数据挖掘与教师评价系统

数据挖掘与教师评价系统摘要今年来，随着网络技术与数据库技术的迅速发展，人们所积累的数据越来越多，这些数据的背后隐藏着许多有用的信息和知识，这些信息和知识得到了广泛的引用，比如金融投资、政府决策、生产控制、市场分析、医疗保险和科学研究等领域。如今的社会，竞争很激烈，拥有获取隐藏在数据背后的有用知识，并利用它们的能力变得越来越重要。在教育领域也是一样，各大高校在每学年的教学评价过程中，面临着同样的问题。教学教务管理部门面对大量的教学评价数据，实用传统的评价方法，效果不大，已经满足不了现代教学发展的需要。人们希望能够对这些教学评价数据进行多角度、高层次的分析和处理，希望从中能发现更多、更有用的知识和信息，为提高教学质量提供更多的方法和措施。教师教学评估的现状新课程观下的教师评价强调对教师进行综合评价。综合评价就是用动态的、发展的眼光,对教师工作的各个环节进行系统的、全程的、较长时间的、循环往复的评价。教师从事的教育活动是一个长期复杂的过程,工作中的任何成绩都是日积月累的结晶,绝非一朝一夕的产物,仅仅依靠一、两次的单项评价,不可能真实反映教师工作的整个发展过程,也必然导致评价结论与教师实际工作表现的偏差。缺少综合评价,就无法全面了解评价对象的工作表现,无法把握教师的发展倾向和发展需求,也无法修正评价过程中的晕轮效应、趋同效应等引起的各种偏差。因此,新课程必须强调对教师进行综合评价。同时,新课程观下的教师评价也注重教师的个体差异。由于教师在个性心理、职业素养、教学风格、交往类型和工作背景等方面都存在较大差异,因此,评价应根据这种差异,确立个性化的评价标准、评价重点以及选择相应的评价方法,有针对性地对每位教师提出改进建议、专业发展目标和进修计划等。只有这样,才能充分挖掘教师的潜能,发挥教师的特长,更好地促进教师的专业发展和主动创新。对于教师的评价考核是学校教学质量的提升,调整教学体制,教师等级评定的重要参考依据。而新课程观下的教师评价强调对教师进行综合评价。综合评价就是用动态的、发展的眼光,对教师工作的各个环节进行系统的、全程的、较长时间的、循环往复的评价。教师从事的教育活动是一个长期复杂的过程,工作中的任何成绩都是日积月累的结晶,绝非一朝一夕的产物,仅仅依靠一、两次的单项评价,不可能真实反映教师工作的整个发展过程,也必然导致评价结论与教师实际工作表现的偏差。缺少综合评价,就无法全面了解评价对象的工作表现,无法把握教师的发展倾向和发展需求,也无法修正评价过程中的晕轮效应、趋同效应等引起的各种偏差。因此,新课程必须强调对教师进行综合评价。同时,新课程观下的教师评价也注重教师的个体差异。由于教师在个性心理、职业素养、教学风格、交往类型和工作背景等方面都存在较大差异,因此,评价应根据这种差异,确立个性化的评价标准、评价重点以及选择相应的评价方法,有针对性地对每位教师提出改进建议、专业发展目标和进修计划等。只有这样,才能充分挖掘教师的潜能,发挥教师的特长,更好地促进教师的专业发展和主动创新。对这么多教师，这么多个环节的评价进行综合，是一个非常复杂的工作，因此一个好的教师评价系统会带来很大的方便。而目前评测的方法大多数还停留在“问卷调查”的基础上,不仅繁琐，效率低，而且只对提交的评测数据做简单的数据统计处理,无法准确客观地从这些数据中得到更多更有价值的信息。教师评价系统普遍存在自动化程度低,数据处理不科学等现象,因此可以利用数据库、数据仓库技术、联机分析处理技术、数据挖掘技术对评测的数据进行采样处理。根据数据仓库构建的流程和联机分析处理的过程，利用浏览器/服务器的模式,构建了系统的开发架构图,以数据仓库中中心,通过对教务管理数据库、学生管理系统数据库、教师管理系统数据库中相关数据的抽取,构建面向主题的数据仓库,再对数据库中的数据进行OLAP分析和数据挖掘处理，得到教师的综合评价得分,并评出等级，建立教师质量评价指标体系,实现对教师教学评价的自动化、智能化。