数据挖掘技术在信息技术教学评价中的应用

教学评价是教学活动的重要环节。教师在教学过程中积累了大量的信息，为教学评价提供有力的数据基础。数据挖掘是深层次的数据信息分析方法。将数据挖掘技术应用于教学评价管理有着积极的作用。本文就如何解决教学评价中的几个常见问题，探讨数据挖据技术的应用方法。

教学评价 信息技术 应用方法

随着基础教育新课程改革的不断深入，教学评价作为教学活动的重要环节，已不再仅关注于对学生的甄别和选拔，而更注重于发挥评价的促进作用。

信息技术学科是一门实践性和创造性较强的学科。在探索适应新课程评价体系的道路上，教师可以利用各种技术手段丰富教学活动，全面记录学生学习进程，检测学生操作能力。数字化的教学环境积累了大量的教学信息。这些数据可以客观的反映出学生的信息技术认识水平和发展潜力。然而这些信息很少被开发利用，只是单纯的记录和查询，没有挖掘隐藏在这些数据中的教学规律、学生信息能力的差异性和相关性规律、有效地为教学评价提供数据基础。

数据挖掘是一种通过自动或半自动方式探索和分析大量数据，以发现其中有意义的模式和规则的过程。将数据挖掘技术应用于信息技术教学评价管理有着积极的作用。

问题一：终结性评价缺乏对学生表现的分析，难以有效把握学生个体间差异性

教师在课程或模块学习结束后，经常通过客观题考试或作品评分来评定学生的认知水平。这种单一的定量评价有着鉴定和监督的积极作用，但忽视了造成学生发展差异的原因，难以开展针对性教学。

对策：将终结性评价与安置性评价或过程性评价相结合，运用决策树C5.0算法分析影响信息技术认知水平的主要因素。

决策树是实现分类和预测的常用方法，其将数据集通过一系列的规则递归分割成具有同等或者相近属性的子集，并以树形方式展现结果，有直观易懂的优点。C5.0算法是在决策树经典算法ID3算法基础上发展起来的，其核心与C4.5相同，但在执行效率方面有所改进，并支持更多的数据类型。

例如，分析学生课外使用电脑情况对信息技术水平的影响。通过调查表形式了解课外使用电脑情况；然后将这些信息转换为合适的数据模型并合并。同时对学生的成绩进行标准化处理，划分为A、B、C三个等级，作为决策树判别类型。使用SPSS Clementine为工具建立模型。设置学生信息技术成绩为输出变量；课外使用电脑时间、何时开始接触电脑、遇到疑问时是否有与人交流的习惯三项数据为输入变量，将数据选取50%作为训练样本集，50%作为检验样本集，运用决策树C5.0算法生成模型，并通过剪技后的决策树提取规则。得到结果为学生在课外使用电脑时间的长短是信息技术是否成绩优秀的关键因素，其次，是学生是否具有信息交流的意识和接触电脑的早晚。

问题二：多元化的评价模式难以统一标准、无法做到绝对规范

新课程理念对教育主体性的强调，打破了教师的评价主体地位。通过评价主体的多元化，评价方式的多元化，激发学生潜能。但是实施多元化评价的过程中，由于主观性强，导致评价标准难以统一。

对策：通过Apriori算法分析评价信息，发现其中可靠关联，帮助教师掌握学生学习状况。

多元评价模式尽管涉及多个主体、多种方式，但这些信息不是孤立的，必定存在某种联系。使用关联规则技术可以帮助教师有效揭示这些信息中隐含的关联特征。Apriori算法是简单关联规则技术的核心算法，基于寻找到的频繁项集产生关联规则。

例如，分析学生课外学习信息技术知识的情况。通过调查表收集学生家里是否有计算机、使用频率、现有信息技术知识的主要来源（自学、父母教、课堂学习、社会培训班、上网吧、同学）、父母对于学生在家使用计算机的态度四方面信息。首先，对数据标准化处理，使所有数据为分类型变量，都设为输入并输出变量。设置前项最小支持度为60%，规则最小置信度为90%。可以看到第一条规则的提升度（Lift）最大，其实际指导意义相对最高。通过分析本例产生的规则，可以发现父母允许在家里使用计算机的学生，其信息技术知识主要以自学为主。说明此类学生认为课堂所学习的内容不能满足其学习发展的需要。对于以自学为主的学生结合其文字输入、文档处理和电子表格处理三方面的技能水平进一步进行关联分析。设置自学字段为输出变量，文字输入、文档处理和电子表格字段为输入变量；设置前项最小支持度为10%，规则最小置信度为92%。可以看到自学为主的学生，在文字输入和文档处理方面表现优异，但在电子表格方面仍需加强练习。

问题三：新的评价方式产生了大量信息，难以有效把握学生发展需求

发展性的评价要求教师从注重结果转向对学生学习过程的关注。从学生日常学习的各种行为表现，了解学生的学习进程，发现学生的发展潜能。然而面对着大大增加的信息量，教师由于精力和时间有限，难以有效掌握学生发展需求。

对策：运用K-means聚类算法分析学生学习过程，通过对具有相似特征的学生群体进行分类，了解学习状态，分析学习需求。

聚类分析是分析人类活动的常见方法。它可以在没有事先指定分组标准的情况下，根据数据的各个特征进行分组，在探索数据内在结构方面有全面性和客观性等特点。K-means算法采用划分原理进行聚类，其聚类结果使每个样本点只属于一个类，具有简单快速的优点。

新课程理念的教学评价是为了学生的发展。教师应在尊重学生个体发展差异的基础上，通过关注教学过程，形成对学生的综合评价。使用数据挖掘技术，根据教育教学需要选择评价信息和适当的挖掘算法，有助于教师发现评价信息中潜在的规则，指导教师调整教学策略和方法，更好的发挥教学评价的激励作用。

参考文献：

[1]苗逢春.信息技术教育评价：理念与实施[M].高等教育出版社，2003.

[2]韩家炜.数据挖掘：概念与技术[M].北京：机械工业出版社，2001.

[3]陆安生，陈永强，屠浩文.决策树C5算法的分析与应用[J].电脑知识与技术，2005，（9）.

[4]许昌加，高阳.数据挖掘在电信客户细分中的应用研究[J].成组技术与生产现代化，2004，（1）.