武善鋒 陸霞
關鍵詞： 決策樹; 數據挖掘; 體育課程; ASP.NET; 管理系統; 課程分析
中圖分類號： TN911.1?34 文獻標識碼： A 文章編號： 1004?373X（2019）03?0131?03
Abstract： With the continuous advancement of the information technology construction in colleges and universities， a large amount of teaching information resources are produced by teaching management of physical education curriculum. In order to improve the quality of physical education， the application scheme of decision tree algorithm in the analysis and management of physical education curriculum is proposed. The C4.5 decision tree algorithm of data mining method is analyzed. The framework and database design of the curriculum analysis and management system are given. The ASP.NET development language is used to realize the system. The SQL Server 2008 is taken as the database. Visual Studio 2010 is taken as the development environment. The test results show that the proposed physical education curriculum analysis and management system has high performance in running time and accuracy， and provides the powerful data support for improving the efficiency and quality of physical education curriculum management.
Keywords： decision tree; data mining; physical education curriculum; ASP.NET; management system; curriculum analysis0 引 言
隨著計算機技術的不斷進步和教學信息化的不斷發展，全國範圍內的高校開始逐漸普及各種現代化的教學設備及相關管理系統，如藍墨雲班課、慕課（MOOC）、智慧教室互動等[1]。信息化教學的開展和實施也產生了大量的各種教學管理數據，針對這些大量的數據，如果不去利用勢必造成巨大的資源浪費，但是如果採用人工手段去分析處理會產生較大的時間和人工成本，因此需要利用計算機將教師從大量的複雜和重複勞動中解放出來[2?3]。根據不同課程的屬性和要求，提取這些數據中的必然聯繫和潛在的關係已經成為各種課程教學管理系統的研究方向和熱點。
數據挖掘作為近期世界範圍內快速興起的一門交叉學科，彙集了來自機器學習、模式識別、資料庫、統計學、人工智慧等各領域的研究成果[4?6]。計算機的大規模普及產生了海量的數據，數據挖掘通過綜合以上學科領域的技術成果，對海量數據進行處理和分析。目前，數據挖掘在教學管理系統中的應用正處於初始階段，相關領域的研究不多，因此應用於體育課程教學工作的案例更少，例如文獻[7]提出基於ID3決策樹的商務英語實踐教學成效評價方案，也就是說，現有的體育課程成績管理系統沒有成績分析功能，無法對提升體育教學工作的效率和質量提供有力的技術支持。
3.1 C4.5算法在體育課程分析系統的應用
以某學校20個班級的學生的體育課程成績為例進行數據挖掘分析，並將C4.5算法在體育課程分析系統中進行具體應用。20個班級共735個學生的訓練集數據如表1所示。通過表1所示的訓練集數據，運用C4.5算法生成決策樹，程序實現的部分代碼如下：
print（′Start training...′）
tree = train（train_features， train_labels， list（range（feature_len）））
time_3 = time.time（）
print（′training cost %f seconds′ % （time_3 ? time_2））
print（′Start predicting...′）
test_predict = predict（test_features，tree） time_4 = time.time（）
print（′predicting cost %f seconds′ % （time_4 ? time_3））
3.2 系統測試結果
對設計的體育課程分析與管理系統進行功能測試和性能測試。首先，在功能測試中系統運行狀態良好，操作流暢，人機互動效果良好，系統中學生基本信息維護介面如圖4所示。其次，在性能測試中，相比基於ID3算法的課程成績分析系統[7]，本文系統處理數據所需時間減少了12%左右，同時分析數據集的準確率提升了約8%。
4 結 論
本文提出一種基於決策樹算法的體育課程分析與管理系統。首先對成績分析的需求進行研究，並給出課程分析與管理系統的框架及其資料庫設計。然後採用優化後的C4.5決策樹算法實現具體數據挖掘。採用ASP.NET開發語言，資料庫為SQL Server 2008，開發環境為Visual Studio 2010。該系統利用決策樹算法提取體育課程工作中的數據特徵和關係，並結合成績分析形成可參考的學生個性化信息，為體育課程的教學管理提供了有價值的數據支持和理論參考，該系統可有效提高體育課程教學和管理的質量和效率。
參考文獻
[1] 張怡婷，付雄，陳蕾.算法課程面向應用的教學模式研究[J].計算機教育，2012（24）：82?86.
ZHANG Yiting， FU Xiong， CHEN Lei. Research on application?oriented teaching model of algorithm course [J]. Computer education， 2012（24）： 82?86.
