考试成绩分析范文第1篇

[关键词]项目风险管理；考试成绩；统计分析；问卷调查；教学改进方向

[中图分类号]G642.0　[文献标识码]A　[文章编号]1005-4634(2012)03-0094-03

0　引言

为了培养学生的风险意识和风险管理技能，河北工业大学从工程管理专业2005级开始，在专业培养计划的第六学期中设置了《项目风险管理》课程。本课程的任务是：通过大量的项目风险管理活动实例，系统分析项目风险的客观规律，研究项目风险管理的产生、发展及其基本概念体系，掌握项目风险管理规划、风险识别、风险估计、风险评价、风险应对、风险监控等过程管理的基本框架、科学方法和实用技术、工具。

控制论创始人维纳认为：“一个有效的行为必须通过某种反馈过程来取得信息，从而了解目的是否已经达到。”对课程成绩分析的研究经历了从重要性认识到成绩的作用分析，再到成绩分类统计进而分析原因并将信息反馈给教学的过程。早在1999年孙剑米就提出对试卷及学生考试成绩进行分析，可为教与学提供有针对性的反馈信息的观点。成绩分析既是教学评估的手段，又是教学研究的重要环节。建立对考试成绩分析的反馈利用机制，有助于全面提高教育教学质量。陈国敏教授针对2004级至2009级《系统解剖学》的考试成绩，统计分析了试卷的难度及区分度、男女生成绩的差异性、年级成绩之间的差异性。李素红等在分析理工科学生《技术经济学》考试成绩时，对学生分别按学院和生源进行了分类，然后根据考试知识点、重点和难度对不同学生的考试平均分、及格率以及各知识点的得分率进行了研究。与以上两个文献研究侧重于对试卷本身分析不同的是，王佳眉教授通过对比分析《大学物理》3个年级考试成绩的平均分和峰值成绩、成绩达标度及整体分布等成绩分布情况，提出了对于学风问题、教师和学校投入等问题的思考。本文在试卷分析和问卷调查的基础上，通过对学习兴趣、学习态度和学习环境等因素的分析，研究改进教学效果的途径。

1　考试成绩总体分析

本课程采用闭卷考试的方式对授课班级的学习情况进行考察。出题的思路主要是突出知识应用，重视学生的听课效果及对知识系统性的掌握。试卷主要包括四个题型：单项选择题(10分)，多项选择题(15分)，简答题(50分)和综合计算题(25分)。

本次考试主要的考核点：项目风险的内涵；项目风险与项目特性的关系；风险特征；项目后果标度；风险效用；风险态度；忧虑价值；利率风险；风险管理规划依据；风险识别方法；风险登记册；决策树分析方法；AHP；蒙特卡洛模拟方法；不确定风险决策的特点和方法；风险等级评价；风险处理技术；项目风险监控的步骤。参加本课程考试的学生有本一和本三两个类别，本一和本三试卷题型相同，本三试卷总体难度低于本一试卷，两种试卷试题不同。参加考试的学生情况见表1。考试成绩统计情况见表2。

就成绩总体情况来看，平均分接近60分，单选题得分率高，多选题和简答题得分率低，本一学生成绩标准差为12.61，本三学生成绩标准差为13.08，不及格率高，命题偏难。从试卷本身和考试情况来看，存在两个主要问题：一是考试成绩与试卷难度不符，组卷初衷是难度适中，统计结果显示难度偏高。二是从题型来看，单选题考查的都是基本知识点，得分较高；多选题、简答题得分低，总体显示侧重知识应用的题得分不高。估计原因可能有：(1)考前没划重点，学生对考核点的理解有偏差；(2)整套试题侧重知识的应用，偏重课堂听课的效果，学生并没有完全理解和掌握相关知识点，知识运用能力需要加强。

2　考试成绩对比分析

2.1　学生类别与考试成绩

本次考试的成绩统计结果显示：本一学生平均得分和及格率都高于本三学生，各题得分率基本高于本三学生，只有综合计算题例外，原因在于本三试卷的综合计算题与课堂例题类似，本一试卷的综合计算题加大了难度。考试成绩总体情况说明本一学生的学习能力优于本三学生。

2.2　性别与考试成绩

经计算，本一男女生成绩平均分分别为58.71、60.31；本三男女生的成绩平均分分别为55.85、61.91。本一男女生的不及格率分别为42.11％和30.76％。本三男女生的不及格率分别为67.50％和38.10％。无论哪种类别学生，女生的平均分均高于男生，不及格率均低于男生。一般而言，大学女生学习态度比较认真，在课程学习上投入的时间高于男生，课堂听课情况好于男生。

2.3　出勤情况与考试成绩

学生出勤情况包括三种：缺勤、迟到和正常。统计结果显示：较多缺勤和迟到(2次或以上)学生的最高分为67。当然点名次数比较少，有些学生有可能因为很重要的事缺课却恰好被查出，但统计结果基本上可以反映真实情况。本一学生中有缺勤记录的学生平均分为53.88，无缺勤记录的学生平均分为60.24；本三学生中有缺勤记录的学生平均分为53.09，无缺勤记录的学生平均分为59.86；本一和本三有缺勤记录的学生成绩均低于总体平均分，缺勤学生的不及格率分别为55.56％、81.82％。这可能有两个原因：(1)学习成绩与学习态度有关；(2)考试成绩与听课效果有关。

