| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 课题研究背景及意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-15页 |
| 1.3 本文所做的工作及论文结构 | 第15-16页 |
| 1.3.1 本文研究的内容 | 第15-16页 |
| 1.3.2 本文的组织结构 | 第16页 |
| 1.4 本章小结 | 第16-17页 |
| 第二章 传统考试分析体系 | 第17-28页 |
| 2.1 传统考试报名分析 | 第17-18页 |
| 2.1.1 报名分析指标 | 第17-18页 |
| 2.1.2 报名分析框架 | 第18页 |
| 2.2 传统考试成绩分析 | 第18-22页 |
| 2.2.1 成绩评价指标 | 第19-21页 |
| 2.2.2 成绩评价框架 | 第21-22页 |
| 2.3 传统试卷质量分析 | 第22-26页 |
| 2.3.1 经典测试理论 | 第22-24页 |
| 2.3.2 项目反应理论 | 第24-25页 |
| 2.3.3 RASCH模型 | 第25-26页 |
| 2.4 传统考试分析体系的不足 | 第26-27页 |
| 2.4.1 分析结果缺乏直观性 | 第26页 |
| 2.4.2 分析体系不统一 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 相关数据挖掘算法 | 第28-34页 |
| 3.1 C4.5 决策树算法 | 第28-30页 |
| 3.1.1 C4.5 决策树算法分类的概念 | 第28-29页 |
| 3.1.2 C4.5 算法的主要步骤 | 第29页 |
| 3.1.3 C4.5 算法的优点和不足 | 第29-30页 |
| 3.2 APRIOR算法 | 第30-31页 |
| 3.2.1 APRIORI算法的概念 | 第30页 |
| 3.2.2 APRIOR算法的主要步骤 | 第30-31页 |
| 3.2.3 APRIOR算法存在优点和不足 | 第31页 |
| 3.3 K-MEANS算法 | 第31-32页 |
| 3.3.1 K-MEANS算法的概念 | 第31-32页 |
| 3.3.2 K-MEANS算法的主要步骤 | 第32页 |
| 3.3.3 K-MEANS算法存在的不足 | 第32页 |
| 3.4 本章小结 | 第32-34页 |
| 第四章 基于数据挖掘技术的考试分析体系 | 第34-37页 |
| 4.1 基于C4.5 决策树算法的报名分析体系 | 第34-35页 |
| 4.2 基于APRIOR算法的成绩分析体系 | 第35页 |
| 4.3 基于K-MEANS算法的试卷质量分析体系 | 第35-36页 |
| 4.4 本章小结 | 第36-37页 |
| 第五章 数据挖掘考试分析体系与传统分析案例对比 | 第37-59页 |
| 5.1 数据采集及预处理 | 第37-38页 |
| 5.2 报名分析对比 | 第38-45页 |
| 5.2.1 传统报名分析 | 第38-41页 |
| 5.2.2 C4.5 决策树算法的报名分析 | 第41-45页 |
| 5.2.3 分析结果对比 | 第45页 |
| 5.3 成绩分析对比 | 第45-52页 |
| 5.3.1 传统成绩分析 | 第45-49页 |
| 5.3.2 APRIOR算法的成绩相关性分析 | 第49-51页 |
| 5.3.3 分析结果对比 | 第51-52页 |
| 5.4 试卷质量分析对比 | 第52-57页 |
| 5.4.1 传统RASCH模型的试卷质量分析 | 第53-54页 |
| 5.4.2 K-MEANS算法的试卷质量分析 | 第54-57页 |
| 5.4.3 分析结果对比 | 第57页 |
| 5.5 本章小结 | 第57-59页 |
| 第六章 结论与展望 | 第59-60页 |
| 6.1 总结 | 第59-60页 |
| 6.1.1 数据挖掘算法可以有效补充传统考试分析体系 | 第59页 |
| 6.1.2 数据挖掘算法可以帮助统一考试分析体系的分析口径 | 第59-60页 |
| 6.1.3 数据挖掘算法可以提高考试分析的效率 | 第60页 |
| 6.2 下一步工作 | 第60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 作者读研期间所取得的读研成果 | 第67页 |