[2] 茹峰，彭曉宏，侯立剛，等.基於人臉識別的學生課程出勤管理系統設計[J].現代電子技術，2016，39（1）：81?84.
RU Feng， PENG Xiaohong， HOU Ligang， et al. Design of student course attendance management system based on face re?cognition [J]. Modern electronics technique， 2016， 39（1）： 81?84.
[3] 鄧莉瓊，肖秋根，李中寧，等.基於大數據分析的計算機網絡課程自適應學習系統構建[J].計算機工程與科學，2016，38（z1）：276?280.
DENG Liqiong， XIAO Qiugen， LI Zhongning， et al. Construction of adaptive learning system for computer network course based on big data analysis [J]. Computer engineering and science， 2016， 38（S1）： 276?280.
[4] JOSEPH S R， HLOMANI H， LETSHOLO K. Data mining algorithms： an overview [J]. Neuroscience， 2016， 12（3）： 719?743.
[5] NGAI E W T， XIU L， CHAU D C K. Application of data mi?ning techniques in customer relationship management： a literature review and classification [J]. Expert systems with applications， 2012， 36（2）： 2592?2602.
[6] HARPAZ R， DUMOUCHEL W， SHAH N H， et al. Novel data mining methodologies for adverse drug event discovery and analysis [J]. Clinical pharmacology & therapeutics， 2012， 91（6）： 1010?1021.
[7] 余洪英.基於決策樹的商務英語實踐教學成效評價[J].科技通報，2016，32（2）：229?232.
YU Hongying. Evaluation of the effectiveness of business English practice teaching based on decision tree [J]. Bulletin of science and technology， 2016， 32（2）： 229?232.
[8] SAFAVIAN S R， LANDGREBE D. A survey of decision tree classifier methodology [J]. IEEE transactions on systems， man & cybernetics， 2002， 21（3）： 660?674.
[9] GLIGOROV V V， WILLIAMS M. Efficient， reliable and fast high?level triggering using a bonsai boosted decision tree [J]. Journal of instrumentation， 2012， 8（2）：6.
[10] BARROS R C， FREITAS A A. A survey of evolutionary algorithms for decision?tree induction [J]. IEEE transactions on systems， man & cybernetics Part C， 2012， 42（3）： 291?312.
關鍵詞： 決策樹; 數據挖掘; 體育課程; ASP.NET; 管理系統; 課程分析
中圖分類號： TN911.1?34 文獻標識碼： A 文章編號： 1004?373X（2019）03?0131?03
Abstract： With the continuous advancement of the information technology construction in colleges and universities， a large amount of teaching information resources are produced by teaching management of physical education curriculum. In order to improve the quality of physical education， the application scheme of decision tree algorithm in the analysis and management of physical education curriculum is proposed. The C4.5 decision tree algorithm of data mining method is analyzed. The framework and database design of the curriculum analysis and management system are given. The ASP.NET development language is used to realize the system. The SQL Server 2008 is taken as the database. Visual Studio 2010 is taken as the development environment. The test results show that the proposed physical education curriculum analysis and management system has high performance in running time and accuracy， and provides the powerful data support for improving the efficiency and quality of physical education curriculum management.
