件下,FCM-CF模型的预测误差较低,这是更适合的预测中学生的表现在教育管理系统。

4所示。结论

随着时代的进步,大学都不可避免地面临着大规模的教育信息的情况需要处理的不断发展,以及高校的教育管理急需进一步的智能。目前的工作提出了一个基于FCM-CF学生成绩预测模型,介绍了教育管理的研究,构建一个智能教育管理系统。最初,FCM-CF模型详细描述。接下来,阐述了系统需求和具体的设计方法。最终,以学生成绩预测为例,系统的性能测试,设计了仿真实验。结果表明,学生的考试分数与日常学习表现密切相关。在相同的实验条件下,提出FCM-CF模型的预测误差小于10.8%的其他算法,具有更好的预测性能,更适合初中学生的成绩的预测在教务管理系统。创新是引入FCM-CF算法到教务管理系统模型,使它的功能数据挖掘和智能性能预测。有一些缺点,如不完整的报道影响学生成绩的因素。此外,仍有优化的空间提供的算法的运行效率。 Subsequent research will solve the above problems. The research purpose is to provide important technical support for the educational management of colleges to be more intelligent and reduce the waste of manpower.

数据可用性

标签数据集用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。