利用Apriori算法对在线教学的分析

张璐 徐小玲

摘 要：2020年上半年受新冠肺炎疫情的影响，我国高校的教学工作都是在线教学。本文利用Apriori算法对独立院校的《高等数学》课程的在线教学进行分析，探讨影响网络学习效果的因素，为提高网络教学的质量提供决策支持。

关键词：《高等数学》;Apriori算法;在线教学

中图分类号：G4 文献标识码：A doi：10.19311/j.cnki.1672-3198.2021.04.072

《高等数学》是工科专业一门非常重要的核心基础课，与很多后续专业课程都与之有着紧密的联系，其地位非常重要。教学分析是教学管理与评估的重要环节，是进行有效教学、提高教学质量的有力保证。

1 Apriori算法

关联规则挖掘是数据挖掘中最活跃的研究方法之一。1993年，阿戈登（Agrawal）等人提出了著名的关联分析算法一Apriori算法，最初提出的动机是针对购物篮分析问题，其目的是为了发现不同商品之间的关联规则。这些规则刻画了顾客购买的行为模式，可以用来安排进货以及货架设计等。Apriori算法是一种挖掘关联规则的频繁项集算法，而且算法已经被广泛的应用到商业、网络安全等各个领域，算法的基本思想如下：

（1）生成条目集（Item Sets）。条目集是符合一定的支持度要求的“属性-值”的组合。那些不符合支持度阈值的“属性-值”组合被删除。

（2）使用生成的条目集创建一组关联规则，将不满足置信度阈值的规则删除，得到符合要求的关联规则。

2 利用Apriori算法对在线教学进行分析

2.1 问题提出

近年来在线教学发展非常的迅速，但是在线教学缺少监控和评价，学习成果的考核也是采用在线考试与在线学习的任务点完成度加权来评定。学生通过网络进行学习的效果无法准确的衡量，如何充分利用在线教学平台积累的课程数据，这就需要对数据进行分析挖掘。利用数据挖掘技术中的关联规则，可以对这些课程数据进行挖掘，将关联规则应用于在线学习的教学分析，分析教学效果、学生的网上学习行为、学习成效等因素之间的关联关系。

2.2 数据收集与处理

以2019-2020（2）学期的《高等数学》课程网上学习记录为例，离散化分类的属性为考试成绩、作业成绩、在线时长及任务点完成度，各属性离散化编码表如表1所示。表2是选取某班38名同学的在线学习数据。

2.3 利用Weka进行数据挖掘

打开Weka软件，加载表2中的学生数据，切换到Associate选项卡，单击Choose按钮，选择Apriori算法，在算法参数设置对话框中，设置OutputItemSets为True，希望输出条目集，设置支持度Support阈值为0.3，置信度阈值为0.8。单击Start按钮，生成的条目集如图1所示。可以看到生成的关联规则有5条，如图2所示。

3 结果分析

采用Apriori的算法，利用在线学习平台的统计数据，挖掘平台中《高等数学》课程学生的考试成绩、作业成绩、在线时长及任务点完成度之间的关系。通过数据挖掘，最终得到5条关联规则。

分析上述5条规则，可得以下结论：当学生的网络学习达到一定时长，作业完成得较好，则任务点完成度较高;学生的考试成绩与作业成绩、在线时长及任务点完成度之间没有必然的关联。综上，为提高学生的网络学习效果，要求学生的网络学习必须达到一定的时长，并且按时完成作业;考试成绩可以作为辅助手段来评价学生的学习效果。

参考文献

[1]刘克礼.基于关联规则的在线教学分析[J].合肥師范学院学报，2020，38（3）：103-105.

[2]袁璐妍.改进的关联规则Apriori算法在课程成绩分析中的应用[J].中国教育信息化，2017，（17）：62-65.

[3]钱源，施佺.关联规则在网络学习平台中的应用研究[J].中国教育信息化，2016，（14）：78-82.

[4]邓奉先.关联规则在教学评价系统中的挖掘应用研究[J].信息与电脑，2016，（3）：249-250.