数据挖掘简介数据挖掘（英语：Datamining），又译为资料探勘、数据采矿。它是数据库知识发现（英语：Knowledge-DiscoveryinDatabases，简称：KDD)中的一个步骤。数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。数据挖掘的发展数据挖掘源于机器学习。机器学习是严爵是计算机模拟或实现人类的学习行为，即让计算机通过算法自动获取知识。机器学习是人工智能领域中的重要研究方向。20世纪60年代开始了机器学习的研究。比较典型的成果有：Rosenblate的感知机，它是最早用神经网络进行模式识别的方法；Sammel的西洋跳棋程序，他用线性表达式的启发式方法，通过多次人机对弈，自动修改表达式中的系数，使程序逐渐聪明，该程序竟然取得了胜过作者和洲际冠军的成绩。20世纪80年代，机器学习取得了较大的成果。Michelski等人的AQ1系统（1980），能从大量病例中归纳出大豆病症的判断规则。AQ11是一个很成功的归纳学习方法；Quiulan的ID3（1983）决策树方法影响很大，实用性很强；Langley等人的BACON系统（1987）能重新发现物理学的大量规律；Rumelhart等人研制的反向传播神经网络BP模型（1985）为神经网络的学习开创了一个新阶段。这些显著成果的出现，使“机器学习”逐渐形成了人工智能的主要科学方向之一。1980乃在美国召开了第一届国际机器学习学会研讨会；1984年《机器学习》杂志问世。我国在1987乃召开了第一届全国机器学习研讨会。1989年成立了中国人工智能学会机器学习学会。我国学者洪家荣研制的AEI系统（1985）采用了扩张矩阵方法；钟鸣和陈文伟研制的IBLE方法（1992）利用信道容量建立决策规则树，识别效果比ID3更高。1989年在美国召开了第一届知识发现（KDD）国际学术会议，从数据库中发现知识（KnowledgeDiscoveryinDatabase，KDD）形成了新概念。KDD研究的问题有：1定型知识和定量知识的发现；2知识发现方法；3知识发现的应用等。1995年在加拿大召开了第一届知识发现（KDD）和数据挖掘（DM）国际学术会议。由于把数据库的“数据”形象地比喻成矿床，因此“数据挖掘(DataMining,DM)一词很快就流传开来。数据挖掘是知识发现的核心工作，重要研究发现知识的各种方法和技术。而这些方法和技术主要来自机器学习。随着数据挖掘的发展，出现了一些新的数据挖掘方法，如大型数据库中关联规则的挖掘，利用粗糙集进行属性约简和规则获取等。数据挖掘的兴起时主要是在数据库中挖掘知识，随着数据仓库的出现和发展，很快将数据挖掘的技术和方法用于数据仓库。数据挖掘的含义数据挖掘经常与数据库、数据仓库联系在一起。数据库中每个数据记录的内含代表了该记录的信息。而数据挖掘是从数据库中所有记录中归纳总结出知识。知识的数量大大少于数据记录量。这些知识代表了数据库中书记局信息的规律，即用少量的知识能够覆盖数据库中所有的记录。例如，人口数据库中存储了各国人口的记录，它是一个庞大的数据库。但是通过数据挖掘可一总结出这么一条规则：（头发=黑色）V（眼睛=黑色）（亚洲人）。这个规则表示如果一个人的头发是黑色并且眼睛也是黑色，那么他（她）就是亚洲人。数据挖掘是从人工智能机器学习中发展起来的。他研究各种方法与技术，从大量的数据中挖掘出有用的信息和知识。最常用的数据挖掘方法是统计分析方法、神经网络方法和机器学习中研究的方法。数据挖掘中采用机器学习的方法有归纳学习方法（覆盖正例排斥反例方法，如AQ系列算法、决策树方法、关联规则挖掘等）、遗传算法、发现学习算法（如公式发现系统BACON）等。数据挖掘的应用目前数据挖掘技术已经被广泛运用在金融行业企业中，利用它可以成功预测银行客户需求。一旦获得了这些信息，银行就可以改善自身营销模式。现在银行天天都在开发新的沟通客户的方法。