發(fā)布時間：2020-12-04 00:02

　　信息技術的進步為大數(shù)據(jù)時代的到來奠定了發(fā)展的基礎,爆炸式的信息增長為數(shù)據(jù)挖掘提供了可供研究的數(shù)據(jù)基礎。各行各業(yè)都在積極的應用數(shù)據(jù)挖掘技術來探索現(xiàn)有的數(shù)據(jù)中包含的潛在信息,教育領域也不例外。將數(shù)據(jù)挖掘技術運用于教育方面及教學場景中被稱之為教育數(shù)據(jù)挖掘(Educational Data Mining,簡稱EDM)。EDM是一個交叉學科,涉及計算機科學與技術、統(tǒng)計學、教育學等多個知識領域。教學活動是指教師和學生互動的過程,教師在其中發(fā)揮著引導和給予的作用,是提高教學質量的關鍵。對老師的課程教學進行公正、客觀地評價是激發(fā)教師熱情工作,引導教師改進教學,提高教學質量的重要方法。在學生反饋這一方面,雖然目前高校都有學生評教系統(tǒng),包含了打分和文字評價,但是對于這些數(shù)據(jù)的處理還停留在簡單的統(tǒng)計分析階段,普遍都是采用平均分的計算模式來對教師得到的打分進行處理,這種方法隱含了一些不合理的處理因素。其次是對文本的處理,大多依靠老師逐條閱讀,這對于教務處和任課老師來說工作量都很大。目前的評教系統(tǒng)并未呈現(xiàn)教師畫像,單靠返回的分數(shù)很難理解其具體含義。以此為背景,本文對學生評教的文本數(shù)據(jù)進行了數(shù)據(jù)挖掘與分析,生成了... 

【文章來源】：重慶大學重慶市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【部分圖文】：

教育數(shù)據(jù)挖掘的基本研究流程

w2,...,wT)=∏t=1Tp(wt|context) (公其中 s 代表當前的 sentence，w1 到 wT 為組成該句子的詞。Context 表示境，p(wt|context)為在給定語境時，詞 wt 出現(xiàn)的概率[48]。詞向量模型的訓練過程：Step1:為了訓練出詞向量，需要提前準備好語料庫，由于本文使用的是中語言處理，所以在準備語料庫的時候需要進行分詞操作。Step2:掃描 step1 中準備的語料庫，統(tǒng)計每個詞語出現(xiàn)的頻數(shù)并保存在一里。Step3: 根據(jù)詞語出現(xiàn)的頻率建立相應的哈夫曼樹。哈夫曼樹的每一個樹己相對應的權值，這個權值與葉子結點到根節(jié)點所有的樹枝的和就是該的權值。為了使樹的代價比較小，權值大的葉子節(jié)點會比較靠近根節(jié)點好這樣的哈夫曼樹后，每個詞都會有一個基于此哈夫曼樹的二進制編碼示從根節(jié)點到該詞語的路徑。比如我們假設左樹枝的編碼為 0，右樹枝中紅框內的詞的哈夫曼編碼就是 101。

pinion 的含義以及提取過程進行了說明，從初步提取到 OP 算法提取；接著對pinion 進行情感值計算，并把提取出的 Aspect 用詞向量模型計算與六個教學評估度的相似性，把 Aspect 映射到相似性最高的維度上，最后基于六個維度進行情值求和，得到一個教師情感值矩陣，最終利用這個矩陣生成教師基于學生文本價的教師畫像。.1 數(shù)據(jù)集.1.1 原始數(shù)據(jù)集本研究所用到的數(shù)據(jù)是 C 大學教務處提供的 2014-2016 年 C 大學學生評教數(shù)，共 6 學期。本次研究所用到的數(shù)據(jù)均以得到學校授權并預先對老師工號，課號，課程名稱，學號，學生姓名做了加密處理，不會侵犯學生和教師的隱私。學生評教的原始數(shù)據(jù)如圖所示，關鍵字 TEACH_TERM 為上課學期，SER_KCID 為課程 ID 號，ZWMC 為課程名稱，BJMC 為班級名稱，QTYJ 指學的文本評語，最后一列為學生對老師的綜合評分。部分評教數(shù)據(jù)如圖 3.1 所示。


本文編號：2896677