2.4　宿舍环境与考试成绩

同一宿舍的学生，一般有着相近的生活习惯和作息时间，彼此对学习的态度也会互相影响。河北工业大学因为按大类专业招生，二年级下学期再分专业，而分班后宿舍不变，因此参加考试的学生住的比较分散。但统计结果也表明，有的宿舍不及格率达到80％，同时也有宿舍平均分在70分以上，分数最低的学生也考了60分，因此宿舍学风太差会影响所有的宿舍成员，而一个积极的学习氛围也同样影响所有宿舍成员。

2.5　上课座位与考试成绩

经过成绩统计，发现河北工业大学经常坐前排学生的平均分高于经常坐后排学生的平均分。以本三为例，前者平均分为60.15，远远超过后者的平均分50.55。可见上课时所坐的位置对听课的效果有较大的影响。一般来讲，前排距离老师比较近，视听都很清楚。另外，距离老师比较近注意力会相对更集中。相反，坐在后排很容易走神，行动比较自由，很容易说话或玩手机等。

3　考试成绩影响因素分析

为了更好的研究教学情况，设计了针对课堂教学和期末考试的调查问卷。共设计了16个问题，包括了出勤、课堂表现、作业、对考试的看法以及学习态度等方面。共发放问卷133份，分发给所有学习该课程并参与考试的学生，收回有效问卷132份。对回收问卷统计后，结合考试成绩的统计分析和平时与学生的交流情况，认为影响考试成绩的因素如下。

3.1　考核知识点是否明确

调查结果显示，60.61％的学生认为考题难，仅有一个学生认为考题简单。多数认为考前未划重点对自己影响大，61.36％认为复习的没有考，20.45％的学生感觉不适应题型，还有一部分学生认为好多题会做，但答错了。83.33％都认为考前划重点比较好，有53.79％的学生认为划重点可以促进学习，支持划重点的学生里有相当一部分认为划重点仅为了方便考试，而不是为了真正学到知识。

3.2　学生的学习重点

由考试结果来看，学生对考查基本概念的题得分率都比较高，而对于知识的扩展与运用方面的题型得分相对较差。显示学生在学习中更多的是机械地记忆，欠缺理解或者思考各个知识点之间的联系。也许很大程度上只是想单纯的应付考试，没有想过要扎实地掌握重点知识和基本方法。

3.3　学生的学习态度

成绩统计结果显示学习态度在很大程度上影响考试成绩。调查结果显示有14.39％的学生上课喜欢坐后排，但是认为坐后排更有利于学习的只有4.55％。51.02％的学生坐在后排的理由仅仅是因为心里舒服或是可以自由支配时间。竟有44.70％的学生认为上课时自由出入教室、随意接电话等行为是可以接受的。另外，只有45.45％的学生上课会做笔记，48.48％的学生只是在老师强调会考的情况下才会记下来，还有一小部分人上课什么都不带，也根本不做笔记。

3.4　学生的学习兴趣

学生对多数课程知识不感兴趣，因此对课程的重视程度和学习的主动性直接影响学习效果。14.39％的学生很不支持老师要求出勤，15.91％的学生会缺勤或迟到。理由多种多样：很多学生认为理论知识实际中用不着：有学生认为只有土木技术类课程才是重要课程；还有部分同学只有在教师讲实际项目经历时才能聚精会神。非常有趣的是，这些学生也认为项目风险管理对于从事项目管理工作非常重要。

4　结论

通过对考试成绩和问卷调查结果的统计分析，发现以下问题：教师和学生对课程知识的认知存在较大差别，学生的学习情况与教师的期望存在较大差距，教师的授课与学生的期望存在较大差异。这些问题导致教师的“教”与学生的“学”未能有机结合。针对以上问题，课程改进的思路是：(1)明确课程定位，加强课程重要性的认知。工程管理专业的课程体系由管理学、经济学、法学和土木工程学四类课程构成，这是专业特色，许多课程知识对于就业也许不能产生“立竿见影”的效果，但对于学生综合能力的提升具有长期的影响。非土木工程类课程的重要性，教师必须说得明白，讲的透彻，只有学生感知到了，才能产生兴趣。(2)端正学生的学习态度，加强自学能力培养。教师端正“教”的态度是学生端正“学”的态度的前提，对自己和学生严格要求，本着教有所成的原则，采用灵活多变的教学方式，增加课下阅读推荐量，并明确考前不划重点的闭卷考试方式，引导学生自学的同时促使学生深入认识本课程。及时批改课下作业，通过充分讨论，提高学生对知识的运用能力。鼓励学生大胆质疑，在师生的相互学习与探讨中，把新旧知识融会贯通。(3)突出知识点和考核重点，明确学生的学习目标。在列出每章学习目标的基础上，在课程开始时向学生发放教学计划和课程考试大纲，加强师生互动沟通，结合课程知识体系，调整和优化授课内容，将知识模块化。(4)逐步实现完全的案例式教学模式。这就要求任课教师认真设计教学过程，从问题提出的方式、解决的过程到结论的形成与讨论深化，将知识融入到其中，增强课程的趣味性，激发学生的学习兴趣。在教学过程中，老师要注重发挥学生的主体地位，布置开放性问题，发掘学生学习的主动性，鼓励他们思考和自我求解。

参考文献

[1]孙剑米.谈考试成绩分析[J].统计教育，1999，(6)：29-30.

