学生成绩分析范文(精选12篇)
学生成绩分析 第1篇
经过对系统的需求分析, 学生成绩分析系统希望实现从数据采集到数据分析等一系列功能:包括学生信息管理、教师信息管理、成绩信息管理、课程信息管理、班级信息管理、学生成绩分析等各个功能模块。以下对几个主要功能模块做出描述:
1) 学生信息管理模块:包括学生的一些基本情况信息, 它是进行成绩管理、统计报表生成的前提;2) 教师信息管理模块:教师信息管理模块:包括教师的个人基本情况, 在校期间的授课情况、科研情况、每学年考核情况等;3) 成绩信息管理模块:学期课程结束后, 各个教师可以在规定时间内录入自己所授课程的成绩, 这样学生就可以查到自己各个学期的课程成绩并打印成绩单;4) 课程信息管理模块:对课程基本信息的管理, 课程的添加、删除、修改, 以及课程学分、课程类型的更改;5) 班级信息管理模块:完成学校班级信息的添加、删除、修改功能;6) 学生成绩分析模块:主要是对学生成绩信息作相关分析。
2 系统业务流程
3 学生成绩分析模块的实现
本系统中采用将数据挖掘技术应用于对学生成绩的分析中, 采用数据挖掘分类技术中的决策树方法中的ID3算法, 对本文中学生系统中的学生基础课课程成绩这一数据进行挖掘, 得到判定属性, 建立合适的规则, 用以正确预测学生今后合适的专业发展方向。通过采用数据挖掘技术进行分析、预测, 可以更好的促进我们的教学。
在学生成绩分析模块中的数据挖掘流程具体说明如下:
1) 确定数据挖掘对象及目标:通过学生各个学期基础课成绩, 建立今后专业发展方向的预测模型, 挖掘出今后适合选择哪些专业选修课以便在该专业发展方向上更好的学习;2) 模型的选定:比较了各种决策树算法后决定采用著名的决策树ID3算法进行分类;3) 数据采集:所得数据是通过前面在学生系统中的学生成绩查询模块中的成绩数据库中获得, 教师在教学过程中输入学生成绩, 可以查询到学生所修的所有基础课成绩, 并将这些成绩作为本次成绩分析的数据;4) 数据预处理:由于ID3算法不能处理连续值属性, 而学生成绩数据值是连续的, 因此首先必须对这些数据进行预处理, 即对这些数据进行离散化。预处理也是数据挖掘过程中非常重要的一个步骤。因此, 本系统中必须采用数据规范化和离散化技术对数据进行预处理, 采用公式 (1) 把原始成绩映射到60分到100分之间, 使之成为规范数据。
上述公式中, 原始数据的值使用V来表示, 而经过规范处理后的数据值使用V’来表示。
得到规范数据后, 我们还必须对这些数据进一步处理, 即对他们进行离散化, 离散化后的成绩值分为3个区间:[60分, 平均分], [平均分, 优秀], [优秀, 100分]
5) 数据挖掘:使用数据挖掘分类技术中的决策树方法中的ID3算法对前面经过预处理所得到的数据进行挖掘。
由于测试属性的选择是通过计算每个属性的信息增益, 从而找出信息增益值最大的值来作为测试属性的方法, 因此, 通过以下公式来计算本系统中各个属性的信息增益:
设S是一个包含了n个数据样本的集合, 类别属性可以取m个不同的值, 则对于m个不同的类别C i (i=1, 2, …, m) , 假设ni为是类别C i中的样本个数, 那么, 要对于一个给定数据样本进行分类的信息量为:
其中, pi=ni/n是任意数据样本对象属于类别Ci的概率。
设一个属性A可以取k个不同的值{a1, a2…ak}, 利用属性A可以作为判定属性将样本集合S划分为k个子集{S1, S2, …, Sk}, 其中Sj包含了样本集合S中属性A取aj值的数据样本子集;设nij为子集sj中属于Ci类别的样本数, 那么, 利用属性A划分该样本集合的信息嫡可以按以下公式计算:
对于一个给定的子集Sj, 有:
其中, Pij=nij/n是sj中样本属于Ci类的概率
通过以上公式, 我们可以选择属性A作为当前分支节点来对样本集进行划分, 信息增益计算公式如下:
通过以上公式计算每个属性的信息增益。选择具有最高信息增益的属性作为给定样本集合S的测试属性。
4 结论
目前, 数据挖掘技术已在各行各业有着广泛的应用, 但将该技术应用到我们教育领域中的例子还比较少, 而且目前在许多高校中对学生成绩信息的处理仅仅是做一些查询或者简单统计等处理, 比如利用EXCEL等软件工具分析学生的平均分、最高分等简单信息。而最近几年高校不断扩招, 学生人数大幅增加, 高校中所积累的数据越来越多, 因此, 利用一种技术来有效利用这些数据更好的服务教学和管理极为迫切。数据挖掘是一种决策支持过程, 它从大量的数据中提取隐含的、潜在的、以前未知的有用信息或模式, 主要基于人工智能、机器学习、统计学、数据库等技术。
摘要:本系统对用户需求做了较详细的分析, 根据当前成绩管理的具体情况, 介绍了数据挖掘相关知识, 详细分析比较了数据挖掘技术的有关内容, 选取决策树方法应用到学生成绩分析系统, 对决策树算法进行了详细的介绍, 并对其在成绩管理中的作用进行了阐述。
关键词:学生成绩分析,数据挖掘,决策树
参考文献
[1]魏萍萍, 王翠茹, 王保义, 等.数据挖掘技术及其在高校教学系统中的应用[J].计算机工程, 2003, 29 (11) :87-89.
[2]刘同明, 等.数据挖掘技术及其应用[M].北京:国防工业出版社, 2001:2-8.
[3]冯子华, 程立生, 郑中兵.课程考核试卷质量分析的EXCEL实现[M].高等农业教育, 2004, 3:53-55.
[4]R.Feldman, H.Hirsh.Maehine Learning andDataMining.Methods and Applications.minding associations in collections of text, 1998:301-306.
高一学生成绩下降分析 第2篇
已浏览次数:1092005-11-6 18:08:
31一是没有进入良好的学习状态。这些学生还在回忆初中生活或体味成功的喜悦,没有很快融入新集体,进入高中的学习状态。他们在初中,尤其是高三时,已经把学习的弓拉得很满,现在有一种疲倦的感觉,他们正在愣神,思想松懈。等到其中考试成绩出来了,才意识到自己落后了,需要赶紧努力。可是,要把成绩赶上去,还需要一段时间。有些同学把初中的那一套思想移植到高中来。他们认为自已在初
一、初二时并没有用功学习,只是在初三临考时才发奋了一两个月就轻而易举地考上了高中,而且有的可能还是重点中学里的重点班,因而认为读高中也不过如此,高
一、高二根本就用不着那么用功,只要等到高三临考时再发奋一两个月,也一样会考上理想的大学的。因此,往往表现为第一学期的学习成绩不理想。二是学习方式不适应。初中学生绝大多数都是被动学习,而高中学生则需要主动学习,需要自主学习。许多初中生,没有养成自觉主动的学习习惯,尤其是没有学会自主式学习。学习习惯因依赖心理而滞后。初中生在学习上的依赖心理是很明显的。就拿数学来说吧,为提高分数,初中数学教学中教师将各种题型都一一罗列,学生依赖于教师为其提供套用的“模子”;升入高中后,教师的教学方法变了,套用的“模子”没有了,家长辅导的能力也跟不上了,由“参与学习”转入“督促学习”。许多同学进入高中后,还像初中那样,有很强的依赖心理,跟随老师惯性运转,没有掌握学习的主动权。表现在不定计划,坐等上课,课前没有预习,对老师要上课的内容不了解,上课忙于记笔记,没听出“门道”。因此,一时间还适应不了高中的学习,成绩不够理想。思维方式的变化也带来了一些学生学习上的不适应。学生的思维方式高中生和初中生不一样,教科书内容转向了,而学生还没有一下子转过来。就拿数学来说吧,与初中数学相比,高中数学的特点是:
①数学语言在抽象程度上突变。不少学生反映,集合、映射等概念难以理解,觉得离生活很远,似乎很“玄”。确实,初、高中的数学语言有着显著的区别。初中的数学主要是以形象、通俗的语言方式进行表达,而高一数学一下子就触及抽象的集合语言、逻辑运算语言以及以后要学习到的函数语言、空间立体几何等。高一是数学学习的一个关键时期。许多小学、初中数学学科成绩的佼佼者,进入高中阶段,第一个跟斗就栽在数学上。对众多初中数学学习的成功者,进高中后数学成绩却不理想,数学学习屡受挫折,造成这一结果的主要原因是这些同学不了解高中数学的特点,学不得法,从而导致成绩滑坡。
②思维方法向理性层次跃迁。高一学生产生数学学习障碍的另一个重要原因是高中数学思维方法与初中阶段大不相同。初中阶段,很多老师为学生将各种题建立了统一的思维模式,如解分式方程分几步,因式分解先看什么,再看什么,即使是思维非常灵活的平面几何问题,也对线段相等、角相等分别确定了各自的思维套路。因此,初中学习中习惯于这种机械的、便于操作的定势方式,而高中数学在思维形式上产生了很大的变化,数学语言的抽象化对思维能力提出了高要求。这种能力要求的突变使很多高一新生感到不适应,因而导致成绩下降。③知识内容的整体数量剧增。高中课程与初中相比,是知识内容的“量”上急剧增加了,单位时间内接受知识信息的量与初中相比增加了许多,辅助练习、消化的课时相应地减少了。三是心理上、感觉上的因素在起作用。一所高中的学生来自多所初中,原来的尖子,现在不可能都是尖子,就向参加运动会一样,在省里第一,到国家可能没有取上名次,到世界就更别提了。因此,某些学生成绩的相对下降,也是情理之中的事。从初中到高中,学习的难度系数不一样了,在小学可以得双百,在初中得双百就难了,到高中就更难。从初中到高中,环境变化也导致个别学生不适应。有些学生整体素质不是很高,尤其是处理师生关系、同学关系,能力还不够强,心理上的自我调适能力较差,到了新的环境,经常因为一些日常
生活中的小事而焦虑,造成精力流失,这些学生需要过一段时间才能适应这个新环境。也有个别学生因为一点点挫折而丧失对未来的信心。
二、个案剖析及相应措施
学生甲:2001年6月考高中成绩(以后称入学成绩)为班级20名;2001年11月期中考试成绩(以后称期中成绩)为班级44名;2002年1月期末考试成绩为班级46名。主要原因及其表现:
1.由于没考上理想高中,产生对自己放弃的念头;
2.对高中学习缺少信心和兴趣,学习的主动性和自控能力不足;
3.心事重,注意力不集中。
