劉麗娜

（廣州工商學院工學院，廣東 廣州 510850）

0 引言

高校學生對公選課具有一定的自由選擇權(quán)，包括選擇課程、任課教師和上課時間。由于傳統(tǒng)的選課制度不利于學生個性拓展、課程資源有限和選課引導不充分等方面因素，影響了學生的學習效果和學校的教學質(zhì)量。

基于數(shù)據(jù)挖掘技術(shù)對廣東省民辦院校公選課資源共享個性化推薦模型進行研究，利用改進后的KIApriori 算法[1]從以往的選課數(shù)據(jù)中發(fā)現(xiàn)隱藏的、有用的數(shù)據(jù)規(guī)律來指導推薦公選課，從而改進和完善當前高校公選課的選課機制。

1 相關(guān)研究

目前，許多學者正在積極探索公選課選課機制的改革；研究較多也較為普遍的當屬課程個性化推薦模型，此類模型有基于大數(shù)據(jù)或數(shù)據(jù)挖掘的個性化推薦[2-4]，也有基于協(xié)同過濾的資源定制[5]，以及基于圖譜和圖嵌入的學習資源推薦等等[6]。

本文利用數(shù)據(jù)挖掘算法構(gòu)建推薦模型，以SPSS Modeler 為初步分析工具，以廣州工商學院和廣州科技職業(yè)技術(shù)大學兩所民辦院校應歷屆學生信息數(shù)據(jù)為研究對象，構(gòu)建預測模型為在校學生推薦適合的公選課程，既能有效提高教學質(zhì)量，又能實現(xiàn)跨校資源共享，提高資源利用率。

2 構(gòu)建公選課資源共享個性化推薦模型

2.1 數(shù)據(jù)挖掘技術(shù)在預測推薦中的作用

數(shù)據(jù)挖掘技術(shù)是通過對歷史數(shù)據(jù)進行分析，從而發(fā)現(xiàn)其中的規(guī)律，利用此規(guī)律來指導預測未來有可能產(chǎn)生的數(shù)據(jù)信息[7]。數(shù)據(jù)挖掘主要包括數(shù)據(jù)清洗、數(shù)據(jù)建模、模型數(shù)據(jù)分析、行為數(shù)據(jù)分析與結(jié)果反饋四個階段。

（1）數(shù)據(jù)清洗

數(shù)據(jù)挖掘的前期工作是收集數(shù)據(jù)，在確定挖掘目標后基于該目標準備數(shù)據(jù)，并對收集到的結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù)進行整理清洗去除數(shù)據(jù)中噪聲不一致的數(shù)據(jù)，以便于后續(xù)的分析處理。

（2）構(gòu)建挖掘模型

數(shù)據(jù)建模階段可以選擇不同的數(shù)據(jù)挖掘技術(shù)針對數(shù)據(jù)進行分析建模，從而發(fā)現(xiàn)潛在的規(guī)律和結(jié)構(gòu)。

（3）模型數(shù)據(jù)分析

模型數(shù)據(jù)分析可以將模型應用于實際問題中，構(gòu)建推薦算法，并對模型效果進行驗證，從而自動地為用戶進行推薦?；跀?shù)據(jù)挖掘算法的推薦系統(tǒng)可以實現(xiàn)個性化、精準地推薦，同時也可以不斷優(yōu)化算法以提高推薦的效果。

（4）行為數(shù)據(jù)分析與結(jié)果反饋

行為數(shù)據(jù)分析是將得到的推薦結(jié)果結(jié)合實際行為進行分析，從而為系統(tǒng)提供反饋機制。通過對用戶的反饋進行分析和挖掘，可以發(fā)現(xiàn)用戶的意見和需求，從而進一步改進并優(yōu)化推薦系統(tǒng)。