各银行在自己的ATM机上就捆绑了顾客可能感兴趣的本行产品信息，供使用本行ATM机的用户了解。如果数据库中显示，某个高信用限额的客户更换了地址，这个客户很有可能新近购买了一栋更大的住宅，因此会有可能需要更高信用限额，更高端的新信用卡，或者需要一个住房改善贷款，这些产品都可以通过信用卡账单邮寄给客户。当客户打电话咨询的时候，数据库可以有力地帮助电话销售代表。销售代表的电脑屏幕上可以显示出客户的特点，同时也可以显示出顾客会对什么产品感兴趣。同时，一些知名的电子商务站点也从强大的关联规则挖掘中的受益。这些电子购物网站使用关联规则中规则进行挖掘，然后设置用户有意要一起购买的捆绑包。也有一些购物网站使用它们设置相应的交叉销售，也就是购买某种商品的顾客会看到相关的另外一种商品的广告。如果你经常百度一些关键词，下次浏览时，你可能就会看到一些相关的广告和链接。如果你经常浏览某购物网站，则它会根据你的某些消费习惯向你推荐某些产品。成功例子数据挖掘中的一个最著名的例子应该就是啤酒与尿布的故事。世界零售连锁企业巨头沃尔玛遍布14个国家，7131家连锁店，近200万员工，上亿的客户。每天大量的交易信息都在源源不断地传输到公司总部的数据仓库，数据容量超过了数百TB，里面存放了各个门店的详细交易信息。如何从信息的海洋中发现营销机会，找到有利可图的客户，调整货物的摆放位置，协调物流的计划和调度等等问题，已经不能简单地根据人的经验、通过查看报表或者手工分析来获取答案，人们需要更加依赖于计算机的处理能力，需要更高级的分析技术来协助从海量数据中发现潜在的规律。为了能够准确了解顾客的购买习惯，沃尔玛利对顾客的购物行为进行了购物篮分析，想知道顾客经常一起购买的商品有哪些，结果他们有了意外的发现：“跟尿布一起购买最多的商品竟是啤酒！”这种高级的分析技术之一就是数据挖掘，而数据挖掘领域里最典型的案例就是“啤酒与尿布”的故事。世界零售连锁企业巨头沃尔玛拥有世界上最大的数据仓库系统之一，里面存放了各个门店的详细交易信息。为了能够准确了解顾客的购买习惯，沃尔玛利对顾客的购物行为进行了购物篮分析，想知道顾客经常一起购买的商品有哪些，结果他们有了意外的发现：“跟尿布一起购买最多的商品竟是啤酒！”于是，沃尔玛派出市场调查人员和分析师对这一挖掘结果进行调查分析。经过大量实际调查和分析，揭示了一个隐藏在“尿布与啤酒”背后的美国人的一种行为模式：一些年轻的父亲下班后经常要到超市去买婴儿尿布，而他们中有30%～40%的人同时也为自己买一些啤酒。产生这一现象的原因是：美国的太太们常叮嘱她们的丈夫下班后为小孩买尿布，而丈夫们在买尿布后又随手带回了他们喜欢的啤酒。按常规思维，尿布与啤酒风马牛不相及，若不是借助数据挖掘技术对大量交易数据进行挖掘分析，沃尔玛是不可能发现数据内在这一有价值的规律的。这是数据挖掘技术对历史数据进行分析的结果，它符合现实情况吗？是否是一个有用的知识？是否有利用价值？于是，沃尔玛派出市场调查人员和分析师对这一挖掘结果进行调查分析。经过大量实际调查和分析，揭示了一个隐藏在“尿布与啤酒”背后的美国人的一种行为模式：一些年轻的父亲下班后经常要到超市去买婴儿尿布，而他们中有30%～40%的人同时也为自己买一些啤酒。产生这一现象的原因是：美国的太太们常叮嘱她们的丈夫下班后为小孩买尿布，而丈夫们在买尿布后又随手带回了他们喜欢的啤酒。既然尿布与啤酒一起被购买的机会很多，于是沃尔玛就将尿布与啤酒并排摆放在一起，结果是尿布与啤酒的销售量双双增长。按常规思维，尿布与啤酒风马牛不相及，若不是借助数据挖掘技术对大量交易数据进行挖掘分析，沃尔玛是不可能发现数据内在这一有价值的规律的。系统用到的数据挖掘方法集合论原理是数据挖掘中的一个非常重要的理论基础,常用于分类、聚类问题和关联规则挖掘。用于分类问题时，它主要是利用集合之间额覆盖关系，如粗糙集方法是对条件属性和决策（类别）属性中的等价类（一个或多个属性取值均相同的元组）之