文摘

在现代社会,知识经济的迅速发展使得教育成为核心资源,一个国家的经济和社会现代化发展。在这种情况下,学生管理已受到人们越来越多的关注。本文旨在研究如何利用物联网技术研究学生管理评价体系。提出了一种基于物联网技术的数据挖掘算法,提出了一种决策树方法和一种基于数据挖掘的关联规则算法的算法。本文的实验结果表明,该学生在2018年增长率从10%上升到2019年的33%,然后从2020年的21%到2021年的35%。可以看出,随着经济的发展,入学率也增加,能上大学的人数迅速增加。这也增加了学生管理的难度,使教师更艰巨的工作,大量信息的复杂性导致学生管理效率的下降。然而,学生管理基于物联网技术的评价体系有利于解决这个问题。

1。介绍

学生管理占据了一大部分在学校管理中,在当今社会,许多学校仍在使用手册为学生管理方法。然而,随着学校规模继续扩大,学生人数不断增加,手工方法效率低下,容易出错不再适合日常学校管理的需要。设计和开发一个学生与计算机技术和数据库管理系统可以实现学生管理、学生管理和自动化是一个紧迫的必要性。物联网技术起源于媒体领域,是信息技术产业的第三次革命。物联网指的是任何对象的连接网络通过信息传感设备,按照约定的协议,和对象交流和沟通信息通过信息传播媒介实现智能化识别、定位、跟踪、监督等功能。

目前,学生管理信息化研究的重要方向之一是如何探索潜在的知识在学生数据,充分探索的价值系统中的数据,以帮助决策者管理和调整,最终实现培养新时期人才的目的与效率高和个性。之间的关联规则挖掘算法可以找到相关学生的心理性能、活动实践中,从大量的数据和其他数据,揭示学生训练和教学中存在的问题。通过挖掘结果,学生的增长可以预测;学生们可以科学评估;而且可以充分考虑不同学生的特点。通过挖掘结果,可以预测学生的发展,进行科学的评价学生,充分考虑不同学生的特点,并提供更多的个性化教育。

本文的创新有:(1)介绍了物联网技术的理论知识和学生管理评价体系和使用决策树分类算法基于物联网技术的重要性,分析物联网技术在学生管理评价体系的应用。(2)阐述了战略上的树分类算法和层析分析算法。通过实验,发现学生管理评估系统基于物联网技术使得学生管理的工作效率更高。

2。相关工作

近年来随着教育的发展,学生的管理变得越来越困难。时等人发现物联网(物联网)技术使教育者和管理者将数据转化为可操作的见解,和教育组织利用解决方案,比如云计算物联网平台上。时等人提出了一个五层框架,促进学生成绩的自动评估基于智能计算的概念,提供实时感知和自动分析系统。等人提出的五层框架Verma没有描述,这使得很难理解的概念框架(1]。Ramirez-Noriega等人发现,评估学生的主要任务是知识获取智能辅导系统(它)。他们提出一个建议来推断学生的知识水平,给的总体结构,并提出一个评价模块根据贝叶斯网络;评价模块可以推断出许多问题通过贝叶斯网络的关系。他们提到,该模块可以找到问题;那么如何解决问题是最重要的(2]。爸爸等人发现,从先前的模型和策略用于研究大学生的学术表现,显然,没有一个评估丁字形的度。他们提供了使用的模型和策略的研究显示大学生一年级的监控性能的日益增长与此专业人才的需求特点。他们没有证明他们提出的策略是成熟和可靠的3]。尼扎姆今天发现大学的最重要的目标是提高学生的灵活性和效率。他主要探讨学生交换过程的影响(SEP)校园管理系统(CMS),最终影响,他建议一个灵活的系统设计,以提高教育福利之间的大学。他建议,但到底是什么具体的建议和设计是真的吗?(4]。他等人发现深度学习是一个有前途的方法来提取准确的信息从原始传感器数据从物联网设备在复杂环境中部署。因此,他们首先介绍了物联网深度学习到边缘的计算环境。小说卸载策略设计,评价结果表明,该方法优于其他物联网深度学习的优化方案。为什么他等人带来深刻的学习到边缘计算环境是因为两者之间的连接应阐述了(5]。霍普金斯,霍金发现与通信技术的发展,全球企业活动继续发展,许多公司实现全球信息系统为了提高他们的全球业务。然而,在这方面,公司面临着许多复杂性在实现他们。虽然他看到许多困难在实施全球系统,他不指定具体表现的复杂性6]。

