卢 发

（广东省江门市第一职业高级中学，广东 江门 529000）

以数据挖掘提高计算机课堂效率探究

卢 发

（广东省江门市第一职业高级中学，广东 江门 529000）

文章通过计算机课堂中积累的各种学生行为数据，用Sqlserver 2005和Excel 2007进行了数据挖掘，得出了许多新颖的观点，有利于提高计算机教学课堂效率。

数据挖掘；课堂效率；学生管理

1 数据挖掘概念

数据挖掘（Data Mining，DM）也叫数据开采或数据采掘，就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。现存的信息系统的数据量非常大，而其中真正有价值的信息却很少，因此从大量的数据中经过深层分析，获得有利于业务运作、提高竞争力的信息，就像从矿石中淘金一样，数据挖掘也因此而得名。这种新式的信息处理技术，可以按既定业务目标，对大量的数据进行探索和分析，揭示隐藏的、未知的或验证已知的规律性，并进一步将其模型化。

具体的数据挖掘方法有：统计和可视化、聚类、关联分析等。

2 聚类分析应用

聚类分析是根据所选的变量对研究对象进行分类，聚类的结构仅仅反映了所选变量定义的数据结构，所以变量的选择在聚类分析中十分重要。一般而言，所选变量要符合以下要求：（1）和聚类分析的目的密切相关；（2）要反映分类对象的一般特征；（3）在不同研究对象上的值具有明显的差异；（4）变量之间不应该高度相关。

2.1 以学生课堂表现进行聚类

在现代的中小学校园里，都比较流行对学生的“量化评估”即实行“平时分”课堂管理制度，“平时分”无疑在衡量学生课堂表现中起到标尺的作用，但是在具体操作过程中，我们发现平时分制度在很多班级的实际应用中存在重大缺陷，并且有时候在一定程度上已经变得形同虚设了。

问题出现在有些班级学生的素质参差不齐，好的学生非常好，不守纪律的学生视纪律如无物，老师设定原始操行分为80分，但是有些学生由于课堂表现太差等原因，分数被扣很多，已经变成负值了，这导致不少学生不在乎操行分，甚至有些学生变得自暴自弃。

如何解决这些问题，在开学一定时间后（如2～3周），通过对学生平时分的聚类分析，找出相同类型的学生，分值高的一类，中等的一类，分值比较低的一类，三类学生都有不同的特征，每类学生里都有一定的相似点。当然学生都在不断进步发展之中，因此要每两周重新评估学生分类情况，适时调整策略。平时分聚类如图1所示。

图1 德育分聚类

聚类分析的结果显示，根据学生的平时分把学生分为3部分，一部分是100分（含）以下的为分值较低的一类，分值一般的从100～140之间，最高的一部分是140（不含）以上的。

2.2 以学生情况进行聚类

多年的教学经验告诉我们，学生的家庭情况对学生在学校的是至关重要的，因此通过把学生的家庭进行聚类分析把家庭环境相似的学生归为一类，另外把违纪情况相似的也归为一类，以进行针对性的德育辅导，做到因材施教。

把学生家庭背景中的相关变量：父母学历、父母工作单位、职务、家庭的完整性等作为聚类变量。为了能更好地衡量不同家庭背景的情况，把学历、工作单位、职务、完整性等进行数字化，再进行聚类。

2.3 学生其他情况聚类

构造一个二维交叉表，其中数字是课堂违纪的次数（见表1），违纪聚类如图2所示。

表1 学生违纪二维表

图2 违纪聚类

有了聚类分析，平时分管理制度的存在就有了新的理由，不管是在学生眼里还是教师眼里，在同一类（以平时分作聚类得出）学生里，哪些学生的分数有了变化；如重新聚类是否会跑到别的类去了；分数更高的类还是更低的。

3 关联分析应用

关联规则挖掘就是从大量的数据中挖掘出有价值描述数据项之间相互联系的有关知识。随着收集和存储在数据库中的数据规模越来越大，人们对从这些数据中挖掘相应的关联知识越来越有兴趣。例如：从大量的商业交易记录中发现有价值的关联知识就可帮助进行商品目录的设计、交叉营销或帮助进行其他有关的商业决策。

由于课堂违纪在学生违纪中较为普遍，所以，对其进行相关分析显得十分重要。对同某一星期（第7周）里实际发生的违纪情况数据（部分）如表2所示。

表2 学生课堂违纪情况

面对如此多的违纪，作为老师，只能教育，手段可以多种多样，如私下谈心、严格要求、恶性惩罚、通知家长等，但是，我们仔细分析上表会发现，有些同学如果迟到回来后可能会上课讲闲话，如果旷课回来后可能会瞌睡。学生违纪关联分析如图3所示。

图3 学生违纪关联分析

通过以上的分析，我们意外地发现，如果一个学生不做眼保健操，那么可以肯定他必定会上课说话，另外上课说话的也会上课打瞌睡。

关联分析工具是基于现有数据得出一个相对客观的结论，有经验的教师在教学中往往也能得到同样的结论，但是，经过数据挖掘，从理论上得出结论，往往比老师的经验更具说服力，从而避免了某些教师由于侥幸心理作出不利于课堂稳定的决定。

4 结语

数据挖掘确实是个好东西，其中的聚有分析和关联分析是进行数据挖掘的重要手段，能够从毫不起眼的、别人以为无用的一堆班级统计数据里发现一些很有创意的观点，这些观点不是凭空想象出来的，而是由实际数据得出的，让人不得不信服。

对已经形成的学生情况调查表进行分析、整理、判断，如果采用聚类分析的方法，借助于SPSS，SAS等统计软件，不仅省时、省力，而且结果客观得多，能够发现许多意想不到的观点，在学生违纪前就观察出蛛丝马迹，把许多重大违纪现象扼杀在萌芽阶段。

当然数据挖掘并不是无所不能的，并且也有自身的不足。如聚类分析应用于班级的研究领域毕竟是一种新的尝试，还存在许多问题，如聚类的方法具体包含多种，使用哪一种应根据研究需要慎重选择；无论是关联分析还是聚类分析，都只是数据的反映，而且是历史数据的反映，同样的数据不一定得出相同的结果，课堂管理的对象是学生，如果只刻板地由数据挖掘得出结论，并由此作出决策的话，可能会犯下严重错误。

Study on improving the ef fi ciency of computer classroom by data mining

Lu Fa
（The First Vocational High School of Jiangmen City in Guangdong Province, Jiangmen 529000, China）

This paper uses the student behavior data accumulated in computer classroom, came up with a lot of novel viewpoints by using Sqlserver 2005 and Excel 2007 to carry on data mining, which helps to improve the ef fi ciency of computer teaching classroom.

data mining; classroom ef fi ciency; student management

卢发（1977— ），男，广东江门人。