采取的主要措施:
1.通过谈心,做其思想工作,给其讲我校近几年的高考情况,让他懂得只要用心学习,一样可以考大学甚至是重点大学,树立学习信心;
2.上课经常提问,防止其注意力分散,并通过及时表扬增强其学习兴趣;
3.在其周围安排学习好的学生,对其进行正面熏陶。
学生乙:入学成绩为班级23名;期中成绩为班级49名;期末成绩为班级39名。主要原因及其表现:
1.学习易情绪化,靠兴趣学习,不爱背,理科成绩好,文科成绩差,偏科现象严重;
2.眼高手低,不爱动笔,知识学得不扎实;
3.学习劲头不足,学习效率低。
采取的主要措施:
1.教师经常与家长沟通,经常找其谈话,做深入细致的思想工作,防止情绪波动;
2.经常检查其学习情况,帮其改掉眼高手低,不爱动笔的坏笔病;
3.在其周围安排文科学习好的同学,对其进行学习熏陶。
学生丙:入学成绩为班级29名;期中成绩为班级41名;期末成绩为班级44名。主要原因及其表现:
1.初中知识量少,靠死记硬背还可以,高中知识量大,灵活性强,不能适应;
2.初中老师看得严,高中提倡学生自我教育,表现出自制力差的弱点;
3.缺乏探索精神和自学精神,对政史地等小科不重视。
采取的主要措施:
1.关心她并找其谈话,注意其内心世界的感受;
2.考试之前先出题考她,找出不足,提高其学习的目的性;
3.通过学生之间的竞争,调动其学习的积极性,提高其主动探索精神。
学生丁:入学成绩为班级25名;期中成绩为班级42名;期末成绩为班级48名。主要原因及其表现:
1.初中课程简单,反复做同样题的时候多,而高中知识容量大,题量多,不适应;
2.学习方法不好,不善于总结归纳知识点;
3.学习惰性大,靠死记硬背,不爱动脑思考。
采取的主要措施:
1.让其经常做一些基本练习题,改变其惰性;
2.纠正其学习方法,帮助并检查其归纳和总结;
3.上课经常让其到黑板做题,发现优点及时表扬。
学生戊:入学成绩为班级33名;期中成绩为班级43名。
主要原因及其表现:
1.初中语文外语基础差,到高中学习吃力;
学生考核成绩数理统计分析模式初探 第3篇
关键词:考核成绩 统计分析 模式 评价
中图分类号:G717文献标识码:A 文章编号:1673-9795(2012)10(b)-0058-01
教学过程中,有效的考核是对学生的学业成就作出科学、公正评价的前提条件,也是评价教师教学能力与效果的手段之一。教师对学生课程考核成绩的评价,既是一个结果评价,同时也能反映教与学的效果过程。它不仅可帮助教师了解学生对所授课程知识的掌握程度,还有助于发现自身施教中的不足,分析原因并针对性地改进,从而促进教师教学质量水平的不断提高和教学效果的不断提升。因此,课程考核成绩的评价在教学过程中具有重要的作用。
学生课程考核成绩往往采用完成试卷方式获得。考核试卷一般由多种题型构成,每一题型又有多个小题。教师依据标准答案对学生答题结果评判后给予得分的总和即为考核成绩。当然,试题的难易度也会对成绩造成影响,故这里的考核试卷是指标准参照考卷,即以体现课程教学目标标准作业为基准的试卷。如何全面、科学而公正地评价学生课程考核成绩,每位教师都有自己的见解,现提出一个数理统计分析模式,以求探讨。
该模式设计的主体思想是:描述总体成绩的分布,计算总体均分,比较各题型对成绩的影响,找出得分或失分关键题,分析原因。个体成绩的评价,则先确定其在总体中的排名,再进行比较。
1 总体成绩的统计分析
总体成绩指参与考核的所有学生的整体成绩。它的分析有助于评价不同班级、不同课程和不同时间(年度)的课程教学情况,还可通过各题型和各题之间的比较,评价学生整体对各知识点的掌握情况。
1.1 总体成绩分布
意义:评价学生成绩的整体水平,确定一定比例人数的分数范围,即学生的成绩在多少分数段范围内所占的百分比。如60~69分数段内的学生占21%。方法:按分数段编制频数表,统计各组的人数,计算构成比,直接反映各分数段人数所占的比重,也可用表格和图形方式显示。图形有构成比直条图、圆形图等。
1.2 总体平均成绩
意义:反映学生课程考核成绩的集中趋势及总体水平。有时还可依此确定合格标准,决定个体成绩能否通过,以消除试题难易程度造成的影响。方法:可选用算术均数和中位数两指标求得总体均分,再根据标准计算合格率。应用时总体均分偏高或偏低,都要从教师和学生双方寻找原因。
1.3 各题型得分情况的比较
意义:判断题型因素对得分的影响,分析主要得分(或失分)题型,推断课程学习中存在的问题。方法:步骤一:求出转化系数,将各种题型的得分进行标准化处理(转化成100分)。步骤二:将每位学生该题型所得分数乘以转化系数,得该题型标准化得分。如:填空题总分为20分,某考生得12分,求得的转换系数为100/20=5,该考生填空题标准化得分为12×5=60分。依此类推,求出各题型的转化系数和标准化得分。步骤三:分别求出各题型标准化得分的总体均分;步骤四:运用单因素分组的多样本均数比较的方法进行统计学检验,判断各题型得分的差异。若结果具有显著性,即可确定学生的主要得分(或失分)题型,由此进一步分析得分(或失分)的原因。
1.4 主观题与客观题得分情况的比较
意义:确定主观题和客觀题对学生成绩的影响,以推断学生分析、判断、概括、描述问题的能力和解决问题的思路方法是否妥当。方法:同前,只是将题型分为两类,把主观题和客观题的总得分进行标准化处理后,分别求出主观题和客观题的标准化总体均分,再进行两均数间差别的显著性检验。
1.5 主观题各题型得分情况的比较
意义:在各题型成绩差别有显著性的前提下,比较主观题内部各题型的得分情况,能更具体地分析出各主观题型对学生成绩的影响,同时还为进一步确定影响学生成绩的具体小题提供依据。方法:将属于主观题的各题型的标准化得分进行比较,判断均分差别的显著性。
1.6 客观题各题型得分情况的比较
意义及方法同主观题,对象为客观题内部各题型。
1.7 同题型内部各小题得分情况的比较
意义:确定学生总体得分最多或最少的具体题目,从而推断学生总体对知识点掌握的情况,并分析其原因。方法:在同一题型中对各小题的得分人数统计比较。
1.8 多班级同课程成绩的比较
意义:分纵、横两方向比较。纵向比较指按时间先后进行不同年度同课程间的比较,可评价同一或不同教师间教学水平随年度变化提高的程度,也可评价采用同一或不同教学方法后的教学效果及不同年度学生的学习能力与水平。横向比较指同年级、同时间内各班级的比较,可评价不同教师的教学水平及不同教学方法的效果,也可反映不同班级学生的学习能力与水平。方法:计算各年度各班课程成绩的均分,并进行差别的显著性检验,描述各班成绩分布情况。
1.9 不同课程之间的比较
意义:评价不同课程教师的教学效果和学生对各课程的学习能力和兴趣。方法:比较各课程间的总体均分及成绩分布情况,判断差别的显著性。
2 个体成绩的分析
意义:评价其知识点的掌握程度,分析原因,为提升个体成绩提供数据依据。方法:用均数±标准差的方法,确定个体成绩在总体中的地位,统计主、客观题及各题型得分情况,找出主要失分题。
方差分析在学生成绩分析中的应用 第4篇
高校是教学和科研的重要基地,也是培养人才的重要场所。随着学校教育与管理信息化程度的不断提高,学校积累了大量的学生成绩数据,如何发现隐藏在这些大量成绩数据背后的信息并发现潜在规律,找出隐含的模式,是很多高校正在考虑的问题。就目前发展来看,可以利用一些数据挖掘技术,对存储在数据库中的成绩数据进行多角度的统计分析,找出影响学生成绩的关键因素,充分利用现有的学生成绩数据,从而达到提高管理水平和办学质量的目的。
在实际的教学过程中,影响学生成绩的因素是多方面的。比如学生在学习考试过程中的心理、生理因素等,在教学过程中教师不同的教学方法和不同学期学生不同的学习态度也会影响学生最终的成绩。这些因素有的对成绩影响大,有的对成绩影响小,究竟哪些因素的影响是显著的,哪些因素的影响是不显著的呢?同时除了以上的因素之外,成绩的差异还要受随机误差的影响。随机误差对成绩的影响到底有多大?这些问题都可以通过方差分析来解决。
2、方差分析法
方差分析 (Analysis Of Variance, ANOVA) 是在20世纪20年代发展起来的一种统计方法,它的基本原理是由英国统计学家罗纳德·A·费舍尔(Ronald A.Fisher)在进行试验设计时为解析试验数据而首先引入的,它是采用数理统计的方法对所有结果进行的分析,以鉴别各种因素对研究对象的某些特征值影响大小的一种有效方法,目前被广泛应用于分析心理学、生物学、工程和医药的试验数据[1,2,3]。
2.1 基本定义
在方差分析中, 我们把考察对象的某种特征称为实验指标。影响实验指标的条件称为因素 (Factor) 。因素可分成两类, 一类是人们可以控制的;另一类是人们无法控制的。以下我们所说的因素都是可控因素。因素所处的状态, 称为因素的水平 (Level Of Factor) 。如果在一项实验的过程中只有一个因素在改变称为单因素实验 (One way ANOVA) 。
2.2 数学模型
设因素A在水平Aj (j=1, 2, …s)下,进行nj (nj≥2) 次独立实验,得到样本X1j, X2j, ...Xnjj
并假设:
(1)各个水平下Aj的样本来自具有相同方差σ2;均值分布为μj (j=1, 2, …s)的正态总体。
(2)不同水平Aj下的样本之间相互独立。
由假设知Xij~N (μj, σ2) ,即有Xij-μj~N (0, σ2) 。故Xij-μj可以看成是随机误差,记Xij-μj=εij,从而可以得出以下数学模型:
其中μj与σ2均为未知数。
设SA反映在每个水平下的样本均值与样本总均值的差异,它是因素A取不同水平引起的,称为组间偏差平方和,SE表示在水平Aj下样本值与该水平下的样本均值之间的差异,它是由随机误差引起的,称为组内偏差平方和[4,5]。为此,选用统计量:
对给定的检验水平α,查Fα (r-1, n-r) 的值,由样本观察值计算SA, SE,进行计算机统计量F的观察值:
(1)当F>Fα (r-1, n-r) 时,表示因素A的各水平下的效应有显著差异;
(2)当F<Fα (r-1, n-r) 时,表示因素A的各水平下的效应无显著差异。
