聚類算法在研究生論文質(zhì)量分析中的應用.doc

聚類算法在研究生論文質(zhì)量分析中的應用 聚類算法在研究生論文質(zhì)量分析中的應用 關(guān)鍵詞：算法,質(zhì)量,分析,研究生論文 聚類算法在研究生論文質(zhì)量分析中的應用 介紹：一、引言隨著我國經(jīng)濟社會發(fā)展進入新常態(tài)，研究生教育改革發(fā)展也進入了一個新的歷史時期，不斷提升研究生教育質(zhì)量是新時期研究生教育的核心任務。1xx年1月劉延東副總理在國務院學位委員會第三十三次會議上指出，質(zhì)量是研究生教育的生命線，要加強質(zhì)量保障體系建設(shè)，強化培養(yǎng)單位質(zhì)量意識，抓好質(zhì)量監(jiān)控，確保研 聚類算法在研究生論文質(zhì)量分析中的應用 詳情： 論文：.lwlwlw. 一、引言 隨著我國經(jīng)濟社會發(fā)展進入新常態(tài)，研究生教育改革發(fā)展也進入了一個新的歷史時期，不斷提升研究生教育質(zhì)量是新時期研究生教育的核心任務。1xx年1月劉延東副總理在國務院學位委員會第三十三次會議上指出，質(zhì)量是研究生教育的生命線，要加強質(zhì)量保障體系建設(shè)，強化培養(yǎng)單位質(zhì)量意識，抓好質(zhì)量監(jiān)控，確保研究生教育質(zhì)量。研究生學位論文是研究生教育的總結(jié)性成果，是培養(yǎng)研究生科研能力、創(chuàng)新能力和實現(xiàn)培養(yǎng)目標的重要環(huán)節(jié)，也是衡量研究生教育水平和質(zhì)量的重要指標。 數(shù)據(jù)挖掘技術(shù)可以從大量的數(shù)據(jù)中發(fā)現(xiàn)隱藏的模式與知識，目前已成功應用在金融、醫(yī)療和電子商務等廣泛的領(lǐng)域，近年來，在教育信息化、遠程教育及在線學習系統(tǒng)等應用的帶動下，教育數(shù)據(jù)挖掘開始受到越來越多的研究者的關(guān) .021261./注。2在大數(shù)據(jù)時代，對教育數(shù)據(jù)進行挖掘分析可以得到教育數(shù)據(jù)中的隱含信息，可以幫助發(fā)現(xiàn)和解決教育中的各類問題，如為管理人員提供輔助決策依據(jù)，幫助教師改進課程、提升教學效果以及提高學生的學習效率等。 本文基于數(shù)據(jù)挖掘中的聚類算法，對福州大學xx學年畢業(yè)的1091位研究生的學位論文相關(guān)數(shù)據(jù)進行聚類分析與挖掘，找出影響學位論文質(zhì)量的主要因素，為提高研究生學位論文質(zhì)量提供參考依據(jù)。 二、聚類分析技術(shù) 聚類分析3是一種重要的數(shù)據(jù)分析方法，就是將數(shù)據(jù)對象分成類或簇的過程，使同一個簇中的對象之間具有較高的相似性，而不同簇中的對象具有較大的差異性。聚類分析數(shù)據(jù)挖掘過程可概括為數(shù)據(jù)準備、聚類分析及結(jié)果的解釋和評估三部分。 目前，聚類算法4-5大致分為層次聚類算法、劃分式聚類算法、基于密度和網(wǎng)格的聚類算法以及其他聚類算法。在眾多的聚類算法中，k均值聚類（k-means）是最經(jīng)典、最方便快速的算法之一。 k均值聚類算法的過程概述如下： （1）從數(shù)據(jù)集d中任意選擇k個對象作為初始簇中心； （2）repeat; （3）根據(jù)簇中對象的均值，將每個對象（再）指派到最相似的簇； （4）更新簇均值，即計算每個簇中對象的均值； （5）until不再發(fā)生變化。 三、聚類算法在研究生論文質(zhì)量分析中的應用 1.數(shù)據(jù)的選取及預處理 福州大學的研究生教育管理信息系統(tǒng)記錄了研究生從入學到畢業(yè)全過程的培養(yǎng)信息，為有效進行研究生論文數(shù)據(jù)聚類分析提供了基礎(chǔ)。