高职智慧校园大数据的挖掘技术

施喜平 李家坤

（长江工程职业技术学院 湖北省武汉市 430212）

1 校园大数据的挖掘对智慧校园建设的意义

随着云计算、大数据在高职院校校园管理过程中的应用，高职校园数字化建设进入到一个全新的阶段。随着我国高等教育事业的快速发展，高职院校招生方式的多样化，逐渐形成高职院校学生特点的多样化。大数据的引入使用，必将对高职教育在人才培养模式、课程模式、教学模式、评价体系等等方面带来一系列的变革。

2 高职院校智慧校园大数据应用的背景

当前我国高等职业教育事业的快速发展，高职院校招生方式的多样化，逐渐形成高职院校学生特点的多样化。高职教育主要是培养技术型、应用型的高级专业人才，同普通高等教育相比，高职教育在人才培养模式、课程模式、教学模式、评价体系等等方面进行了一系列的变革。随着云计算、大数据的应用，高职教育进入的一个全新的阶段，如何应用大数据来进行教学行为，进而指导学生的学习行为。大数据背景下传统的课堂教学模式、教学评价等早已不能满足当前高职课堂教学的需要，因此各高职院校都加入了智慧校园建设中。

3 校园大数据挖掘技术

当前智慧校园建设大数据挖掘方法包括：数据分类、数据聚类分析、数据关联分析、挖掘大数据算法优化、可视化技术五类。

（1）数据分类的目的是分析输入数据，通过分析集中的数据表现出来的特性，为每一个类找到一种准确描述或者模型，这种描述常常用谓词来表示。由此生成的类描述用来对未来的测试数据进行分类。尽管这些未来测试数据的类标签是未知的，仍可以由此预测这些新数据所属的类。也可以由此对数据中每一个类有更好的理解。

（2）“物以类聚，人以群分”，数据聚类（Clustering）是人类认识世界的一种重要方法。所谓聚类就是按照事物的某些属性，把事物聚集成簇，使簇内的对象之间具有较高的相似性，而不同簇的对象之间的相似程度较差。

（3）数据关联规则是一种描述性的而非预测性的方法，经常用于发现隐藏在大型数据集背后的，项集之间的有趣关联或相互关系。20 世纪60年代，Hajek 等人在早期研究中介绍了许多关联规则学习的关键概念和方法，但是主要关注的是数学表达，而不是算法。20 世纪90年代初，IBM 公司Almaden 研究中心的Agrawal 等人将关联规则学习架构引入数据库社区。

（4）挖掘大数据算法优化。

1.分类算法：在MapReduce 框架下，一个任务通常会被分为两个阶段：Map 阶段和Reduce 阶段，且所有的操作都是基于（key，value）键值对的。图1 为MapReduce 任务工作过程。

图1： MapReduce 任务工作过程

图2：FeedBackSVM 流程图

图3：贫困生补助系统数据流程图

图4：教务系统教学过程数据流程图

图5：某课程的网络教学资源学生访问情况统计饼图

2.反馈式并行支持向量机算法实现。反馈式并行支持向量机就是将原始训练数据集分块，通过并行训练子样本集加速全局支持向量的训练速度，通过反馈，将本次迭代的结果返回初始分类器进行调整和更新，从而进一步提高分类准确率。改善目前高职学生在课堂中缺乏运用解决问题策略所需的复杂情境；教师课堂以项目教学式为主，但高职学生在各环节学习过程中缺乏主动参与性，更缺乏批判性学习思维，造成不少学生的学习情况和效果呈现出低水平认知活动。

基于这些原因，我们提出在校园大数据的挖掘优化算法中，设计和实现基于MapReduce 编程框架的反馈式并行支持向量机时，加强重视数据集的划分和如何迭代这两个问题。图2 给出了FeedBackSVM 流程图。