[2]刘战芳.高校应重视学生考试成绩的分析与反馈[J].安徽警官职业学院学报，2007，(5)：79-80.

[3]陈国敏，肖新莉，李月英.留学生系统解剖学考试成绩综合分析[J].山西医科大学学报(基础医学教育版)，2010，12(9)：939-942.

考试成绩分析范文第2篇

关键词 大学英语四级 因子分析 spss

中图分类号：G640 文献标识码：A

Statistical Analysis of CET 4 Scores

——Take Xinjiang Agricultural University as an example

ZHANG Yu， LI Li， ZHAO Huijuan， LIU Jie

（College of Mathematics and Sciences， Xinjiang Agricultural University， Urumqi， Xinjiang 830052）

Abstract In this paper， take Xinjiang Agricultural University English Test scores for example， through the various parts of the questionnaire to investigate CET4 scores， then the factor analysis using SPSS CET scores for college students to analyze the effects of CET4 to arrive the main factor score， provides a theoretical basis for how to improve the scores of CET4.

Key words CET4； factor analysis； spss

1 数据的选取

本文对新疆农业大学大学生英语四级考试情况进行统计分析，采用随机发放纸质调查问卷的方式进行，问卷中涉及被调查者四级考试试卷中各部分的成绩和总成绩等信息，选取324名学生英语四级考试的真实成绩并加以处理。

本文选取变量指标如下：听力段落（变量1）；听力短文（变量2）；完形填空（变量3）；翻译（变量4）；仔细阅读（变量5）；作文（变量6）；快速阅读（变量7）。

2 因子分析

因子分析是多元统计中的一个重要的方法。通过研究众多变量之间的依赖关系，根据相关性大小把变量分组，在尽可能不损失信息或者尽可能少损失信息的情况下，将多个变量减少为少数的几个潜在因子，这几个因子就可以高度概括大量数据中的信息，并解释这些变量之间的相互依存的关系。

利用SPSS统计软件，对数据进行分析输出总方差分析表，如表1。

从表1可以看出，前三个公共因子对样本方差的贡献率和为75.596%，于是我们选取前3个公共因子建立因子载荷矩阵，为了对因子作出更好的解释，我们对因子载荷矩阵施行方差最大化正交旋转，得到输出结果如表2：

表2 旋转后的因子载荷矩阵

由表2可以看出，因子1主要由听力段落，仔细阅读和翻译来决定，它们在一定程度上和英语的词汇学习有关，而词汇的学习恰恰是英语学习的最基本条件，所以我们可以称为条件因子；因子2主要由听力短文和完形填空来决定，它们主要和英语学习中的语法及固定搭配有关，而语法及固定搭配是建立在词汇基础之上的，我们需要掌握其中的逻辑关系与搭配，所以我们可以称为逻辑因子；因子3主要由作文和快速阅读决定，它们与对英语学习的理解能力有关，反映了学生对英语的了解与积累，是学生进入大学时的基础水平的体现，我们可以称为基础因子。 （下转第69页）（上接第54页）

随机选取10名学生的成绩进行因子得分计算，我们根据因子得分系数对这些变量的贡献率进行加权得到综合得分，如表3所示：

由表3我们可以看出：（1）从总分排名与综合得分排名的比较可以看出，总分排名与综合得分的排名基本一致，而且第一主因子和第二主因子得分较高的学生其综合得分排名也较靠前，说明第一主因子和第二主因子对考生获得高分有很大的帮助，所以对于考生来说，如果想在四级考试中取得较好的成绩，就要不断加强对英语词汇的积累，而积累词汇最好的方法就是边阅读边记忆，这样不仅可以增加词汇量，记住相关的固定搭配，而且还可以相应地提高阅读水平。

表3 各因子得分及排名

（2）从第三主因子得分排名情况可以看出，第三主因子得分较高的同学，他们的总分排名较靠前，而第三主因子反映的是学生的英语基础，说明学生自身的英语基础对英语四级考试具有重要作用。而由学生s3的得分情况可以看出，如果只是基础因子得分较高，其总得分排名也未必靠前。因此说明，英语基础虽然对英语四级考试有重要的作用，但我们不能仅仅凭借以前的英语基础来应付四级考试，而要不断加强词汇的积累以及更高难度英语知识的学习。

（3）由学生s7和s10的各项因子得分可以看出，即使第二主因子和第三主因子的得分较低，但第一主因子的得分较高，其综合得分排名也可能靠前。说明如果一名学生的英语基础较为薄弱，而在备考时间较短的情况下，可以通过有针对性地加强听力和阅读的训练来提高通过英语四级考试的可能性。

