关联规则算法在教学质量评估中的应用

杨帆 杜玮 陈经优

摘要：通过探讨和研究如何将数据挖掘中的关联规则算法应用到教学质量评估中，列举了当前许多教学质量评价系统存在的一些不足，探讨运用关联规则算法来解决这些存在的问题，根据挖掘的结果提出了把关联规则算法应用到教学质量评估中，使整个教学质量评价过程更加全面客观。从而为教学管理人员提供可靠的决策依据。该文以海南软件职业技术学院学生评教的数据为依据，详细介绍了关联规则算法的应用。

关键词：关联规则算法；教学质量评估

中图分类号：TP301 文献标识码：A 文章编号：1009-3044（2014）23-5485-02

1 概述

教学质量评估是教学活动比较重要的一个组成部分，通过这个过程，可以了解教学状况、教学效果；同时也是教师确定教学目标，选择教学方法和教学手段，掌握教学的重点和难点的有效途径，通过教学评价，还可以了解学生的学习情况，进而调整教师的教学策略和教学方法，解决原有评价体系存在的问题；同时，在师资业绩的考核、师资资源的调配和课程体系的完善方面都提供了很好的依据。

2 关联规则的概念、特点及Apriori算法

关联规则作为数据挖掘的一个重要研究分支，其主要目的是从海量的数据中挖掘出有价值的描述数据项之间的相互联系，即关联规则。数据主要根据以下两个标准进行关联。

最小支持度——表示规则中的所有项在事务中出现的频度。是用来设置频繁项集必须符合的最低要求。

最小置信度——表示规则中左边的项（集）的出现暗示着右边的项（集）出现的频度。是指关联规则必须符合的最低可靠性。

在所有的关联规则算法中，Apriori 算法是比较著名的，这个算法可以从关联规则中挖掘出的频繁项集。这个算法采用频繁项集或者是大项目集的性质： 任意一个大项目集的子集也一定是大的。如果一个项目集满足最小支持度的设置要求，则它全部的子集也一定满足最小支持度的设置要求。其逆否命题是这样的，假如一个项目集是小的，根据性质它们也肯定是小的。因此，没有得到它的任意一个超集来作为候选的必要。

Apriori算法发现关联规则的过程一共分为以下两步。

①通过迭代的方法，检索出事务数据库中所有支持度不能低于最小支持度项集—频繁项集。

②采用频繁项集构造出满足用户最小信任度的规则。其作用主要是为了挖掘或识别出所有的频繁项集。

3 使用Apriori算法，对教学评价数据进行分析

本文采集了海南软件职业技术学院2012-2013学年的学生对任课教师的教学质量评价的数据，一共有好几百条记录，并从学院教师的档案中随机提取40位教师的个人信息。并将它们作为数据挖掘的对象，采用关联规则算法进行数据挖掘，挖掘教学质量评价数据中隐含的、有价值的信息。

3.1 数据准备

3.2 关联规则挖掘

3.3 表示和使用结果

结果表明，当教师的年龄大于40岁时，其所讲授的课程被评为[100，90]=优的置信度相对较高，这个结果在一定程度上表明随着年龄的增加，积累的教学经验也越丰富，授课效果也相对较好，得到学生的肯定程度也越高。因此，在给班级安排授课教师时，应该在同一年级的班级中，对教师的教龄、职称、学历、是否双师和授课方式等的合理分配，这样也能使学生的学习状态和学习兴趣能够保持的很好。同时教学管理人员也可以根据挖掘的结果对青年教师进行有针对性地制定培养机制，用“以老带新”的方式，使青年教师在老教师的帮带下，不断积累教学经验，还有就是多开展教学观摩、教学比赛等活动，以提高青年教师的教学水平。

4 结束语

经过以上环节对评教数据的处理，利用这些数据，我们能很好的发挥教学评价对教学过程的调整和推进作用，使教学质量得到改善。以此类推，通过基于关联规则的数据挖掘方法也适用于挖掘其它方面的对教师的评价，比如教学督导组，专家和同行的评价等。此外，这种数据挖掘方法对于其他的学校也基本能适用。所以，关联规则算法的使用能够充分挖掘教学评教数据的价值，学校的教学管理水平和教学质量也得到提高。

参考文献：

[1] 陆建江，张亚非，宋自林.模糊关联规则的研究与应用[M].北京：科学出版社，2010.

[2] 王欣，徐腾飞，唐连章.SQLServer2005数据挖掘实例分析[M]. 北京：中国水利水电出版社，2012.

[3] 袁继东，郁有全.层次分析法在地空导弹团战斗力评估中的应用[J].西安：空军工程大学学报（自然科学版）2011，5（1）：80-83.

[4] Jamie Mac Lennan.数据挖掘原理与应用——SQLServer[M]. 北京：清华大学出版社，2012.

[5] 高职院校教学评价结果的数据分析[J]. CNKI：CDMD：2.2009.165849.