基于数据挖掘的高职院校课程体系建设和优化的应用研究

曾振东

摘要：随着高职院校在国内教育领域占据地位的逐步提升，高职院校教学质量也引起了教育部门的高度重视。由于高职高专院校对人才的培养更加注重实训能力，所以，课程体系的建设较之普通高校有着一定程度的差别，如何实现高职院校课程体系建设的科学性和合理性成为了目前高职院校管理者所面临的一项重大研究课题。该文主要以数据挖掘技术为基础，探讨其在高职院校课程体系建设和优化中的应用，以此来为高职院校更科学的构建符合其发展目标的课程体系提供有力的决策支持，进而提升高职院校的教育教学质量。

关键词：数据挖掘；高职院校；课程体系；设计与优化

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2018）04-0104-03

在素质教育理念不断深入的情况下，高职院校对于人才培养目标的制定，也逐步倾向于培养学生的综合能力。近年来，为了从根本上实现教学目标，高职院校对课程体系进行了不断优化与完善，同时借助数据挖掘技术，对课程体系建设中产生的大量数据进行挖掘、分析、总结，以此来给课程体系建设的科学性和完善性提供保障，这一举措，对高职院校教学质量的提升也起着很大的推动作用。

1 数据挖掘概述

1.1 数据挖掘的概念

所谓数据挖掘，主要是指利用特定的算法在大量数据信息中搜索隐藏于其中信息的过程。数据挖掘是依托于计算机技术和网络技术的一种信息搜索技术，在信息搜索过程中，不仅包含了必要的计算机科学技术，同时还要借助在线处理分析、情报检索、专家系统和模式识别等方法，来实现信息搜索的快速性和准确性。与其他数据信息搜索技术相比，数据挖掘技术的适用对象更加广泛，无论是结构化数据还是非结构化数据，都可通过处理后实现数据挖掘，因此，具有更高的应用价值。

1.2 数据挖掘的功能及过程

描述和预测是数据挖掘技术的两个主要功能，其中，描述功能主要是通过对数据信息共同特点及联系的分析，对其进行归类、汇总，相关技术主要包括数据分析、聚类分析和偏差检测等。预测功能则主要是以现有数据信息为基础，按照一定规律对未知的数据进行预测，主要包括统计方法、序列模式和关联规则等，本文在对高职院校课程体系进行建设和优化时所依据的就是关联规则。数据挖掘的具体过程如图1所示。

2 高职院校传统课程体系建设中存在的问题

高职院校课程体系建设在教学改革背景下显得尤为重要，不仅关系着教学质量的提升，是学校人才培养的基石，同时也是高职院校可持续发展的根本保障。高职院校传统课程体系建设中存在诸多问题，只有将这些问题一一解决，才能够使课程体系更具科学性，实现职业教育现代化。

2.1 课程体系结构不符合高职院校的教育特点

在过去的时间里，尽管高职院校管理者在制定课程体系时，充分考虑了教学目标和学生学习特点，致使课程体系结构具有一定程度的科学性和合理性，但随着素质教育理念的不断深入，“以人为本”的教学理念逐渐被重视起来，将该理念融入到课程体系中势在必行，传统课程体系并没有对此给予过多关注，所以在全新教学理念下，显得相对而言滞后了一些。与此同时，没有考虑生源状况和学生需求多元化这一问题也使课程体系结构的科学性大打折扣，不仅导致学生知识面窄，而且学习效率不高，增加了高职学生的就业难度。

2.2 课程设置缺乏针对性

目前，大部分高职院校在课程体系建设时，容易受到办学形式的影响，从而随意更改课程内容，导致基础课和文化课的内容衔接不恰当，甚至脱节，不能形成一个完整的教学体系。此外，部分高职院校课程设置时采取“拿来主义”，没有从结合人才培养目标制定教材，而是随便订购、使用，导致教材中部分内容与学生专业并不相符，给教学活动造成了困难。