2.2 利用KIApriori 算法構(gòu)建推薦模型

Apriori 算法通過分析歷史數(shù)據(jù)發(fā)現(xiàn)其中隱藏的規(guī)律，利用規(guī)律分析現(xiàn)有數(shù)據(jù)并找出關(guān)聯(lián)結(jié)果，從而達到推薦的目的[8]。而KIApriori 算法是對Apriori 算法處理多維復雜數(shù)據(jù)及執(zhí)行效率的優(yōu)化，KIApriori 構(gòu)建推薦模型的過程包括利用改進的算法SK-Means 進行前期復雜數(shù)據(jù)的多維度分類、精簡，然后利用改進的算法KIApriori 根據(jù)支持度和置信度識別強規(guī)則，然后使用強規(guī)則實現(xiàn)推薦項目，實現(xiàn)模型如圖1 所示。

圖1 KIApriori 算法推薦模型

首先是對收集到的數(shù)據(jù)Data 進行normalization清洗規(guī)范化，然后采用經(jīng)過多維度改進K-Means 后的SK-Means 算法進行分類，最后再通過掃描數(shù)據(jù)庫并使用KIApriori 識別頻繁出現(xiàn)的項目來找出所有規(guī)則。該算法的工作原理是建立一組候選項集，然后根據(jù)最小支持度和置信度對該候選項集進行修剪。一旦確定了最頻繁的項目集（即強規(guī)則），則可以利用規(guī)則向用戶提出推薦建議。推薦過程識別出往屆學生所選課程與其他數(shù)據(jù)的關(guān)聯(lián)規(guī)律，再利用該規(guī)律為當前還未選課的學生推薦其感興趣的課程。

因此，Apriori 關(guān)聯(lián)規(guī)則可以識別最頻繁的項目集，并使用它們向用戶推薦項目，幫助構(gòu)建推薦模型，從而提高推薦的準確性，更好地滿足學生的學習需求，提高學生學習效果。

3 實施應用

本文以廣東省兩所民辦院校近十年的學生數(shù)據(jù)為研究對象，采用線上公選課程為規(guī)則后項，具體實施分為六個階段。

（1）數(shù)據(jù)清洗

確定廣州工商學院和廣州科技職業(yè)技術(shù)大學往屆學生的特征數(shù)據(jù)，首先需要確定學生的行為習慣、學生專業(yè)與課程等多方面的特征數(shù)據(jù)，即通過采集學生的多層次的個人數(shù)據(jù)，在此基礎(chǔ)上進行多維度衡量，然后對結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)進行統(tǒng)一和去噪處理。例如，由于不同的專業(yè)所學習的專業(yè)課程不同，因此需將專業(yè)課進行聚類，根據(jù)成績段進行歸類，如分數(shù)在90 到100 之間的同學歸為一類。同時，若同類屬性當中有大量的不同值，如學生成績，則應做概化處理。

概化：即將一些細節(jié)的數(shù)據(jù)抽象為上一層次的概念化的數(shù)據(jù)，如學生的“大學英語成績”有0～100中的某一個數(shù)組成，不利于挖掘，在此可以將成績根據(jù)[0,60)、[60,70)、[70,80)、[80,90)、[90,100]分為不及格、及格、中等、良好和優(yōu)秀五個層次，那么“大學英語成績”就可以概化為不及格、及格、中等、良好和優(yōu)秀。

屬性剔除：如果屬性當中很多值都未概化處理，且與挖掘主題不相關(guān)，沒有上層屬性，則該類屬性應剔除。如“姓名”或“教師編號”等屬性。

（2）設(shè)計推薦算法

利用數(shù)據(jù)挖掘技術(shù)，根據(jù)學生的需求特征，建立合理的模型，利用關(guān)聯(lián)分析等技術(shù)，確定個性化推薦算法，本文結(jié)合實際數(shù)據(jù)分析確定采用KIApriori 算法對第一階段的數(shù)據(jù)進行挖掘。

（3）模型實施

在模型構(gòu)建后，通過運用數(shù)據(jù)挖掘的技術(shù)對資源進行數(shù)據(jù)處理，本次挖掘設(shè)置最小支持度和置信度均為8%，然后根據(jù)生成的推薦結(jié)果選擇合理規(guī)則前項并根據(jù)支持度與置信度設(shè)置推薦權(quán)重值為學生進行公選課程的推薦，部分挖掘結(jié)果如表1 所示。

