基于考试过程面向知识结构的大数据分析
发布时间：2021-07-06 07:28
为了研究学生在不同阶段对知识点的掌握情况,应用大数据算法对知识结构与成绩之间的关系进行分析。论文主要内容为:1)调研了知识结构分析、试卷分析工作的国内外研究现状;2)介绍大数据分析技术以及数据挖掘算法,深入研究决策树算法的工作原理,并改进C4.5算法计算公式的运算效率,使运算速度有明显提高;3)将算法应用到知识结构分析系统业务逻辑中,对学生或者集体的知识点得分率和知识结构与成绩关系使用柱状图和树形图显示。首先,基于数据挖掘的理论研究,以教育测量理论的难度为基础,并结合数据挖掘的决策树算法中数据挖掘算法,研究C4.5算法的优点与不足,根据C4.5算法计算公式中存在对数运算效率低的问题,提出改进算法。将知识结构与考试成绩相结合进行数据分析,确定指定课程考试中知识点掌握程度和试卷中知识点之间的关系。算法验证结果显示改进后的算法计算公式比原计算公式简单实用,并得出程序设计这个知识点的掌握对成绩的影响相对重要。使用测试数据对已创建的决策树进行验证,准确率为90%为有效。其次,使用B/S架构构建知识结构分析系统,该系统包括单学生知识结构子系统、多学生知识结构子系统、知识结构决策树子系统。通过查询条...
【文章来源】：北京建筑大学北京市
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
决策树模型
公式对知识点的掌握情试卷成绩这个连续属性进表 3-1 试卷成绩划分le 3-1 Grading of examination 85 84~75 良 分可以把该连续属性划分作为树叶属性。是根据实际情况获取大量真分理论的规定保留真实同情况的问题数据，即获据库的指定表格中进行存中每道试题进行分析，的得分。具体对数据进行
第 3 章 考试过程知识结构掌握情况的决策树模型设计与验证学理论中难度概念对试题难度进行计算，根据试题的难易程度进行分析并给予划分，通过对试题的难识点的难易度等级。根据经典测量理论对难度等级表 3-2 试题难易度划分Table 3-2 The difficulty level of the test≤0.3 >0.3 且≤0.7 较难的试题 难度适中 分系数标准是根据本文第二章中经典测试理论中难为了确定难度等级，通过上表可以根据试题的难度。首先获取每道试题对象的所有信息，根据试题类题的难度系数，参考上表对难度系数进行划分，再度处理流程如图 3-2 所示：
【参考文献】：
期刊论文
[1]大数据与云计算的关系及发展趋势[J]. 刘飞. 电子技术与软件工程. 2017(24)
[2]经典测试理论的改进策略及其实证研究[J]. 马良,孙海英. 蚌埠学院学报. 2017(01)
[3]大数据研究综述[J]. 卿勇. 软件导刊. 2016(12)
[4]数据挖掘在国内教育领域应用的研究综述[J]. 牛瑞敏. 中山大学研究生学刊(人文社会科学版). 2016(02)
[5]基于平衡准确率和规模的决策树剪枝算法[J]. 宋万洋,李国和,吴卫江,洪云峰,周晓明. 科学技术与工程. 2016(16)
[6]C4.5算法的优化[J]. 黄秀霞,孙力. 计算机工程与设计. 2016(05)
[7]中国的教育改革:《决定》的探索与经验[J]. 周兴国. 安徽师范大学学报(人文社会科学版). 2016(01)
[8]A review on research of real estate big data[J]. 刘枏,WANG Lu. Journal of Chongqing University（English Edition）. 2015(04)
[9]基于C4.5决策树的股票数据挖掘[J]. 王领,胡扬. 计算机与现代化. 2015(10)
[10]大数据分析研究现状、问题与对策[J]. 官思发,孟玺,李宗洁,刘扬. 情报杂志. 2015(05)
硕士论文
[1]基于数据挖掘技术的学生成绩分析系统的设计与实现[D]. 马丹.吉林大学 2015
[2]基于决策树的试卷知识点掌握程度分析研究[D]. 胡庆.江西财经大学 2014
[3]高中生物遗传学的测评工具编制及实践[D]. 孙珺博.辽宁师范大学 2014
[4]基于云计算的数据挖掘关联算法研究与实现[D]. 冯舸.成都理工大学 2013