3 学生成绩方差分析实例
3.1 SPSS简介
SPSS是现代统计软件的典型代表,其全称是Statistical Package for Social Sciences即社会科学统计软件包的简称,是一种集成化的计算机数据处理应用软件。SPSS集数据录入、资料编辑、数据管理、统计分析、报表制作、图形绘制为一体[6]。统计功能囊括了统计学中所有的项目,包括常规的集中量数和差异量数、相关分析、回归分析、方差分析、卡方检验、t检验和非参数检验等,并能在显示或打印如正态分布图、直方图、散点图等各种统计图表。利用SPSS进行统计的优点是简单、方便和具有可操作性,只需了解相关统计术语的含义和SPSS操作命令,就可以完成复杂的统计工作。
3.2 分析对象
成绩样本来自本校2004级学生成绩,共有11771组数据,分别来自4个学院中的8个专业。里面包含了83门专业课,如大学英语、分析化学、数据结构、心理学的一些主要的学科。由表1知,成绩的均值为79.51,偏度为-0.659,峰度为1.242,由此可知学生成绩处于负偏态,而且峰度较大,成绩总体成高狭峰分布。峰度较大,也说明大部分学生的成绩集中在峰值附近,大部分的成绩都在75到90分之间。如果以80作为良好来评价的话,学生成绩还是令人满意。但是,成绩也有较严重的负偏,说明还有相当一部分的学生成绩离均值较远。
3.3生源差异显著性分析
把学生成绩输入到SPSS中,经过统计分析,可以得出表2所示的单因素方差分析表:
由表2可以看出,SA=1311.144, SE=771575.391, F比为1.051,而显著性指标为0.397,大于0.05,所以认为各个地区均值的不同为偶然性误差。从图1的生源地成绩均值分布图,也可以直观地看出各个地区的均值在成绩总体均值79.51附近。差异并不明显。传统认为来自发达地区的生源质量较好,而来自欠发达地区的生源质量欠佳,但通过这个分析可以看出,生源地区的差异对于学生成绩的影响是不显著的。这也表明,大学期间学生可以通过自身的努力可以改变在原来受教育地区基础的差别。
3.4 学期差异显著性分析
使用上例同样的方法,对成绩学期的差异性进行分析,可以得出表3所示方差分析表:
由表3可以看出,=22696.664,=749709.783, F比为118.169,显著性值为0,表明学期的差异对成绩的影响高度显著。由图2也可以直观地看出,由2004到2005学年度第一学期开始,学生的总体成绩一直下降,直到2005到2006学年度二学期,学生的成绩才有明显的提升。
由于学生的成绩是来自2004级的学生,2004到2005学年度正是这批学生大一的时候,由于刚刚进入大学,还保持着学习的冲劲,所以成绩较好。随着对学习的热情减弱,成绩慢慢下降,趋势如图2所示。所以有必要再教学管理中,注意对新生成绩的监控,做好对新生学风建设的工作,打好大学学习的基础。在2005到2006学年度二学期,可能采取了某种措施,学生的成绩有了明显提升,也表明当时的做法是有益的,而且效果是十分明显的。
4、结论
方差分析作为一种成熟的统计分析方法,目前已被应用到各个领域。本文通过定性定量分析认为学生不会因为生源地的差异而对学习成绩有显著的影响,所以虽然不同地区的教育水平会有差异,但经过学生与教学工作者的努力可以缩小这个差距。另外,通过比较学生在不同学期的成绩表现,发现学生成绩在进入大学后有明显的下降趋势,这必须要引起相关职能部门的重视,适当改进教学的方法,加强对新生入学后的学习指导。
参考文献
[1]贾俊平, 谭英平.应用统计学[M], 北京:中国人民大学出版社, 2008
[2]盛骤, 谢千式, 潘承毅.概率论与数理统计[M], 北京:高等教育出版社, 2008
[3]罗应娟, 杨钰娟.SPSS统计分析从基础到实践[M], 北京:电子工业出版社, 2007
[4]康艳霞.数据挖掘在学生成绩分析中的应用[J], 信息与电脑, 2009.09:80-82
[5]吴武琴.学生学习成绩的方差分析法[J], 昆明冶金高等专科学校学报, 2009.20 (4) :16-18
学生成绩不好分析点(大全) 第5篇
1.习惯和兴趣
适用于小学低年级的学生处在知识的启蒙期,良好的学习习惯是学习活动顺利进行的保证,习惯是在一二年级形成的,一旦孩子的学习习惯形成,没有一个良好的学习习惯会影响到孩子以后的学习,不懂得怎么去预习,听讲,复习,作业和总结,养成一个良好的学习习惯,孩子以后的学习也会事半功倍.不良的学习习惯越早纠正越好.一个人的学习习惯、工作习惯、思维与行为习惯均与生活习惯有很大关联——那些在儿童时期被父母训练养成良好生活习惯的孩子,入学之后较容易形成良好的学习习惯,例如不拖拉、有条理等
低年级是孩子对学习适应的一个重要阶段,2.兴趣
这个适合在小学5年极-6年级.家长这个阶段的孩子正处于好奇心最强、最好动的时期,往往他们只能对自己感兴趣的活动投入精力,能持续较长时间的注意力。因此说孩子注意力不集中,他的学习兴趣与动机没有得到充分激发。但是对于造成这种结果的原因一定要找到,孩子即将升入初中,学习任务难度将有大幅度加深,在习惯、方法上都对孩子提出更高要求。因此还是要从兴趣激发上着手。
学习成绩相对很好的学生,家长希望在我们这里进行一个拔高的孩子
如何提高学习成绩、成绩能够提高多大的幅度,回答这些问题的前提条件是——清楚了解您孩子现有的成绩、学习习惯、学习态度以及在学习中经常遇到的问题与困难。
根据您孩子目前的情况说明他的学习能力不存在障碍,成绩提高的空间比较大。您最好先给孩子做一个全面的测评,弄清楚影响他成绩提高的原因是什么?哪些科目他比较容易提高成绩?提高成绩最直接有效的方法,就是将阻碍成绩抬高的所有因素清除!考试中哪些部分总是丢分,辅导重点就在哪部分知识.6月26日
学生成绩分析 第6篇
关键词:方差分析;箱线图;学生座次;多重比较
中图分类号:G642 文献标识码:B 文章编号:1002-7661(2014)21-004-02
近年来,关于学生座次的问题被人们广泛关注,座次离讲台的远近影响着师生互动的几率,也影响着学生学习的积极性。一些学者论证了座位与成绩之间有关联,但是多数学者并没有详细地分析座次对学生学习成绩有怎样的影响。本文旨在讨论座次对学生学习成绩的影响,并分析其原因。在分析过程中主要运用方差分析,利用PASW Statistics 18软件进行数据分析处理。
一、数据处理与方差分析
1、数据预处理
为了方便处理,将座次这一因素划分为前部分、中间部分和后部分三个水平。通过调查,随机抽取座次位于前部分、中间部分和后部分的学生各10名,收集到每名学生的总成绩,计算平均成绩并记为每名学生的成绩。
利用PASW Statistics 18软件绘制出各部分学生平均成绩的箱线图,如图1-1所示。从箱线图可以看出,前部分学生的平均成绩最高,后部分学生的平均成绩最低,前部分和中间部分学生的平均成绩差异很小;从平均成绩的离散程度来看,前部分学生的成绩比较集中,而中间部分和后部分学生的成绩比较分散;从分布形状来看,前部分和中间部分学生的成绩分布大体上为对称分布。
出现以上结果的原因在于,位于前部分和中间部分座次的学生离教师和黑板比较近,便于师生交流和学生观察板书,绝大多数师生言语交流发生在教室前部分和中间部分,这就把前部分和中间部分学生的积极性调动起来了,导致前部分和中间部分学生的听课效率明显高于后部分学生。长此以往,前部分和中间部分学生的成绩比后部分学生成绩好。
2、方差分析
从箱线图可以看出,位于不同座次的学生学习成绩是有明显差异的,即使是在同一座次水平中,不同学生的学习成绩也明显不同。前部分和中间部分学生学习成绩较高,后部分学生学习成绩较低,这表明学生座次与学习成绩之间有一定的关系。为了确定不同座次对学生学习成绩的影响是否存在,需要进行方差分析。
假定原假设为学生座次对学习成绩没有影响。为了检验原假设是否成立,需要确定检验统计量:
(1.1)
为了计算检验统计量,需要计算全部观测值与总均值的误差平方和SST、各组均值与总均值的误差平方和SSA和每个水平的各样本数据与其组均值的误差平方和SSE。为了消除观测值多少对误差平方和大小的影响,需要将总平方和 、组间平方和SSA和组内平方和 除以它们所对应的自由度,得到它们的均方,分别为MST、MSA和MSE。SST的自由度为n-1=35,SSA的自由度为n-k=33,SSE的自由度为k-1=2。其中n为所抽取的学生总个数,k为座次这一因素下的前部分、中间部分和后部分三个水平数。结合表1-1中的数据利用Excel进行方差分析
3、关系强度的测量
在方差分析中已经确定座次对学生学习成绩有显著影响,那么这两个变量之间的关系强度到底有多大呢?这就需要测量两个变量的关系强度 。组间平方和度量了座次对学生成绩的影响效应,可以用组间平方和占总平方和的比例大小来反映,根据表2-1中的结果计算得
这表明,座次对学生学习成绩的影响效应占总效应的26%,而残差效应则占74%。 的平方根 ,这表明座次与学生学习成绩之间有中等以上的关系,座次对学生成绩的影响程度较强。
二、方差分析的多重比较
通过方差分析虽然已经得出座次对学生成绩有显著影响,即不同座次学生成绩的均值不完全相同,但是这种差异到底出现在哪部分座次之间呢?这就需要运用多重比较方法来检验到底哪些均值之间存在差异。在此选用最小显著差异方法 ,其计算公式为:
因为 ,没有理由拒绝原假设,不能认为位于前部分座次与位于中间部分座次的学生学习成绩之间有显著差异; ,拒绝原假设,有理由认为位于前部分座次与位于后部分座次的学生学习成绩之间有显著差异; ,拒绝原假设,有理由认为位于中间部分座次与位于后部分座次的学生学习成绩之间有显著差异。
因为前部分和中间部分的学生离讲台较近,教师经常与前部分和中间部分的学生互动交流,学生又更容易观察板书,所以前部分和中间部分学生的学习成绩较好,且无显著差异。后部分的学生由于远离教师,与老师交流的机会很少,经常游离在教师视线之外,相比前部分和中间部分的学生就有了更多开小差的机会,他们的听课效果很差,学习成绩也就相对较差。
三、结论与建议
