数据挖掘技术在中职学生信息系统中的研究与实践

◆冯爱平

数据挖掘技术在中职学生信息系统中的研究与实践

◆冯爱平

（甘肃省定西市渭源县职业中等专业学校 甘肃 748200）

计算机网络技术、数据库的发展，都较好地适应了人们数据采集的客观需求。海量数据中的知识、规律等，成为了指导生产生活的重要潜在资源，推动了数据挖掘技术的产生。数据挖掘技术与中职学生信息系统的结合，成为学校争取高质量生源、维护学校发展的重要手段，为教育主管部门制定决策的重要参考依据。本文主要分析了数据挖掘概况、中职学生特点、挖掘学生信息的积极作用、数据挖掘学生信息方法，希望能够为相关工作提供借鉴。

数据挖掘技术；中职学生；信息系统；研究；实践

1 数据挖掘概况

1.1 含义

数据挖掘，是集中人工智能、数据库、统计学、机器学习等学科的专业优势后，发展成的新型技术，数据采掘、数据发掘都代表了相同的技术；同时存在数据分析、模式分析、决策支持、知识抽取等相近术语。数据挖掘，是以数据仓库、数据库、各类信息库为基础，充分挖掘大量数据中的有趣知识的这一具体过程。数据挖掘从狭义上，只代表了KDD中的基本步骤；而广义上，数据挖掘即揭示数据库信息全过程，隐含的、未知的、潜在的信息内容都包含在内。

1.2 过程

数据挖掘具体分为确定对象和目的、准备数据、挖掘数据、分析结果四个环节，其中数据挖掘的对象、目的是关键性环节，尽管存在挖掘结果的未知性，但是需要首先明确挖掘对象和目的。准备数据包含三大过程，数据选择、预处理、转换。数据选择，是筛选挖掘对象中的数据信息，从中找出关系到挖掘目标的数据集。数据预处理，就是筛查数据挖掘的全过程。数据转换，是针对数据集处理后的数据集，经过挖掘算法转换后，出现的可识别数据格式。数据挖掘，是以挖掘算法为对象，深入剖析已有数据，任务类型确定、选定算法、数据运算属于基本环节。结果分析，即分析、诠释数据挖掘结果，以适应用户的理解、应用需求。

1.3 常用技术

决策树、遗传算法、人工神经网络，都是数据挖掘技术现阶段的主要类别。一是决策树，即具备判定作用的算法构成的树形结构，ID3、C4.5、CART属于几种常用算法。

一般情况下，树的生成、剪枝是决策树的两个具体表现。决策树的生成，是“if…then”分类规则、归纳循环两种方法的应用过程，通过划分内部节点属性，在左子树中依次体现属性值，其中左子树归纳有需要属性，右子树为其他。决策树以根结点为基础循环，以左子树不再增加叶结点而结束；而剪枝就是减除噪声数据。

遗传算法基于达尔文进化论，以交叉、变异、复制为手段，对求解算法进行优化，具有强大搜索力、最优解能力，问题最优解已经无关于初始条件。

人工神经网络，基于生物神经元特点，以人类思维为参照，在分析、归纳、推理过程中，构建并行处理网络。数据处理，是以内部神经元为基础，完成计算和调整。人工神经网络，在容错、分布存储、自学习、并行处理方面具有一定的独立性。

C4.5算法是以信息增益率为标准确定分支属性，需要以属性增益率的计算结果为基础来比较分析，其中的最大属性，成为分支决策属性，通过合理取值来构建节点。信息增益率，是有分支下有用信息的实际占比，在增益率值增大时，表示分支中包含更多的有用信息。信息增益率优于信息增益，已经得到实践证明，能够在ID3算法应用过程中，测试属性即其中的值多属性。

C4.5算法属于递归过程，以新节点不再出现为结束，能够较好地处理连接数值属性，也能够分裂定性属性，在定量属性发生多次分裂后，如果发生数据缺失问题，缺失值产生。而节点测试，需要对节点中所含多余参数提前删减。C4.5算法具有明显的简单、高效、可靠性优势。

2 中职学生特点

中职学生的实际状况直接关系到教育效果。中职学生的成长过程易受到以下因素的影响。一是家庭结构的健全程度，直接关系到学生身心健康状况，单亲家庭下子女缺失父爱或母爱，易形成孤僻、暴躁的性格，渴望建立良好的同学、师生、朋友关系，但又怀有怀疑的态度。二是家庭教育。留守儿童处于隔代教育之下，教育效果远不及父母教育，存在明显缺失。三是家庭经济条件，会直接影响到学生自信心，贫困学生很难建立起较强的自信息，容易自卑、敏感、情绪低落。四是家长文化，决定了家长的教育方式，能够在知识认知方面直接影响到孩子。文化程度低、家庭富裕子女，易产生知识无用论，过分看重社会关系。五是性格因素。性格开朗时，朋友多、善于沟通；性格内向时，好静、自觉性强、不善沟通、易被忽视。六是学校教育。基于中职学生中等偏下的初中学历，很难达到重点高中录取线，初中阶段的学习过程往往不受重视，受教育程度偏低。七是社会偏见。中职生只能担任简单、复杂工种的普遍认知，导致亲戚朋友、周边的人轻视职业学校，严重影响到学生自信心的建立和积极生活态度的养成。八是学生的心理健康状态，与他们对周边人和事所有的态度息息相关，进而影响到学生的受欢迎度和价值观念的形成。

