教务管理信息系统已经普遍应用在我国高校教学管理中，随着其使用频率的不断上升，系统中积累的数据越来越多。教务管理系统中包含了教学所有环节的数据信息，包括专业计划、开设课程、课程安排、学生信息、学生选课、学生成绩等，具有数据量大、数据杂、蕴含信息多、数据表间相互关联多等特点。但现行大部分教务管理系统，除了进行简单查询、修改、单表统计功能外无法实现对数据的详细、高层次分析，很难发现数据中存在的规则，因此如何对这些数据进行重新利用，从中发现有价值的知识，已经成为教学管理人员关注的问题。

　　数据挖掘技术的功能与教育应用

　　数据挖掘（Data Mining）是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程，应用数据挖掘来进行教务数据处理，可以发掘其中蕴含的规律，把这些规律运用到教育教学管理中，将有助于教育教学改革，提高办学水平及管理水平。

　　数据挖掘技术从一开始就是面向应用的，但在教育领域，数据挖掘还是一种全新的技术。它关注从教育环境产生的数据中发现隐含的知识，这些数据可以是从历史的或者正在运行的教育系统数据库中获得；它的主要作用是对数据库中的大量数据进行抽取、转换，通过数据分析发现其中隐藏的模式、关联、数据反常等对教育和教学决策的起到积极作用的关键性数据。数据挖掘更主要是为教学决策提供真正有价值的信息，进而获得更好的教学效益，例如利用数据挖掘分析结果可以改进教学效果，提高学生成绩，找到影响教师教学和学生学习的因素。随着这项技术的成熟，其在高校教学、管理中的应用更加广泛。

　　在数据挖掘教育实践应用过程中需要选择合适的数据挖掘功能建立对应模型来解决问题，数据挖掘的主要功能包括分类、估计、预测、关联、聚类、描述和可视化等，通过文献调研发现目前在教育教学管理中应用的主要有分类、预测、关联、聚类等。

　　分类是最常见的数据挖掘功能之一，分类过程实际上是建立某种模型，然后将其用于对未分类数据进行分类。决策树、最紧邻技术、神经网络等都是最常用的分类技术。

　　预测是利用历史数据找出变化规律，建立模型，并由此模型对未来数据的种类和特征进行预测。预测关心的是精度和不确定性，如由学生以往课程成绩预测学生转专业或学籍异动情况。预测通常使用回归分析、时间数列分析和人工神经网络等方法。

　　关联是要发现大量数据之间有趣的关联或相关联系，从而为某些决策提供必要支持，它是数据库中存在的一类重要的、可被发现的知识，被广泛应用于决策支持系统。例如，从学生选修课程的倾向可以了解学生需求从而为课程开设提供参考。

　　聚类是把一组个体按照相似性归成若干类型，它的目的是使同一类别之内的相似性尽可能大，而类别之间的相似性尽可能小。聚类技术主要包括传统的模式识别方法和数学分类学，例如，将成绩好的和成绩不好的学生分别聚类，分析不同类型学生特点。

　　在国外高校教育教学管理中的应用

　　在国外高校的教育教学管理中，数据挖掘技术应用比较普遍，己成为提高教学管理质量和教学水平的有力工具。例如美国的学校能够以85%的准确度预测学生的升学率，这样学校就可以把注意力集中那些容易辍学的学生身上，此外数据挖掘还被用于评价学生学习成果、指导学生课程选择等多个方面。