本文利用方差分析结合箱线图对学生座次与学生学习成绩之间的关系进行了研究分析,得出以下结论:前部分和中间部分学生的平均成绩均高于后部分学生的平均成绩;学生所在座次对学生学习成绩有显著影响,影响程度较强;前部分学生和中间部分学生与后部分学生的学习成绩之间均有显著差异,前部分学生与中间部分学生的学习成绩之间无显著差异。
针对结论中的现象提出以下建议:教师应该多关注座次远离讲台的学生,多与他们互动,从而提高他们的听课效率;每位学生的座次在前部分、中间部分和后面部分之间进行定期轮换,尽可能将学习成绩较差的学生的座次安排在前部分或中间部分。
参考文献:
[1] 赵选民.试验设计方法[M].北京:科学出版社,2012
[2] 郭熙汉.教学评价与测量[M].湖北:武汉大学出版社,2008
[3] 贾俊平.统计学[M].北京:中国人民大学出版社,2011
[4] 郭 琼.现代教育技术[M].北京:人民邮电出版社,2012
摘 要:影响学生学习成绩的因素有很多,其中座次问题一直是教育学中令人关注的问题。本文通过箱线图和方差分析对座次与学生学习成绩的关系进行研究分析,探讨座次对学生学习成绩的影响,结果表明座次对学生学习成绩有显著影响。就研究结论对如何合理安排学生座次提出了建议。
关键词:方差分析;箱线图;学生座次;多重比较
中图分类号:G642 文献标识码:B 文章编号:1002-7661(2014)21-004-02
近年来,关于学生座次的问题被人们广泛关注,座次离讲台的远近影响着师生互动的几率,也影响着学生学习的积极性。一些学者论证了座位与成绩之间有关联,但是多数学者并没有详细地分析座次对学生学习成绩有怎样的影响。本文旨在讨论座次对学生学习成绩的影响,并分析其原因。在分析过程中主要运用方差分析,利用PASW Statistics 18软件进行数据分析处理。
一、数据处理与方差分析
1、数据预处理
为了方便处理,将座次这一因素划分为前部分、中间部分和后部分三个水平。通过调查,随机抽取座次位于前部分、中间部分和后部分的学生各10名,收集到每名学生的总成绩,计算平均成绩并记为每名学生的成绩。
利用PASW Statistics 18软件绘制出各部分学生平均成绩的箱线图,如图1-1所示。从箱线图可以看出,前部分学生的平均成绩最高,后部分学生的平均成绩最低,前部分和中间部分学生的平均成绩差异很小;从平均成绩的离散程度来看,前部分学生的成绩比较集中,而中间部分和后部分学生的成绩比较分散;从分布形状来看,前部分和中间部分学生的成绩分布大体上为对称分布。
出现以上结果的原因在于,位于前部分和中间部分座次的学生离教师和黑板比较近,便于师生交流和学生观察板书,绝大多数师生言语交流发生在教室前部分和中间部分,这就把前部分和中间部分学生的积极性调动起来了,导致前部分和中间部分学生的听课效率明显高于后部分学生。长此以往,前部分和中间部分学生的成绩比后部分学生成绩好。
2、方差分析
从箱线图可以看出,位于不同座次的学生学习成绩是有明显差异的,即使是在同一座次水平中,不同学生的学习成绩也明显不同。前部分和中间部分学生学习成绩较高,后部分学生学习成绩较低,这表明学生座次与学习成绩之间有一定的关系。为了确定不同座次对学生学习成绩的影响是否存在,需要进行方差分析。
假定原假设为学生座次对学习成绩没有影响。为了检验原假设是否成立,需要确定检验统计量:
(1.1)
为了计算检验统计量,需要计算全部观测值与总均值的误差平方和SST、各组均值与总均值的误差平方和SSA和每个水平的各样本数据与其组均值的误差平方和SSE。为了消除观测值多少对误差平方和大小的影响,需要将总平方和 、组间平方和SSA和组内平方和 除以它们所对应的自由度,得到它们的均方,分别为MST、MSA和MSE。SST的自由度为n-1=35,SSA的自由度为n-k=33,SSE的自由度为k-1=2。其中n为所抽取的学生总个数,k为座次这一因素下的前部分、中间部分和后部分三个水平数。结合表1-1中的数据利用Excel进行方差分析
3、关系强度的测量
在方差分析中已经确定座次对学生学习成绩有显著影响,那么这两个变量之间的关系强度到底有多大呢?这就需要测量两个变量的关系强度 。组间平方和度量了座次对学生成绩的影响效应,可以用组间平方和占总平方和的比例大小来反映,根据表2-1中的结果计算得
这表明,座次对学生学习成绩的影响效应占总效应的26%,而残差效应则占74%。 的平方根 ,这表明座次与学生学习成绩之间有中等以上的关系,座次对学生成绩的影响程度较强。
二、方差分析的多重比较
通过方差分析虽然已经得出座次对学生成绩有显著影响,即不同座次学生成绩的均值不完全相同,但是这种差异到底出现在哪部分座次之间呢?这就需要运用多重比较方法来检验到底哪些均值之间存在差异。在此选用最小显著差异方法 ,其计算公式为:
因为 ,没有理由拒绝原假设,不能认为位于前部分座次与位于中间部分座次的学生学习成绩之间有显著差异; ,拒绝原假设,有理由认为位于前部分座次与位于后部分座次的学生学习成绩之间有显著差异; ,拒绝原假设,有理由认为位于中间部分座次与位于后部分座次的学生学习成绩之间有显著差异。
因为前部分和中间部分的学生离讲台较近,教师经常与前部分和中间部分的学生互动交流,学生又更容易观察板书,所以前部分和中间部分学生的学习成绩较好,且无显著差异。后部分的学生由于远离教师,与老师交流的机会很少,经常游离在教师视线之外,相比前部分和中间部分的学生就有了更多开小差的机会,他们的听课效果很差,学习成绩也就相对较差。
三、结论与建议
本文利用方差分析结合箱线图对学生座次与学生学习成绩之间的关系进行了研究分析,得出以下结论:前部分和中间部分学生的平均成绩均高于后部分学生的平均成绩;学生所在座次对学生学习成绩有显著影响,影响程度较强;前部分学生和中间部分学生与后部分学生的学习成绩之间均有显著差异,前部分学生与中间部分学生的学习成绩之间无显著差异。
针对结论中的现象提出以下建议:教师应该多关注座次远离讲台的学生,多与他们互动,从而提高他们的听课效率;每位学生的座次在前部分、中间部分和后面部分之间进行定期轮换,尽可能将学习成绩较差的学生的座次安排在前部分或中间部分。
参考文献:
[1] 赵选民.试验设计方法[M].北京:科学出版社,2012
[2] 郭熙汉.教学评价与测量[M].湖北:武汉大学出版社,2008
[3] 贾俊平.统计学[M].北京:中国人民大学出版社,2011
[4] 郭 琼.现代教育技术[M].北京:人民邮电出版社,2012
摘 要:影响学生学习成绩的因素有很多,其中座次问题一直是教育学中令人关注的问题。本文通过箱线图和方差分析对座次与学生学习成绩的关系进行研究分析,探讨座次对学生学习成绩的影响,结果表明座次对学生学习成绩有显著影响。就研究结论对如何合理安排学生座次提出了建议。
关键词:方差分析;箱线图;学生座次;多重比较
中图分类号:G642 文献标识码:B 文章编号:1002-7661(2014)21-004-02
近年来,关于学生座次的问题被人们广泛关注,座次离讲台的远近影响着师生互动的几率,也影响着学生学习的积极性。一些学者论证了座位与成绩之间有关联,但是多数学者并没有详细地分析座次对学生学习成绩有怎样的影响。本文旨在讨论座次对学生学习成绩的影响,并分析其原因。在分析过程中主要运用方差分析,利用PASW Statistics 18软件进行数据分析处理。
一、数据处理与方差分析
1、数据预处理
为了方便处理,将座次这一因素划分为前部分、中间部分和后部分三个水平。通过调查,随机抽取座次位于前部分、中间部分和后部分的学生各10名,收集到每名学生的总成绩,计算平均成绩并记为每名学生的成绩。
利用PASW Statistics 18软件绘制出各部分学生平均成绩的箱线图,如图1-1所示。从箱线图可以看出,前部分学生的平均成绩最高,后部分学生的平均成绩最低,前部分和中间部分学生的平均成绩差异很小;从平均成绩的离散程度来看,前部分学生的成绩比较集中,而中间部分和后部分学生的成绩比较分散;从分布形状来看,前部分和中间部分学生的成绩分布大体上为对称分布。
出现以上结果的原因在于,位于前部分和中间部分座次的学生离教师和黑板比较近,便于师生交流和学生观察板书,绝大多数师生言语交流发生在教室前部分和中间部分,这就把前部分和中间部分学生的积极性调动起来了,导致前部分和中间部分学生的听课效率明显高于后部分学生。长此以往,前部分和中间部分学生的成绩比后部分学生成绩好。
2、方差分析
从箱线图可以看出,位于不同座次的学生学习成绩是有明显差异的,即使是在同一座次水平中,不同学生的学习成绩也明显不同。前部分和中间部分学生学习成绩较高,后部分学生学习成绩较低,这表明学生座次与学习成绩之间有一定的关系。为了确定不同座次对学生学习成绩的影响是否存在,需要进行方差分析。
假定原假设为学生座次对学习成绩没有影响。为了检验原假设是否成立,需要确定检验统计量:
(1.1)
为了计算检验统计量,需要计算全部观测值与总均值的误差平方和SST、各组均值与总均值的误差平方和SSA和每个水平的各样本数据与其组均值的误差平方和SSE。为了消除观测值多少对误差平方和大小的影响,需要将总平方和 、组间平方和SSA和组内平方和 除以它们所对应的自由度,得到它们的均方,分别为MST、MSA和MSE。SST的自由度为n-1=35,SSA的自由度为n-k=33,SSE的自由度为k-1=2。其中n为所抽取的学生总个数,k为座次这一因素下的前部分、中间部分和后部分三个水平数。结合表1-1中的数据利用Excel进行方差分析
3、关系强度的测量
在方差分析中已经确定座次对学生学习成绩有显著影响,那么这两个变量之间的关系强度到底有多大呢?这就需要测量两个变量的关系强度 。组间平方和度量了座次对学生成绩的影响效应,可以用组间平方和占总平方和的比例大小来反映,根据表2-1中的结果计算得
这表明,座次对学生学习成绩的影响效应占总效应的26%,而残差效应则占74%。 的平方根 ,这表明座次与学生学习成绩之间有中等以上的关系,座次对学生成绩的影响程度较强。
二、方差分析的多重比较