該系統(tǒng)數(shù)據(jù)庫主要包括學生基本信息、導師信息、課程信息、成績信息、獎學金信息、開題情況、發(fā)表論文信息、論文送審成績以及論文答辯成績等數(shù)據(jù)表，但是這些數(shù)據(jù)表涉及很多屬性，哪些字段屬性被用于聚類算法，直接影響到最終的聚類效果。本文目標是對研究生論文質(zhì)量進行聚類分析，經(jīng)查閱相關(guān)論文，論文質(zhì)量的主要影響因素包括研究生選拔、研究生自身素質(zhì)、導師因素、科研條件、培養(yǎng)管理機制、學位論文的評審與答辯制度等。6-7因此，我們選取了學號、入學方式、本科畢業(yè)學校、導師類別、課程綜合成績、獲獎情況、論文選題、發(fā)表論文情況、論文送審成績、答辯成績等字段作為挖掘的屬性。 為了讓數(shù)據(jù)符合挖掘要求和提高挖掘算法的效率，對數(shù)據(jù)使用下列規(guī)則進行預處理。 （1）學生基本信息處理，將屬性入學方式分為推免生和統(tǒng)考生，將屬性本科畢業(yè)學校分為重點院校和普通院校，將屬性研究生導師類別分為博碩士生導師和碩士生導師。 （2）課程學習成績處理，每個研究生根據(jù)研究方向的不同可能選修不一樣的課程，為了公平衡量研究生學習成績，我校定義了研究生綜合成績計算公式，將根據(jù)公式計算的綜合成績進行分段：85以上為 “優(yōu)”,7585 為“良”,6575 為“中”,65 以下為“差”. （3）獎學金信息處理，分為獲得獎學金和未獲獎學金并分別標記為是和否；論文選題信息處理，研究生學位論文選題可能導師不同級別的科研項目或自選課題，為便于聚類把論文選題分為國家級項目、省部級項目、其他項目和其他。 （4）發(fā)表論文情況，根據(jù)研究生發(fā)表論文的刊物級別及數(shù)量分為4個等級，發(fā)表一類期刊論文或者2篇二類期刊以上論文的標記為3,發(fā)表1篇二類期刊論文的標記為2,發(fā)表三類期刊論文的標記為1,未發(fā)表論文的標記為0. （5）學位論文信息處理，先根據(jù)論文答辯成績把學位論文等級分為優(yōu)、良、中、差4個等級，考慮到論文送審采用匿名盲審方式，送審成績能比較客觀地體現(xiàn)論文質(zhì)量，因此，把兩份送審成績?yōu)閮?yōu)而答辯成績?yōu)榱技耙韵碌恼撐牡燃壎閮?yōu)，把送審成績出現(xiàn)不及格而答辯成績?yōu)橹屑耙陨系恼撐牡燃壎椴睢?2.建立研究生學位論文質(zhì)量聚類分析挖掘模型 本文利用微軟sql server xx 數(shù)據(jù)庫及visual studio xx商務智能應用程序開發(fā)工具集（business intelligence development studio,bi dev studio）作為數(shù)據(jù)挖掘?qū)嶒炂脚_。 在平臺上建立研究生論文質(zhì)量聚類分析挖掘模型，主要步驟包括：創(chuàng)建analysis services 項目；創(chuàng)建數(shù)據(jù)源；創(chuàng)建數(shù)據(jù)源視圖；創(chuàng)建挖掘結(jié)構(gòu)模型和設(shè)置算法參數(shù)，本文選擇聚類分析中k-means算法，經(jīng)過多次實驗，當參數(shù)聚類數(shù)cluster_count設(shè)置為3時，能得到具有明顯特征的數(shù)據(jù)結(jié)果；部署和處理挖掘模型。在visual studio xx中創(chuàng)建挖掘模型如圖1所示。 3.結(jié)果的解釋和評估 對福州大學xx學年畢業(yè)的1091位研究生的學位論文相關(guān)數(shù)據(jù)，執(zhí)行研究生論文質(zhì)量聚類分析挖掘模型，得到聚類分析結(jié)果，如表1所示。