2.3 理论与实践联系不够紧密

高等职业教育以“為生产、服务、管理第一线培养高级技能实用性人才”为目的，要求毕业生具有一定岗位职业能力的针对性和适应性，主要从事成熟技术的应用与运作。这一办学目标决定了其课程设置必须将理论与实践的结合充分体现出来。但就实际情况来看，整个课程体系结构理论和实践相脱节的现象十分严重，并不能为教学目标的实现提供帮助，具体表现在以下几个方面：1）理论课和实践课比例不等。目前，高职院校的课程体系结构普遍存在理论课课时多，实践课课时少的情况。很多学校设置为2：1，甚至还有部分院校是3：1。在这种课程体系下，学生理论知识没有足够的实践活动来巩固，久而久之，学生的实践操作能力势必会受到影响。2）基础课为专业课服务的观念薄弱。基础课和专业课是高职课程体系的两个重要组成部分，在培养学生综合能力的过程中缺一不可。但目前高职院校的基础课教师和专业课教师存在各自为政，互不干涉的现象，导致教学内容不能有效结合，理论与实践相互脱节。3）课程内容陈旧，缺乏实用性。一方面，理论课的内容陈旧知识过多，而且容量较大，缺乏实用性；另一方面，专业课程内容的设置与工作岗位没有密切联系，一些已经被市场淘汰的技术、设备、标准仍然会出现在高职课堂上。这样一来，无论高职院校教学质量多高，培养出来的学生也无法满足经济市场的发展需求。4）课程内容存在重复、教学方式方法偏重于以教师为主的单向灌输。学生在课堂上的主体地位没有得到充分体现，学习效率不高，也是当前高职院校课程体系建设的一个弊端所在。

3 基于数据挖掘的高职院校课程体系建设和优化的应用研究

从上文的分析我们能够看出，当前高职院校课程体系的构建存在诸多问题，这不仅会影响到教学质量的提升，而且还会阻碍高职院校的可持续发展。因此，加大课程体系建设和优化力度，从根本上提高课程体系建设质量至关重要。本次研究主要以数据挖掘技术为主，采用关联分析的方法，利用学生几门课的成绩找出学生成绩所开设课程之间隐藏的联系，并以此为依据对当前高职院校课程体系进行优化与完善。

3.1 数据准备

本次研究的数据主要来自于某一高职院校成绩数据库，从大量成绩数据中，我们选取2015级计算机网络技术专业学生的4门功课作为研究对象，这4门功课分别为：计算机组装与维护、计算机网络基础、网络设备管理与配置和云计算与虚拟化服务。其中，计算机组装与维护、计算机网络基础和网络设备管理与配置是基础课程，云计算与虚拟化服务则为专业课程。为了方便对成绩数据进行分析，笔者将所有数据进行了整理、统计。见表1：

表格中的数字“1”和“0”表示的是事务中是否存在某一项目。上文中提到的4门课程是该高职院校教学改革的重点学科，每一门课程都实现了“教”、“学”、“做”一体化改革，同时也对课程评价体系进行了优化与完善，只有“教”、“学”、“做”三个环节总评在80分以上，才能视为优秀，表格中数字“1”代表的就是存在优秀项，数字“0”则代表不存在该项。同时，为了方便书写，我们将4门课程也采用相应的字母代替，计算机组装与维护、计算机网络基础、网络设备管理与配置和云计算与虚拟化服务的各门成绩分别为：a1、b1、c1、d1。

3.2 APriori关联算法的应用

支持度和置信度是数据挖掘中关联规则挖掘的两个重要因素，两者缺一不可。所以，我们若想对上述成绩数据进行关联规则挖掘，首要任务就是确定支持度和置信度。假设最小支持度和置信度分别为33.3%和60%。数据库中有30个事务，即|D|=30，使用APriori关联算法寻找D的频繁项集。在算法的第一次迭代，每个项都是候选1-项集的集合E3的组成部分。APriori关联算法对所有事务进行简单扫描，然后将每个事务出现的次数记录下来。最小事务支持计数为10，即min_SuP=10/30=33.3%，可以确定频繁1-项的集合L1，它由具有最小支持度的候选1-项集组成。L1项集计算完成后，接下来就是发现L2项集，这一环节主要采用自然连接算法，通过该算法产生L2的候选项集C2。扫描D中所有事务，计算C2中每个候选项集的支持计数并确定频繁2-项集的集合L2，它由具有最小支持度的候选2-项集组成。如果在实际分析过程中需要产生候选3-项集的集合C3，同样可以采用上述算法进行计算。