通过方差分析虽然已经得出座次对学生成绩有显著影响,即不同座次学生成绩的均值不完全相同,但是这种差异到底出现在哪部分座次之间呢?这就需要运用多重比较方法来检验到底哪些均值之间存在差异。在此选用最小显著差异方法 ,其计算公式为:
因为 ,没有理由拒绝原假设,不能认为位于前部分座次与位于中间部分座次的学生学习成绩之间有显著差异; ,拒绝原假设,有理由认为位于前部分座次与位于后部分座次的学生学习成绩之间有显著差异; ,拒绝原假设,有理由认为位于中间部分座次与位于后部分座次的学生学习成绩之间有显著差异。
因为前部分和中间部分的学生离讲台较近,教师经常与前部分和中间部分的学生互动交流,学生又更容易观察板书,所以前部分和中间部分学生的学习成绩较好,且无显著差异。后部分的学生由于远离教师,与老师交流的机会很少,经常游离在教师视线之外,相比前部分和中间部分的学生就有了更多开小差的机会,他们的听课效果很差,学习成绩也就相对较差。
三、结论与建议
本文利用方差分析结合箱线图对学生座次与学生学习成绩之间的关系进行了研究分析,得出以下结论:前部分和中间部分学生的平均成绩均高于后部分学生的平均成绩;学生所在座次对学生学习成绩有显著影响,影响程度较强;前部分学生和中间部分学生与后部分学生的学习成绩之间均有显著差异,前部分学生与中间部分学生的学习成绩之间无显著差异。
针对结论中的现象提出以下建议:教师应该多关注座次远离讲台的学生,多与他们互动,从而提高他们的听课效率;每位学生的座次在前部分、中间部分和后面部分之间进行定期轮换,尽可能将学习成绩较差的学生的座次安排在前部分或中间部分。
参考文献:
[1] 赵选民.试验设计方法[M].北京:科学出版社,2012
[2] 郭熙汉.教学评价与测量[M].湖北:武汉大学出版社,2008
[3] 贾俊平.统计学[M].北京:中国人民大学出版社,2011
基于关联规则的高校学生成绩分析 第7篇
随着互联网和信息技术的飞速发展, 越来越多的高校都拥有了自己的教务管理系统, 该系统积累了大量的数据资源, 包括学生基础信息、学生成绩信息以及学生对教师评教等等。然而, 目前高校对学生成绩数据库中的数据仅仅是简单的录入、查询和备份操作, 并没有充分利用学生成绩数据的价值。学生成绩不仅仅体现了学生学习达到的效果, 还隐藏了大量有利于教学的信息, 利用数据挖掘技术能够发掘这些隐藏的信息, 为教师提高教学质量、改善教学管理提供切实可行的依据[1]。本文利用数据挖掘中的关联规则技术对学生的成绩数据进行挖掘, 发现学生所学课程之间的关联性, 为学校课程设置、教师教学内容安排提供依据, 并且对学生的学习适当提供预警信息。
1 关联规则———Apriori算法
1.1 关联规则概述
关联规则分析是数据挖掘中使用较为频繁的技术, 主要用于发现大量数据中项集与项集之间有意义的相关关系[2]。如果数据中有两个或多个项基之间存在相关性, 那么其中一项的属性值可以通过和它相关的属性值来预测[3]。关联规则挖掘最典型的一个例子就是购物篮分析, 利用它对顾客在超市购物的数据进行分析, 可以发现顾客购买一种商品会影响对其他商品的购买, 从而调整商品的摆放位置, 提高超市的营业额。
1.2 Apriori算法
关联规则的算法很多, Apriori算法[4]是最经典的一种, 它是由Agrawal和Srikant于1993 年提出的。Apriori算法采用宽度优先多趟扫描, 其基本思想是:首先扫描数据库, 计算出所有1- 项集的支持度, 从1- 项集中挑选出支持度大于最小支持度的频繁项集L1, 由L1 产生的候选2- 项集, 然后再一次扫描数据库, 计算出所有2- 项集的支持度, 从2- 项集中挑选出支持度大于最小支持度的频繁项集L2, 以此类推, 第n次扫描数据库, 得到频繁N- 项集频繁项集Ln, 直到没有频繁项集产生为止。Apriori算法可以归纳为两个基本性质: (1) 扫描数据库后, 频繁项集中的非空子集也都是频繁项集。 (2) 非频繁项集的任何一个超集也是非频繁项集。
2 基于关联规则的学生成绩分析
2.1 确定挖掘和分析目标
近年来, 高等院校的扩招使得学生数量大幅增加, 这就使得学校积累了大量的成绩数据。学生成绩不仅反映了学生的学习情况, 也影响到学校对教学计划以及教学质量的评估和调整。期望从教务管理系统的学生成绩数据中挖掘出课程与课程之间的关联性, 并利用所得到的分析结果对学校的专业培养计划提出切实可行的理论依据。
2.2 数据准备
高校学生的成绩数据来源于高校教务管理系统, 主要包括学生的学号、课程代码、课程名称、班级、年级、学期、分数和专业。本文使用的数据来源于某高校的教务管理系统, 主要是软件工程学生的成绩数据。在数据准备阶段, 需要对数据进行预处理, 提高数据质量, 使得分析结果更加精准。
(1) 集成数据:本文抽取了2010 级软件工程专业的必修课并且是第一次考试的成绩。分别抽取了C程序设计、C高级程序设计、计算机组成、离散数学、操作系统、算法分析与设计、线性代数、概率论与数理统计、计算机网络、面向对象技术以及数据库系统原理共12 门课程的成绩。学生的学号是与实验无关的属性, 因此可以把学号去掉, 经过修剪整理后, 总的记录有247 条, 部分成绩数据如表一所示。
(2) 数据转换:运用关联规则对数据进行挖掘分析, 需要离散型的数据, 而学生成绩数据是连续值, 这就需要对数据进行离散化处理。我们获取到的学生成绩都是百分制的, 所以免去了归一化处理的相关工作, 直接对成绩进行离散化。本文将学生成绩分为四类, “1”代表差, 不及格, 成绩在60 分以下、“2”代表中, 成绩在60~69 分之间、“3”代表良好, 成绩在70~79 分之间、“4”代表优秀, 成绩在80 分以上。离散化后数据如表二所示。
2.3 数据挖掘
本文采用关联规则分析中最为经典的Apriori算法, 利用Clementine12.0 对离散化后的成绩数据进行挖掘分析。Clementine主要通过一系列节点连接起来组成流来执行挖掘任务。在Clementine下建立的学生成绩关联规则挖掘的模型如图一所示。
图一中, 首先是要添加一个数据源节点, 将离散化后的数据导入源节点中, 接着添加类型节点, 主要目的是建立数据与算法模型的连接[5], 接着添加Apriori算法模型, 对模型中的置信度和支持度进行设置, 最后将Apriori算法执行的模型以及网络图形节点添加至流中, 模型中的12 字段表示本次挖掘任务中包含了12 个属性字段。
2.4 学生成绩挖掘结果分析
在Clementine下建立流的过程中, 对Apriori模型的支持度和置信度进行了设置, 本文将最小支持度设为10%, 最小置信度设为65%。进行执行操作后, 生成了12 字段的挖掘结果节点, 双击该节点, 可以看到挖掘结果, 如表三所示。
由表三可以看出, 部分产生的规则如下:
(1) 计算机网络=> 数据结构, 置信度为75.86%, 支持度为11.74%。
(2) (C程序设计, C++ 高级程序设计) ⇒ 数据库, 置信度为75.00%, 支持度为14.58%。
(3) 计算机网络⇒ 数据库, 置信度为72.41%, 支持度为11.74%。
(4) (C程序设计, 数据库) ⇒C++ 高级程序设计, 置信度为71.05%, 支持度为15.39%。
(5) (C++ 高级程序设计, 数据库) ⇒C程序设计, 置信度为71.05%, 支持度为15.39%。
(6) 操作系统⇒ 数据结构, 置信度为70.37%, 支持度为10.93%。
(7) (C程序设计, 面向对象技术) ⇒ 数据库, 置信度为69.23%, 支持度为10.53%。
(8) (C程序设计, C++ 高级程序设计) ⇒ 数据结构, 置信度为66.67%, 支持度为12.55%。
(9) (C程序设计, 数据结构) ⇒C++ 高级程序设计, 置信度为66.67%, 支持度为14.58%。
(10) (C程序设计, C++ 高级程序设计, 数据库) ⇒ 数据结构, 置信度为66.67%, 支持度为10.93%。
(11) 计算机网络⇒面向对象技术, 置信度为65.52%, 支持度为11.74%。
以上规则表明, 软件工程专业所学课程中, 计算机网络课程的成绩与数据结构存在相关性;C程序设计、C++ 高级程序设计、面向对象、计算机网络课程的成绩与数据库课程的成绩存在相关关系;操作系统课程成绩会影响数据结构的成绩;C程序设计、C++ 高级程序设计的学习情况会影响数据结构的学习;计算机网络课程的成绩与面向对象技术课程成绩相关。
2.5 图形分析
对图一中的网络图形节点进行执行操作, 生成如图二所示的网络图形。
图二进一步证明了关联规则挖掘结果的准确性。网络图形中一个颜色的圆点代表一个科目, 圆点旁边的值代表该科目所取的值, 圆点之间的连线说明两点之间存在相关关系, 连线的粗细代表关系的强弱。通过图形可知, 离散数学为优秀, 与算法分析与设计、数据库、面向对象技术为优秀存在相关关系;操作系统成绩为中等, 与计算机网络成绩为中等存在相关关系;数据结构为优秀, 与C++ 高级程序设计为优秀存在相关关系。
3 结束语
利用关联规则对学生的成绩进行挖掘分析, 可以获得很多有价值的信息, 为学校提高办学质量做出贡献。本文发现的规则为学院系部制定培养方案、设置课程、为新生介绍专业课程提供了科学合理的依据。C++ 高级程序设计、数据结构与网页设计存在相关关系, 前两门课程的学习会影响后一门课程的学习;C程序设计、C++ 高级程序设计、数据库技术课程的成绩与数据结构成绩存在相关性, 所以C程序设计、C++ 高级程序设计、数据库技术的学习会影响数据结构的学习;计算机网络课程的成绩与数据结构、面向对象技术课程的成绩具有相关性, 所以计算机网络的学习会影响数据结构、面向对象技术的学习;操作系统课程成绩与数据结构课程成绩存在相关性, 所以操作系统的学习会影响数据结构的学习。因此, 这些规则还可以对今后学生的学习情况作出预警, 当学生不认真对待一些专业课程时, 可以及时地作出提醒, 保证后面的学习更加顺利。
参考文献
[1]龙钧宇.基于压缩矩阵Apriori算法的高校学生成绩相关性分析研究[J].现代电子技术, 2014, 37 (24) :47-51.
