关联规则在高校教学质量评价中的应用研究

阮梦勋+沈良忠

摘要：教学质量评价是研究教师的教与学生的学的价值过程。教学评价结果不仅反映了解教师该课程的教学情况，也一定程度反映了教师的综合教学水平。该文将数据挖掘中的关联规则算法引入到高校教学质量评价中，对影响教学质量评价的各个因素及相互关系进行研究，从而得得出评价等级与年龄、职称、学位之间的关联，研究结果可以作为学院或者教师发展中心进行教师培训的参考。

关键词：数据挖掘；关联规则；教学评价；Apriori算法

中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2018）02-0123-03

Research on the Application of Association Rules in the Teaching Quality Evaluation in Universities

RUAN Meng-xun， SHEN Liang-zhong*

（School of Information Engineering， Wenzhou Business College， Wenzhou 325000， China）

Abstract： The evaluation of teaching quality is the process of studying the value of both teachers' teaching and students' learning. The result of teaching evaluation reflects not only the teaching situation of a course， but also a teachers comprehensive teaching level to a certain extent. This paper introduces the association rules algorithm into the evaluation of teaching quality in universities， and then makes a research on the relationship of the factors affecting teaching quality evaluation， and finally achieves the relationship between evaluation levels and age， title， degree. The results can be used as a reference by the college and faculty development center to for teachers training.

Key words： Data mining； association rules； teaching evaluation； Apriori algorithm

1 概述

教师的教学质量水平反映了一所高校的教育教学水平高低以及教学效果优劣，其最终结果还是会体现在培养的学生质量上。教学质量评价是高校教学管理过程中的重要组成部分，对教学起着调控及指导作用。每个学期，学校都会进行教师教学质量评价工作，长此以往教学管理部门一方面已经积累了大量的教学评价数据，但另一方面这些数据中所隐含的价值并没有得到充分的挖掘利用。因此，如何通过这些教学评价的数据挖掘出可能潜在的价值，对高校教学管理工作具有重要的参考价值，不少学者针对高校教学质量评价进行了相关研究。马秀麟等人依据大数据的数据规范化方法，肯定了教学质量评价数据的客观性，并分析了部分教师获得差评的原因[1]。任高举等人利用改进的Apriori算法对教学质量评价的样本数据进行关联规则挖掘，得出学历、职称、教龄和科研能力影响评价质量等级[2]。黄玉萍等人同样通过关联规则分析，进一步得出年龄和职称对教学质量的影响最大，并提出相关教学管理的建议[3]。本文以温州某高校2016-2017学年的教师教学质量评价数据为例，通过统计分析以及数据挖掘方法对教学质量评价进行研究，分析教学质量评价中的关联规则，挖掘出其中隐藏的规律，特别分析研究出不同学院中，各类影响因素所占比重的不一致性，深入分析与挖掘这些不一致性，并进行合理有效地调控，将有助于提高学校的教学管理与决策水平。

2 数据准备与分析

2.1 数据采集

本次研究数据为学校2016-2017学年第1学期的教师教学质量评价数据，共183个样本数据。数据结构主要包括学院、姓名、年龄、职称、学位、评价等级等数据，这些数据均在学校教务处采集。为保护教师的个人隐私，姓名的属性已做隐藏处理。如表1所示。

2.2 数据预处理

由于关联规则算法只能处理离散数据类型，因此需要通过数据变换将数据表中的数据统一成适合挖掘的形式。由表1可知，年龄属于数量属性，需转换成布尔类型，此处将年龄分为4组，分别是A1[20，30]、A2[31，40]，A3[41，50]，A4[51，60]；学院、职称、学位、质量等级属于类别属性，也需将其转换成布尔类型，根据实际情况对其范围作限定。学院分为：艺术设计学院S1，信息工程学院S2，外语外贸学院S3，金融学院S4，基础教学部S5，会计学院S6，管理学院S7；职称分为：助教T1，讲师T2，副教授T3，教授T4；学位分为：学士本科生E1，硕士本科生/硕士研究生E2，博士研究生E3；質量等级：优秀G1，良好G2，合格G3，不合格G4。数据转换后得表2。

2.3 统计分析

统计分析是统计学中一种常见的科学方法，运用统计方法及分析对象的有关知识，达到辅助决策功能的作用。通过对2016-2017学年教学质量评价表的分析，可以看出年龄段在31-40岁的教师最多，其次是41-50岁的教师，而30岁以下的年轻教师以及50岁以上的老教师并不多，如图1所示。高校的教师队伍建设，应该保持一定的梯队性。虽然年轻教师更有创造力与活力，但是他们的教学经验相对缺乏；老教师们教学经验丰富，但是对于新时代教学技术的接受程度相对较慢。鉴于学校教师年龄分布不均的情况，建议加强老教师带新教师的力度，通过教学、科研的指导互动，让中青年教师快速成长。