3所示。基于物联网技术的数据挖掘算法

3.1。数据挖掘的发展

人类有更多的数据;人类已经进入了大数据的时代;和信息爆炸的问题也被暴露出来。与此同时,计算机技术也取得了长足进步,(7]。在这样的环境中,数据挖掘技术的出现。它是一个广义的数据技术,在许多领域得到了广泛的应用和发展,集成相关技术在许多领域。数据挖掘技术是一种技术,可以“我”的知识规则是有价值的用户从大量数据8]。考虑到数据本身,通常情况下,数据挖掘需要八个步骤,包括数据清洗、数据转换、数据挖掘的实现过程,模式评估、知识表示等。数据挖掘的过程如图1。

如图1高校的管理业务已经进入了数字化信息时代以前的手动模式。学生管理是高校管理的一个重要组成部分(9]。学生使用一个全面的专业学校的信息管理系统来提高他们的管理水平。近年来,学生的人数大幅增加教育的高度关注。学生管理的难度也大大增加。近年来学生的增长趋势图所示2。

如图2,学生的增长趋势越来越快,学生管理工作缺乏健全的管理模式,和老师不能做好管理工作由管理模型。同时,老师的理解学生的思想和生活条件不够彻底,影响管理效率。数据挖掘的重要技术之一是关联规则挖掘。关联规则挖掘技术的应用对学生管理学院和大学可以帮助学校获取信息隐藏在学生数据,然后成为学校的一个重要方法获得更多有价值的信息(10]。物联网技术是如图3。

如图3,关联规则挖掘技术提供更科学、准确的评估结果,提供了积极的指导,最终实现高效和个性化人才培养,提高人才培养的质量11]。

物联网的精确定义尚未形成。人们普遍认为,物联网是一个网络连接物品通过各种传感设备与互联网信息交换和交流来实现智能化识别、定位、跟踪、监控和管理(12]。物联网的应用领域在图所示4。

如图4随着高校的发展,学生管理改革的逐步加深,和校园的学习环境和生活环境越来越好,但是学生和学校之间和学生之间的关系变得越来越复杂。日常生活管理和教育管理也越来越多样化,以及物联网技术在学生管理中发挥着日益重要的作用[13]。通过物联网技术,学生的心理、语言、行动和其他信息可以在短时间内获得。这是非常有用的在加强一小部分学生的管理,同时也起着很大的作用在处理一些突发事件。

3.2。基于数据挖掘的决策树分类算法

决策树算法是最关注数据挖掘中的分类算法。为什么这个算法是数据挖掘领域的高度重视,人工智能,机器学习,决策树算法有许多特殊优于其他算法。决策树算法是容易理解的,机制简单解释。决策树算法可以用于较小的数据集,时间复杂度小,数据点的对数用来训练决策树。与其他算法相比,智能地分析一种类型的变量,决策树算法可以处理数据和类别的数据。决策树算法的结构图如图5。

如图5,首先,它的结构非常简单,容易理解,和相应的分类方式也很容易转换成相应的分类规则。第二,决策树算法分类精度高的数据(14]。

3.2.1之上。ID3算法

ID3算法是一个贪婪算法用于构造决策树。ID3算法起源于概念学习系统(CLS)和以信息熵的减少速度为标准选择测试属性。在每一个节点,也就是说,最高的属性信息增益没有用于部门选为划分标准,然后这个过程一直持续到生成的决策树可以完全分类训练样本。介绍了ID3算法之前,首先介绍信息理论的相关知识,以便对算法的理解,如下:

信息熵表示的不确定性信息发送的信息来源,定义如下:

条件熵代表的不确定性信息的接受者B当它接收到的信息一个。如果一个信息是由 ,的B信息是由 ,和的概率是一个是当B是 ;的公式是

平均互信息表示信号的大小一个的信号B可以提供,表示如下:

