数据挖掘技术在生源质量分析中的应用

统计学专业论文题目（供参考）

统计学专业论文题目（供参考）统计学专业本科毕业论文参考选题统计学基础理论研究1．能源消耗的统计评价方法研究2．新时期统计需求问题研究3．知识经济条件下国民经济部门分类研究4．网络经济条件下的统计制度方法问题研究5．课堂教学评估体系与方法研究6．统计数据在政府管理信息化过程中开发利用的方法论研究7．新时期统计监督的特点与对策8．关于统计文化建设的思考9．正确处理统计国情化与国际化的关系问题研究10．论统计数据挖掘在经济研究中的地位11．网络环境下的统计信息服务问题研究12．北京市某专业领域统计信息系统研究13．我国（某省）普通高等教育生源变动趋势与对策研究14．经济普查的理论与方法研究15．高校学生（商品库存、进销存或工资）管理系统模拟仿真系统分析16．知识型产业的统计及其统计指标体系研究17．灰色系统建模技术研究18．周期性普查与经常性统计制度及其调查数据的衔接问题19．实现统计调查一体化的思路20．工、农产品比价的合理范围界定的统计研究21．论建立满足现行体制管理需要的统计调查体系与核算体系的可行性22．服务业调查方法体系的构建与实施23．提高统计数据质量的对策研究24．民生统计指标体系的构建25．统计方法如何适应分级管理需要问题的研究26．构建统计数据监控体系的思考27．电子网络技术与传统调研方法结合问题的探讨28．统计预测中奇异值处理方法研究29．北京市服务业发展结构特征、问题及对策研究30．政绩考核评价指标体系的构建与实证分析31．内需与外需的理论界定及统计方法研究32．统计需求与统计供给问题33．国外统计制度方法的比较研究34．人口迁移的统计方法研究35．住户调查样本采集及抽样框设计研究36．统计工作成本问题37．我国收入统计存在的问题及其改革38．北京工商大学经济学院毕业生就业情况调查39．市场调查中样本数据“缺失值”问题研究40．抽样调查中样本代表性问题研究41．抽样调查中样本轮换问题研究42．中国地区区域创新能力评估指标体系与实证研究43. 我国居民消费价格指数编制存在的问题探讨及其改革44. 城乡统筹的评价指标体系与实证分析45. 高校学生评教指标体系的构建与分析46．社会发展水平综合评价技术及应用研究47．我国人口动态统计问题研究48．我国失业统计问题研究49．***省普通高等教育生源变动趋势与对策研究50．我国高等院校扩招问题调查分析51．统计工作信息化发展分析统计学方法的应用研究1．股票市场价格指数的计算及应用研究2．抽样调查方法在产品服务质量控制方面的应用研究3．某高校学生的心理健康统计分析4．聚类分析法在市场消费群体划分中的应用研究5．多元统计分析方法在分析股票市场价格波动中的应用研究6．因子分析法在中小企业板块上市公司综合业绩评价中的应用7．北京城乡统筹发展主成分影响因素分析8．耐用消费品需求预测模型及其应用研究9．ARCH族波动模型研究及其在股票市场中的应用研究10．北京市各区经济状况的评价方法研究11．经济模型的参数估计方法研究12. 某省市工业行业结构特征的因子分析15．日常消费品需求市场调查方法其应用研究16．数据挖掘技术在统计决策支持系统中的应用研究17．VaR方法的理论基础及其在我国的应用研究18．判别分析方法在市场调查中的应用研究19．判别分析方法在医学领域的应用研究20．判别分析方法在银行贷款中的应用研究21. 最优加权组合法在能源消耗预测中的运用研究22．运用蒙特卡罗方法求解随机性问题23．某省各县市经济发展的聚类分析24．北京市未来产业化构成聚类研究25. 统计方法在产品服务质量控制方面的应用26. 大数定律在保险和风险管理中的应用27. 辅助变量的选择原则与应用28. 统计分析方法在投资分析中的应用29. 团体寿险精算定价研究30. 最优加权组合法在粮食产量预测中的运用研究31．生命分布模型建模其应用研究32．分类生命表统计模拟分析其应用33．通胀条件下的寿险精算定价研究34．不同身高与体重的寿命分布研究35．灰色聚类分析及其运用；36．模糊评估分析及其运用；37．模糊数学在上市公司信用评价中的运用；38．模糊数学在教学（学生）评估中的应用39．某省各县市产业结构的聚类分析40．基于因子分析法的上市公司财务状况评价研究41．基于多元统计的某省经济分区研究42．统计方法（如回归等）对消费情况的分析和预测43．中国人口年龄结构变化与养老问题研究44．GDP总量的国际比较方法分析45．ARMA模型在相关领域的应用（股价预测、分析消费物价指数）46．ARIMA模型在宏观经济分析中的应用47．最优加权组合法在GDP预测中的运用研究48．多元统计方法的****综合评价研究49．因子分析在某省利用外资效果评价中的应用50．统计方法对消费情况的分析和预测国民经济核算1．季度GDP核算方法的探讨2．地区生产总值核算存在的问题及对策研究3. 消费质量的统计测度研究4．投入产出核算表的编制方法研究5．北京市市农业生产的投入产出分析6．哈尔滨市工业部门最终产品变动对其他部门总产出影响分析7．非市场服务产出的核算范围与方法研究8．我国资产负债核算方法研究9．我国税收与GDP相互关系的研究10．影响消费者购买决策的因素分析11．加入GDDS对提高我国统计数据质量的影响分析12．某行业统计核算指标体系及数据获得方法的研究13.对进出口总额与国内生产总值关系的分析14. 资源租金核算理论与方法研究宏观经济统计分析1．地区间经济联系的统计分析2．地区知识积累能力与经济发展水平差异3．城市化进程中(哈尔滨)就业态势与趋势分析4．主要农副产品季节需求变动分析5．教育均衡发展指标体系的构建与实证分析6．某省人均地区生产总值的时间序列模型及预测7．基于logit模型的居民住房购买行为分析8．北京低碳经济发展的定量分析9．基于人工神经网络的北京市地区生产总值的预测研究10．股市发展对经济增长贡献的实证研究11．北京信息产业对投入产出贡献分析12．基于消费意愿的量价模型分析13．北京市第三产业科技创新的最优路径分析14．区域科技创新能力研究15．北京市资源节约型社会进程指数设计16．某省市经济外向度的实证研究17．灰色系统预测方法在我国私人汽车拥有量预测中的应用18．FDI对北京市产品出口影响的实证分析19．北京农村服务业发展模式实证研究20．北京工业产业集群发展实证研究21．我国经济开放度与经济增长关系的实证研究22．某省与沿海发达地区城镇化发展比较研究23．北京绿色食品产业贡献率的统计测定24．北京农村劳动力供给的潜力与趋势研究25．北京经济结构的定量分析及调整问题研究26．北京市餐饮业发展状况统计研究27．地区GDP修订问题研究28．北京市经济增长质量的实证分析29．哈尔滨社区便民服务商业发展趋势统计技术应用分析30．我国东西部城镇居民收入差距实证分析31．我国统计教育面临的问题与对策研究32．北京市居民消费与GDP的误差修正模型与应用研究33．北京市居民消费结构变化对产业结构变动影响的定量分析34．北京市农村居民人均食品消费支出的定量分析35．从产业结构看我国农村经济36．北京市城市基础设施建设的统计分析37．哈尔滨高新技术产业竞争力统计研究38．我国能源供求问题的研究39．北京居民全面小康进程实证分析40．我国就业与经济增长的计量分析41．通货膨胀与经济增长关系的统计分析42．“假日经济”对GDP的贡献研究43．影响农业产值的因素分析44．我国电力供求问题的统计研究45．我国科技进步贡献率的测度46．关于哈尔滨市居民消费性支出的变化分析47．北京市经济普查数据的开发利用研究48．我国劳动力供求问题的研究49．某省（市）经济外向度实证研究50．农产品供需变动的统计分析51．我国汽车行业的发展趋势分析及其预测52．某省市零售市场周期波动实证研究53．教育发展水平与地区经济实力相关性分析54．北京市农村服务业发展模式实证研究货币金融及投资统计分析1．共同基金整体绩效评估方法与实证分析2．应用GJR模型和Monte Carlo模拟法测定上证综指（或其它经济指标）的VaR风险3．股票日收益率特征及其与交易量关系的实证研究4．CAPM在沪深股市的有效性检验及两市联动性的统计分析5．金融企业绩效的统计分析6．金融企业竞争力统计分析7．哈尔滨市推行农村小额信贷的对策研究8．金融市场统计指标体系研究9．中央银行统计指标体系研究10．证券投资基金业绩评价及实证分析11．北京市金融业投资结构与投资方向统计分析12．哈尔滨市房地产市场调查方法的研究13．北京市上市公司高层管理人员薪酬影响因素的实证研究14．农村小型金融机构发展的实证分析15．期货市场的健康发展的途径分析16．我国家族上市公司的治理结构与公司绩效研究17．北京市上市公司董事会行为与公司绩效研究18．民间投资进入公共投资领域问题应用研究19．风险投资、高新技术产业与技术创新的实证研究20．完善现代农村金融制度的对策研究21．哈尔滨市商业银行利润增长率趋势统计技术应用分析22．我国风险投资机构竞争力研究23．哈尔滨本土上市公司经营状况统计分析24．信息不对称下的风险投资契约研究25．投资基金制度对金融发展影响研究26．我国价格波动传导机制的研究27．金融风险管理的统计方法研究28．我国金融市场的风险分析29．投资增长变动趋势及其影响分析30．企业投资风险的统计分析方法应用31．我国股市收益率分布特征的统计分析32．我国货币供求问题的研究33．关于我国物价形势的统计分析34．人民币汇率变动对我国进出口贸易的影响分析35．我国（某省）三次产业结构变动的统计分析企业经济统计分析1．我国中小企业新产品开发与生产能力分析2．企业绩效评价的实证研究3．某省环境保护综合评价4．企业间交易费用水平的定量研究5．北京市水资源状况分析6．工业企业经济效益综合评价的应用研究7．产权结构与经济效益关系的统计分析8．****产品北京市场的顾客满意度研究9．某省工业化进程统计测度及实证分析10．某省城市化进程统计测度及实证分析。