[2]赵辉.数据挖掘技术在学生成绩分析中的研究及应用[D].大连:大连海事大学, 2007.
[3]李庆香.数据挖掘技术在高校学生成绩分析中的应用研究[D].重庆:西南大学, 2009.
[4]李杰.关联规则算法在学生成绩分析中的应用[J].信息系统工程, 2010, (05) :96.
影响大学生学习成绩因素分析 第8篇
李瑾(2005)指出学习活动是智力因素与非智力因素共同发挥作用的过程,学习成绩是智力因素与非智力因素相互作用的产物。美国著名心理学家韦克斯勒(D.Wechsler)通过大量测试和实验以及长期的临床实践指出,非智力因素是个体内部的动力体系,智慧不应局限于单纯的智力因素,它还反映了个体的非智力因素。由此而知,智力因素和非智力因素的差异以及非智力因素对智力因素的积极和消极作用都会影响学生的学习成绩。
一、大学生生活学习现状
在大学校园,大学生的活动非常的丰富多彩,有各种各样的社团,如青年志愿者协会,吉他音乐协会,动漫协会等,各种活动给校园增添了活力和欢乐。但当今大学生的生活习惯却令人担忧:饮食无规律,晚睡晚起不吃早餐,有的大学生甚至仅以泡面度日。归其原因还是大学生对大学生活的不适应,内心浮躁,精神上的空虚。在学习方面,大学生的主要表现是:首先,没有明确的学习目标和学习计划。对自己在大学期间以及每学年、每学期究竟要学什么,怎么学,达到什么要求很少考虑。其次,失去对学习的兴趣,把学习视为痛苦的事情。大学生最常见的事情就是:逃课,上课玩手机,抄袭作业,有些学生甚至沉迷于网络游戏,荒废了学业。最后,没有求知欲和上进心。现在很多大学生对学校制订的各种奖励措施没有兴趣,也对各种惩罚措施没有压力和紧迫感,另外当代大学生还缺乏适宜的学习方法,也不去探索适合自己的学习方法。
二、智力因素对大学生学习成绩的影响
智力因素通常是指记忆力、观察力、思维能力、注意力、想象力等,即认识能力的总和。它是人们在对事物的认识中表现出的心理,是认识活动的操作系统。虽然现在很少有人说学习成绩就是智力了,智慧技能对大学生的学习成绩具有一定影响,但由于是大学生,已经历过高考,在智力水平上差异并不十分明显但是智慧技能依然对学习成绩有一定的影响。
杜蓓(2010)通过研究发现,无论是男生还是女生,文科生还是理科生,智力(IQ)都对学习成绩有一定的影响,特别是理科。
三、非智力因素对大学生学习成绩的影响
大学生的学习成绩受到多种因素的影响。国内很多研究都显示,学习成绩的好坏不仅取决于智力因素,而且与众多的非智力因素有关。
李瑾的研究表明发现:学习成绩优秀的学生的智力平均水平比落后学生要低,这说明学业成绩与智力水平是极不相称的。甚至优秀学生中有4名是属于智力水平差者,而智力水平优秀、较优的学生中竟有7名是学习落后的。这充分显示智力水平与学习成绩完全不同,智力并不是影响学习的惟一因素。尤其是智力水平差的学生却可以取得优秀的学习成绩,更可以说明非智力因素在学习活动中对学习效果的影响。
1、学习动机
江雅在研究中指出:学习动机是指个体发动、维持其学习活动并使其指向一定目标的内部动力。根据个体追求的奖励来自活动内部还是外部,分为内部动机和外部动机。内部动机是由学习活动本身提供奖励所维持的动机,包括求知兴趣和能力追求两个因素。外部动机是由学习活动以外的情境提供奖励所维持的动机,包括声誉获得和利他取向两个因素。大部分研究表明,学习动机和学业成绩之间呈显著正相关。薛莉(2007)指出:学生学习内部动机的激发是提高学生学习成绩的催化剂。
2、人格和个性特征
关于人格的概念,不同的学者有着不同的定义。我国学者认为,人格是学生们在学校学习活动中,对人、对事、对己以至对学校环境适应时,在行为上所表现出的独特作风。杜蓓在研究中发现:无论是男生还是女生,无论是文科生还是理科生,在学习成绩上都受到了人格特征的不同程度的影响,这说明大学生学习成绩不仅受到智力的影响,还受到人格特征的影响。影响男生学习成绩的人格特征较为显著的有:适意感、责任心、宽容性、心理感受性、灵活性;影响女生学习成绩的人格特征较为显著的有:社会化、自我控制、顺从成就;影响文科学生学习成绩的人格特征较为显著的有:社交能力、自我控制、独立成就;影响理科学生学习成绩的人格特征较为显著的有:智力、社会化、宽容性。聂晶等人(2010)通过研究发现在学习行为中,个性特征是影响学习行为的重要因素。
3、学习意志
李丽等人(2004)在研究中发现:在大学生中,学习成绩主要取决于自制力,即学习意志,特别是男生。薛莉(2007)指出:学生学习自主性差,导致学生不能自觉地规划学习部署,自主设置学习目标,学习动机不强,学习时间安排不合理,自我监控能力差,不能很好地运用学习策略等,这些都成为影响艺术设计专业学生学习成绩的因素。
4、需要和兴趣
由于“一考定终身”的信念,许多大学生认为自己已经考上了大学,没有了继续学习的需要,便放松了自己的学习计划。另外,兴趣是最好的老师,赵昌荣等人(2010)在研究中指出:兴趣对学生来说很重要。学习兴趣高的学生投入学习的时间和精力自然就多,学习效果自然就好。对于当代大学生来说,因为没有了考试的外在压力,只有培养对学习本身的兴趣,才会逐步提高考试成绩。
5、其他因素
学生家庭出身、生源、文化程度及年龄对学习成绩均有不同程度的影响。王省良(1995)等人研究发现:从家庭出身看,农家子弟的成绩略高于干部、工人子弟;从生源情况看,军内子弟的成绩>地方初中生>校内子弟>战士学员。
参考文献
[1]李瑾.影响大学生学习成绩因素的分析[J].天津成人高等学校联合学报,2005,5(3):55-59.
[2]杜蓓.大学生的学习成绩与智力、人格特征的关系[J].北京农业职业学院学报,2010,24(6):71-73.
[3]孙煜明.学生考试成功结果的归因分析-归因理论跨文化研究[J].心理学报,1991,23(2):178-186.
[4]江雅.影响高职学生学习成绩成因的调查研究[J].北京劳动保障职业学院学报,2010,17(11):57-59.
[5]聂晶,赵明,单林.关于非智力因素对学生学习成绩影响的调查研究[J].中国高等医学教育,2010,31(8):47-50.
[6]李丽,张薇.影响本科生学习成绩因素的探究与分析[J].中国高等教育评估,2004,43(2):4-53.
[7]薛莉.影响艺术设计专业学生学习成绩因素的研究[J].华东交通大学学报,2007,19(10):73-74.