学校教师的职称分布如图2所示，总体上占比最大的职称为讲师， 其次为助教和副教授，教授人数占比例较少。学校内讲师的人数占比过半，职称方面存在着较大的不均衡性，学校应通过政策激励等各种措施鼓励教师重视职称问题。关于学位问题，学校占比最多的是硕士学位的教师，占到73%，其次是博士学位，占到18%，虽然整体学历水平较高，但博士学位的教师占比仍不够高。

3 关联规则挖掘算法

在数据挖掘中，关联规则主要用于发现事物属性之间的潜在关联关系。根据挖掘的目标，采用Apriori算法对样本数据进行关联规则挖掘。Apriori算法在具体实现关联规则的挖掘时分为发现频繁项集和生成关联规则，具体计算步骤可以参考文献4。

本文主要基于Weka软件进行关联规则的挖掘，设置最小支持度为0.1，最小置信度为0.6，通过运行软件得到相应的规则，筛选挑出部分与教学质量评价等级相关的规则，如表3所示。

但笔者注意到，不同学院间影响教学评价等级因素的所占比重也会有所不同，为了证实这一点，将各学院的教学质量评价数据分别进行处理，各生成规则100条，运行软件，得到相应的规则，通过筛选挑出部分与教学质量评价等级相关的规则。

①年龄（NL）方面：年龄为20-30岁的教师在艺术设计学院的评价等级较高；年龄为31-40岁间的教师在外语外贸学院、基础教学部和管理学院中的评价等级较高；年龄在41岁及以上的则在信息工程学院、金融学院、会计学院中有较高的评价。

②职称（ZC）方面：职称为讲师的教师在金融学院中有较高的评价，而基础教学部和会计学院则呈现出职称越高，评价等级也越高的现象。

③ 学位（XW）方面：学位为硕士的教师在外语外贸学院和基础教学部中有较高的评价，而信息工程学院、金融学院、会计学院和管理学院则是学位越高，评价等级也越高。

通过以上关联规则分析，基本可以得出职称、年龄、学位等对教学质量评价结果的影响，但各个学院对教学评价影响因素的侧重点有所不同。

（1） 在年龄方面，艺术设计学院因其专业的创造性强，更适合年轻教师的教学，因此年齡在21-30岁间的教师的评价等级更高，而信息工程学院、金融学院和会计学院则更倾向于年龄在41岁以上的教师，因其这些学员中学科学术性较强的原因，年纪较大的教师更有教学经验，因此这个年龄段的教学评价等级更优。而其他学院的学科综合性较强，因此年龄在31-40岁之间的教师更受青睐。

（2） 在职称方面，职称为讲师的教师在金融学院的评价等级最优，估计是在移动互联时代金融学的教学内容需要更新，而年轻教师在这方面有优势；基础教学部和会计学院则呈现出职称越高，教学评价等级越高的趋势。其他学院在职称方面的影响不明显。

（3） 在学位方面，学位为硕士的教师在外语外贸学院和基础教学部评价等级最优，而信息工程学院、金融学院、会计学院和管理学院则是学位越高，评价等级也越高。

4 结束语

本文采用关联规则挖掘中的Apriori算法对高校教学评价进行研究，并通过实例分析生成了关联规则，得出年龄、职称和学位与教学质量等级之间的内在联系，并进一步分析出不同因素在不同学院的影响比重也是不同的。总的来说，高学历、高职称的中年教师，教学质量普遍较好，但各学院也存在一定的差异性，比如艺术设计学院中年轻教师的教学质量更佳，讲师在金融学院的评价结果更优，硕士教师更适合在外语外贸学院与基础教学部。教学管理以及人事部门可以在充分认识这些内在联系后，将有助于教师的发展培训以及新教师的引入，同时也对教师的自身教学提升提供参考信息。

参考文献：

[1] 马秀麟， 衷克定， 刘立超. 从大数据挖掘的视角分析学生评教的有效性[J]. 中国电化教育， 2014（10）：78-84.

[2] 任高举， 白亚男. 关联规则挖掘在高校教学评价中的应用[J]. 计算机与数字工程， 2014， 42（8）：1526-1529.

[3] 黄玉萍， 王珂. 关联规则在教学评价中的应用[J]. 漯河职业技术学院学报， 2013， 12（2）：151-153.

[4] 赵洪英， 蔡乐才， 李先杰. 关联规则挖掘的 Apriori 算法综述[J]. 四川理工学院学报：自科版， 2011， 24（1）：66-70.endprint