2020年中级银行职业资格《个人贷款》试题(网友回忆版)

2020年中级银行职业资格《个人贷款》试题（网友回忆版）[单选题]1.下列关于商业性个人住房贷款利（江南博哥）率政策的表述，正确的是()。

A.按商业性贷款利率执行，在区间上限、下限均实行管理B.按商业性贷款利率执行，在区间内上限管理，下限放开C.按商业性贷款利率执行，在区间内上限放开，下限管理D.按商业性贷款利率执行，在区间内上限、下限管理均放开参考答案：C参考解析：个人住房贷款的利率按商业性贷款利率执行，上限放开，实行下限管理。

根据规定，个人住房贷款利率浮动区间的下限为基准利率的0.7倍，其中，二套房贷款利率浮动区间的下限为基准利率的1.1倍。

[单选题]2.关于个人商用房贷款，下列说法错误的是()。

A.商用房为二手房的，应取得房屋所有权证及土地使用权证（不动产权利证书）B.商用房所占用土地使用权性质为国有出让或划拨，土地类型为住宅、商业、商住两用或综合用地C.商用房为一手房的，该房产应为已竣工的房屋，并取得合法销售资格D.个人商用房贷款期限最长不超过10年参考答案：B参考解析：B项，商用房所占用土地使用权性质为国有出让，土地类型为商业、商住两用或综合用地。

[单选题]3.个人风险评价中的信用评分模型，运用先进的数据挖掘技术和统计分析方法，对消费者进行系统分析，发展出预测性的模型，以()来综合评估消费者未来的某种信用表现。

A.在待定群体中的信用等级B.信用评分值C.当年的综合收入D.当年的消费总金额参考答案：B参考解析：信用评分模型运用先进的数据挖掘技术和统计分析方法，通过对消费者的人口特征、信用历史记录、行为记录、交易记录等大量数据进行系统分析，挖掘数据中蕴含的行为模式、信用特征，捕捉历史信息和未来信用表现之间的关系，发展出预测性的模型，以一个信用评分来综合评估消费者未来的某种信用表现。

[单选题]4.以下不属于个人住房贷款第一还款来源考察的是()。

A.经营收入B.租金收入C.处置抵质押物收入D.工资收入参考答案：C参考解析：第一还款来源一般是指借款人生产经营活动及与其相关的发展与其的产生直接用于归还贷款方的现金流量总称，具体包括工资收入、租金收入、投资收入和经营收入等。

新高考改革模式下的高校招生信息管理系统设计与分析

I G I T C W技术分析Technology Analysis64DIGITCW2024.01随着我国新高考改革的推进，如何提供信息服务以让考生和家长更好地了解学校信息已成为高校招生宣传工作的重点。

当前，各高校招生部门都在积极开展学校招生宣传体系的建设，然而烦杂的日常业务工作与紧张的人员编制制约着部分高校相关工作的开展；同时新高考的新变化也对高校招生工作提出了新的要求，因此建设一套完整的高校招生综合服务平台以兼顾学校招生部门业务管理、考生服务、数据分析等需求很有必要[1]。

高校以往使用的录取系统、招生宣传官网、在线咨询平台、录取通知书打印、数据分析报告、迎新系统、招生数据上报等各类系统相对独立，数据流通大多依赖手工导入导出，维护和更新难度很大[2-3]，可需设计一个高效的管理、服务、宣传、统计分析功能于一体的招生综合服务平台。

1 需求和挑战（1）在信息采集方面。

新高考改革涉及多类型、多形式、多来源的信息，包括考生基本信息、成绩信息、综合素质评价信息、志愿填报信息等，以及分省份、学校、专业的招生政策与计划、录取规则与投档数据等。

这些信息需要高校招生信息管理系统能够及时、精准地新高考改革模式下的高校招生信息管理系统设计与分析胡志超1，王淑慧1，2（1.衡阳师范学院，湖南衡阳 421002；2.华中师范大学人工智能教育学部，湖北武汉 430079）摘要：目前，全国新高考改革落地省份已有14个，全国高校招生录取系统全面升级，改革省份与非改革省份录取系统版本各不相同，设计与开发新的集数据管理、统计分析、决策支持于一体的招生信息管理系统，成为高校急需解决的问题。

文章在原有信息管理系统的基础上，根据新高考改革省份录取系统特点，开展了高校招生信息管理系统的优化设计与分析，以提升招生工作的智能性和科学化。

关键词：新高考改革；高校招生；信息管理系统doi：10.3969/J.ISSN.1672-7274.2024.01.021中图分类号：TP 311.52 文献标志码：A 文章编码：1672-7274（2024）01-0064-04Design and Analysis of the University Enrollment Information Management System under the New College Entrance Examination Reform ModelHU Zhichao 1, WANG Shuhui 1,2(1.Hengyang Normal University, Hengyang 421002, China;2. Artificial Intelligence Education Department of Huazhong Normal University, Wuhan 430079, China)Abstract: Currently, there are 14 provinces where the new college entrance examination reform has been implemented nationwide. The national college enrollment and admission system has been comprehensively upgraded, and the versions of the admission systems in reformed and non reformed provinces are different. Designing and developing a new enrollment information management system that integrates data management, statistical analysis, and decision support has become an urgent problem for universities to solve. On the basis of the existing information management system and based on the characteristics of the provincial admission system in the new college entrance examination reform, the article has carried out optimization design and analysis of the college admission information management system to enhance the intelligence and scientificity of enrollment work.Key words: new college entrance examination reform; college enrollment; information management system基金项目：本文系湖南省教育科学“十四五”规划2021年度国家教育考试研究专项立项课题“湖南省高考综合改革背景下地方高师院校专业组模式录取实证研究”研究成果，课题批准号：XJK21BKS004。

