当前，大数据以其独特的功能及优势应用于教育领域，开启了教育科学发展的新时代，推动了教育领域的众多变革。基于大数据的个性化教学、科学化评价、精细化管理、智能化决策、精准化科研等，将对促进教育公平、提高教育质量、培养创新人才具有不可估量的作用。

与电子商务、交通、医疗、金融保险等领域的大数据相比，教育大数据的采集过程更加复杂，模式应用更具挑战，挖掘分析更重因果。考核评价作为加强和改进教育教学过程、促进人才培养质量提升的重要途径，其数据挖掘、分析与应用尤为重要。然而现行教育考试制度的关注重点往往集中在考试方法创新、考试题型变革、考试成绩评定等方面，对考试数据的分析和利用不够深入，一定程度上造成了教育信息和资源的浪费。高校应建设基于大数据的教学分析与质量监控系统，在考核评价数据挖掘利用方面进行重点研究，开展精准化的学习诊断、分析和绩效评估，进而对教育教学工作给予客观科学的评价和指导。

《教育大数据：考核评价数据分析、挖掘与应用》著者团队长期致力于研究挖掘考核评价数据的深层价值，从一门课程、一个专业、一类群体、一所学校的视角，深入解析考核评价数据分析挖掘的系统设计、模型构建、算法验证、拓展应用的全过程，旨在提供一些可操作、可移植、可推广的典型应用案例。

基于课程考核数据的知识点关联分析

Apriori算法是一种布尔型的关联规则挖掘算法，通过生成候选集、向下封闭检测两阶段对频繁项集进行挖掘。在考核评价数据的分析研究中，运行Apriori算法的原理为：获取考核评价数据，对数据进行清洗和预处理，分析数据有效性，根据需要对数据进行变量转换；定义事务项集，项集R包含具有某些知识点属性的事务A和具有不同知识点属性的事务B；设置最小支持度阈值，项集R的支持度Support=÷；设置最小置信度阈值，项集R的置信度Confidence=÷；筛选有效的关联规则，将所有项集的支持度、置信度与设定的最小支持度阈值、最小置信度阈值进行比较，提取满足阈值条件的关联规则；对提取的每条关联规则进行分析，通过对比、整理、综合、归纳，得出结论。

Apriori算法的运行原理

《教育大数据：考核评价数据分析、挖掘与应用》一书中，通过对某领域升学考试高中数学考试成绩分析，得出结论：考生整体对“5-圆锥曲线性质”“15-排列”“16-极坐标”3个知识点掌握一般，导致对“22-导数综合应用”掌握一般、对“12-圆锥曲线”“17-数学归纳法”掌握差；由于考生整体对“12-圆锥曲线”“16-极坐标”“17-数学归纳法”掌握差，导致对“21-分布列与数学期望”“23-直线与圆综合应用”“24-空间几何体”3个知识点的掌握差。因此，考生整体的弱项知识点是“5-圆锥曲线性质”“15-排列”“16-极坐标”3个知识点。

试卷知识点结构图

基于改进Apriori 算法构建的试卷知识点结构图，可以直观反映出学生的知识掌握过程，找出考生的弱项知识点，从根源上帮助考生突破知识点的学习瓶颈；同时，可为院校教育教学决策、教师改进教学方法、促使学生个性化学习提供重要参考。

基于考试数据的课程体系优化

人才培养方案中课程体系的优化是一项复杂的系统工程，涉及诸多因素，研究的视角也很多。 《教育大数据：考核评价数据分析、挖掘与应用》一书中，尝试从社会网络分析的视角，通过对考试成绩的定量分析与挖掘，提出一种新的验证方法和优化方案。

在社会网络分析中，中心度和威望度是两个十分重要的统计特征。节点中心度越大表示该节点越处于中心位置，对其他节点的影响也越大，若剔除它们则网络会变得七零八落。而在有向网络中，那些收到许多正选择的节点被认为是有威望的节点，如果正选择不是双向互利共惠的，那么这个节点的威望就尤为稳固。以某校管理科学专业主干课程为例，运用社会网络分析方法，分析该课程体系中课程之间的支撑关系，从而确定课程的中心度、威望度。

基于中心度优化的学科基础与工程技术课程关系网络

如上图所示，边的方向代表了课程之间的依存关系，边的权值表示该依存关系的大小，节点的大小随节点中心度的改变而改变，节点的不同颜色则代表不同的学期。在35门主干课程之间相互影响关系基于中心度优化的网络中，仅有15门课程对其他课程有不同程度的影响，按照中心度大小排序分别是：高等数学、电工电子技术、概率论与数理统计、大学物理、C语言程序设计等。比如，《高等数学》作为基础性极强的主干核心课程，必须放在突出位置予以重点关注。同理，基于威望度视角，也能构建类似的课程关系网络，从而对课程体系优化问题提供重要的参考信息。

文章来源：《教学管理与教育研究》 网址: http://www.jxglyjyyj.cn/zonghexinwen/2020/0812/497.html