学习评价能够使教师快速地了解学生在课堂教学中的学习表现,因此评价在课堂教学环节中扮演着非常重要的角色。传统评价方式是采用总结性评价方式,通过考试成绩来考察学生的最终学习结果,以成绩论能力。而在提倡素质教育的时代,传统评价方式已不能适应社会的发展,因而一种新的评价方式,即过程性评价应运而生。过程性评价既能够有效促进学生的学习,又能够优化教师教学。但是在过程性评价的使用过程中,仍然存在着缺陷,比如教师对学习者的偏见、逻辑错误,信息收集不足等,易造成过程性评价的信度与效度的降低,且过程性评价的使用易增加教师的工作负担。因此,需要提出一种更加科学、合理的方法来解决过程性评价中所存在的问题。针对教育问题,由于数据挖掘技术能够处理海量数据中潜在的有用信息,因此数据挖掘已经应用于教学质量评价、远程教育、网络学习形成性评价等方面,且均取得很好的应用价值。对过程性评价结果进行分析,可以看出该问题是一个分类问题,而数据挖掘的任务之一就是进行分类,所以利用数据挖掘技术来实施。分类算法能够利用已有数据对未知结果进行预测分类,支持向量机同其他分类算法进行比较,在解决小样本、非线性及高维模式识别中表现出许多特有的优势。因此选择支持向量机算法来预测过程性评价的最终结果。针对过程性评价的缺陷,利用支持向量机分类算法来解决,主要工作如下:(1)分析过程性评价的三种表现形式,根据具体需求,选择使用评价量表来表现过程性评价。根据过程性评价指标体系中需遵守的相应设计原则,制定了《C程序设计》该门课程的评价指标体系,进一步制定相关的评价量表。(2)由于评价指标内容可能存在缺失,且各评价指标间存在的非线性关系,因此,将支持向量机算法应用于学习过程性评价中,构建了基于支持向量机算法的过程性评价模型,用来解决过程性评价中存在的问题。(3)对大同大学教育与科学学院上《C程序设计》课程的大一学生进行了过程性评价教学,并填写了相应的评价量表,并将评价量表中的数据进行统计、收集,得到多个数据集。然后应用MATLAB软件,利用LIBSVM对收集到的四个数据集进行仿真实验,并对其分析。将SVM算法的预测精度与BP神经网络进行比较,分析结果表明,支持向量机对多个数据集进行分类,具有很好的准确率,且预测精度优于BP网络,能够很好的预测未标记样本。