数据挖掘技术在民办高校招生工作中的应用研究

收稿日期：2012－10－25作者简介：许硕（1981－），女，辽宁锦州人，西安翻译学院，硕士，主要从事信息管理研究。

2012年第6期辽宁师专学报（社会科学版）NO．62012（总84期）JOURNAL OF LIAONING TEACHERS COLLEGE （SOCIAL SCIENCES EDITION ）General No．84数据挖掘技术在民办高校招生工作中的应用研究许硕（西安翻译学院，陕西西安710105）摘要：数据挖掘技术是当前信息处理领域的新兴技术，大大加强了决策分析的功能和灵活性，有助于在大量数据挖掘中挖掘多层次的知识。

随着生源数量日益减少，民办高校生源竞争日趋竞争，生源数量及质量直接关系到民办高校生存和发展，对历年大量招生数据及新生信息进行有效挖掘和分析，为民办高校招生管理和决策提供支持，将对民办高校在快速变化的生源竞争中把握发展方向起到重要作用。

本文分别从关联规则等技术上探讨数据挖掘技术在民办高校招生工作中的应用。

关键词：数据挖掘；民办高校；招生；应用研究中图分类号：G647文献标识码：A文章编号：1008—3898（2012）06—0112—03一、前言高校招生是选拔人才的一个重要环节，《国家中长期教育改革和发展规划纲要（2010－2020年）》明确提出按照有利于科学选拔人才，探索招生与考试相对分离的办法，政府宏观管理，专业机构组织实施，学校依法自主招生，学生多次选择，逐步形成分类考试、综合评价、多元录取的考试招生制度。

高校招生的核心是科学选才，具体地说就是一方面要尽可能地为国家选拔出各类国家所需要的人才，另一方面，要使每一个具备国家所需要的人才素质的社会成员都能顺利通过筛选机制，从而进入更高层次的学术阶层。

高校招生政策的运行要立足于社会政治、经济、文化发展的实际，遵循高等教育发展规律，通过科学的政策机制为高校选拔生源，它强调不同类型和层次的高校应有符合自身特点的选才标准，强调高校在生源选拔中的自主地位，并能有效引导中学教育方向。

基于数据挖掘的高校学生学习成绩分析应用研究

ＦＡＮ ቤተ መጻሕፍቲ ባይዱ Ｔｏｎｇ・ｋｅ，ＳＵＮＪｉａｎｇ — ｙａｎ
（ＭｏｄｅｍＥｄｕｃａｔｉｏｎＴｅｃｈｎｏｌｏｇｙＣｅｎｔｅｒｏｆＸｉ ’ ａｎＩｎｔｅｒｎａｔｉｏｎａｌＵｎｉｖｅｒｓｉｔｙ，Ｘｉ ’ ａｎ７１００７７，Ｃｈｉｎａ）
樊同科，孙姜燕
（西安外事学院现代教育技术中心，陕西西安７１００７７）
摘要：高校的学生成绩管理是各高校教务管理工作的核心和基础。大多数高校的学生成绩是以多种形式保存，一般只限于对成绩的查询及简单的统计上面，没有对这些积累的海量数据背后的有用信息进行挖掘分析。针对这些海量数据构
Ａｂｓｔｒａｃｔ：Ｍａｎａｇｅｍｅｎｔｏｆｃｏｌｌｅｇｅｓｔｕｄｅｎｔｓ ’ａｃａｄｅｍｉｃｒｅｃｏｒｄｉＳａｎｉｍｐｏｒｔａｎｔｐａｒｔｏｆｗｏｒｋｉｎｅｄｕｃａｔｉｏｎｌａａｄｍｉｎｉｓｔｒａｔｉｏｎ．Ｍｏｓｔｃｏ１．１ｅｇｅｓｓｔｏｒｅｓｔｕｄｅｎｔｓ ’ｒｅｃｏｒｄｓｉｎｖａｒｉｏｕｓｗａｙｓ，ｍａｉｎｌｙｌｉｍｉｔｅｄｔｏｓｅａｒｃｈｉｎｇａｎｄｓｉｍｐｌｅｓｔａｔｉｓｔｉｃｓ，ａｎｄｕｓｅｆｕｌｉｎｆｏｒｍａｔｉｏｎｂｅｈｉｎｄｓｕｃｈｍａｓｓｄａｔａｉｓｎｏｔａｎａｌｙｚｅｄ．Ａｄａｔａｂａｓｅｊｓｃｏｎｓｔｒｕｃｔｅｄｂａｓｅｄｏｎｓｕｃｈｄａｔａａｎｄｓｔｕｄｅｎｔｓ ’ａｃａｄｅｍｉｃｒｅｃｏｒｄｉＳａｎａｌｙｚｅｄｂｙｕ－ｓｉｎｇｃｌａｓｓｉｉｆｃａｔｉｏｎａｎｄｐｒｅｄｉｃｔｉｏｎａｌｇｏｒｉｔｈｍ，ｓｈｏｗｉｎｇｔｈａｔｓｔｕｄｅｎｔｓ ’ａｃａｄｅｍｉｃｐｅｒｆｏｒｍａｎｃｅｉｓｒｅｌａｔｅｄｔｏｓｔｕｄｅｎｔｓ ’ｐａｒｔｉｃｕｌａｒｉｔｙ，ｏｒ－ｉｇｉｎａｎｄｔｅａｃｈｅｓ ’ｅｒｄｕｃａｔｉｏｎｂａｃｋｇｒｏｕｎｄ．Ｓｕｃｈｐｅｒｔｉｎｅｎｃｅｃａｎｐｒｏｖｉｄｅｅｖｉｄｅｎｃｅｆｏｒｄｅｃｉｓｉｏｎ — ｍａｋｉｎｇａｎｄａｄｍｉｎｉｓｔｒａｔｉｏｎｄｅｐａｔｒ－ｍｅｎｔｓｏｆｓｃｈｏｏｌｓｏｒｆａｎｌｙａｓｉｓａｎｄａｄｍｉｎｉｓｔｒａｔｉｏｎ．Ｉｎｔｕｒｎ．ｉｔｃａｌｌｉｎｓｔｒｕｃｔｅｄｕｃａｔｉｏｎｎｄａｉｍｐｒｏｖｅｏｖｅｒａｌｌｅｄｕｃａｔｉｏｎａｌｑｕａｌｉｔｙ．Ｋｅｙｗｏｒｄｓ：ｄａｔａｍｉｎｉｎｇ；ｄｅｃｉｓｉｏｎｔｒｅｅ；ａｎｌｙａｓｉｓｏｆｓｔｕｄｅｎｔ ’ ｓａｃａｄｅｍｉｃｒｅｃｏｒｄ

数据挖掘在技工院校招生工作中的研究

４３结束语．绍，学生通过报纸杂志的广告等）报考专业（控机床，数本文利用关联规则对２１００级高职生的注册信息加工。具制造，模电子自动化。济管理类等）录取分经、进行挖掘，为技工院校的招生和工作重心提供了科学、数（０４０分以上，５ — ０３０４０分，０ — ５３０３０分，０３０分以下）可信的指导进行分类。根据关联规则的Ａｒｒ算法对报道表格进ｐｉｉｏ
．
行分析．过设置最小的支持度为１％．小的置信度通５最参考文献：为８％。到以下有关的关联规则：０得【１】陈莉，李成．ｔｒｃ／ｅ焦Ｉｅｔｂ数据挖掘研究现状及最新进展．ｎａＷ西
目集
（）１（－；，≠ ；＋ＤＥＩ２Ｆ０Ｒｋ－Ｌ＿２ｌｋ＋）ＯＢＧＮ
２１年第５期０１
（）＝ｐｏ－ｅ－；Ｉ－ｋ个元素的候选集３Ｃａｆｆｇｎ（３Ｉ是ｉｉＣ
福
建电
脑
１３３
体学生的３．％；则２户口为城市；０５规录取分数３０以０
（）Ｏａｌｃｎｉａｅ ∈ＣＤ．ｏｎ＋；６ＦＲｌａｄｄｔＣＩＯｃｕｔ＋ｓｃ
３０３０分，８０—５７％由往届生推荐；规则５户Ｉ为城市．Ｓｌ录取分数３０３０分，７７０—５７．％报考专业为计算机：规则５