3 结论

通过以上对大学生成绩进行统计分析的结果可以看出：学生的英语基础对通过英语四级考试有很大的作用，但我们不能凭着以前的英语基础参加考试，依靠过去的英语基础只有少数人能侥幸通过英语四级的考试，要不断加强英语词汇的积累和综合知识的学习才能通过考试。此外，在备考时间较短的情况下，对于基础较薄弱的学生来说，能够很大程度地提高英语成绩有些困难，而应重点加强英语听力和阅读的训练，在阅读的过程中增加词汇的积累，有针对性地学习，这样才能增加通过英语四级的可能性，从而将更多的时间放在专业课的学习和社会实践上。

参考文献

[1] 张尧庭.多元统计分析选讲[M].北京：中国统计出版社，2003.

[2] 竺丽英.SPSS软件在教学统计分析中的应用[J].化学教学，2006（3）.

考试成绩分析范文第3篇

关键词：核Fisher判别分析；高职教育；考试成绩预测

中图分类号： TP391 文献标志码：A 文章编号：1673-8454（2016）16-0076-04

一、引言

随着国家“十三五”规划的顺利进行，加快发展职业教育已经越来越成为国家、社会和教育界的共识，高职院校不可避免的成为了培养实用技能型人才的主要基地。随着高职招生人数的不断扩大，以及社会还没有摆脱对职业教育的传统观念，高职院校的生源质量每况愈下。一部分学生的基础知识较差，学习新知识的意愿不强，无论在课堂上与老师的互动，还是课下的平时作业完成情况，都不尽如人意，使得教师很难在真正考试之前评估教学效果，从而造成教学质量下降。因此，如何提高高职学生的学习成绩，成为社会和学校都关注的问题。在教学过程中、期末考试之前，有针对性的建立模型预测考试成绩，提前评估教学效果，可以起到预警的作用。对那些有可能不及格的学生及时纠正其不良学习行为，并进行单独辅导，则有助于提高学生成绩，减少不合格现象，进而提高学生培养质量，优化课程设计，促进教师教学进步。

正是意识到学生成绩预测对提高教学质量、促进教学改革的重要性，国内一些学者在几年前就已经开始对该领域展开研究。大部分学者将成绩预测视为分类问题，于是多采用数据挖掘或机器学习领域的算法，如决策树、人工神经网络、支持向量机等来建立模型。其中，决策树方法因为理论发展成熟、易于理解等优点，被广泛用于大学生英语成绩预测[1]、大学生计算机等级考试成绩预测[2]、一般性课程的成绩预测[3， 4]等；而人工神经网络和支持向量机也因为扎实的理论基础和广泛应用，被用于大学生课程成绩预测[5，6]，并取得良好的效果。

核Fisher判别分析作为基于核函数的机器学习算法的典型代表[7]，其分类效果在其他模式识别和预测领域得到了很好的验证[8，9]。学者们前期的研究成果表明，决策树、神经网络和支持向量机方法在学生考试成绩预测方面均取得了不俗的成绩。但是到目前为止，我们尚未发现有学者应用完整的核Fisher判别分析进行大学生成绩预测的系统报道（虽然有学者利用线性Fisher判别分析对SVM模型中的数据因素进行加权[6]）。因此，本文提出利用核Fisher判别分析作为工具，尝试寻找学生学习属性与成绩之间隐含的非线性复杂关系，从而建立高职在校学生期末考试成绩预测模型。实验分析中以深圳信息职业技术学院物流管理专业2015级3个班级的学生作为研究对象，采用学生性别、生源地、考勤表现和平时作业成绩等作为模型的输入变量，来预测学生的期末考试成绩。实验结果证明，核Fisher判别分析的泛化能力强，其预测精度与支持向量机十分接近，并且优于C4.5决策树方法。

二、核Fisher判别分析

核Fisher判别分析[7]是基于核函数的机器学习算法中的一种，其结合了线性Fisher判别分析与核函数的思想，能够有效地解决现实中的分类问题[8， 9] 。

1.线性Fisher判别分析原理[10]

线性Fisher判别分析是一种有监督学习的分类方法。给定一组d维空间的样本数据x∈R（i∈1，2，.....n），n为样本数据集的大小，他们分别属于不同的两类，则样本类别标识记为yi∈{1，2}。属于类1的n1个样本记为X1={x11，x12，......x1}，属于类2的n2个样本记为X2={x21，x22，......x2}。算法“学习”或者“训练”的过程，就是要找到样本数据与其类别隐含的内在关系模式xy。线性Fisher判别分析构造学习模型的核心目标是寻找一个d维向量w∈R，当样本数据向该方向投影时，最大化类间散度和类内散度的比值，使得样本数据在这个方向上尽可能的分开，达到清楚辨识的目的。定义某一类样本（i=1，2）数据类内均值为：