构造决策树的关键的ID3算法的计算信息增益。信息增益定义为原始信息需求之间的差异和新需求。在概率理论和信息理论、信息增益是不对称的,用来衡量两个概率分布之间的差异P和问。计算过程如下:

所需的分类组织所需的信息D,即信息熵D,是

类别条件熵的计算公式,为分类的属性一个是 在哪里 充当的重量我th分区和是预期的信息所需的组子集的分类分区的值的属性一个。

ID3算法适用于处理离散属性值。在离散属性的情况下,决策树的层次结构模型用于显示这些属性对决策属性(有更大的影响15]。

3.2.2。优化决策树算法的关联规则

从现有的决策树算法,算法研究大部分集中在属性选择的测量或改善修剪算法。然而,在许多情况下,由于各种因素的影响,如原始数据的冗余属性,信息不足,等等,所构造的决策树总是不满意(16]。的影响关联规则算法在大规模的数据挖掘是显而易见的。我使用一个关联规则算法知识是方便和容易理解。因此,对关联规则挖掘算法的研究也是一个重要的领域学者的关注。然而,许多关联规则的数量关联规则挖掘算法总是惊人的大,这必然会不利于挖掘结果。因此,为了通过关联规则构建新属性,它是非常重要的选择规则构造(17]。

后的近似精确规则算法生成的一系列规则,规则前情融入新的属性和添加到原始数据集。在计算机科学和运筹学,近似算法是一种算法用于寻找近似方法来解决优化问题。

新的属性的值如下:

显然,近似精确规则挖掘算法通常产生一个以上的近似精确的规则,生成的新属性将会变得很多相应的,所以如果它们被添加到原始数据集,它将不可避免地导致数据集属性冗余。为了避免这种情况,每一个新的属性必须被评估,以确定是否有价值分类。本文结合信息增益的概念,一个名为“近似信息增益”的评价标准是(18]。

首先,候选人属性评估作为决策树的根节点,根节点的计算信息内容如下:

当分类的样本数据属性评估,数据记录的数量与属性= 1来标示 ,由下列公式计算:

数据记录的属性= 1,类别属性的数量的记录 是 ,这是计算如下:

记录的属性= 1,记录的数量与价值类别属性的B是未知的。因为一个近似精确算法用于生成近似精确的规则,这种类型的数据中包含的信息将被忽略这里(19]。因此,记录中包含的信息量= 1的数据集

3.2.3。C4.5算法和改进

使用的算法C4.5是一个家庭在机器学习和数据挖掘分类问题。其目标是监督式学习:给定一个数据集,它可以被描述为一组中的每个元组的属性值,而每个元组属于一个互斥的类别。C4.5的目标是学会找到类别属性值的映射,这种映射可用于新实体与未知类别进行分类。在决策树C4.5算法,测试条件属性选择决策树模型是信息增益率,和所需的数量分类信息给出一个指定的数据样本如下:

在哪里的比例是在示例中,这通常可以通过计算 。

信息增益的基础上,信息增益率是发达。当样本分为基于属性的值一个,SplitInfo_一个(D)是熵的概念;熵一般指某些物质系统状态的一个手段而已。和某些物质系统状态可能出现的程度。它也是使用的社会科学比作人类社会某些状态的程度,如 在哪里是和样品相同的值的比例上,这通常可以通过计算 。最后,属性的信息增益率公式一个划分数据集,例如

获得的属性一个被定义为是

C4.5算法的深入研究后,发现C4.5并不足够处理过度拟合现象,有时达不到令人满意的结果的准确性(20.,21]。因此,本文改进的决策树算法。为了减少不重要属性的信息熵,平衡系数是导入到计算过程,和生成的决策树模型的精度变得更高。

根据学生评价的特点,平衡系数是有关评价指标集。更大的越感兴趣的用户属性。为了研究时应该达到的均衡程度全回流操作是用来完成一定的分离任务,提出了平衡度系数的概念。当所有属性的平衡系数为0,结果仍然是原来的信息增益率。介绍了平衡系数后,信息增益率的公式