数据挖掘技术在成绩分析中的应用

消费电子
计算机科学ＣｏｎｓｕｍｅｒＥｌｅｃｔｒｏｎｉｃｓＭａｇａｚｉｎｅ２０１３年１Ｏ月下
数据挖掘技术在成绩分析中的应用
吴梨梨
（福州英华职业学院计算机系，福州３５００１８）摘要：在学生成绩管理系统中，学生成绩是一个重要的组成部分，体现了教师的教学水平以及学生的学习情况。如何合理利用这些成绩数据，从中找出能够影响成绩高低的因素，对提高教学质量有着非常重要的作用。利用数据挖掘的关联规则算法可以科学的分析出影响成绩变化的主要因素。关键词：成绩分析；数据挖掘；关联规则中图分类号：ＴＰ３１１．１３文献标识码：Ａ文章编号：１６７４ — ７７１２（２０１３）２０ — ０１１２ — ０１随着高职院校的不断扩招，生源质量在下降，生源的数量也在逐步出现萎缩。在这种情况下，如何有效的利用现有的教学资源，改善教学质量，使人才的培养质量得到进一步的提高，在逆境中成长，是每一所高职院校面临的重大挑战。目前各个高职院校的教务管理基本上都是采用基于数据库的教务管理系统软件。教务软件在这么多年的应用中积累了大量的数据，学生的成绩信息在教务软件的数据库中就大量的存在。般情况下，成绩数据仅仅只是作为一种备份数据存放于数据库中，大部分只是进行简单的查询修改操作等，对于数据之间潜在的联系，影响成绩的因素等这些信息，我们却无从得知，并没有做到充分的利用这些数据。利用数据挖掘技术，我们可以从这些成绩数据中挖掘出可以指导我们教学的、有意义的信息，主要表现在：（１）可以全面地认识学生的学习状况。对学生学习成绩的全面分析，不仅能够获得学生学习的整体情况，还可以了解学生对具体课程内容的掌握情况。（２）可以分析课程之间的相关性。分析各个专业的核心课程，可以了解学生对这些课程的理解情况，以及学生在这些课程中的得分情况，找出课程之间的联系，还可以对排课情况进行指导。（３）可以分析入学成绩对在校学习情况的影响。跟踪学生在本专业的学习情况，结合入学的成绩，找出入学成绩对专业相关课程的影口Ｉ句Ｊ隋况，从而指导学生的专业学习。数据挖掘的概念与技术（一）什么是数据挖掘。数据挖掘是一门涉及面很广的交叉学科，受到了各种不同领域的专家学者的关注，关于数据挖掘的定义也有非常多种，但归纳起来数据挖掘主要就是从大量的没有经过处理的数据中发现未知的有价值的规律的过程。（二）数据挖掘的过程。数据挖掘的过程一般由五个阶段组成：（１）定义问题，明确数据挖掘的目的是什么。（２）数据准备，包括要选择什么样的数据以及对选择到的数据如何进行预处理等。（３）数据挖掘，根据数据的特点，选择合适的数据挖掘算法，在已经处理过的数据上进行数据挖掘。（４）结果分析，对数据挖掘的结果进行合理的解释，给出能够被用户所接受的知识。（５）知识运用，将数据挖掘出来的结果应用到相应的领域中。数据挖掘的过程并不是一个简单的按流程完成任务的过程，在数据挖掘的过程中往往会出现循环往复，精益求精的过程。例如，在任务过程中发现之前选择的数据不是很好或者对数据的预处理没有达到我们的效果，那么这个时候我们就需要重新对数据进行选择或者重新对数据进行处理直到达到我们的效果。（三）常用的数据挖掘方法。数据挖掘技术是一门交叉学科，充分结合了人工智能与机器学习的特点，因此如聚类分析，决策树，统计分析等在机器学习，模式识别，人工智能等这些领域中的一些常规技术经过改进，大部分都可以作为数据挖掘的方法进行使用。模糊集方法，关联规则方法，遗传算法，神经网络方法，覆盖正例排斥反例方法，决策树方法，统计分析方法和粗集理论方法等都是数据挖掘技术中常用的方法。二、成绩分析中的数据挖掘方法成绩分析中主要是采用关联规则算法作为数据挖掘的方法。关联是指两个或两个以上的事务间存在着某种的规律性，数据关联是数据库中普遍存在的可被发现且重要的知识。关

智能技术赋能职业教育增值性评价的逻辑与路向

智能技术赋能职业教育增值性评价的逻辑与路向作者：孙田琳子胡纵宇来源：《职业技术教育》2022年第28期摘要在教育数字化转型格局下，人工智能、大数据、物联网等智能技术为职业教育的增值性评价提供了技术保障和解决方案，从而促进了技能型人才培养质量提升和职业教育高质量发展。

在逻辑重构方面，通过理念赋能构建基于数据证据的评价体系，借助方法赋能拓展职业技能导向的评价内容，依托技术赋能建立学教评一体化的诊断机制。

在实践路径方面，以学生发展为中心，建立个性化评价指标；以持续改进为特色，分析过程性评价数据；以精准干预为导向，纳入多元化评价反馈。

关键词智能技术；职业教育；增值性评价；人才培养；评价改革中图分类号 G712 文献标识码 A 文章编号 1008-3219（2022）28-0050-06面对经济社会转型需要，职业教育已从规模扩张转向以人才培养质量为核心的内涵式发展，持续改进评价体系是不断提升人才培养质量的重要环节。

特别是在新一轮科技革命背景下，职业教育受到前所未有的冲击：一方面，随着大数据、人工智能、虚拟仿真等技术在教育教学中的广泛应用，极大改变了职业教育的人才培养模式；另一方面，随着智能技术的发展，越来越多的劳动者将面临职业替代的风险，而职校生是未来的劳动者主力军，如何在智能技术浪潮中扭转职业教育形势、提升职业院校的人才培养质量，是当下职业教育的重要命题。

职业院校人才培养质量的提升需与科学有效的评价体系相结合。

2020年，中共中央、国务院印发的《深化新时代教育评价改革总体方案》提出将“改进结果评价、强化过程评价、探索增值评价、健全综合评价”作为改革重点；2019年国务院印发的《国家职业教育改革实施方案》提出“建立职业教育质量评价体系”；《中国教育现代化2035》提出“利用现代技术加快推动人才培养模式改革”；2022年全国教育工作会议指出我国要实施“教育数字化战略行动”，用数字技术推动教育发展，增强职业教育适应性。

数据挖掘技术在大学生就业指导中的应用研究

个为选择学生年级，即可选择任意一届毕业生，也可选择全
方式加以不断的完善，对学生教育教学工作奠定良好的数据基础，从而使学生就业能力得到有效提高，使其学生能够在
部应届毕业生．另一个便是专业。之后点击 “ 确认 ”按钮，系统便会将数据库中全部满足条件的学生成绩和学生就业情况间的数据列表呈现出来。如果选择的是挖掘学生考勤和就业情况间的关联时，便会出现条件选取界面。此时存在有两个不同的下拉列表，一
个为选择学生年级．即可选择任意一届毕业生．也可选择
全部应届毕业生，另一个便是专业，之后点击 “ 确认 ”按钮，系统便会将数据库中全部满足条件的学生性别和学生就业情
况间的数据列表呈现出来。
选择在学校所在地就业，而男生也多数回到生源所在地就业。
表４
字段号
ＳｔｕＮＯ
学生就业情况表
长度
１Ｏ
数据类型
ｖ￣ｃｈａｒ
是否允许空
否
说明
学号
ＷｏｒｋＰｌａｃｅＪｏｂＴｉｍｅ
ｖａｙｃｈａｒｄａｔｅ
１０８
是是
工作地点就业时间
表５学生考勤表
字段号
ＳｔｕＮＯ
市的支持度是０．７Ｏ，学生生源地城市的支持度是０．４０，学校
说明
学号
数据类型
ｖａｒｃｈａｒ
长度
１０