Keywords： decision tree; data mining; physical education curriculum; ASP.NET; management system; curriculum analysis0 引 言
隨著計算機技術的不斷進步和教學信息化的不斷發展，全國範圍內的高校開始逐漸普及各種現代化的教學設備及相關管理系統，如藍墨雲班課、慕課（MOOC）、智慧教室互動等[1]。信息化教學的開展和實施也產生了大量的各種教學管理數據，針對這些大量的數據，如果不去利用勢必造成巨大的資源浪費，但是如果採用人工手段去分析處理會產生較大的時間和人工成本，因此需要利用計算機將教師從大量的複雜和重複勞動中解放出來[2?3]。根據不同課程的屬性和要求，提取這些數據中的必然聯繫和潛在的關係已經成為各種課程教學管理系統的研究方向和熱點。
數據挖掘作為近期世界範圍內快速興起的一門交叉學科，彙集了來自機器學習、模式識別、資料庫、統計學、人工智慧等各領域的研究成果[4?6]。計算機的大規模普及產生了海量的數據，數據挖掘通過綜合以上學科領域的技術成果，對海量數據進行處理和分析。目前，數據挖掘在教學管理系統中的應用正處於初始階段，相關領域的研究不多，因此應用於體育課程教學工作的案例更少，例如文獻[7]提出基於ID3決策樹的商務英語實踐教學成效評價方案，也就是說，現有的體育課程成績管理系統沒有成績分析功能，無法對提升體育教學工作的效率和質量提供有力的技術支持。
3.1 C4.5算法在體育課程分析系統的應用
以某學校20個班級的學生的體育課程成績為例進行數據挖掘分析，並將C4.5算法在體育課程分析系統中進行具體應用。20個班級共735個學生的訓練集數據如表1所示。通過表1所示的訓練集數據，運用C4.5算法生成決策樹，程序實現的部分代碼如下：
print（′Start training...′）
tree = train（train_features， train_labels， list（range（feature_len）））
time_3 = time.time（）
print（′training cost %f seconds′ % （time_3 ? time_2））
print（′Start predicting...′）
test_predict = predict（test_features，tree） time_4 = time.time（）
print（′predicting cost %f seconds′ % （time_4 ? time_3））
3.2 系統測試結果
對設計的體育課程分析與管理系統進行功能測試和性能測試。首先，在功能測試中系統運行狀態良好，操作流暢，人機互動效果良好，系統中學生基本信息維護介面如圖4所示。其次，在性能測試中，相比基於ID3算法的課程成績分析系統[7]，本文系統處理數據所需時間減少了12%左右，同時分析數據集的準確率提升了約8%。
4 結 論
本文提出一種基於決策樹算法的體育課程分析與管理系統。首先對成績分析的需求進行研究，並給出課程分析與管理系統的框架及其資料庫設計。然後採用優化後的C4.5決策樹算法實現具體數據挖掘。採用ASP.NET開發語言，資料庫為SQL Server 2008，開發環境為Visual Studio 2010。該系統利用決策樹算法提取體育課程工作中的數據特徵和關係，並結合成績分析形成可參考的學生個性化信息，為體育課程的教學管理提供了有價值的數據支持和理論參考，該系統可有效提高體育課程教學和管理的質量和效率。
參考文獻
[1] 張怡婷，付雄，陳蕾.算法課程面向應用的教學模式研究[J].計算機教育，2012（24）：82?86.
ZHANG Yiting， FU Xiong， CHEN Lei. Research on application?oriented teaching model of algorithm course [J]. Computer education， 2012（24）： 82?86.
[2] 茹峰，彭曉宏，侯立剛，等.基於人臉識別的學生課程出勤管理系統設計[J].現代電子技術，2016，39（1）：81?84.
RU Feng， PENG Xiaohong， HOU Ligang， et al. Design of student course attendance management system based on face re?cognition [J]. Modern electronics technique， 2016， 39（1）： 81?84.
[3] 鄧莉瓊，肖秋根，李中寧，等.基於大數據分析的計算機網絡課程自適應學習系統構建[J].計算機工程與科學，2016，38（z1）：276?280.
DENG Liqiong， XIAO Qiugen， LI Zhongning， et al. Construction of adaptive learning system for computer network course based on big data analysis [J]. Computer engineering and science， 2016， 38（S1）： 276?280.
[4] JOSEPH S R， HLOMANI H， LETSHOLO K. Data mining algorithms： an overview [J]. Neuroscience， 2016， 12（3）： 719?743.
[5] NGAI E W T， XIU L， CHAU D C K. Application of data mi?ning techniques in customer relationship management： a literature review and classification [J]. Expert systems with applications， 2012， 36（2）： 2592?2602.
[6] HARPAZ R， DUMOUCHEL W， SHAH N H， et al. Novel data mining methodologies for adverse drug event discovery and analysis [J]. Clinical pharmacology & therapeutics， 2012， 91（6）： 1010?1021.
[7] 余洪英.基於決策樹的商務英語實踐教學成效評價[J].科技通報，2016，32（2）：229?232.
YU Hongying. Evaluation of the effectiveness of business English practice teaching based on decision tree [J]. Bulletin of science and technology， 2016， 32（2）： 229?232.
[8] SAFAVIAN S R， LANDGREBE D. A survey of decision tree classifier methodology [J]. IEEE transactions on systems， man & cybernetics， 2002， 21（3）： 660?674.
[9] GLIGOROV V V， WILLIAMS M. Efficient， reliable and fast high?level triggering using a bonsai boosted decision tree [J]. Journal of instrumentation， 2012， 8（2）：6.
[10] BARROS R C， FREITAS A A. A survey of evolutionary algorithms for decision?tree induction [J]. IEEE transactions on systems， man & cybernetics Part C， 2012， 42（3）： 291?312.
收藏