2.核Fisher判别分析原理

线性Fisher判别分析是一种线性分类器，当样本数据与类别呈现线性关系时其分类效果会很好。但是实际问题中，样本数据与其类别的关系往往呈现出复杂的非线性，则线性Fisher判别分析的分类效果就会差强人意，而且也无法解决模式识别中常见的维数灾难问题。在支持向量机中成功应用的核函数的出现解决了这个问题[11， 12]。核函数首先将数据从低维的输入向量空间R映射到高维（甚至是无限维）的特征空间，即φ：R。通过某些核φ（・），映射可表示为xiφ（xi）=（a1φ1（xi），……，amφm（xi），……）。在这个高维的特征空间中应用线性Fisher判别分析，在特征空间得到的线性分类器通过核映射回原始的输入数据空间R时，就得到了非线性分类器。

基于线性Fisher判别分析的原理，核Fisher判别分析在特征空间要寻找w∈，使得下式F（w）最大化：

三、实验及分析

为了评估本文提出的基于核Fisher判别分析的预测模型的实际效果，我们将深圳信息职业技术学院物流管理专业2015级3个班级共151名学生作为研究对象，收集第一学年某门专业基础课的期末考试成绩及相关因素作为模型的输出和输入变量。预测模型的输入变量（样本属性）应该与考试成绩密切相关，我们选择输入向量时主要根据日常教学经验反馈的以下几点事实：①大学生个体的期末成绩往往与其旷课、迟到次数（出勤反映学习态度）负相关，与平时作业成绩（平时作业代表学习态度和对知识的理解程度）正相关；②本专业学生的自有特点是女同学平均成绩比男同学略胜一筹；③深圳市外生源较市内生源入学平均成绩高。因此，我们选择学生的性别、生源地、出勤表现和平时作业成绩作为样本的属性变量，具体总结如表1所示。

此外，将所有学生分为两类，期末考试成绩大于等于60分记为“合格”，否则记为“不合格”。数据集中的部分样本示例如表2所示。

我们在MATLAB环境中编写核Fisher判别分析的实现代码，并装载收集到的原始数据集进行实验研究。为了比较核Fisher判别分析对高职学生成绩的预测效果，我们还测试了支持向量机SVM算法和C4.5决策树方法，这两种方法同样在MATLAB环境中实现。在核Fisher判别分析和SVM建模时，为了防止样本中某个维度的数值过大而在核函数计算中淹没其他维度数据的作用，我们先对原始数据进行预处理，即将原始数据标准化在[-1，+1]的范围内。在使用C4.5决策树建模时，因为其能够同时处理连续值和离散值的属性，训练和测试过程不受数据大小的影响，所以C4.5方法实现中仍旧保持原始数据，不进行额外处理。

由于实验用的原始数据集较小，如果简单地分为训练和测试两个数据集合，评估效果容易出现偏差。为了能够全面反映各种算法预测的精度，我们对整个样本数据进行多次划分，每次从全体数据集中选择10%的数据作为测试数据，其余数据用于训练模型和确定最优参数。此外，核Fisher判别分析和SVM均采用RBF径向基核K（xi，xj）=exp（-γ||xi-xj||2）作为核函数，其中γ是核参数。由于训练得到的模型的泛化能力高度依赖于核函数参数、正则化参数或惩罚系数的选择，因此选择最优的参数很有必要。在实验中，核Fisher判别分析的正则化参数设为δ=10-3，核Fisher判别分析和SVM中用到的核参数γ和惩罚系数由10-交叉验证网格搜索法来确定[13]。在最优参数设置下对测试样本数据进行预测，每次测试的准确率定义如下：

准确率=×100%（14）

实验的结果是进行十次测试的平均值，如表3所示。

从实验结果可以看出，基于核函数方法的核Fisher判别分析和SVM预测精度相近（其中核Fisher判别分析预测准确度的平均值略微高于SVM），这一点与两者在标准数据集上的测试结果一致[7]，但是两者的预测精度都明显高于C4.5决策树算法。C4.5决策树方法训练模型时，主要采用信息增益率作为选择根结点和各内部结点中分支属性的评价标准，训练速度快，得到的模型直观性强，规则易于被使用者理解。但是决策树方法在训练集上的预测效果往往优于测试集，即容易出现过拟合的现象。核Fisher判别分析和SVM利用的核函数将数据从低维的输入空间映射到高维的特征空间，在特征空间都基于各自的分类原理构建线性分类器使得两类数据集尽可能的分开，得到的线性分类器经过核函数映射回输入空间后，即成为非线性分类器。因此，核Fisher判别分析和SVM得到的预测模型泛化性能良好，能够挖掘出输入样本属性与其类别之间隐含的非线性复杂关系。另外，本文用到的原始实验数据采集自学生的实际情况，其中包含着一部分不完全、有噪声的数据，比如有些学生学习能力强、成绩突出，但是有个别作业没有提交或是迟到的情况，却依然会通过考试。噪声数据会使得决策树方法产生的过拟合现象更加严重，减小了泛化能力，从而影响测试效果。与之对应的是，核Fisher判别分析和SVM分类的基本原理保证了尽可能将噪声数据的影响降到最低，所以会取得较好的预测效果。