表1 部分挖掘結(jié)果

在表1 中，規(guī)則{專業(yè)=“數(shù)字媒體”、平均成績=“良好”、選修=“數(shù)字攝影”}可以解釋為大部分數(shù)字媒體專業(yè)專業(yè)課平均成績良好的學生都會選修“數(shù)字攝影”課程。然后，推薦算法將向數(shù)媒專業(yè)平均成績良好的學生推薦“數(shù)字攝影”課程，因為它是最頻繁項目集中的一部分。

（4）模型測評

根據(jù)第三階段的推薦結(jié)果，對規(guī)則的合理性進行分析，采集一定量的反饋數(shù)據(jù)，形成測試數(shù)據(jù)與目標數(shù)據(jù)可視化的對比結(jié)果，評估公選課資源共享個性化推薦模型的實施效果。

（5）確定穩(wěn)定模型

根據(jù)模型衡量的反饋結(jié)果，不斷迭代模型，并加以改進，以提高模型實施的準確性和穩(wěn)定性。

（6）各層面實施應用

由學生、教師、試點學校和廣東省民辦院校合作四個層面構(gòu)建公選課個性化推薦模型，如圖2 所示。

圖2 公選課推薦模型

學生層面：分別根據(jù)學籍、成績、一卡通和圖書借閱等數(shù)據(jù)構(gòu)建挖掘模型，為在校學生推薦適合的公共選修課程，為各種個性特征的學生提供充分的發(fā)展機會。

教師層面：通過數(shù)據(jù)挖掘分析，教師提出公共選修課科目的設(shè)置修改建議。

試點學校層面：協(xié)調(diào)課程、推薦選修，并根據(jù)推薦結(jié)果調(diào)整公選課程的安排，例如剔除選課人數(shù)較少的課程。

廣東省民辦院校層面：構(gòu)建廣東省民辦院?？缧９x課資源共用共享及公選課學分互認機制，實現(xiàn)資源高效利用。

4 效果評估

本研究將確定的推薦模型應用于廣州工商學院20 級網(wǎng)絡工程專業(yè)2022-2023 學年第一學期的公選課推薦，以問卷的形式對此推薦的滿意度、出勤率和適配度等進行調(diào)查，進一步分析模型的應用效果。

通過對廣州工商學院20 級網(wǎng)絡工程專業(yè)171名學生進行普查，發(fā)放問卷171 份，回收有效問卷167 份，問卷有效率為97.7%。問卷調(diào)查中出勤率為98.78%，而滿意度、適配度調(diào)查結(jié)果如圖3 所示。

圖3 公選課個性化推薦滿意度調(diào)查

從圖3 可以看出公選課的個性化推薦的選課范圍較為滿意，推薦結(jié)果與預期相比普遍達到滿意或很滿意；而由于個性化推薦與專業(yè)或成績等其他因素相關(guān)，因此個人偏好與個性化推薦的適配度大部分亦達到滿意或很滿意，但相對于其他項目的滿意度上稍微偏低。在公選課個性化推薦調(diào)查結(jié)果中可以看出超過80% 的學生對本次的推薦結(jié)果整體較為滿意，且出勤率達到98.78%。由此可見，該推薦模型的實施應用，可以有效提升學生的參與度和學習效果，從而改善學校公選課的教學管理和學習質(zhì)量。

5 結(jié)束語

本文以廣東省兩所民辦院校近十年的學生數(shù)據(jù)為研究對象，構(gòu)建公選課資源共享個性化推薦模型，在模型應用時實行資源共享學分互認。通過本次公選課推薦模型的實施可見，實行該模型有利于促進學生個性化學習,提升學習質(zhì)量；有利于管理部門更合理地規(guī)劃分配資源，完善選課機制；有利促進師資進修，強化師資隊伍；有利于實現(xiàn)高校公選課資源共享，提高資源利用率。

雖然本次公選課模型的構(gòu)建及實施取得了一定的成效，但由于數(shù)據(jù)量有限且公選課設(shè)置不一致等問題，對規(guī)則生成及支持度、置信度有一定的影響，若能獲取更多的分析數(shù)據(jù)，且數(shù)據(jù)更加規(guī)范，則公選課資源的推薦及結(jié)果適配度將有更好的實施效果，規(guī)則的可靠性也將更高。