学生考试成绩质量分析研究的开发 第9篇
学生考试是对学生掌握这门课的情况的综合全面的考察,它能够反映出学生学习这门课的整体状况以及教师授课的情况以及教学效果,故很有必要对其进行分析。现在学校考试结束后,虽要求任课老师写考试质量分析表,但究其效果,还是流于形式,还只是停留在完成工作任务而已,对被测试主体学生而言,考完及格就结束,对教学主体教师而言,带着主观分析的结论写完分析表,交上试卷也就结束,至于学生真正的学习问题所在,对日后的教学的指导意义,教学内容是否合适,是非需要调整,这些都没进行科学性的深究,即使是对成绩结果显然非正态分布的情形也是如此。长期以往,势必对教学发展和教学效果产生影响,对学生的学习效果也将产生影响。由此,本人就考试质量分析进行了研究,并建立了相应的成绩质量分析系统。
1 考试成绩质量分析系统模型
整个质量分析系统分为两大模块:成绩分析模块和试卷分析模块,如图1所示。
本文的成绩质量分析系统,是建立在目前我校的试卷统一采用新的试卷格式的前提下,每份试卷都有各大题的得分栏,这也为我们进行成绩的分析带来了简便和实用性,因为我们的成绩分析模块是建立在学生对学科的不同类型知识的掌握情况进行分析。事实上,若有了这一分析模块后,教师日后在出卷时完全可以把自己的出卷思路稍作调整,从而经过分析,就能得到学生在哪一类型的知识掌握有欠缺,为日后教学内容和时间安排上进行适当调整起到一定的指导作用。
系统主要包括学生成绩输入模块、班级总分成绩分析、分类成绩分析、分类成绩类型结论、试卷质量分析等模块,各模块的功能如下:
学生成绩输入模块包括两部分,一部分是按照各类型知识的得分进行输入,另一部分是按照总分进行输入。
班级总分成绩分析模块是对班级的平均分、最高分、最低分、及格率、不及格率、标准差、偏度、峰度、总分是否正态分布情况进行分析,并列出学生所处班级的情况,可打印输出上述列表。
分类成绩分析模块是对不同类型的知识进行标准差、偏度、峰度、总分是否符合正态分布情况进行分析,从而判断出哪种类型的成绩偏差最大,以便于日后的教学内容进行调整。
分类成绩类型结论模块是对各类成绩的直方图进行分类并诊断,采用决策树,对其直方图分类归属,最后得出相应的诊断结论。
试卷质量分析模块将对试卷进行各项指标的分析。若学生的成绩在上述分析的基础上,成绩分布程非正态,则可对不同类型的得分情况进行更细致的分析,可输入不同能力的每一组中的学生各道试题的分数,计算试卷的难度、区分度、信度、效度各个数量指标,从而确定试卷的有效性和可信度,当然,也可只对各类型的得分情况进行分析,同时,若是正态分布的学生成绩,也可进行相应的分析。
2 成绩分析运用的算法及诊断性分类
在成绩分析运用中,我们把学生的成绩按其所属的类型的不同分为理论知识型、简单应用型、综合应用型三大类,对它们进行分析的同时,都和总分的分析情况相比较,以便于比较出哪类知识和总分的偏差较大,具体的算法公式简要举例如下:
对成绩的正态性分析:
设
注:n表示学生人数,xi为第i个学生成绩。把学生成绩进行分类,每隔10分划为一个区间,记为(ai-1,ai],i=1,2,…,n。令fi表示频数,i=1,2,…,n,建立频数表。皮尔逊非参数检验取公式如下:
其中r为区间数。
在上述基础上,我们分析了学生成绩的不同能力直方图与正态分布图之间的比较,由于直方图的结果往往和正态分布会有一定的差别,而且不同类型反映出来的教学结果也会不同,故对结果直方图进行分类,而且分类的判别点也会不同,故采用了决策树对学生的成绩直方图进行诊断性分类,并把其分为正态型、右偏型、左偏型、孤岛型、双岛型、多岛型六类。分类图形如图2所示。
对不同的诊断类型结果会反映出不同的情况,一般而言,在六种类型的分类上我们主要会有如下的判断:
正态型:近似于正态分布,中间高、两边低、左右基本对称,则反映教学及考试环节正常;
右偏型:峰偏在正态型的右边,大多数学生成绩较好,则反映教学质量好,且学生学习态度及效果佳,或者试题较易;
左偏型:峰偏在正态型的左边,大多数学生成绩较低,则反映教学质量低,且学生学习态度及效果不佳,或者试题较难;
孤岛型:有一部分的分布在高分段或低分段脱离整体的正态分布,则说明大部分学生学习情况正常,少部分学生特别优异或特别弱,特别弱的学生要特别关注;
双岛型:在低分段和高分段各形成一个近似正态的分布形态,则学生两极分化严重,教师在教学上要注意两头兼顾;
多岛型:成绩形态波段较多,形态异常,则考试成绩异常。
只有成绩的分布结果还不能准确说明问题,因为学生的成绩的情况还与试卷的难度、可信度有直接关系,为确保上述的诊断是在较为可信的条件下进行的,我们还要对试卷的试题难度、区分度、信度、效度等衡量试卷质量的指标进行测算,具体算法如下:
试题难度是指试题得分率,其计算公式如下:
其中Ki为第i题得分,。
其中xli表示第l人的第i题得分。当pi<0.27时,第i题偏难;pi≥0.85时,第i题偏易,当0.27≤pi<0.85时,第i题难度适中。
区分度是衡量测验题目质量的数量性指标,也是衡量考生掌握各类知识能力的指标。区分度好的题,好学生得高分,客观公正,偶然因素较少。计算区分度采用极差相关法,其计算公式如下所示:
其中xli表示第l人的第i题得分,yli表示第l人的第i题满分,n表示参加考试人数,rl表示第l人的极差相关,且|rl|≤1。|rl|越大表示区分能力越强,反之越弱。
信度指测验的可靠程度。记xi为第i个学生奇数题号小题得分之和,yi为第i个学生偶数题号小题得分之和,则n个学生信度计算公式如下:
rxx表示信度,0.8≤rxx<0.9时信度较好;0.7≤rxx<0.79时尚可用;rxx<0.7时不可靠。
效度是反映测验结果的有效性或正确性。计算公式如下:
其中r为试题总数,Di为第i题区分度,Hi为高分组前27%的学生第i题所得的平均分数,Li为低分组后27%的学生第i题所得的平均分数,Ki为第i题满分。当rxy<0.4或rxy≥0.47时测验结果无效,0.47≤rxy<0.47时测验结果有效。
3 成绩分析系统的应用
在具体实践运用中,对我校05级管理专业的90名学生的《高等数学》学科进行了运用。在成绩录入后,对学生的各类型的分布形态图进行了演示,并进行了诊断性分类,如下图所示,是对学生的理论知识型的成绩分布图,图形的各项指标进行诊断,属于正态型。
通过对上述不同类型的知识的成绩分析,教师可以较为准确的把握住学生在知识结构上的情况,若成绩有偏差,到底是哪一方面的知识有欠缺,则教师就可以有的放矢的进行查漏补缺,从而避免学生的重复性学习,提高学生的学习效率,也提高了教师的教学质量,若在正态分布的情况下,还可以有针对性地对两端20%的学生进行因材施教。
学生成绩的科学量化的分析系统的建立,不仅适用于我们所采用的样本的班级专业,事实上,它适用于所有的学生。更重要的是,在科学分析的前提下,进行了较为准确的诊断性分类,让我们在繁杂的数据中看到内在的问题,这也是考试分析所能做到的,为教学者,也为管理者提供了一定的可靠的数据分析结果。
摘要:该文对学生考试成绩质量分析模块和试卷分析模块两大类建立了分析系统,并运用决策树对学生成绩结果进行了诊断性分类,以便于教师可以更准确地把握住学生在所学知识结构方面的问题,从而对日后的教学起到一定的指导作用。为适时地调整教学内容,提高教学质量提供可测量的科学依据。
关键词:分析系统,诊断方法,科学测量方法
参考文献
[1]张敏强.教育测量学[M].北京:人民教育出版社,1998:108-109.
[2]高云志,刘志勤,康勇.对高校考试管理及改革的研究与探索[J].西南科技大学学报:哲学社会科学版,2005(12):73-75.
学生成绩分析 第10篇
成绩质量分析时需要对成绩进行汇总、统计、计算平均分、排名、查询等, 大部分任课教师都是利用计算器来完成这些计算工作。EXCEL是目前应用最广泛的软件之一, 功能十分强大, 它能按预先编制好的公式进行计算。笔者以下表 ( 图1) 为例, 尝试利用EXCEL软件中的函数功能实现快速完成各项统计、计算和分析, 以提高工作效率。
问题一:统计成绩等级
要求在H列中统计成绩等级。在统计学生成绩时, 经常要根据考试分数确定等级, 我们以平均分来考核。平均分60以下为“不及格”, 60 ~70为“及格”, 70 ~80为“良好”, 80以上为“优秀”。可以用IF函数解决这个问题, 可在H3单元格输入公式 =IF ( F3 <60, "不及格", IF ( F3 <70, "及格", IF ( F3 < 80, " 良好" , " 优秀" ) ) ) 实现此项功能。这里笔者采用LOOKUP函数来实现功能会更加方便简洁。
首先要建立辅助表, 在B45︰C49区域建立辅助表, 如图2所示。
LOOKUP函数功能是从单行或单列或数组中查找一个值。Lookup有3个参数: (1) 搜索的值; ( 2) 数值区间 ( 从小到大排列) ; ( 3) 分区间返回的值。图2辅助区域中, 成绩列数字升序排列, 同时在等级列分别写上不同区间返回的值。
在H3单元格创建公式 = LOOKUP ( F3, $ B $46: $ B $49, $ C $46:$ C $ 49) , ( F3为第1参数, 要搜索的值, 这里是该生平均分; $ B $ 46: $ B$ 49为第2参数, 是升序的数值区间; $ C $ 46: $ C $ 49为第3参数, 返回的值) 。利用填充柄向下复制公式可实现统计。
问题二:统计学生不及格门数
期末考试结束后, 各班要统计学生不及格门数, 在G列实现不及格门数统计。COUNTIF函数可用来统计某区域内满足条件的单元格数目。在G3输入公式: = COUNTIF ( B3: D3, " < 60" , 这里" < 60" 设置统计条件为小于60分的成绩。将公式向下填充即可。
问题三:统计班级排名
用rank实现排名功能, 它的功能是返回某数在一列数字中相对于其他数据大小排位。rank函数有3个参数:
(1) 搜索的值; (2) 搜索区间; (3) 可选参数, 表示统计方式。若省写或写0表示高分在前, 写1则表示高分在后。
在I3输入公式: =RANK ( E3, $ E $3: $ E $40, 0) , 利用填充柄向下填充。这里 $ E $3: $ E $40是绝对引用, 保证复制公式时地址固定不变, 表示整个班级所有学生的成绩区域, 每个同学计算排名时这个区域是相同的。
问题四:学生成绩查询
在图1右侧所示成绩查询表中, 选择要查询学生姓名, 显示学生总分、均分和不及格门数实现成绩查询。
