基于數(shù)據(jù)挖掘的教育考試數(shù)據(jù)資源分析與違規(guī)行為檢測.pdf

1、海量教育考試數(shù)據(jù)資源的數(shù)據(jù)挖掘與分析研究工作，對于充分發(fā)掘教育考試數(shù)據(jù)的潛在價值，更加科學(xué)地進行教育管理及決策具有非常重要的意義。
　　 論文以北京教育考試數(shù)據(jù)資源系統(tǒng)和北京教育考試遠程電子巡查指揮系統(tǒng)為實際應(yīng)用背景，研究教育考試信息技術(shù)應(yīng)用中的關(guān)鍵技術(shù)，主要內(nèi)容如下：
　　 (1)系統(tǒng)綜述和分析了數(shù)據(jù)挖掘現(xiàn)狀、數(shù)據(jù)挖掘在教育行業(yè)中的應(yīng)用、教育考試數(shù)據(jù)資源應(yīng)用現(xiàn)狀、視頻檢測應(yīng)用現(xiàn)狀，指出教育考試信息技術(shù)應(yīng)用中需要解決的重

2、點和難點問題。
　　 (2)進行基于數(shù)據(jù)挖掘的教育考試數(shù)據(jù)資源系統(tǒng)研究。論文構(gòu)建了面向數(shù)據(jù)挖掘的教育考試數(shù)據(jù)資源系統(tǒng)體系結(jié)構(gòu)，分析了系統(tǒng)的ETL工作流，設(shè)計并實現(xiàn)了數(shù)據(jù)轉(zhuǎn)換平臺，構(gòu)建并實現(xiàn)了基于組件技術(shù)的智能型綜合數(shù)據(jù)分析平臺。
　　 (3)研究設(shè)計了教育考試數(shù)據(jù)倉庫/集市多維數(shù)據(jù)模型。論文對數(shù)據(jù)倉庫邏輯建模方法進行分析，首先對兩類基本數(shù)據(jù)倉庫邏輯建模方式進行分析對比，并指出兩類邏輯建模方式的不足。在此基礎(chǔ)上，設(shè)計出面向

3、教育考試數(shù)據(jù)倉庫/集市的雪花模型。雪花模型能夠解決數(shù)據(jù)倉庫/集市的大維度問題，并能有效降低數(shù)據(jù)倉庫的數(shù)據(jù)冗余度，減少數(shù)據(jù)量，保證數(shù)據(jù)一致性；此外，雪花模型在建立聚集事實表方面優(yōu)勢明顯，能夠?qū)崿F(xiàn)基于靈活粒度的數(shù)據(jù)挖掘。
　　 (4)研究設(shè)計了多種聚類方法及聚類驗證技術(shù)的混合聚類應(yīng)用模式。采用實證研究方法對聚類技術(shù)、主流聚類算法以及聚類驗證技術(shù)、聚類驗證方法進行了深入分析與比較，在此基礎(chǔ)上，提出混合聚類應(yīng)用模式?；旌暇垲惸Ｐ椭袑?shù)據(jù)

4、理解、自組織特征映射SOM聚類、層次聚類、模糊聚類、聚類驗證、聚類質(zhì)量反饋、聚類調(diào)整等一系列過程混合應(yīng)用，以實現(xiàn)最佳聚類結(jié)果。并對北京地區(qū)高等學(xué)校教育資源數(shù)據(jù)，應(yīng)用混合聚類方法，生成北京地區(qū)普通高等學(xué)校資源狀況分類，并進行了分析。
　　 (5)關(guān)聯(lián)規(guī)則挖掘算法研究。論文對幾種典型關(guān)聯(lián)規(guī)則挖掘算法進行分析，并針對Apriori算法沒有充分利用先驗知識有效縮減遍歷事務(wù)數(shù)據(jù)庫規(guī)模的不足，提出了基于大項集迭代的關(guān)聯(lián)規(guī)則挖掘算法IR-Ap

5、riori，仿真試驗顯示，IR-Apriori算法能有效縮減遍歷數(shù)據(jù)庫的規(guī)模，大大提高算法性能。
　　 (6)進行基于視覺模式分析與挖掘技術(shù)的違規(guī)監(jiān)控行為檢測研究。論文根據(jù)考試監(jiān)控的需求和試卷的特點，提出了基于視覺模式分析和挖掘技術(shù)的層次型泄密試卷檢測算法。該算法基于自適應(yīng)高斯混合模型進行像素檢測并使用區(qū)域增長算法實現(xiàn)區(qū)域分割，通過形狀判定與分類實現(xiàn)最終檢測，算法具有快速性和準(zhǔn)確性的特點，實驗證明，算法能夠快速有效檢測出泄題試卷