從聚類結(jié)果可以看出，數(shù)據(jù)被劃分為3類： 第一類包括475名研究生，占總數(shù)43.5%,該類主要特征包括本科畢業(yè)學校以普通院校為主，入學方式以統(tǒng)考生為主，導師類別中博導占19.3%,碩導占80.7%,課程成績優(yōu)良率為81.8%,課程成績中及以下的研究生占比18.2%,在學期間只有12%的研究生獲得了獎學金，在學期期間38.5%的研究生發(fā)表了二類以上期刊論文，發(fā)表論文情況較一般，論文選題只有37.9%獲得基金項目支持，論文質(zhì)量優(yōu)良率為94.4%,但論文質(zhì)量以良為主，良占87.8%.總的來說，該類研究生在學期間表現(xiàn)相對一般。 第二類包括358名研究生，占總數(shù)32.8%,該類主要特征包括本科畢業(yè)學校以普通院校為主，入學方式以統(tǒng)考生為主，導師類別中博導占53.6%,碩導占46.4%,課程成績優(yōu)良率為86.8%,課程成績中及以下的研究生占比13.1%,在學期間有40.1%的研究生獲得了獎學金，在學期期間87.1%的研究生發(fā)表了二類以上期刊論文，發(fā)表論文情況較優(yōu)秀，其中發(fā)表了2篇以上二類期刊或1篇以上一類期刊論文占70.3%,論文選題有87.9% .062238./獲得基金項目支持，論文質(zhì)量優(yōu)良率為95%,其中優(yōu)占68.4%.總的來說，該類研究生在學期間表現(xiàn)較為優(yōu)秀，雖然很多研究生畢業(yè)于普通本科院校，但在讀研期間通過自身努力、導師指導和參與各類科研項目取得了較好的成績。 第三類包括258名研究生，占總數(shù)23.6%,該類主要特征包括本科畢業(yè) 學校以重點院校為主，入學方式以推免生為主，導師類別中博導占46.7%,碩導占53.3%,課程成績優(yōu)良率為93.3%,課程成績中及以下的研究生占比6.6%,在學期間有76.1%的研究生獲得了獎學金，在學期期間67.9%的研究生發(fā)表了二類以上期刊論文，發(fā)表論文情況較好，發(fā)表了2篇以上二類期刊或1篇一類期刊論文占30.6%,論文選題有59.2%獲得基金項目支持，論文質(zhì)量優(yōu)良率為97.6%,其中優(yōu)占39.6%.總的來說，該類研究生在學期間在各方面的表現(xiàn)都較為優(yōu)秀，具有較好的綜合素質(zhì)。 根據(jù)聚類分析結(jié)果，可以得出以下結(jié)論及建議：在學期間參與科研項目是影響學位論文質(zhì)量的重要因素，因此，要鼓勵研究生在學期間多參與科研項目，同時學校在研究生招生指標分配時應向有重大科研項目的導師傾斜。生源質(zhì)量是影響學位論文質(zhì)量的源頭，學校應加強學科建設(shè)提高學校吸引力，加強招生宣傳工作，千方百計提高生源質(zhì)量。發(fā)表論文情況和學位論文質(zhì)量是正相關(guān)的，因此，要鼓勵研究生在學期間積極撰寫發(fā)表高質(zhì)量的學術(shù)論文，為撰寫學位論文打下堅實的基礎(chǔ)，從而提高學位論文質(zhì)量。獎學金和學位論文質(zhì)量也是正相關(guān)的，學校應加大對研究生的獎助力度，這樣才能不斷調(diào)動和激發(fā)研究生的學習主動性和科研創(chuàng)新能力，從而有效地促進學位論文質(zhì)量的提高。 四、結(jié)語 研究生學位論文是衡量研究生培養(yǎng)質(zhì)量的重要指標，學位論文質(zhì)量受研究生自身因素、導師因素等諸多因素影響，通過對歷史的研究生學位論文相關(guān)數(shù)據(jù)進行聚類分析，劃分出不同類別的研究生，根據(jù)不同類別的研究生的群體特征，找出影響學位論文質(zhì)量的主要因素，為學校提高研究生學位論文質(zhì)量及研究生培養(yǎng)質(zhì)量提供參考依據(jù)。 