[5]数据挖掘技术在招生决策系统中的应用[D]. 饶莹心.华东理工大学 2013
[6]高考知识点数据挖掘算法研究与应用[D]. 王升.北方工业大学 2012
[7]基于教育测量理论的中学数学试卷质量评价研究[D]. 吴慧萍.华中师范大学 2012
[8]基于关联规则数据挖掘技术的高校学生学习成绩分析[D]. 吴喜萍.西南交通大学 2010
[9]基于教育测量的试卷分析系统研究与设计[D]. 李世明.电子科技大学 2009
本文编号：3267808
【文章来源】：北京建筑大学北京市
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
决策树模型
公式对知识点的掌握情试卷成绩这个连续属性进表 3-1 试卷成绩划分le 3-1 Grading of examination 85 84~75 良 分可以把该连续属性划分作为树叶属性。是根据实际情况获取大量真分理论的规定保留真实同情况的问题数据，即获据库的指定表格中进行存中每道试题进行分析，的得分。具体对数据进行
第 3 章 考试过程知识结构掌握情况的决策树模型设计与验证学理论中难度概念对试题难度进行计算，根据试题的难易程度进行分析并给予划分，通过对试题的难识点的难易度等级。根据经典测量理论对难度等级表 3-2 试题难易度划分Table 3-2 The difficulty level of the test≤0.3 >0.3 且≤0.7 较难的试题 难度适中 分系数标准是根据本文第二章中经典测试理论中难为了确定难度等级，通过上表可以根据试题的难度。首先获取每道试题对象的所有信息，根据试题类题的难度系数，参考上表对难度系数进行划分，再度处理流程如图 3-2 所示：
【参考文献】：
期刊论文
[1]大数据与云计算的关系及发展趋势[J]. 刘飞. 电子技术与软件工程. 2017(24)
[2]经典测试理论的改进策略及其实证研究[J]. 马良,孙海英. 蚌埠学院学报. 2017(01)
[3]大数据研究综述[J]. 卿勇. 软件导刊. 2016(12)
[4]数据挖掘在国内教育领域应用的研究综述[J]. 牛瑞敏. 中山大学研究生学刊(人文社会科学版). 2016(02)
[5]基于平衡准确率和规模的决策树剪枝算法[J]. 宋万洋,李国和,吴卫江,洪云峰,周晓明. 科学技术与工程. 2016(16)
[6]C4.5算法的优化[J]. 黄秀霞,孙力. 计算机工程与设计. 2016(05)
[7]中国的教育改革:《决定》的探索与经验[J]. 周兴国. 安徽师范大学学报(人文社会科学版). 2016(01)
[8]A review on research of real estate big data[J]. 刘枏,WANG Lu. Journal of Chongqing University（English Edition）. 2015(04)
[9]基于C4.5决策树的股票数据挖掘[J]. 王领,胡扬. 计算机与现代化. 2015(10)
[10]大数据分析研究现状、问题与对策[J]. 官思发,孟玺,李宗洁,刘扬. 情报杂志. 2015(05)
硕士论文
[1]基于数据挖掘技术的学生成绩分析系统的设计与实现[D]. 马丹.吉林大学 2015
[2]基于决策树的试卷知识点掌握程度分析研究[D]. 胡庆.江西财经大学 2014
[3]高中生物遗传学的测评工具编制及实践[D]. 孙珺博.辽宁师范大学 2014
[4]基于云计算的数据挖掘关联算法研究与实现[D]. 冯舸.成都理工大学 2013
[5]数据挖掘技术在招生决策系统中的应用[D]. 饶莹心.华东理工大学 2013
[6]高考知识点数据挖掘算法研究与应用[D]. 王升.北方工业大学 2012
[7]基于教育测量理论的中学数学试卷质量评价研究[D]. 吴慧萍.华中师范大学 2012
[8]基于关联规则数据挖掘技术的高校学生学习成绩分析[D]. 吴喜萍.西南交通大学 2010
[9]基于教育测量的试卷分析系统研究与设计[D]. 李世明.电子科技大学 2009
本文编号：3267808
本文链接：https://www.wllwen.com/jiaoyulunwen/chuzhongjiaoyu/3267808.html