通过添加平衡系数,改进算法可以克服这一事实评价指标,一些用户注意从根节点远比nonconcerned指标在现实中,决策树实现一个特定的环境中具有较高的参考价值。

3.3。建设和学生评价体系的设计

3.3.1。建设评价体系的原则

因为有许多因素参与学生评价和它们的重要性是不一样的,很难得到一个准确、全面的评价学生的综合素质。因此,构建一个学生评价体系的关键是反映当代大学生的质量的特点,而这些特点可以反映学生的专业和能力在所有方面。学生评价的目的是整个实现过程的指导思想和目的,决定了学生评价的发展方向和最终目标的实现。同时,在构建学生评价体系时,需要遵循以下原则,如图6。

科学性原则:如图6、学生评价学生的实践活动来判断质量的学生应该被教育科学理论指导和限制,并评估系统是一个指导和限制作用的具体表现。评价体系的制定不仅反映了学生教育的客观规律,也遵循的法律人才的需求。

独立的原则:指标体系制定的基本要求。有许多因素在大学生的综合素质,每一个都是相对独立的,它可以反映学生的各个方面的信息。

目标一致性的原则:它意味着设计评价指标必须符合评价目标,竞争指数不能配置在同一个项目。一致性的原则包括计算方法的一致性,时空界限,和测量单位。3.3.2。层次分析法的步骤

层次分析法(AHP)是指一种决策方法,分解的元素总是相关的决策为目标,标准,程序,和其他的水平,然后在此基础上进行定性和定量分析。在确定评价指标的学生评价体系,人们需要确定各指标的相对权重。相关的方法包括经验判断,Delphi,层次分析法。因为AHP的特点,计算方便,简洁,实用,和严格的数学理论,本文采用层次分析法确定的重量指数。

的建设的AHP判断矩阵是一个重要的步骤。专家比较指标在同一水平上,根据缩放方法,判断他们的相对重要性和量化判断结果形成了判断矩阵。为了量化判断的结果,通常是使用校准方法。比较和量化完成后,可以获得以下形式的判断矩阵如下:

计算权重,需要对判断矩阵和规范化操作,和通常有两种方法:sum-product法和平方根法。自从sum-product方法简单计算和有足够的精度,本文采用sum-product方法计算重量;当使用AHP计算各级指标的权重,sum-product方法用于查找最大eigenroot和特征向量;和计算过程分为以下三个步骤:

判断矩阵归一化,也就是说,除以每一列的总和,所以每一列的总和是1;这个公式是

对每一行求和

计算矩阵的特征向量,计算权重向量如下:

判断矩阵的一致性测试:一般来说,如果判断矩阵中任意两个元素之间的关系 ,判断矩阵具有完全一致性。

3.3.2。指标权重的计算例子

征求老师的意见、咨询师、计算机科学学院的有关专家对各个指标的权重,利用德尔菲法分析和衡量重量的意见,并获得了最终判决结果。德尔菲法,也称专家调查法,本质上是一个匿名调查反馈方法。一般过程整理,总结一下,获得专家的意见后,计数问题是预测,然后匿名给他们回专家,再次征求意见,再次集中,并再次反馈,直到达成共识,如表所示1。

根据表1,判断矩阵一个可以得到如下:

同样,判断矩阵和其他级别之间的相对权重计算方法同上。通过层次分析法的计算和集成测试,完整的组件可以获得大学生管理的评价指标。

3.4。设计和实现学生综合信息管理评价体系

全面的学生信息管理系统实现了完整的信息管理的学生从入学到毕业,包括学籍、成绩、奖励和惩罚。该系统实现数据共享与其他系统在数字校园平台,它有效地避免了“信息岛”。

一个全面的学生信息管理系统基于B / S模式,集精度、效率、安全性和易用性,是设计和开发。它解决了一系列问题,如效率低、精度低,和无法共享数据由原来的手工管理,使学生信息管理网络化,提高学生管理信息化的水平。

学生管理的基本过程如下:在新生入学后,辅导员将进入学生信息和教育行政管理人员将安排学生数量和注册学籍后评估学生的信息。每学期,教师输入学生成绩,辅导员输入学生的奖励和处罚信息,生成一个补考计划并注册学籍和招生变化信息在同一时间。