四、结束语

在我国的长期规划中，高等职业教育受到越来越多的重视。基于目前高职教学和生源的自有特点，建立准确的学生考试成绩预测模型，能够帮助教师提前评估教学成果，改进教学方法，对提高教学质量具有非常重要的意义。本文在MATLAB环境中建立了基于核Fisher判别方法的学生考试成绩预测模型，可以在期末考试之前，根据学生的自身特点和平时表现来预测其成绩。在以本校高职学生为研究对象的实验中，核Fisher判别方法取得了良好的预测效果，可以成为一线教师提高教学的有力工具。同时，只要能够正确地选择输入变量的属性，该模型可以被直接推广到一般本科院校的学生考试成绩预测中，同时也为后续建立教育信息化决策系统打下基础。

在后续的研究中，可以在两个方面进行进一步的拓展。第一，在实际情况中，经常会出现通过考试的学生数量远远超过未通过考试的学生数量，使得不同类别的原始采样数据数量不平衡，这有可能影响模型的泛化能力。未来可以考虑如何针对不平衡数据集进行训练和测试。第二，本文建立的分类模型，仅仅可以根据输入向量来预测学生是否通过考试，而不能预测学生具体的考试分数。期望以后能够应用基于核函数的回归分析算法[11]，进行学生成绩的分数预测。

参考文献：

[1]孙力，程玉霞.大数据时代网络教育学习成绩预测的研究与实现――以本科公共课程统考英语为例[J]. 开放教育研究，2015（3）： 74-80.

[2]黄振功.决策树在高校计算机等级考试成绩分析的应用[J].科技资讯，2013（25）：18-19.

[3]武彤，王秀坤.决策树算法在学生成绩预测分析中的应用[J].微计算机信息，2010（3）： 209-211.

[4]于立红，张建伟.基于数据挖掘的高职生成绩分析与预测[J].郑州轻工业学院学报，2006（3）： 77-79.

[5]邱文教.基于人工神经网络的学习成绩预测[J].计算机与信息技术，2010（4）： 5-6.

[6]李建萍.基于加权支持向量机的学习成绩预测模型[J].中国科教创新导刊，2009（14）： 137-138.

[7]Mika S， R tsch G， Weston J， et al. Fisher discriminant analysis with kernels[C]. Neural Networks for Signal Processing IX， 1999. Proceedings of the 1999 IEEE Signal Processing Society Workshop.

[8]李建云，邱菀华.核Fisher判别分析方法评估消费者信用风险[J].系统工程理论方法应用，2004（6）： 548-552.

[9]李映，焦李成.基于核Fisher判别分析的目标识别[J].西安电子科技大学学报， 2003（2）：179-182.

[10]Bishop C.Pattern Recognition and Machine Learning[M]. Springer Science & Business Media， 2006.

[11]Vapnik V.The nature of statistical learning theory[M]. Springer Science & Business Media， 2013.

考试成绩分析范文第4篇

关键词：数据挖掘；聚类分析；计算机等级考试；KMeans

中图分类号：TP301 文献标识码：A 文章编号：16727800（2012）011001903

________________________________________

基金项目：贵州省科学技术基金资助项目（黔科合J字LKZ[2011]22号）

作者简介：曾旭（1981-），女，硕士，遵义医学院医学信息工程系讲师，研究方向为信息安全、密码学、数据挖掘；司马宇（1979-），男，硕士，遵义医学院网络技术中心讲师，研究方向为网络安全、信息管理系统。0 引言

数据挖掘是从大量数据中发现有趣模式，其中数据可以存放在数据库、数据仓库或其它信息库中。这是一个年轻的跨学科领域，源于诸如数据库系统、数据仓库、统计学、机器学习、数据可视化、信息检索和高性能计算。其它有贡献的领域包括神经网络、模式识别、空间数据分析、图像数据库、信号处理和许多应用领域，如商务、经济学和生物信息学。

数据挖掘的类型很多，如总结规则挖掘、关联规则挖掘、分类规则挖掘、聚类规则挖掘、预测分析、趋势分析和偏差分析等。其中，聚类分析已经广泛应用于市场研究、模式识别、数据分析和图像处理等领域。

1 聚类分析

聚类是将数据集划分为若干组的过程，并使得同一个组内的数据对象具有较高的相似性，而不同组中的数据对象具有较低的相似性。聚类是一种无指导的学习过程，事先不知道样本类别，也不知道类别个数。

1.1 数据结构

大多数聚类算法采用数据矩阵和相异度矩阵作为数据结构。

数据矩阵是一个对象—属性结构。它由n个对象组成，是利用p个属性来进行n个对象的描述。

相异度矩阵是一个对象——对象结构。它存放所有n个对象两两之间所形成的差异性（相似性）。

如果数据以数据矩阵的形式给出，则往往需将数据矩阵转换为相异度矩阵，相异度矩阵可用距离公式计算得到，相异度有时也称距离。

1.2 数据类型

聚类分析中常用的数据类型有区间标度变量、二元变量、标称型变量、序数型变量、比例标度变量和混合类型的变量。相异度矩阵的具体计算会因所使用的数据类型的不同而异。

对数据进行标准化处理后，对象间的相似度和相异度是基于两个对象间的距离来计算的。常用的距离度量公式有欧几里得距离公式等。 欧几里得距离公式：

1.3 相关算法

聚类算法主要可以划分为如下几类：基于划分的方法、基于层次的方法、基于密度的方法、基于网格的方法以及基于模型的方法。其中，基于划分的方法主要以KMeans算法较为著名。