数据挖掘技术在教学管理中的应用研究

数据挖掘技术在教学管理中的应用研究摘要：本文就数据挖掘技术内涵、科学重要性，探讨了其在教学管理中的实践应用、开发研究。

通过英语四六级成绩通过率数据处理分析、系统模块设计，教师评价管理应用，体现了数据挖掘技术的显著优势。

对优化高校教学管理水平，提升工作效率，有积极有效的促进作用。

关键词：数据挖掘技术；教学管理；应用中图分类号：g642文献标识码：a文章编号：1009-0118（2013）03-0162-02一、数据挖掘技术内涵及应用任务（一）数据挖掘技术内涵数据挖掘技术通过知识发现手段，由较多不完整、不明确、模糊、丰富、随机可影响数据中做价值化、隐秘数据、知识及信息的提取。

该技术可以说是多学科技术知识的交叉形成产物，从其中挖掘精髓内容，涵盖数据库技术、神经网络技术、机器学习手段、模糊控制、统计原理、人工智能、知识库体系、搜索信息、可视化数据库技术等内容。

（二）数据挖掘技术应用任务通过数据挖掘技术的知识发现进程，可完成各类关键数据管理任务，即关联分析、聚类分析、预测分析与异常检测。

关联分析主体通过数据关联特征挖掘进行描述，倘若一些数据项取值存在重复，同时出现该现象的机率较高，则证明该类数据间包含相应关联性，进而可创建同该类数据项的具体关联规则。

可通过该项规则将各关系数据进行有效聚合，进而便于实践工作管理。

基于该项关联规则，在实践教学管理中，倘若学生需要在教务处系统中进行成绩查询，则与该学生相关联的成绩、学分均会呈现出来，可全面提升教学管理效率，优化实践控制效果。

针对教学管理数据库体系来说，聚类分析主要针对存储的丰富数据，进行有效合理、科学的归类。

可将归类方式分成聚类与分类等。

倘若明确用户要求，可依据要求引入分类方式进行分析。

聚类则通过不知晓要求基础上，针对数据信息中的相关特点，例如同类集合、关联特征等实现分类分析。

预测分析主体依据自变数据进行他类目标变量、特定数据的预测，该分析对数据信息研究尤为重要。

新高考改革背景下考生择校行为可视化分析——以M大学为例

2022年3月第9期Mar. 2022No.9教育教学论坛EDUCATION AND TEACHING FORUM新高考改革背景下考生择校行为可视化分析——以M大学为例刘华强a，刘建华b（闽南师范大学 a.学科建设与研究生工作处；b.数学与统计学院，福建漳州 363000）［摘要］新高考改革倒逼高校更加关注“用户需求”。

通过采集某师范大学新生数据构建可视化模型，发现存在三类特征差异较为明显的新生“典型画像”。

基于画像，可以制定不同群体的精准招生宣传措施并提供不同阶段的个性化服务。

根据细分市场提供精准信息服务成为研究热点和行业共识。

精准服务的前提是对细分市场用户群体特征的分析，把握潜在目标群体的择校动机，较好地回答“向谁宣传”“宣传什么”的问题。

研究的创新在于探索根据新高考改革背景下择校行为的理论研究制定具体校本招生宣传政策的数据分析方法。

［关键词］新高考；择校行为；用户画像；K-Means聚类［基金项目］ 2020年度福建省中青年教师教育科研项目（科技类）“基于K-均值聚类的高校宣传用户画像研究”（JAT200321）；2020年度闽南师范大学教育教学改革研究项目“实践取向的公费师范培养项目综合改革研究”（JG202026）［作者简介］刘华强（1983—），男，福建寿宁人，心理学硕士，闽南师范大学学科建设与研究生工作处学科建设办公室主任，助理研究员，主要从事教育管理研究；刘建华（1978—），男，福建南靖人，经济学博士，闽南师范大学数学与统计学院副教授，商学院调查与数据研究中心主任，主要从事贝叶斯统计、模型选择研究。

［中图分类号］ G644 ［文献标识码］ A ［文章编号］ 1674-9324（2022）09-0049-04 ［收稿日期］ 2021-09-23新高考改革背景下，00后学生择校自由权得到释放，高校招生宣传必然由粗放型向智慧型转变。

以往不区分对象、内容宽泛、单向传播的宣传方式已无法满足考生的多元化、个性化需求。

数据挖掘技术在高等教育中的应用

数据挖掘技术在高等教育中的应用作者：郭佳来源：《数字化用户》2013年第25期【摘要】数据挖掘技术是近几年发展比较迅速的数据处理技术，其能够在海量的数据中挖掘出满足用户需求的数据类型。

本文主要从数据挖掘在高校管理、高校选课系统、高校课堂教学评价系统、高校学生信息管理系统以及高校图书馆信息系统五个方面的应用来简要说明数据挖掘技术的优势。

【关键词】数据挖掘高校管理高校选课高校课堂教学评价系统学生信息管理图书馆信息管理一、高校管理中的应用数据挖掘技术在高校管理的内容主要包括：高校招生录取工作、贫困生选定以及优秀生评定等。

高校每年的招生工作是学校可持续发展的重要环节，直接影响到高校教学质量以及发展情况。

比如数据挖掘技术在高校管理中的应用主要是对学生高考成绩、志愿填报、以及生源来源地等多方面信息进行整理分类汇总。

具体步骤是通过进行数据的收集和预处理，建立相关数据模型，采用分类算法，提取和挖掘对用户有用的信息，然后进行数据挖掘的数据存储形式。

目前高校数据挖掘技术应用的范围比较广泛，由于高校管理内容比较复杂，因此在其管理内容的每个小部分也开始利用数据挖掘技术进行管理，比如学生成绩管理，课堂教学评价系统等。

二、高校选课系统数据挖掘技术在高校选课系统中的应用主要是利用其关联规则。

通过对学生真实成绩进行整理，分析得出教学调研以及学生成绩分布的特点，总结出影响学生学习的因素，比如选课的顺序以及教师的水平等，现阶段高校选课系统中只考虑学生的选课顺序。

关联规则技术就是从海量的数据中挖掘出对用户需求有价值的并且能够描述数据之间相互联系的内容，换句话说就是数据挖掘技术就是找出具有价值关联的数据群。

三、高校课堂教学评价中的应用数据挖掘技术在高校课堂教学评价系统中的应用主要也是利用关联规则，首先先对数据进行预处理工作，数据的预处理是数据挖掘技术的关键步骤，并且直接影响着数据挖掘技术的应用效率。

数据预处中要将教师的基本信息、教师教授课程以及教师的职称、学历、学生信息以及学生课表相关信息进行数据初始记录。

数据挖掘在高校招生中的应用研究

数据挖掘在高校招生中的应用研究
孙龙
（四川音乐学院招生处６１００２１）
【摘要】高校招生是我国非常重要的教育活动，随着高级院校招生规
机性及无序程度，同时，可以运用熵值来分辨指标的离散程度，即
利用ＶＣ６．０作为前台，Ａｃｃｅｓｓ作为后台数据库的软件建立起高校招生的数据系统。通过该系统首选对数据预处理，预处理一
般包含：数据清理、数据集成和数据规约。下面重点讲解一下数据
化的过程是否合理将直接影响关联规则的挖掘结果。熵值离散法与关联规则一起挖掘数据，将原有的数据进行混合，利用布尔关联
提取、数据系统挖掘的结果分析三方面进行时数据挖掘在高校招生中
象和概括出初始数据的特点，并用较少的数据表示出来，从而达到减少初始离散数据的目的。初始数据往往是庞大的，不易于管理和挖掘。如果不对初始数据进行泛化，那么数据的一般数量值过多，具体信息过大，很难从中挖掘出有价值的招生信息。例如：对于“ 籍贯” 中武汉、襄阳、宜昌等地方，可以统一归人“ 湖北” 这个简单的数据中来，这就是对初始数据的简单泛化。这个系统需要泛化的内容主要是：专业、籍贯、学生类别。利用系统进行泛化操作，必须要和实际应用紧密联系，确定泛化要概括的层次和高度。这里简要介绍泛化处理的２种不同操作方式：有参方法、无参方法。有参方法就是在对初始数据进行泛化时，根据实际需要确定一个模型，通过这个模型对数据进行分析，我们将初始数据用不同的参