參考文獻： 1高耀，陳洪捷，沈文欽.學術(shù)型碩士學位論文質(zhì)量的學科差異-基于x 省學位論文抽檢結(jié)果的量化分析j.學位與研究生 教育，xx（2）：54-61. 2周慶，牟超，楊丹.教育數(shù)據(jù)挖掘研究進展綜述j.軟件學報，xx（11）：3026-3042. 3韓家煒.數(shù)據(jù)挖掘：概念與技術(shù)m.北京：機械工業(yè)出版社，xx.3. 4孫吉貴，劉杰，趙連宇.聚類算法研究j.軟件學報，xx（1）：48-61. 5姜云飛.基于聚類的博士生源選拔方法探析j.長春大學學報，xx（2）：238-240. 6姚秀穎，李秀兵，陸根書，吳宏春.研究生學位 論文質(zhì)量影響因素研究j.學位與研究生教育，xx（1）：2-6. 7肖華茵，肖新成.碩士學位論文質(zhì)量的影響因素及其提升路徑研究-基于結(jié)構(gòu)方程模型的實證分析j.宜春學院學報，xx（10）. 聚類算法在研究生論文質(zhì)量分析中的應用出自： ：/news/173580.html 請保留,謝謝! 聚類算法在研究生論文質(zhì)量分析中的應用 關(guān)鍵詞：算法,質(zhì)量,分析,研究生論文 聚類算法在研究生論文質(zhì)量分析中的應用 介紹：一、引言隨著我國經(jīng)濟社會發(fā)展進入新常態(tài)，研究生教育改革發(fā)展也進入了一個新的歷史時期，不斷提升研究生教育質(zhì)量是新時期研究生教育的核心任務。1xx年1月劉延東副總理在國務院學位委員會第三十三次會議上指出，質(zhì)量是研究生教育的生命線，要加強質(zhì)量保障體系建設(shè)，強化培養(yǎng)單位質(zhì)量意識，抓好質(zhì)量監(jiān)控，確保研 聚類算法在研究生論文質(zhì)量分析中的應用 詳情： 論文：.lwlwlw. 一、引言 隨著我國經(jīng)濟社會發(fā)展進入新常態(tài)，研究生教育改革發(fā)展也進入了一個新的歷史時期，不斷提升研究生教育質(zhì)量是新時期研究生教育的核心任務。1xx年1月劉延東副總理在國務院學位委員會第三十三次會議上指出，質(zhì)量是研究生教育的生命線，要加強質(zhì)量保障體系建設(shè)，強化培養(yǎng)單位質(zhì)量意識，抓好質(zhì)量監(jiān)控，確保研究生教育質(zhì)量。研究生學位論文是研究生教育的總結(jié)性成果，是培養(yǎng)研究生科研能力、創(chuàng)新能力和實現(xiàn)培養(yǎng)目標的重要環(huán)節(jié)，也是衡量研究生教育水平和質(zhì)量的重要指標。 數(shù)據(jù)挖掘技術(shù)可以從大量的數(shù)據(jù)中發(fā)現(xiàn)隱藏的模式與知識，目前已成功應用在金融、醫(yī)療和電子商務等廣泛的領(lǐng)域，近年來，在教育信息化、遠程教育及在線學習系統(tǒng)等應用的帶動下，教育數(shù)據(jù)挖掘開始受到越來越多的研究者的關(guān) .021261./注。2在大數(shù)據(jù)時代，對教育數(shù)據(jù)進行挖掘分析可以得到教育數(shù)據(jù)中的隱含信息，可以幫助發(fā)現(xiàn)和解決教育中的各類問題，如為管理人員提供輔助決策依據(jù)，幫助教師改進課程、提升教學效果以及提高學生的學習效率等。 本文基于數(shù)據(jù)挖掘中的聚類算法，對福州大學xx學年畢業(yè)的1091位研究生的學位論文相關(guān)數(shù)據(jù)進行聚類分析與挖掘，找出影響學位論文質(zhì)量的主要因素，為提高研究生學位論文質(zhì)量提供參考依據(jù)。 