Page 54 - 高等教育管理的数字化变革

第二章 数字化技术在教育管理中的核心应用

1. 关联规则挖掘：发现教育数据间的潜在联系
关联规则挖掘通过寻找数据项之间的关联性，帮助教育工作者发现看似不相
关事件之间的内在联系。在学生选课分析中，运用关联规则挖掘算法，能够找出

课程选择之间的关联模式。例如，某高校对学生选课数据进行分析后发现，选修
《人工智能导论》课程的学生中，有 70% 同时选修了《Python 编程》，且这些
学生在后续的机器学习相关课程中表现更为优异。基于此，学校优化课程设置，
将《Python 编程》设为《人工智能导论》的先修课程，并在新生入学指导中重点

推荐这一课程组合，使得相关课程的学习效果显著提升，学生在相关领域的竞赛
获奖率提高了 30%。
在学习资源使用方面，关联规则挖掘同样发挥着重要作用。通过分析学生在
在线学习平台上的资源访问记录，能够发现不同学习资源之间的关联关系。如某

在线学习平台发现，观看完“高等数学知识点精讲”视频的学生，有 65% 会继
续查看配套的课后习题解析文档，且这些学生的作业完成质量明显更高。平台据
此优化资源推荐策略，将相关视频与文档进行捆绑推荐，并在视频播放结束后自
动弹出习题解析链接，有效提升了学生的学习参与度和学习效果。

2. 聚类分析：实现学生群体的精准分类
聚类分析基于数据对象的相似性，将学生划分为不同的群体，为教师开展针
对性教学提供依据。在某中学的实践中，通过收集学生的学习成绩、课堂表现、
作业完成情况、在线学习时长等多维度数据，运用 K- 均值聚类算法，将学生分

为“学霸型”“潜力型”“努力型”“困难型”四类。针对“学霸型”学生，教
师为其提供拓展性学习任务和参与科研项目的机会；对于“潜力型”学生，给予
更多的学习方法指导和鼓励；“努力型”学生则得到个性化的学习计划制定建议；
而“困难型”学生，教师联合家长共同制定帮扶方案，安排学习伙伴进行一对一

辅导。经过一个学期的实践，不同类型学生的学习成绩均有显著提升，其中“困
难型”学生的平均成绩提高了 25 分。
在高校层面，聚类分析可用于学生社团管理和职业规划指导。通过分析学生
的兴趣爱好、参与社团活动记录、职业测评数据等，将学生聚类，为社团招新和

活动组织提供参考，同时为学生提供更贴合其兴趣和能力的职业发展建议。例如，
某高校发现聚类后的某类学生群体对创新创业类活动兴趣浓厚，于是组织相关的
创业讲座、竞赛培训等活动，该群体学生的创业项目申报数量同比增长了 40%。

·47·