关联规则在学生助学系统中的应用研究

２２关联规则分类。．
根据分类的标准不同，关联规 ቤተ መጻሕፍቲ ባይዱ 可以有以下几种分类方
１４２
式：于规则中处理的变量类别分类、于规则中数据的抽象基基层次分类和基于规则中涉及的数据维数分类。根据规则中处理的变量的值，可以将规则分为布尔关联规则和量化关联规则。布尔型关联规则显示了这些变量之间的关系，而量化关联规则通常是在处理数值型数据时对数值进行分段量化得来的。据规则中数据的抽象层次，以分为根可单层关联规则和多层关联规则．两者的区别在于是否涉及不同层次的数据项。如果不涉及不同层次的数据项，到的是单得层关联规则。在不同抽象层次中挖掘出的关联规则称为多层关联规则。据关联规则所涉及的数据维数不同，以分为单根可维关联规则和多维关联规则。如果关联规则各项仅涉及一个维度．则称之为单维关联规则。果关联规则涉及两个或两个如以上维度，称之为多维关联规则。则３助学系统关联规则挖掘．通过开展助学工作，学校已基本形成了助学贷款、奖学金、困难补助、工助学和社会助学等五大帮困助学措施，勤同时也积累了相当多的与助学有关的信息。过初步分析，能通可影响学生就业的诸方面因素有：生的奖学金获得情况、款学贷额度、工助学表现、历、业，勤学专等等。助学系统关联规则挖掘就是希望对以上因素进行分析，找到一些有实际指导意义的规则。整个助学系统数据挖掘大体上分成数据的搜集、清理、成、换等预处理工作和关联规则挖掘工作。集变３１学系统数据预处理。．助３１数据采集．．１助学系统涉及学校的多个部门，如学生处负责管理奖学金评定等：招生与就业指导办公室负责管理学生的生源信息和就业信息；务处负责管理学生的助学贷款信息等；务处财教负责管理学生的学籍信息和成绩信息等。勤工助学因为涉及多个部门，由设置勤工助学岗位的部门或学院负责对学生的日常考核，总工作则由学生处负责完成。汇３１２据清理．．数收集到的学校学生信息有其自身的特点：据比较完整、数数据值的可信度比较高，但是由于有些原始数据是由人工处理完成的．值的出现不可避免。比如就业信息表中，有部空就分记录信息不完整。通常正常毕业的学生采集的数据基本上比较完整。而对于休学、学、军、业等不能按时完成学业延参结的学生来说．业系统中只会保存他们的一些最基本信息。就对于这些空值可以考虑将这些信息从就业信息表中移除出去或用约定方法进行数据填充。同时由于各部门处理数据的侧重点、操作人员的处理习惯等各有不同，成即使是相同的信息也会出现不同表示。造例如同样是表示专业名称信息，些部门使用专业名称全称，有而有些则使用简称。对于这样的情况，以通过给出标准数据，可将其他数据统一改写成标准数据形式。３１数据集成．＿３数据集成则是将多个数据源中的数据结合、存放在一个致的数据存储中。多个数据源中的数据集成起来，将能够减少或避免结果数据集中数据的冗余和不一致性。由于历史和技术普及等多方面的原因，成数据存储有多种形式。比如就造业信息多以ＤＦＢ文件格式存储，在学校内部，公处理软件而办的使用率比较高，多数老师习惯于将数据￣ｘｅ电子表格或ＡＥｃｌＷ。ｄ档形式进行保存。助学系统数据挖掘所处理的数据也ｒ文是以上述几种格式为主。在进行数据挖掘前需要对这些 ��

基于招生—培养—就业联动的分析决策机制研究

基于招生—培养—就业联动的分析决策机制研究作者：马继汉，贲春雨，赵亮，潘飞来源：《教育教学论坛》 2016年第47期马继汉，贲春雨，赵亮，潘飞（吉林省教育考试院，吉林长春130033）摘要：大数据时代为高等教育的招生、培养、就业工作带来了机遇，同时也提出了新的挑战。

高校招生、培养、就业工作模式必须不断进行创新，建立新的管理模式和管理体制，适应当前的现代化要求。

通过建立数据库，设计相关的内容，在大数据背景下基于招生—培养—就业联动机制的分析决策管理系统进行研究和探索。

在现有的迎新报到系统、计划编制系统的基础上，不断整合和拓展其相关功能，形成一个完整的招生—培养—就业分析决策处理机制。

关键词：招生；培养；就业；高校中图分类号：G646 文献标志码：A 文章编号：1674-9324（2016）47-0040-02一、引言在大数据时代，部分高校已经启动了招生、培养、就业方面的联合改革。

一些学者对招生、培养、就业的联动关系进行研究，王茂涛把社会需求作为工作导向，将高校的招生、培养、就业工作运行机制概述为四个“三”的一体化工程，即树立三种观念、组建三个机构、实现三项对接、构建三个联动机制。

谢爱军、王慧等提出，高校在毕业生就业新途径探索方向上需要把招生、培养、就业三者联合起来，探索它们之间的内在联系，把握其内在规律并应用在办学实践中，建立起招生、培养、就业联动机制，把毕业生的就业方向和空间再拓展。

黄兆信指出，要在科学发展观的指导下进行改革。

虽然相关论述为数不少，但在大数据的背景下，基于联动机制的分析管理系统的研究与实践仍属空白。

大数据时代的到来，对高等教育的招生、培养、就业工作来说既是机遇也是挑战。

高校招生、培养、就业工作模式必须进行不断创新，以此来适应时代的要求。

本论文就是在分析大数据内涵和特征的基础上，对地方高校基于招生—培养—就业联动机制的分析决策管理系统进行研究，在分析了招生、培养、就业等海量数据的基础上，合理设计出系统内容，并最终完成该系统的研发和调试工作。

基于KDD的贫困生评价分析系统

4.数据库具有检索功能，我们可以通过这个功能来找到自己需要的资料。
6 系统实现
要利用Web技术，并且充分与浏览器的应用相结合，提高了产品的使用
系统的体系结构
效果，还能够节约这个过程中消耗的资本。
客户端浏览器
Web服务器
Web服务器
数据库服务器
客户端浏览器
6 系统实现
系统的功能框架
图系统总体结构图
模块：学生模块、老师模块、管理员模块，而这三个模块的服务目标又
是不同的，他们之间有着联系也有区别。
3 系统需求分析及在KDD系统中的应用
系统结构设计
KDD系统中的应用
从逻辑方面看来，这个系统可以分为以下的几个构成部分。 (1)数据获取。这个层面的内容是所有数据的基础性内容。因为它可以有
效地把用户的信息收集起来，用作后续的处理过程中。
(2)数据存储。将在第一个层面中收集起来的信息进行分区。 (3)数据分析。对采集的数据进行分析，采用数据深度树立工具，对数据的可靠性和合理性进行分析，并对这些贫困认定对象是否符合条件进行
判断，通过一系列的处理手段对现有的数据结构处理。
(4)管理层。要对整个系统的运作维护负责，还要管理这个系统中的用户，对最后的数据处理分析结果呈现方面的内容负责，不定期的发布需要展示给用户的报表和通知等等。
所有生源地
理
人文生物水保外语信息园林资环自然保护区总计
221.3494
203.5827 189.3048 188.3544 147.0474 215.2891 179.0806 192.2592 223.5142 191.2166
229.848
209.3111 197.8851 198.1659 153.8539 207.2782 204.0039 214.7953 195.906 200.9124

基于RFM模型的福建省高职大学生行为画像分析

厦门广播电视大学学报Journal of Xiamen Radio & Television Universitt第2期2021年4月No. 2Apr. 2021基于RFM 模型的福建省高职大学生行为画像分析吴瑞溢（黎明职业大学，福建泉州362000）［摘要］随着高职教育的快速发展，高职院校的生源类型越来越多元化。