影响中职生成长的因素，会产生不同程度的作用，必须经过综合分析。心理健康、性格属于固态因素，可在青少年阶段进行塑造，能够以发展的观念作为数据分析学生现状的基本原则，体现出教育决策过程中的前瞻性与实时性。综合分析，可以教育效果的相关联系，确定数据挖掘变量因子，例如性格、家长文化程度、家庭教育等。

3 挖掘学生信息对教育有效性的积极作用

海量学生数据，必然蕴含大量的学生教育信息，数据挖掘技术能够从中提取有用信息，同时结合教育学、心理学，合理制定相应的教育策略，以便于采取合理的海量数据处理方法，多维度、多角度地分析数据关系和内在规律，全面提升大量信息的有效利用率，以此转化海量数据为信息资源，以便于在决策过程中提供数据支撑。

4 数据挖掘学生信息的方法

中职学生的现状分析，要求以收集新生入学信息为首要环节，信息登记表、性格测试表等都可作为重要参考资源；以数据挖掘目标为基础，筛选、变换原始数据，根据其与教育效果的关联性，合力构建学生现状分析数据库；数据库分析过程，需要以数据挖掘软件为工具；最后以分析结果为基础，确定中职学生的特点、规律，以此采取相应的教育策略。

4.1 学生信息数据挖掘原理与结果

本次以2018年重庆市轻工业学校1000名新生入学时的登记表作为数据挖掘对象，经过SPSS数据挖掘软件后，聚类分析学生信息。

聚类分析，是“物以类聚，人以群分”理念应用于数据挖掘的一种方法，是在相似性原则之下，得出样本的具体间距。如果间距数值较小，可以直接归于同类，或是一簇。划分算法，属于聚类分析，需要首先完成k个划分的创建，k表示划分个数；循环定位技术，是一个划分向另一划分转移过程中，可借助的质量划分改善方法；质量或准则函数，能够在求解优劣方面发挥作用。准则函数的应用，能够在聚类结果中获取最优解。

平方误差较为常用，可用于质点距离的平方和计算。

解的较多数量，可能会有组合爆炸的产生，能够借助简单方法检验含k个簇的所有集合，S（n，k）次检验后得出结果；

在n各对象、元组数据库确定后，需要通过划分算法，得出数据划分的具体数值k，以簇表示每一个划分，k≤k。

挖掘工具能够在相似性原则之下划分1000名新生的现状为四类，如表1。

依据挖掘结果，可以得出第一类学生的占比数为54.7%，即超过半数的学生住在偏远地区、父母文化程度低且外出打工，以留守子女状态形成内向的性格，但心理健康、缺失家庭教育，是教育决策的重点考虑对象。第二类学生的占比数为15.3%，以家庭结构完整、条件良好、近郊居住、父母文化程度高且严格要求子女的基本情况，形成学生开朗的性格，心理健康。第三类学生的占比数为10.2%，是在不佳的家庭环境、父母一般的文化程度和严格教育下，形成开朗的性格。第四类学生以20%的较大比重，近郊区县、父母离异且外出打工，导致学生的安全感丧失，容易自卑，需要教育工作者重点关注。总之，偏远地区的打工子女占到所有中职生的大部分，父母离异数量较高，普遍存在隔代教育，文化程度低，家庭贫困，家庭教育相对缺失。这种情况下，中职生不能建立起自信心，内向安静。

5 结束语

数据挖掘技术是现代科技进步的大环境下出现的新兴技术，具有一定的应用条件，适应了大数据时代海量信息的应用、分析和管理。而中职学生信息系统与数据挖掘的结合，能够以分析对象、合理算法为基础，依据影响中职生教育效果的具体因素，将数据挖掘得出的数据结果应用于教育领域发挥，以其明显的功能优势，顺应了现阶段的客观形势，以便在中职学校教育决策过程中提供重要的信息数据，提高每一项决策内容的科学、合理性。

[1]王军，何旭.基于数据挖掘的高职学生行为分析模型构建与研究[J].现代信息科技，2020，4（18）：119-121.

[2]邓连瑾.基于数据挖掘技术的高职信息资源获取研究[J].天津职业院校联合学报，2019，18（4）：99-105.

[3]陆涛.数据挖掘技术在高职学生信息系统中的研究与实践[J].信息系统工程，2018（5）：149.

[4]陈燕纯.数据挖掘技术在高职院校就业信息分析的应用研究[J].科技展望，2017（11）：24-25.

[5]李亚东.数据挖掘技术在高职院校学生就业指导中的应用研究[J].创新创业理论研究与实践，2019，2（17）：149-150.

[6]张佳.探析关联规则数据挖掘在学生信息管理中的应用[J].电脑编程技巧与维护，2018（8）：89-90，102.