KMeans算法随机地选择k个对象，每个对象代表一个组的初始均值或者中心。对剩余的每个对象，根据其与各个组均值的距离，将它指派到最相似的组，然后计算每个组的新均值。这个过程不断重复，直到准则函数收敛。

2 聚类算法对评分结果的分析

将KMeans挖掘算法应用于遵义医学院计算机等级考试评分系统中，根据该校现有的考试数据可以获得一些聚类结果。现以2010级临床专业某班级40名学生的考试数据为例，采用KMeans挖掘算法进行选择题、Windows操作题、打字题、Word操作题、Excel操作题和网络操作题共6个属性间的聚类分析挖掘。具体数据整理成表1，共包含40条相关记录。由于篇幅关系，本文中只列出原表的基本结构和表中的部分数据。

2.1 数据预处理

为了更好地进行聚类分析，需对数据进行标准化，标准化过程遵循的原则是：将各个题型的实际得分数除以该题型的总分，最终得到的标准化值范围是[0，1]，标准化结果见表2。具体处理方法如下：

2.2 聚类分析

传统的KMeans算法采取随机选择初始聚类中心的原则，这使得不同的初始聚类中心会导致聚类结果的差异，使聚类结果不稳定。为了提高聚类结果的稳定性，根据学生成绩的分布情况，一般有优秀、良好、中等、不及格、较差5个等级，因此，在本文的KMeans算法中，我们设定聚类个数为5个，分别对应5个成绩等级的中心。具体划分如下：

2.3 聚类结果分析

从表3可知，第1类学生各类题型的评分情况均较为理想，得分率均超过了0.800 0；第2类学生在Excel操作题上得分率偏低，得分率范围是0～1，但是其它各类题型的得分率均超过0.733 3；第3类学生得分率的范围处于中间地段，但是也存在部分题型能够取得较高的分数；第4类学生Excel操作题的得分率范围是0～0.35，其它各类题型的得分率处于中间地段；第5类学生能在少数题型上获得高分，而其它题型的低得分率主导了总分偏低的最终成绩。

3 结语

由聚类分析结果，可得到以下几个主要结论：

（1）第1类学生全面掌握了各类题型的操作情况，均取得了较为理想的成绩。

（2）第2类学生与第1类学生相比仅仅在Excel操作题的掌握上有少许欠缺，在其它各类题型的把握情况上差别不大。该类学生若加强Excel操作题的练习，便能跻身第1类。

（3）第3类学生基本掌握了各类题型，但仅限于中等水平。该类学生应加强和巩固各类题型的练习。

（4）第4类和第5类学生对各类题型的掌握均有欠缺，但也不排除在某类题型上有较高得分率。由于总体得分率较低，该类学生应加强各类题型的练习。

对考生的计算机等级考试中各类题型的得分情况进行聚类分析挖掘后所得到的结论能够帮助考生在学习过程中发现自己的缺陷并在后续学习过程中做出针对性的改进。与此同时，教师也可针对各类学生的特点做专门的指导，帮助学生顺利通过考试。此结论对考生和教师来说均具有较强的指导意义。

参考文献：

[1] K P SOMAN，SHYAM DIWADAR，V AJAY.数据挖掘教程[M].北京：清华大学出版社，2003.

[2] JIAWEI HAN，MICHELINE KAMBER.数据挖掘概念与技术[M].北京：机械工业出版社，2007.

[3] 谭庆.基于KMeans聚类算法的试卷成绩分析研究[J].河南大学学报，2009（4）.

[4] 刘美玲，李焘，李永胜.数据挖掘技术在高校教学与管理中的应用[J].计算机工程与设计，2010（5）.

[5] 顾洪博，赵万平.基于MMD聚类算法及在高校成绩分析中的应用[J].河北工程大学学报，2010（1）.

[6] 於实.基于数据挖掘的CRM系统研究[J].煤炭技术，2012（1）.

[7] 钱镜林.基于模糊聚类算法的洪水预报研究[J].自然灾害学报，2010（4）.

[8] 宋向红，白明月.基于聚类的学生成绩分析[J].电脑知识与技术，2012（3）.