二、聚類分析技術(shù) 聚類分析3是一種重要的數(shù)據(jù)分析方法，就是將數(shù)據(jù)對象分成類或簇的過程，使同一個簇中的對象之間具有較高的相似性，而不同簇中的對象具有較大的差異性。聚類分析數(shù)據(jù)挖掘過程可概括為數(shù)據(jù)準備、聚類分析及結(jié)果的解釋和評估三部分。 目前，聚類算法4-5大致分為層次聚類算法、劃分式聚類算法、基于密度和網(wǎng)格的聚類算法以及其他聚類算法。在眾多的聚類算法中，k均值聚類（k-means）是最經(jīng)典、最方便快速的算法之一。 k均值聚類算法的過程概述如下： （1）從數(shù)據(jù)集d中任意選擇k個對象作為初始簇中心； （2）repeat; （3）根據(jù)簇中對象的均值，將每個對象（再）指派到最相似的簇； （4）更新簇均值，即計算每個簇中對象的均值； （5）until不再發(fā)生變化。 三、聚類算法在研究生論文質(zhì)量分析中的應用 1.數(shù)據(jù)的選取及預處理 福州大學的研究生教育管理信息系統(tǒng)記錄了研究生從入學到畢業(yè)全過程的培養(yǎng)信息，為有效進行研究生論文數(shù)據(jù)聚類分析提供了基礎(chǔ)。該系統(tǒng)數(shù)據(jù)庫主要包括學生基本信息、導師信息、課程信息、成績信息、獎學金信息、開題情況、發(fā)表論文信息、論文送審成績以及論文答辯成績等數(shù)據(jù)表，但是這些數(shù)據(jù)表涉及很多屬性，哪些字段屬性被用于聚類算法，直接影響到最終的聚類效果。本文目標是對研究生論文質(zhì)量進行聚類分析，經(jīng)查閱相關(guān)論文，論文質(zhì)量的主要影響因素包括研究生選拔、研究生自身素質(zhì)、導師因素、科研條件、培養(yǎng)管理機制、學位論文的評審與答辯制度等。6-7因此，我們選取了學號、入學方式、本科畢業(yè)學校、導師類別、課程綜合成績、獲獎情況、論文選題、發(fā)表論文情況、論文送審成績、答辯成績等字段作為挖掘的屬性。 為了讓數(shù)據(jù)符合挖掘要求和提高挖掘算法的效率，對數(shù)據(jù)使用下列規(guī)則進行預處理。 （1）學生基本信息處理，將屬性入學方式分為推免生和統(tǒng)考生，將屬性本科畢業(yè)學校分為重點院校和普通院校，將屬性研究生導師類別分為博碩士生導師和碩士生導師。 （2）課程學習成績處理，每個研究生根據(jù)研究方向的不同可能選修不一樣的課程，為了公平衡量研究生學習成績，我校定義了研究生綜合成績計算公式，將根據(jù)公式計算的綜合成績進行分段：85以上為 “優(yōu)”,7585 為“良”,6575 為“中”,65 以下為“差”. （3）獎學金信息處理，分為獲得獎學金和未獲獎學金并分別標記為是和否；論文選題信息處理，研究生學位論文選題可能導師不同級別的科研項目或自選課題，為便于聚類把論文選題分為國家級項目、省部級項目、其他項目和其他。 （4）發(fā)表論文情況，根據(jù)研究生發(fā)表論文的刊物級別及數(shù)量分為4個等級，發(fā)表一類期刊論文或者2篇二類期刊以上論文的標記為3,發(fā)表1篇二類期刊論文的標記為2,發(fā)表三類期刊論文的標記為1,未發(fā)表論文的標記為0. （5）學位論文信息處理，先根據(jù)論文答辯成績把學位論文等級分為優(yōu)、良、中、差4個等級，考慮到論文送審采用匿名盲審方式，送審成績能比較客觀地體現(xiàn)論文質(zhì)量，因此，把兩份送審成績?yōu)閮?yōu)而答辯成績?yōu)榱技耙韵碌恼撐牡燃壎閮?yōu)，把送審成績出現(xiàn)不及格而答辯成績?yōu)橹屑耙陨系恼撐牡燃壎椴睢?2.