学生管理系统是非常重要的对于学校的决策者和管理者;它为用户提供充足的信息和快捷的查询手段。与科学技术的持续改进,计算机科学是越来越成熟,其强大的功能已经深深认识到人。它已进入人类社会的各个领域并发挥着越来越重要的作用。根据不同的用户对系统功能的需求,系统功能分为五个模块:基本信息、学籍管理、成绩管理、毕业管理、数据分析,如图7。

如图7成绩管理模块包括评分条目,分数评论,构成测试计划管理和成绩查询统计。教师负责进入课程的考试成绩负责。学术管理人员负责审查生成补考成绩和计划。学生可以检查他们的成绩只有在学术管理员已经回顾了成绩。

学术管理员可以计算平均分数和通过率类,数据挖掘和数据分析模块包括学生信息。使用学生信息数据库中的数据,通过数据挖掘算法,实现学生的全面的智能分析。系统的工作流程如图8。

如图8为了限制非法用户使用该系统,用户在登录时必须进行身份识别,允许合法用户登录。成功登录之后,他们转移到相应的处理模块根据不同的水平。画了一个更客观的评价学生的每个部门的管理工作,使每个部门和每个评估项目的统计分析。

有两种方法可以登录到系统:一个是通过统一登录门户首页上的数字校园平台,另一个是直接在浏览器中输入系统的网络地址,通过登录页面实现。在上述两种方法成功登录到系统,如果需要输入其他业务系统的数字化校园平台,不需要再次输入用户名和密码,实现统一的验证。

4所示。C4.5算法的实验和分析比较之前和之后的改进

使用决策树模型之前,有必要测试决策树模型;目的是测试的准确性决策树模型,判断决策树模型是有效的,以及它是否可以获得有价值的结果,并应用于实际工作。在这个例子中,得到决策树模型验证与测试数据集,和详细的结果如表所示2。

从表可以看出2的准确率三类优秀、良好、合格的86%,95%,和98.6%,分别平均识别率为93.2%,获得了精度满足实际的需求。它可以认为是有效的决策树模型。此外,随着样本数据的增加,决策树模型的正确识别率将进一步改善。

使用改进后的C4.5算法树,叶节点的数量将减少,一些叶节点和样本的数量也会增加。采用改进后的C4.5算法,分类结果会更加准确和合理,方便决策者做出正确的决定,如表所示3。

如表所示3,考虑到所选样本数据集相对较小,为了更好的验证算法的效果,人们使用的三个数据集退火、资产规模、和玻璃在UCI数据库进行实验验证。表4UCI数据集的基本情况。

如表所示4决策树模型的,执行效率非常高,这是非常适合的训练集数据量的比较。决策树模型具有很好的可伸缩性和可以很容易地结合大多数数据库实现各种数据类型的处理。

比较和分析的准确性C4.5算法和改进算法通过实验在不同的实验阶段,如图9。

从图可以看出9的改进算法明显优于C4.5算法的分类三个数据集。可以看出,改进算法合并分支与相对较高的熵值,也就是说,合并这些分支很少或根本没有对分类的贡献。这种方法有效地控制了一代的碎片和过度拟合的出现在一定程度上的限制。设置平衡系数后,一些属性的熵值降低,这有利于提高决策树结构的准确性。

5。结论

本文利用物联网技术来自动获取学生考勤信息的日常管理和实现数字的任务学生根据学生信息管理的需求。学生管理评估系统的开发可以减少教师日常管理的工作强度,提高工作效率。本文开展了丰富的讨论物联网技术和理论知识的学生管理评价体系。在方法部分中,基于物联网,关联规则挖掘算法和决策树算法提出,C4.5算法和实验。结果表明,改进后的C4.5可以改善决策树分类的准确性,也有利于挖掘学生的信息,以便更好地管理和评估。传统的学生管理评价体系是基于手工工作,这是非常复杂的,有一个很大的工作量,但它使评价更准确、快捷。因此,本文研究是很有意义的学生管理基于物联网技术的评价体系。

数据可用性

没有数据被用来支持本研究。

的利益冲突

作者宣称没有利益冲突。