生源类型多元化背景下高职大学生群体在学习行为和生5行为上呈现出不同特征，这给高职院校的学生管理带来一定的挑战。

RFM 模型是一种将客户分层，进而针对不同客户群体进行精细化分类的经典模型。

WFJMC 评价模型借鉴RFM 模型的优点，能够多维度评估高职大学生群体，简单有效地对学生群体进行分类评价研究。

该模型结合聚类分析和层次分析，对福建省十所高职院校的学生做行为5像分析，所得出的结果对学生管理工作具有一定的参考价值。

［关键词］用户5像；RFM 模型；高职大学生；K-means 聚类［中图分类号］O221 ［文献标识码］A ［文章编号］1671 - 3222 （2021） 02 -0078 -07—、研究背景近年来，随着社会信息化程度不断提高，大数据的应用几乎遍及社会各行各业。

高校中学生是学习的主体，学生的基本信息、成绩和在校园的各种行为记录等已形成极具研究价值的教育大数据。

对这些数据的有效挖掘，可以加深学校对学生的了解和认识，进而为学校的学生管理、教学改革和专业人才培养等工作提供参考。

现阶段，绝大多数高校都有完善的校园一卡通和成绩管理系统，这些信息化管理系统记录了学生在校园的各种学习行为和生活行为，具有很大的研究价值。

教育大数据近年来被越来越多的学者重视，研究者们采用数据挖掘技术在行为分析方面开展研究，比较有代表性的运用体现在以下几个方面：一是行为分析理论从线性化转为系统化，使得其在指导实践上更加科学和有效［1"2］；二是学生的行为分析主要集中在学习行为分析，其目的是评估学生成绩、预测学习行为和实现精准教育［3"4］；三是基于数据挖掘技术方面的研究，如分类、回归、聚类和关联规则等的研究［5'6］O 综合研究文献可以看出，学生的行为所产生的数据类型具有指标维度大、个体差异大和相关性大等特点，尽管已有大量的研究，但学生的行为分析仍处在发展阶段，目前国内外还没有很多成熟的应用案例，在高职院校方面的研究更加稀少。

