In GPMS, students’ grades are analy

在GPMS中，将分析学生的成绩以生成报告和统计数据，并得出结论。报告可以以学期为导向，也可以以专栏为导向。换句话说，报告是根据某个学期的学生成绩或某个学科的许多学期的学生成绩生成的<br>。<br>成绩统计报告是GPMS中的第一份报告。这是一份总结报告，总结了学生的成绩。该报告具有以下统计数据：最低等级，最高等级，平均等级，标准差，第5个百分位数，第25个百分位数和最终等级分布。百分位是一种统计量度，它指示该值，一组观察值中给定的观察值百分比低于该值。例如，如果学生最终分数的25％为80，则25％的学生分数为80或更低。相反，75％的学生的得分高于80。图23给出了2016年春季高中二年级成绩的屏幕截图。图23中的第一个表显示了成绩列表，第二个表显示了统计信息。例如，95％的学生达到或高于19/40的最终成绩，而75％的学生达到或高于24/40的最终成绩。协调员可以利用这些统计信息来确定学生面临的问题和困难。<br>除摘要报告外，GPMS还配备了数据挖掘组件，该组件可以分析专栏项目的等级。这些报告的结果可用于做出决策，例如应提高学生的学习成绩，以提高他们的最终成绩。我们结合了两种数据挖掘机制来分析数据，即关联规则挖掘（ARM）和决策树（DT）。ARM可用于根据总体将字段关联在一起，而DT可以预测未来的成绩。两者都可以帮助发现学生成绩中的隐藏模式；因此，发现学生进行高级活动时的某些行为。ARM和DT的实现基于WEKA数据挖掘软件[9]。

在 GPMS 中，对学生的成绩进行分析，生成报告和统计数据，并得出结论。报告可以面向学期或以标尺为导向。换句话说，报告是根据学生在某个学期的成绩或学生的成绩生成，<br>某些标准。<br>成绩统计报告是 GPMS 中的第一份报告。这是一份总结学生成绩的总结报告。该报告有以下统计数据：最低等级、最高等级、平均等级、标准偏差、5 百分位数、25 个百分位数和最终等级分布。百分位数是一种统计度量，指示一组观测值中给定观测值的给定百分比所低于的值。例如，如果学生期末成绩的 25 百分位为 80，则 25% 的学生的年级为 80 或更少。相反，75%的学生成绩超过80分。图23显示了2016年春季二年级学生成绩统计的截图。图 23 中的第一个表显示成绩列表，第二个表显示统计信息。例如，95% 的学生在高年级达到或超过 19/40 的期末成绩，75% 的学生在 24/40 达到或优于 24/40 的期末成绩。协调员可以利用这些统计数据来查明学生面临的问题和困难。<br>除了摘要报告外，GPMS 还配备了数据挖掘组件，用于分析标尺项的等级。这些报告的结果可以用来做决定，例如学生应该关注哪一部分，以提高他们的最终分数。我们采用了两种数据挖掘机制来分析数据，即关联规则挖掘 （ARM） 和决策树 （DT）。ARM 可用于根据总体将字段关联在一起，而 DT 可以预测未来等级。两者都有助于发现学生成绩中隐藏的模式;因此，发现学生在进行高级活动时的某些行为。ARM 和 DT 的实现基于 WEKA 数据挖掘软件 [9]。

In GPMS, students’ grades are analyzed to generate reports and statistics, and draw conclusions. Reports can be semester oriented or rubric oriented. In other words, a report is generated based on students’ grades in a certain semester or based on students’ grades spanning many semesters of acertain rubric.The grades statistics report is the first report in GPMS. It is a summary report that summarizes the grades of students. The report has the following statistics: lowest grade, highest grade, average grade, standard deviation, 5th percentiles, 25th percentiles, and final grade distributions. A percentile is a statistical measure that indicates the value below which a given percentage of observations in a group of observations falls. For example, if the 25th percentile of the final grade of students is 80, then 25% of students has a grade of 80 or less. Conversely, 75% of students has score better than 80. Figure 23 presents a screenshot of the grades statistics of spring 2016 grades of senior II. The first table in Figure 23 shows the list of grades and the second table shows statistics. For example, 95% of students achieved a final grade at or better than 19/40 in senior II, and 75% of students achieved a final grade at or better than 24/40. The coordinator can make use of these statistics in identifying problems and difficulties facing students.In addition to the summary report, GPMS is equipped with data mining component that analyzes grades of the rubric items. The results of these reports can be used to make decision such as which part of the rubric students should focus on in order to improve their final score. We have incorporated two data mining mechanism to analyze the data, namely, Association Rule Mining (ARM) and Decision Tree (DT). ARM is useful to associate fields together based on a population while DT can predict future grades. Both can help discover hidden patterns in the students’ grades; hence, uncover certain behavior of students in conducting senior activities. The implementation of ARM and DT is based on WEKA data mining software [9].<br>