考试成绩分析范文第5篇

这次考试从学科来看，三大主课语、数、英处于年级前列，四门小课头政、史、生、地整体成绩一般，相对而言历史较弱。其中英、史、生、地都出现低分现象，数、政、生、地都有满分，语文有两人上了90分。

从班级总体成绩来看，平均分在90分以上有12人，平均分在80分以上有33人，班级平均分为405分，这三项指标也位于年级前列；但特优生处于劣势，其中整个年级470分以上有11人，二班只有两人。

年级特优生、优生横向比较表 （略）

从以上述来看，班上整体成绩位于年级前列，但尖子生不突出，在年级中没有一席之地，培优转差要加大力度。

二、 班级管理

七年级是初中的起始年级，是增强学生的初中生意识、培养学生良好的行为习惯和学习习惯、树立良好的班风和学风的最佳时期。在班级管理中，我紧紧围绕这三方面作以下工作。

1 以制度约束人，以考核激励人。

开学不久，我就通过民主推荐和选举产生班委会，在班委会的组织学生学习了中学生守则和中学生日常行为规范，结合班级实际制定了班规，规范了自习纪律、课堂纪律、课间纪律、两操纪律和作业要求，制定值日生职责。为了保证制度的落实，又通过民主选举产生10位纪律监察员，分5组负责管理班上纪律，处理违纪事件，并作翔实记载，作为考核每位学生行为的依据，一星期一汇总，评比出行为标兵，大力进行表彰，对于记录次数过多的学生要书面检讨。通过这种方式，不断的规范学生的行为，课间疯狂打闹基本杜绝，课堂纪律越来越好，仔细能够安静下来自觉完成作业。

2 开好“两会”，以活动为载体，促进了良好班风、学风的形成。

班会是师生、生生互相交流的了解的好机会，每次班会我不是一言堂，而是围绕主题让每个同学都有发言的机会来发表自己的看法和观点。刚开学时，我以 为 主题开了一次班会，在之前我让学生做好准备发言稿来介绍自己，开办班会时，要求每位学生发言不超过一分钟，结果个个同

学都脱稿发言，不管好坏，学生都报以热烈的掌声。当时张爱琴老师听说会也来参加这个班会，在总结性发言时，也给予很高的评价，认为这次班会有助于师生尽快得到了解，使新进来的学生很快融入班集体中去，增强了班级凝聚力。在组织这次运动会时，在班上公开征集开幕式的口号，让每个同学都写出能反映应我班的精神风貌并有激励性的口号，每个同学都推荐见自己口号，虽然质量都不高*，但我还是从中选出两句“七二争锋，必能成功”“奋力拼搏，勇夺第一”作为开幕式的口号。经过同学们的奋力拼搏，取得10多个冠军，特别在男子3000米中，我班囊括前5名，总分高居年级第一。之后，我以此为机，开了一次班会，让每位同学发言这次运动会所体现出精神，大家归纳出这种精神就是“团结友爱、奋力拼搏、不怕吃苦、勇夺第一”的精神风貌，最后一致同意这十六个字作为班级的精神灵魂。很多老师感觉到，运动会过后，班级大变样，学生的学习积极性有了很大的提高。

家长会是家长与老师、家长与学生互相交流的了解的好机会。在十月初，根据班上的实际情况和学科老师的提议，召开了第一次家长会，向学生家长介绍七年级特点和现阶段学生的思想状况，对于如何与老师、孩子进行沟通提出了一些建议，对如何监督学生的家庭作业提出了具体要求。通过这次家长会，使学生的家庭作业的质量有了很大的提高，促进了良好的班风的形成。这次家长开后，很多家长主动与老师联系，了解自己的孩子的情况，有的家长每次都在孩子的作业本签字。

班会和家长会只是一个载体，通过举办这些形式活动，让学生参与体验，对学生起着潜默移化作用，比一味训斥、说教更有说服力。

3 及时与学科老师沟通，协调各学科之间的平衡发展。

在平时的班级管理中，我经常征求任课老师意见，主动与任课老师沟通。任课老师也主动对班级管理提出宝贵的意见。张爱萍老师对班级管理很有经验，给班级管理提出很多行之有效的办法，比如对行为习惯、学习习惯不好的学生，应准备一个与家长的沟通的联系簿，将学生的表现及时与家长汇报。当学生的学习兴趣不高、作业质量不好时，及时建议召开家长会。黄慧敏老师当发现早自习让学生打扫卫生对

自习带来很大的影响，及时建议将打扫卫生的时间移到早读后；当发现课堂上有几个学生喜欢凑在一起讲话时，及时建议将这几个学生调开；黄老师还建议将*中午学生到校后的这一段时间利用起来背诵英语单词。任课老师的这些好的建议我及时采纳，中午到校后我安排班长和学习委员坐到讲台上监督同学识记英语单词。由于小课头需要记忆的内容，平时忙于上课，很少有时间来背诵所学的知识，所以在期中考试前一个星期，我安排学生利用三个时间段来复习四个小课头。从考试的结果来看，确有成效。

当然，在班级的管理的过程中，还有许多的不足，比如跟班不太及时，班级的卫生区的打扫督促不力，与学生交心不多等，这些都是在以后的班级管理中改进的地方。

三、班级学生现状与对策

由于这次运动会取得很好的成绩，增强了学生的集体荣誉感，激发了学生的学习热情，又加上在这次期中考试班级也取得好成绩，进一步增强学生对班级的自豪感，所以就目前来看，班风、学风是很好的。但这种势头是否持续多久，是值得思考的和努力的。同时，这种良好的局面背后也隐藏一些隐患。

从学生的学习态度、智力水平、学习水平可分为四类：