就APriori关联算法的计算原理来看，计算过程中所涉及的频繁项集的所有子集都应是频繁的，如果某个子集不能满足频繁要求，那么就应将其从集合中剔除。在对该高职院校学生成绩数据进行挖掘的时候，我们发现前两个候选是不能满足频繁需求的，所以在进行数据挖掘时，需要将其从C3中删除。这样，我们在此后扫描D确定L3的时候就可以不用考虑它们的计数值。扫描D中事务生成L3，它由具有最小支持度的候选3-项集组成。至此算法终止，找到了所有的频繁项集。过程如下：

支持度计算完成之后，接下来就是根据置信度公式计算最终频繁项的各非空子集的置信度，具体计算结果如下：

E3=E2ΛE4，confidence=10/30=76.9%

E2=E3ΛE4，confidence=15/30=66.6%

E4=E2ΛE3，confidence=10/16=62.5%

E2ΛE3=E4，confidence=10/12=83.3%

E3ΛE4=E2，confidence=10/10=100%

E2ΛE4=E3，confidence=10/13=76.9%

上文我們假设最小置信度应为60%，以上计算结果均大于这一数值，因此上述内容均具有参考价值，由此产生的关联规则为：

1） E3优秀时，E2ΛE4中同时优秀的可能性大于76.9%

2） E2优秀时，E3ΛE4中同时优秀的可能性大于66.6%

3） E4优秀时，E2ΛE3中同时优秀的可能性大于62.5%

4） E2ΛE3同时优秀时，E4中优秀的可能性大于83.3%

5） E3ΛE4同时优秀时，E2中优秀的可能性大于100%

6） E2ΛE4同时优秀时，E3中优秀的可能性大于76.9%

3.3 研究结果

通常上述研究结果我们可以看出，在本次研究所选取的4门课程中，除计算机组装与维护这一学科之外，其他三门课程之间存在着必然联系，每一门课程成绩对其他课程成绩都有着不同程度的影响。从数据分析结果来看，计算机网络基础和网络设备管理与配置作为非常重要的两门专业技术课，对云计算与虚拟化服务这一专业课的影响很大。反之，云计算与虚拟化服务对计算机网络基础和网络设备管理与配置这两门课的影响却较小。由此可见，高职院校管理者在对计算机工程系进行课程建设时，需要将计算机网络基础和网络设备管理与配置作为主要课程，而云计算与虚拟化服务这门课程则可以根据企业和用人单位的需求选择是否开设。专业课开设于专业基础课之后，结合以上数据，我们可以认为它们对专业基础课的影响并不大，所以专业课可以根据社会的需求灵活设置，这个结果可以应用于当前形势下的高职教育。高职教育培养的是符合市场需要的应用型人才，因此必须根据市场变化灵活地安排课程，参考本研究结果可以合理安排每个学期的课程。

4 结束语

综上所述，课程体系建设与优化是否科学、完善，不仅关系着高职院校教学质量的提升，而且对教学目标的实现也具有很大促进作用。从本文的分析我们可以看出，课程体系建设若想满足教学需求，就必须从多方面着手，利用数据挖掘技术对课程体系构建中涉及的数据进行分析、整合，除了要更新课程内容，调整课程结构之外，还要注重理论与实践的有效融合。除此之外，在对高职院校课程体系进行建设的时候，还应该考虑基础课与专业课之间存在的联系，使课程体系中的每门课程都能相互衔接，使其构成一个有机的整体。只有这样，才能够确保课程体系建设符合高职院校的办学理念和教学目标，为教学目标的顺利实现提供充足的保障。

参考文献：

[1] 徐涌霞.数据挖掘技术在高职高专教学质量评价体系中的应用研究[J].淮北职业技术学院学报，2013（12）.

[2] 吴天兰，徐俊芳.基于数据挖掘的高职教学评估系统的构思[J].江西科学，2012（2）.

[3] 任锁平.基于数据挖掘的高职教学质量监控评价系统设计及应用[J].电子设计工程，2015（16）.

[4] 龚福明，尚洁.论高职院校以“培养力”为主轴的绩效评估体系[J].武汉交通职业学院学报，2013（4）.