基于K-means聚类分析与偏相关分析的高考质量评价体系构建与实施

基于K-means聚类分析与偏相关分析的高考质量评价体系构建与实施孙景峰;李秀丽;王彦波;欧阳晓松;时圣永;张欣荣;邹璐璐【摘要】阐述了高考成绩中多学科间K-means聚类分析和偏相关分析的高考成绩分析方法,构建基于数据挖掘技术的高考质量评价体系分析方法,并利用齐齐哈尔市高考考生成绩数据进行评价体系分析,为高考质量评价方法提供了一种新的尝试.【期刊名称】《高师理科学刊》【年(卷),期】2016(036)009【总页数】6页(P32-37)【关键词】K-means聚类分析;偏相关分析;高考质量评价体系【作者】孙景峰;李秀丽;王彦波;欧阳晓松;时圣永;张欣荣;邹璐璐【作者单位】齐齐哈尔市实验中学,黑龙江齐齐哈尔 161006;齐齐哈尔市招生考试办公室,黑龙江齐齐哈尔161006;齐齐哈尔市招生考试办公室,黑龙江齐齐哈尔161006;齐齐哈尔市招生考试办公室,黑龙江齐齐哈尔161006;齐齐哈尔市招生考试办公室,黑龙江齐齐哈尔161006;齐齐哈尔市招生考试办公室,黑龙江齐齐哈尔161006;齐齐哈尔市招生考试办公室,黑龙江齐齐哈尔161006【正文语种】中文【中图分类】TP301.6普通高等学校招生全国统一考试（以下简称“高考”）是为全国各类普通高等学校选拔优质生源的重要考试，也是评价本地普通高中教育教学水平与教学质量的重要内容之一[1]．如何充分、科学、客观地评价本地高中教育工作，全面、科学、公平地分析高考质量，是各级教育行政部门、高中学校最为关心的问题．高考成绩不仅是考生录取的重要依据，还是衡量一个地区或高中学校的教育教学水平的重要依据，所以高考成绩历来受到各级教育行政部门及高中学校的高度重视[2]．因此，各地教育行政部门、招生考试部门、普通高中学校都会对本地高考成绩情况进行统计分析．由于高考成绩的特殊性、保密性等性质决定，除招生考试部门以外，其他人员几乎无法接触到，所以在国内进行高考成绩分析研究工作者较少．现阶段，高考质量受到社会各界的普遍关注，促使各级教育行政部门和教育工作者必须利用先进的理论进行高考成绩分析．在这样的环境和背景下，利用数据挖掘技术进行高考成绩质量分析符合社会的实际需要，也必将为高考成绩的分析注入生机和活力[3]．高考成绩分析主要进行2个方面的工作，一方面是进行常规的数据统计，另一方面是对高考成绩数据进行深层次的数据相关性、数据内在联系等方面的分析，而后者是高考成绩分析的重点，也是难点[4]．数据挖掘技术正是能够进行数据相关性及数据间关联分析．通过数据挖掘技术中的关联分析[5]、聚类分析[6]等数据挖掘方法对高考成绩进行分析，将有助于高考成绩分析的深入研究，这些方法也是数据挖掘技术在高考成绩分析中的主要研究内容．本文提出了通过数据挖掘技术相关性分析中的偏相关分析、聚类分析中的K-means聚类分析，构建高考质量评价体系，并利用齐齐哈尔市2014年高考成绩数据作为数据分析对象，实施实验分析，得出分析结论．实验数据分析过程中，采取对全市高考成绩数据进行分析，通过学科间偏相关系数检验学科间的关联程度，并以此为基础利用聚类分析数据进行检验，评估学科成绩是否符合预期效果．通过此方法，为各地、普通高中学校进行高考质量评价提供参考和借鉴．K‑means算法（也称K均值算法）是一种基于划分的聚类分析算法．K‑mean聚类分析算法的基本思想是在聚类分析数据中按照相关选取准则选取K个数据对象作为初始聚类中心，通过聚类目标函数度量准则对数据集进行处理，选取聚类中心最近数据合成一类，重新计算新类的聚类中心，反复迭代进行聚类处理，直至达到聚类收敛条件为止，完成数据集聚类，按照度量准则要求达到相似性较高的数据聚为一类．在K‑mean聚类分析过程中，通过设立的目标函数进行类与数据对象间的距离计算，在距离计算内容上选取标准偏移量为各数据个体的距离衡量．标准偏移量为目标对象与整体数据平均数之差除以整体数据标准差（Standard Deviation，缩写SD）．标准差表示组内个体间的离散程度，通过数据偏移量与标准差的比值计算，能够反映出个体数据在整体数据中的状况．标准差计算公式为其中：为标准差；为数据个数；表示第个数据值；表示数据对象的平均值．标准偏移量计算公式为其中：代表数据的标准偏移量；为的标准差．由此可以定义目标函数为其中：为数据对象维数；为第维权重值；为第维数据值；为第维数据平均值；为第维数据的标准差[7]．通过考生学科成绩与该学科成绩平均分偏离值除以标准差，借助标准差这一离散分布量，能够衡量学生该学科成绩的整体偏离程度，从而衡量出偏离值大的课程成绩，表明这一聚类集存在偏科现象，为成绩评估提供参考依据．标准偏移量有正负之分，正负代表评估数据与平均值之差的大小，正值代表大于平均值，负值代表小于平均值；标准偏移量的绝对值代表评估数据的偏离程度，数值越大，偏离程度越高．相关性数据分析是数据挖掘技术中关联性分析的一部分，是对统计学上2个及2个以上变量的相互关联关系的分析和描述．2个变量参与的相关性分析为简单相关分析，2个以上变量参与的相关性分析为多元相关分析．简单相关分析多采用皮尔逊积差相关法（又称“积差相关法”）计算两变量的相关系数来表示两变量的相关关系，其基本计算公式为其中：表示两变量数据的对数；，分别表示变量与的平均数．相关系数值范围为，其正负代表两变量的相关属性，即正相关与负相关，当时，为负相关，当时，为正相关；其值大小表示2个变量的相关强度，即其绝对值越大两变量相关程度越强，当越接近1时，表示2个变量间相关性越紧密，当越接近0时，表示2个变量间相关性越不紧密．在多学科课程分析过程中，各学科间成绩是相互影响的，仅仅对2个学科进行相关性分析，割裂了各个学科间的相关关系，无法真实反映学科间的相关性．对多学科间两学科相关性表述，需借助偏相关分析法．偏相关分析是对具有多个变量相互影响下，考量2个变量剔除其它变量影响的相关关系．偏相关分析的量化结果也用偏相关系数来表示，偏相关系数可以利用简单相关系数进行表示，简单相关系数可以用式（4）计算而得．偏相关计算公式的通式为一阶偏相关系数计算公式为即消除第3变量影响，分析两变量的相关关系．二阶偏相关系数计算公式为即消除第3、第4变量影响，分析两变量的相关关系．其它多阶偏相关系数计算公式都可以通过阶偏相关系数计算通式推导出来[8]．对求得的相关系数，可以用显著性检验方法进行显著性检验．对相关系数显著性检验方法多选取F检验进行检测．检验又称方差齐性检验，主要通过对比2个变量数据的方差，以确定其吻合度是否有显著性差异．当数据变量个数充分大时，统计量近似服从分布．在高考考生成绩中，黑龙江省现行高考科目实行“3+综合”的设置，即理科为语文、理科数学、外语、理科综合（包括物理、化学、生物）四大学科；文科为语文、文科数学、外语、文科综合（包括地理、历史、政治）四大学科．在考生成绩数据相关性分析与聚类分析过程中，将文理科中的综合学科分解成独自的3个学科，即每名考生高考成绩由6个学科构成．因此，可以将考生数据看做具有六维度的数据对象．在进行标准偏移量聚类分析过程中，要分别计算６个学科成绩的各自偏移量，将６科偏移量相加算出总偏移量．由于高考各学科成绩满分值（见表１）存在差异，所占总分比重的不同，在各个学科成绩偏移量计算过程中，要对其偏移量值进行调整，即设置各个学科在总偏移量中所占比重（见表2）．在进行各学科间相关性分析过程中，为挖掘数据间的相关属性，将对理科的总分、语文、数学、英语、理科综合、物理、化学、生物两两学科简单相关和一阶偏相关的相关性进行计算，对文科的总分、语文、数学、英语、文科综合、历史、政治、地理两两学科简单相关和一阶偏相关的相关性进行计算．通过标准偏移量K-means聚类分析算法，将具有学科成绩属性特征的考生聚集到各自的聚类项中，通过计算各个聚类项的平均分、标准差、最高分和最低分４个特征值，进行数据分析对比，验证聚类结果．各学科间简单相关性分析中的相关系数，能够反映出2个学科间是否具有相关性及相关程度．偏相关分析能够剔除其它学科因素影响，而真实的表达出２个学科间的相关关系．如果２个学科间的相关性较强，即２个学科间高度相关，通过标准偏移量K-means聚类分析所得２个学科也具有相同的特征属性；如果２个学科间相关程度较低，即２个学科间不相关，那么这２个学科间标准偏移量K-means聚类分析特征属性值不具有可比性，其值相互间不影响．在基于标准偏移量K-means聚类分析与学科相关性分析过程中，对学科间具有相关性学科聚类分析结果进行对比分析，利用分析结果进行高考质量评价．在评价过程中，利用全市高考成绩数据分析进行对比，得出评估结论，为高考质量评估提供一个新的途径．高考质量评价体系实验数据分析中，选取齐齐哈尔市2014年普通高中理科14 489名考生、文科8 796名考生高考成绩作为数据分析对象（为消除极值对实验数据的影响，实验数据已剔除总分小于180分及单科成绩为0分的考生和非英语语种考生），对文理科分别进行相关性分析和标准偏移量K-means聚类分析，并得出数据分析结果．理科各学科间简单相关系数见表3，文科各学科间简单相关系数见表4．剔除其他学科影响而得理科一阶偏相关系数和文科一阶偏相关系数．通过表3可以看出，理科中除语文、英语与总分相关系数高，与其他各学科相关系数值都很低，学科间相关关系不显著；物理、化学、生物３科间相关系数值相对不高，这３个学科间简单相关关系成显著相关；其他学科间简单相关系数值都很高，按照相关性显著检验标准，这些学科间呈现极其显著相关关系．由表4可以看出，文科中除总分与各学科、文综合与地理、历史、政治学科相关系数高外，其他学科间相关系数都不高，即总分与各学科、文综合与地理、历史、政治学科呈极其显著相关，其他各学科间呈显著相关．在学科间简单相关系数基础上，进行剔除第3科影响的一阶偏相关系数计算，得出一阶偏相关系数（见表5、表6）．由表5可以看出，理科各学科间偏相关系数中，受数学学科影响程度较大，除综合与物理、化学、生物外，剔除数学学科影响的两学科间偏相关系数比简单相关系数变化较大．例如：物理与化学学科间简单相关系数为0.769 8，而剔除数学影响的偏相关系数为0.285 1；物理与生物学科间简单相关系数为0.736 8，而剔除数学影响的偏相关系数为0.248 8．说明在物理和化学、物理和生物学科间受数学学科影响较大，这与数学学科基础性性质相关联．在总分和数学学科间，剔除第3科影响因素后，两者之间偏相关系数仍然很显著，如两者简单相关系数为0.884 3，剔除语文学科影响后，两者偏相关系数为0.910 6．这说明总分与数学间关联关系较为紧密，即如果数学学科成绩高，总分相应成绩也会较高；如果数学成绩低，总分也会低．通过表6可以看出，文科各学科间，数学与总分的偏相关系数较高，两学科间未受其他学科影响，两学科间具有较强的关联关系．地理、历史、政治学科，在剔除语文学科影响后，偏相关系数都有所降低．例如：历史和政治间的简单相关系数为0.749 5，而剔除语文学科影响，其偏相关系数为0.461 7；地理和历史学科间的简单相关系数为0.717 6，而剔除语文学科影响，其偏相关系数为0.442 4．这说明在地理、历史、政治学科中，受语文学科影响较大，这与语文学科的基础属性相关．按照标准偏移量Ｋ-means聚类分析算法，对实验数据进行聚类分析，并将各个聚类项进行聚类项内平均分、标准差、最大值和最小值4个属性值统计计算，理科4个属性值见表7、表8．由表7可见，语文、数学、外语学科平均分中，除数学最大值聚类项数学成绩高外，其他聚类项中数学成绩都是最低的，与物理、化学、生物学科相比，数学成绩也偏低；在各聚类项物理和化学平均分都较为接近，相对差别不大；标准差项除总分外，数学标准差较大，说明数学成绩离散程度较大，数学差值变化较多，数学成绩的变化必将影响到考生的成绩变化．通过分析，也印证了在偏相关分析中的数学学科具有影响总分、物理、化学学科成绩的结论．由表8可见，最大值项数学偏大，最小值项数学偏小；物理、化学与数学最大最小值变化具有一致性．利用偏相关系数可以剔除其他学科因素影响，进而确定两学科间的相关关系，并通过标准偏移量K-means聚类分析结果进行相关性验证，找出学科间影响关系，实现了高考质量评价的目的．本文对全市整体数据进行评价分析，利用此方法对县区、高中学校高考成绩数据进行分析，并进行县区、高中学校与全市间数据对比评估，将有助于提高县区、高中学校的高考质量评价的效能．[1] 汪朝杰．大学生在校成绩与高考成绩的统计分析研究[D]．合肥：合肥工业大学，2012[2] 曾水光．基于数据挖掘的河北省高考数据分析研究[D]．石家庄：河北师范大学，2013[3] 徐杨峰．数据挖掘在高考成绩影响因素分析中的应用研究[D]．苏州：苏州大学，2015[4] 庞业伟．高考理科综合成绩相关性分析[J]．广西教育，2013（42）：87-88[5] 张峰，胡学钢．基于关联规则的高职学生成绩分析应用研究[J]．滁州学院学报，2011（2）：103-106[6] 华婷婷．K-means聚类算法研究[J]．黄山学院学报，2013（5）：17-19[7] 孙菲，张健沛，董野，等．基于标准偏移量的K-means聚类分析算法研究[J]．齐齐哈尔大学学报：自然科学版，2015（2）：57-64[8] 任福栋，张宏烈，孙景峰，等．简单相关分析与偏相关分析在高考成绩相关性分析中的对比研究[J]．高师理科学刊，2014，34（2）：24-27。