利用数据挖掘探索核心素养如何引导学生高效学习

1 引言

“素养”不单是某门学科的具体知识点, 它既包括传统教育领域的知识、技能, 又包括学生的情感、态度和价值观。而“核心素养”占据最重要地位。本研究想利用数据挖掘中关联规则从实际数据出发找出关联规则探究如何能够基于核心素养的概念来让学生学会学习。

2 数据来源与分析方法

2.1 数据来源

采用随机抽样的方式抽取C市某次联考后的5所中学同一年级共2498名学生的所有科目试卷, 包括语文、数学、英语、地理、物理、化学、政治、历史、地理和生物共9门学科, 并把每门学科的分数及综合得分建立数据库。

2.1 分析方法

(1) 因子分析。所有的因子变量载荷都在0.704~0.861之间并且远远大于0.3这个临界值, 即9个学科因子我们都应该保留。表1中发现因子9 (生物) 、因子4 (物理) 、因子2 (数学) 和因子3 (英语) 在第一类主因子F1所占的分值较大, 而因子1 (语文) 、因子8 (地理) 、因子7 (历史) 和因子6 (政治) 在第二类主因子F2所占的分值较大, 即因子9、4、2、3这四个因子为第一类主成分的共同因子, 因子1、8、7、6为第二类主成分的共同因子。又每类主成分的特征根值都大于1.0可接受值, 两个共同因子的累计解释的方差达到了75.013%, 说明提取的共同因子的可信度较高, 可以为后面的统计分析提供较强的理论依据。

(2) 数据挖掘分析。本研究将学科“语文”到“生物”九门学科分别用大写字母“A”至“I”表示, 综合成绩用大写字母S表示, 再把各个学科的分数进行等级制划分, 用数字1至5依次代表“优秀”至“不及格”不同程度的分数等级。即被试各科成绩等级可以用字母和数字的组合形式进行编码, 例如:语文中等则用A3表示, 历史优秀则用G1表示。

在WEAK软件中设置最小支持度为0.3, 置信度为0.85, 最小提升度Lift为1.5分别得到了各个主因子中的科目和综合成绩之间的强关联规则, 本研究只提取前三条有效的强关联规则如表1所示。

F1中包括生物、物理、数学、化学和英语这5们科目, 其中只有数学和物理对综合成绩有很大影响, 通过F1中的规则1可以知道学生数学不及格且综合成绩也不及格的前提下, 物理成绩不及格的概率为0.92, 提升度1.77表示在此前提下物理成绩为不合格的可能性有所提升。F1中所有的规则都是围绕数学和物理对综合成绩影响展开的, 说明这数学、物理学科极其重要。同理, F2中包括语文、地理、历史和政治这四门学科, F2中的规则也是围绕政治和地理对综合成绩的影响展开, 即这两门学科要加强重视。

3 结论与建议

(1) 通过推断统计的因子分析方法, 运用降维的思想把九门科目最终分为两大类。第一类为自然科学型, 其中包括数学, 物理, 化学, 生物和英语;第二类为社会人文型, 包括语文, 地理, 历史和政治。不难看出与之前高考所区分文理科的科目相似度极高, 说明高考文理科的分类具有一定程度的科学性和客观性。

(2) 应加强在数学、物理、地理和政治学科的学科素养重视程度。这四门学科的成绩直接影响综合成绩, 若这四门成绩都普遍偏高则综合成绩也偏高, 反之则偏低。当然, 基于核心素养下的学会学习并不单单指文化成绩的高低, 更主要的是教会学生如何学习、如何理解, 从而培养学生自主探究学习的能力。

摘要：本文通过因子分析和数据挖掘相结合的实证研究方法来探究高效学习的方法, 为指导学生学会学习提供一定的参考。研究结果表明, 在知识技能上学校教学应当重视在数学、物理、政治及地理学科对学生的教育指导培养, 同时开展一系列适当的活动, 以提高学生的行为品质和人格修养。

关键词：核心素养,因子分析,数据挖掘

参考文献

[1] 林崇德.21世纪学生发展核心素养研究[M].北京:北京师范大学出版社, 2016.

[2] 辛涛, 姜宇, 林崇德等.论学生发展核心素养的内涵特征及框架定位[J].中国教育学刊, 2016 (6)

[3] 李晓东.理解学科核心素养的三个关键[J].今日教育, 2016 (3) .