基于学生成绩的课程关联性和学生综合素质评价研究

发布时间：2024-02-06 22:48

　　随着高校信息化建设的不断发展,学校积累了海量的学生数据,其中教务管理系统的数据库是学生数据的重要来源。然而,这些数据目前大多被用作简单的查询及统计工作,其中所隐含的大量信息没有得到深度挖掘。因此,利用数据挖掘技术,充分挖掘教育大数据的内在价值,对推动高校管理和人才培养的创新改革具有重要意义。本文基于我校教务管理系统中09～12级通信工程专业学生的课程成绩、学科竞赛获奖、毕业设计等数据,借助数据挖掘方法开展了课程关联性和学生综合素质评价的研究。首先,以成绩和课程为中心,采用自适应多最小支持度关联规则算法深入挖掘了课程之间的关联性。其次,以学生为中心,采用主成分分析和SOM神经网络深入分析了大学生个体和群体的综合素质发展水平。最后,依据挖掘与分析的结果,为优化课程体系和促进学生全面均衡发展提供了有价值的信息。主要研究内容如下:(1)依据课程成绩的分布规律,并结合统计学知识,本文采用以平均分为中心,利用标准差划分成绩等级的方法完成了成绩离散化处理。其次,依据学校奖励加分细则,完成了对学生学科竞赛获奖和毕业设计成绩的量化处理。(2)由于传统关联规则算法难以挖掘小支持度事件的关联性,本文基于课程...

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

图2.IApriori算法流程图

的具体步骤如下：??步骤??，最小支持度ｍｉｎ＿ｓｕｐ，最小置信度ｍｉｎ＿ｃｏｎｆ。??一个项目的支持度＆?（Ａ?＝?１，２，…ｍ）；??一个项目，比较叉和ｍｉｎ＿ｓｕｐ，如果满足５＾ｍｉｎ＿ｓｕｐ，则将集合Ａ?；??当前得到的项集的长度，对ｒ＞ｌ，重复执行Ｓｔｅｐ４、Ｓｔｅｐ５....

图２．２?ＳＯＭ的拓扑结构??如图２．２所示，ＳＯＭ网络模型由输入层和输出层组成

?ｎ??图２．２?ＳＯＭ的拓扑结构??如图２．２所示，ＳＯＭ网络模型由输入层和输出层组成。输入层是由《个神经元??组成的一维序列，输出层的ｍ个神经元以矩阵形式排列在二维空间中。输入层神经??元通过权向量与输出层各神经元实现全互联［６Ｓ＂＾。假设输入神经元为Ｘ，，权值为气．，??传....

图2.3SOM算法流程图

硕士学位论文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??元的概率更大。当；７取适当值时，网络权值经过逐步学习最终等于输入样本这样就达到了学习向量的目的。??２．３．３?ＳＯＭ学习算法??ＳＯＭ学习算法的流程图如２．３所示。??

图24邻域为1的网格

用＋⑷表示第ｉ个神经元邻域值为ｄ时的邻域神经元，⑷＝?｛／，Ｄ（ｆ，刀＜￥，则图２．４中邻域内的神经元为＾仍＝｛８，１２，１３，１４，１８｝，５中邻域内的神经元为７＼＾２）?＝?｛３，７，８，９，１１，１２，１３，１４，１５，１７，１８，１９，２３｝。??当第１３号神经元获胜时，....

本文编号：3896323