建立研究生學位論文質(zhì)量聚類分析挖掘模型 本文利用微軟sql server xx 數(shù)據(jù)庫及visual studio xx商務智能應用程序開發(fā)工具集（business intelligence development studio,bi dev studio）作為數(shù)據(jù)挖掘?qū)嶒炂脚_。 在平臺上建立研究生論文質(zhì)量聚類分析挖掘模型，主要步驟包括：創(chuàng)建analysis services 項目；創(chuàng)建數(shù)據(jù)源；創(chuàng)建數(shù)據(jù)源視圖；創(chuàng)建挖掘結(jié)構(gòu)模型和設(shè)置算法參數(shù)，本文選擇聚類分析中k-means算法，經(jīng)過多次實驗，當參數(shù)聚類數(shù)cluster_count設(shè)置為3時，能得到具有明顯特征的數(shù)據(jù)結(jié)果；部署和處理挖掘模型。在visual studio xx中創(chuàng)建挖掘模型如圖1所示。 3.結(jié)果的解釋和評估 對福州大學xx學年畢業(yè)的1091位研究生的學位論文相關(guān)數(shù)據(jù)，執(zhí)行研究生論文質(zhì)量聚類分析挖掘模型，得到聚類分析結(jié)果，如表1所示。從聚類結(jié)果可以看出，數(shù)據(jù)被劃分為3類： 第一類包括475名研究生，占總數(shù)43.5%,該類主要特征包括本科畢業(yè)學校以普通院校為主，入學方式以統(tǒng)考生為主，導師類別中博導占19.3%,碩導占80.7%,課程成績優(yōu)良率為81.8%,課程成績中及以下的研究生占比18.2%,在學期間只有12%的研究生獲得了獎學金，在學期期間38.5%的研究生發(fā)表了二類以上期刊論文，發(fā)表論文情況較一般，論文選題只有37.9%獲得基金項目支持，論文質(zhì)量優(yōu)良率為94.4%,但論文質(zhì)量以良為主，良占87.8%.總的來說，該類研究生在學期間表現(xiàn)相對一般。 第二類包括358名研究生，占總數(shù)32.8%,該類主要特征包括本科畢業(yè)學校以普通院校為主，入學方式以統(tǒng)考生為主，導師類別中博導占53.6%,碩導占46.4%,課程成績優(yōu)良率為86.8%,課程成績中及以下的研究生占比13.1%,在學期間有40.1%的研究生獲得了獎學金，在學期期間87.1%的研究生發(fā)表了二類以上期刊論文，發(fā)表論文情況較優(yōu)秀，其中發(fā)表了2篇以上二類期刊或1篇以上一類期刊論文占70.3%,論文選題有87.9% .062238./獲得基金項目支持，論文質(zhì)量優(yōu)良率為95%,其中優(yōu)占68.4%.總的來說，該類研究生在學期間表現(xiàn)較為優(yōu)秀，雖然很多研究生畢業(yè)于普通本科院校，但在讀研期間通過自身努力、導師指導和參與各類科研項目取得了較好的成績。 第三類包括258名研究生，占總數(shù)23.6%,該類主要特征包括本科畢業(yè) 學校以重點院校為主，入學方式以推免生為主，導師類別中博導占46.7%,碩導占53.3%,課程成績優(yōu)良率為93.3%,課程成績中及以下的研究生占比6.6%,在學期間有76.1%的研究生獲得了獎學金，在學期期間67.9%的研究生發(fā)表了二類以上期刊論文，發(fā)表論文情況較好，發(fā)表了2篇以上二類期刊或1篇一類期刊論文占30.6%,論文選題有59.2%獲得基金項目支持，論文質(zhì)量優(yōu)良率為97.6%,其中優(yōu)占39.6%.總的來說，該類研究生在學期間在各方面的表現(xiàn)都較為優(yōu)秀，具有較好的綜合素質(zhì)。 根據(jù)聚類分析結(jié)果，可以得出以下結(jié)論及建議：在學期間參與科研項目