网络数据中最重要的是安全问题。校园信息安全，首要的是解决校园大数据产生的网络安全问题，在大数据算法优化中最著名的当属Apriori 算法。我们的大数据已经从简单的处理对象开始转变为一种基础性资源，确保这一校园基础性资源的安全，是我们选择校园大数据处理方式首要考虑的问题。Apriori 算法目前广泛应用于网络安全领域，比如网络入侵检测技术中。网络系统早期都收集审计信息来建立跟踪档，但是早些年网络审计跟踪的目的多是为了性能测试或计费，因此对网络恶意信息攻击检测提供的有用信息有限。而Apriori 算法通过模式的学习和训练可以发现网络用户的异常行为模式。

因此，当前Apriori 算法广泛应用于高职院校信息管理数据库中。随着高职院校学生来源的多样化，学校管理部门在教学工作、学工工作、学生资助专项工作难度、学生学籍管理工作等各项工作中采集的信息量和处理信息量也剧增。

例一：以学工系统其中一个功能为例，Apriori 算法加入在学工贫困生补助系统中，其运行过程如图3 所示。通过学生一卡通校园消费来精准及时后，贫困生补助系统会自动发放生活补助金帮扶贫困生。

例二：以学校教务系统其中一个功能为例，Apriori 算法加入在课堂教学师生互动系统动态数据中，其运行过程如图4 所示。可以捕捉到课堂教学中有效的教与学的数据，从而优化课堂管理，完善师生评价体系。

（5）可视化技术。数据可视化是通过借助于图形化手段，清晰有效地传达与沟通信息。

数据：解决数据的采集，清理，预处理，分析，挖掘。

图形：对光学图像进行接收、提取信息、加工变换、模式识别及存储显示。

可视化：数据与图形间的交互处理。

数据可视化分为以下五个层面：

①数据统计图表化阶段：表达收集数据结果。

②数据结果展示：集成了大量的图形、可视化算法，降低复杂的图表的成本。

③数据分析过程可视化：对数据的分析过程进行可视化，更好的探索规律、查找问题。

④VR/AR 阶段的虚拟现实的可视化：虚拟现实提升概率思维、多维数据的可视化、高密度信息的展示、以及提供情境使人们更全面地理解问题。

⑤人工智能：人和数据的连接方式。筛选大数据隐含的规律，产生指导性结论。

因可视化技术具有参与感知，群体感知和移动感知计算，目前被广泛应用于新一代人工智能领域中。

大数据可视化工具有很多种，从大部分教育工作者熟知的角度来说，常见的、便于使用的数据可视化工具，如Excel、Processing 等。其中Excel 是Microsoft Office 中的一款电子表格软件。该软件通过工作簿（电子表格集合）来存储数据和分析数据。Excel 可生成诸如规划、财务等数据分析模型，并支持编写公式来处理数据和通过各类图表来显示数据。在Excel2016 后，更是有内置Power Query插件、管理数据模型、预测工作表、Power Privot、Power View 和 Power Map 等数据查询分析工具。使用者对Excel 也比较容易上手操作。

例三：对于校园教务系统中的教学资料来说，学生每天的访问都会产生非常庞大的数据，如果能够对这些数据做到合理的利用，就可以针对学生的访问形式，制作更有针对性、更易于学生课余学习的教学资源。可视化技术在智慧校园教务系统中一个应用如图5所示。

4 智慧校园数据挖掘过程面临的问题

智慧校园帮助高职院校教育工作者全面掌握、公平的评价学生的各项学习行为，从而更好的为学生服务，使教与学达到良好的促进关系。

综上，智慧校园建设过程中的大数据挖掘过程中，面临的问题也是显而易见。由于技术应用限制、数据专业人才缺乏以及伦理道德与隐私安全风险等方面造成的挑战，需要更多技术层面的应对措施，来确保大数据时代高校的智慧校园的，使得校园内的各种设施都和信息技术建立联系，方便学生的生活和学习，加强校园的安全保护，更便于对学生的健康管理。让高职院校的学生有自信、有能力的从校园走向各技能型工作岗位，是高职院校智慧校园建设的最终目的。