姓名单元格可采用数据有效实现可选。根据所选姓名查询总分可利用excel中使用频率最高的vlookup函数实现, Vlookup函数功能为搜索某个单元格区域? ( 区域:工作表上的两个或多个单元格。区域中的单元格可以相邻或不相邻。) 的第一列, 然后返回该区域相同行上任何单元格中的值。Vlookup函数有4个参数: (1) 需要去2参数首列查找的条件值; (2) 查找区域, 其首列必须包含第1参数; (3) 数字X, 表示返回参数2区域中第X列的值; (4) 通常写0。
在L5单元格输入公式 =VLOOKUP ( L4, A3︰E40, 5, 0) , 其中L4是第1参数, 要查找的学生姓名; A3︰E40是第2参数, 查找区域, 首列为姓名列包括第1参数。
按姓名查找均分和不及格门数以此类推。查均分在L6单元格输入公式 =VLOOKUP ( L4, A3︰F40, 6) ; 查询不及格门数在L7单元格输入公式
问题五:2门不及格数据突出显示
若不及格门数较多如达到2门或以上, 学校将对该生下发学业警示单。选择数据区域, 在开始菜单的样式组里选择条件格式, 选择新建规则中的“使用公式确定要设置格式的单元格”, 输入公式 = $ G3 > =2, 并设置格式将字体颜色设置为红色。当某学生有2门及以上不及格时, 整行字体自动变为红色突出显示。
问题六:统计不同分数段学生人数
进行质量分析需要统计100、90 ~99;80 ~89、70 ~79、60 ~69、50 ~59、40 ~ 49、30 ~ 39、29以下各分数段人数如图3。
用COUNTIF函数可实现此功能, 此函数用来统计满足给定条件的单元格个数。
COUNTIF函数有两个参数。第1参数为需要统计的单元格区域; 第2参数为条件, 可以是数字、表达式或文本, 条件要用引号。
统计满分人数:在单元格中输入公式: = COUNTIF ( data, " =100") , 其中data为要统计的数据区。
要统计两个分数之间的分数段人数, 需要用两个COUNTIF函数相减。如统计80 -89分数段人数, 在单元格中输入公式: = COUNTIF ( data, " > =80" ) - COUNTIF ( data, " > = 90" ) 。用80分以上的人数减去90分以上的人数, 即可得到80 ~89分数段人数。以此类推可统计出各分数段人数。
摘要:Excel电子表格软件具有强大的数据处理和分析功能, 其中函数是进行数据计算和处理的核心工具, 在日常工作中应用极为广泛。利用Excel中的函数功能, 实现对学生成绩的汇总、统计、分析及信息查询。
学生成绩分析 第11篇
关键词:因子分析法高校学生成绩管理应用
一、 因子分析的基本原理和步骤
(一)因子分析法的基本原理
因子分析就是运用少数的因子元素对多数的因素和指标数据进行描述,从而使它们之间的联系得以明确,简单点说就是把多个关系比较密切的变量划归于同一类变量中,然后再将这一类的全部变量看成是一个整体的因子,这样就可以将全部的数据变量整合成几个有代表性的因子,用这些因子来显示原资料的整体信息,使用这种方法,我们可以清楚地得到高校学生成绩的大致情况以及影响学生成绩的因素。
(二) 因子分析法的基本步骤
在因子分析方法中有其发展的核心,这个核心有两方面的内容,一方面是因子变量的构造,另一方面是将因子变量的具体意义进行命名并加以解释,所以在因子分析法中要围绕这两个核心问题进行基本的操作,因子分析法的步骤如下:
第一,对将要进行分析的原变量进行确认,保证其是否适用于因子分析的方法;
第二,确认完成后,将所有的变量整合,使其构成多个因子变量;
第三,采用具体科学的旋转方法对因子进行解释,使因子具有解释性;
第四,对因子变量进行计算,得出因子变量分数;
第五,计算完毕后确定因子,并且进行因子旋转;
最后,把得出的因子和原指标的线性组合进行比较,从而得出各个因子的得分情况。
二、 高校学生成绩管理中因子分析的方法应用
高校的教学中,学生所要学的知识有很多,课程量也很大,比较混乱,要想有效的对学生进行分类考察,就一定要采用因子分析的方法,使学生的各科成绩的整体数据得到简化,使学生成绩的变量减少,是一种方便有效的方法。
(一) 对原始的成绩数据进行标准化处理
因为高校的各种课程较多,考试又存在着不同程度的难易差别,教师在评判时的标准也不同,因此,在整体的成绩分布以及平均成绩中都有很大的不同,在采用因子分析法时,一定要事先对所有的成绩进行标准化的处理,这样才能得到更准确地管理结果。
(二) 选取公共因子
对于因子分析法来说,公共因子的选取是非常重要的,它可以通过选取较少的数据来对全体进行说明,并解释全体的意义,是高校学生成绩因子分析法的全部评价指标,是因子分析法的关键。因此,在选取因子时要科学合理,要适量,不能过多,也不能太少,不然就会造成数据信息量的失真。通常情况下,因子分析法中,公共因子选取的标准是主成分的特征值,有的时候也会采用以主成分的方差累计贡献率作为选取公共因子的标准。这样就可以选取有代表性的公共因子对高校学生成绩进行分析和管理。
(三) 对原始的公共因子进行旋转
在因子分析法中,一定要对因子进行载荷矩阵旋转,对因子进行载荷矩阵的旋转以后,就会得到更加清晰明确的变量因子的具体含义。通过对因子的负荷旋转可以简化因子的结构,解释因子的具体意义。要注意的是,因子旋转后,公共因子的贡献会呈现分散的趋势,这也正是我们想要的,公共因子越分散,贡献越大,我们可以从较大载荷的公共因子上得到具体的指标,而其它的公共因子,本身所承载的载荷就会相对较少了。我们可以通过具体的图表,来说明这个道理,如下图所示:
在上图所示的图表中,就是一个因子的载荷矩阵,其中负数值代表着负相关,表中一共有12门课程,大致可以将它们分为6类,通过符合矩阵分析,可以得到如下结论:
图表中的数学、管理学、传播学、逻辑学以及政治学它们之间的关系比较密切,而且这些学科之间与因子1的关系也是比较紧密的,通过查看,我们可以得知,这些学科都是高校教学中比较基础的不能缺少的课程,这些课程的开设可以开拓学生的理性思维,培养他们把握理性知识的能力,使他们更好地适应社会的发展;而通过进一步的观察,会发现,因子2与文史类的学科的关系比较密切,比如,国内外关系史、文学史以及英语等,这些学科注重培养学生的记忆力,让他们可以记住更多有用的知识;而思想道德修养则和因子3的联系更强一些,是学生在文化道德方面的认知还有理解;因子4主要显示了高校学生对法律知识的理解与掌握,以及在现实生活中的应用;学生的身体素质还有体育学科的成绩与因子5是分不开的,它是学生体育学科成绩的整体反映,而学生对计算机技术的掌握水平和能力,则是因子6所表现出来的信息,通过对图表的分析得知,高校学生在各科课程中的学习成绩存在着较大的差异,我们可以根据这些数据,采取有效的教学手段,对学生的成绩进行管理。
三、结语
综上所述,在学生的成绩管理中采用因子分析法是高校发展的必然趋势。因子分析法是一种综合性的多指标的受到人们广泛关注的评价方法,它有自身的优势和特点,运用到高校学生成绩的管理工作中,可以生动形象的将学生的特点和情况具体的反映出来,为课程改革提供科学的依据。但是任何事物都是有两面性的,因子分析法也有它自身的局限性和缺点,不能完全依赖,要分清主流与支流,完善学生成绩的管理工作。
参考文献:
[1]唐功爽.基于SPSS的主成分分析与因子分析的辨析[J].统计教育,2007(02).
[2]李国安,李卫华.因子分析法在简易评价教师课程教学效果中的应用[J].数学的实践与认识,2006(03).
学生成绩分析 第12篇
关键词:主成分分析法,聚类分析,综合评价
1. 主成分分析法原理
主成分分析法是把多个指标化为少数几个综合指标且能保持最大原始数据相关性的一种分析方法。
设所研究的样本矩阵为X=[xij]mn, 其中n为样本数, m为变量数。为使该样本在降维中所引起的平方误差最小, 我们应进行以下几方面的工作。
(2) 相关系数刻画了X与G之间的线性关系。设经标准化处理后的相关系数矩阵为Q= (qij) nxm=B, 其中。
(3) 对矩阵Q求特征方程|Q-λI|=0的m个非负特征根λi (i=1, 2, …, m) 且λ1≥λ2≥…≥λm≥0, λi的特征向量为βi= (gi1, gi2, …, gim) ' (i=1, 2, …, m) 。
2. 运用主成分分析法对学生成绩进行综合评价与分析
以周口师范学院数学系45名学生在2013—2014学年的考试科成绩为例, 把45名学生成绩作为一个整体, 把9科考试科目作为变量, 分别用X1, X2, …, X9来表示。为科学评价学生的成绩, 以各科学时除以总学时作为该科权重, 再乘以此课程的原始成绩。
利用SPSS软件将原始数据标准化, 并求出该矩阵的相关系数矩阵Q。计算矩阵Q的特征值, 得到各主成分的方差贡献率和累计方差贡献率。累计贡献率达到80%以上的主成分系数有四个, 所以可得出关系如下。
G1=0.35X1*+0.34X2*+0.34X3*+0.32X4*+0.24X5*+0.34X6*+0.39X7*+0.33X8*+0.33X9*
G2=0.27X1*-0.24X2*+0.23X3*+0.14X4*+0.70X5*-0.45X6*-0.08X7*-0.09X8*-0.28X9*
G3=-0.45X1*-0.14X2*+0.13X3*+0.26X4*+0.28X5*+0.26X6*-0.03X7*-0.62X8*+0.39X9*
G4=0.02X1*-0.18X2*-0.09X3*-0.7 4 X4*+0.3 6 X5*+0.0 6 X6*-0.03X7*+0.19X8*+0.49X9*
根据以上所确定的主成分个数以及每个主成分的得分函数, 可以建立综合评价函数为
G=0.5823G1+0.1060G2+0.0727G3+0.0623G4
将标准化处理以后得到的数据分别代入到以上各个式子中, 这样就可以得到样本在G1, G2, G3, G4, G上的得分及综合排名。
由以上分析可以知第一主成分对泛函分析解释比较充分, 表示数学抽象理解能力;第二主成分对运筹学解释比较充分, 作为学生的计算能力指标;第三主成分对毛中特代表较大为学生对于时事政治方面的关注程度;第四主成分对于数学教学论解释较大, 表示学生作为师范生所必须具备的实际课堂教学技能方面的能力。
参考文献
[1]谢昌浩.对高校学生评价指标体系主成分分析[J].云南财贸学院学报, 2004 (04) :113—117.
【学生成绩分析】相关文章:
学生期末成绩分析表07-03
差班学生成绩分析07-12
学而思学生成绩分析11-02
巧用EXCEL进行学生成绩分析09-10
独立学院学生考试成绩的分析与思考09-11
学习制度改革对学生学习成绩影响分析09-14
学生成绩管理系统需求分析报告09-06
主成分分析法在学生成绩分析中的应用10-03