應用關聯規則算法對高校教師測評數據進行分析

張硯雪

摘 要：引進高校教師測評系統是學校加強教學管理必要手段，通過每個學期的測評系統可以反應出學生對任課教師的滿意程度和教師在授課過程中的一些不規范行為。該論文首先介紹數據挖掘經典算法中的關聯規劃算法，然后分析高校教師測評系統的數據庫，利用分層次法對教師測評系統數據庫中的大量數據進行分析，找出教師自身屬性和授課情況之間的相關性。最后對該方法總結不足并做出展望。

關鍵詞：關聯規則 教師測評 Apriori算法

中圖分類號：G647 文獻標識碼：A 文章編號：1674-098X（2016）01（a）-0105-03

Abstract：the introduction of university teachers evaluation system is necessary to strengthen teaching management，school each semester by the measurement system can reflect studentssatisfaction in classroom teachers and teachers in some irregularities in the process of teaching. This paper first introduces the relevant planning algorithm of classic data mining algorithm， and then analysis and evaluation system of college teachers of database，using the method of hierarchical analysis of teacher evaluation system of large amounts of data in the database， find out the correlation between teachersown attribute and teaching conditions. Finally this method and total lack of and make a prospect.

Key Words：Association rules；Teacher evaluation；Apriori algorithm

隨著高等教育的逐漸普及，普通高校的在生源競爭上越來越激烈，優質的教學質量是競爭的核心，是高校賴以生存的生命線。對高校教師進行測評是每學期教學管理的必不可少的一項工作，涉及所有任課教師，所有課程。

目前大部分高校都引進了教學管理系統，其中包括教師網上測評模塊，在校學生可以隨時隨地對本學期課程教師進行測評。但高校教學質量測評環節基本上用的是一套固定模式：由教務部門確定一個測評指標體系，制作出一套測評表，由部分特定學生群體對某個教師進行測評，最后綜合統計，得出每個教師的總分，做出學期末考核的一個重要因素。然而實際上高校教學質量測評是一個復雜的教育和教學問題，涉及到各方面的因素，只是一味的追求結果已不能適應現代的多元化的教學。我們應該充分利用系統所收集的各項數據，尋找各項數據之間的關聯，以及同一門課程不同班級所提交數據之間的內在聯系。分析出每位教師所講授課程的特點，針對得出的結論，作為系部教學整改的重要依據。

1 數據挖掘中關聯規則算法概述

1.1 關聯規劃算法的概念

所謂關聯，反映的是一個事件和其他事件之間依賴或關聯的知識。當我們查找英文文獻的時候，可以發現有兩個英文詞都能形容關聯的含義。第一個是相關性relevance；第二個是關聯性association，兩者都可以用來描述事件之間的關聯程度。

關聯算法是數據挖掘中的一類重要算法。1993年，R.Agrawal等人首次提出了挖掘顧客交易數據中項目集間的關聯規則問題，其核心是基于兩階段頻繁集思想的遞推算法。該關聯規則在分類上屬于單維、單層及布爾關聯規則，典型的算法是Apriori算法。

1.2 Apriori算法概述

Apriori算法將發現關聯規則的過程分為兩個步驟：第一步通過迭代，檢索出事務數據庫1中的所有頻繁項集，即支持度不低于用戶設定的閾值的項集；第二步利用頻繁項集構造出滿足用戶最小信任度的規則。其中，挖掘或識別出所有頻繁項集是該算法的核心，占整個計算量的大部分。層次分析法的步驟。

2 利用Apriori算法對教師測評數據進行分析

2.1 數據準備

下面以某高職院校計算機應用技術專業教師測評數據集和教師自身一些特征數據為訓練樣本。教師測評數據包括講課教學內容、教學態度、教學方法和按時批改作業。這四個方面分別為30、20、30、20。用符號A表示教學內容，符號概化為A1（25～30分），A2（20～24分），A3（19分以下），用符號B表示教學方法，B1（18～20分），B2（15～17分），B3（14分以下）。以此類似方法將教學態度和批發作業等數據離散化。將測評結果的四個屬性作為決策屬性，成績大于90分的為“D1”，大于80分小于90分的為“D2”，大于60分小于80分的為“D3”，小于60分的為“D4”。學歷項數據博士、研究生、本科分別離散為X1，X2，X3。職稱教授、副教授、講師、助教表示為Z1，Z2，Z3，Z4。將這些數據集顯示在表1中。

2.2 Apriori算法的應用

在本論文中，挖掘的目標是教師授課情況和教師自身條件與測評結果之間的關聯，因此使用如下形式的規則模板：

P1∧P2∧P3…=>Q1∧Q2…

其中P表示各項教師的指標情況，Q為測評結果。設關聯規則最小支持度為20%，最小置信度為70%，用VC++進行編程運算。

第一，找出所有的頻繁項集偽代碼如下：

procedureFP_growth（Tree，a）

ifTree含單個路徑Pthen{

for路徑P中結點的每個組合（記作b）

產生模式bUa，其支持度support=b中結點的最小支持度；

} else {

for eachai在Tree的頭部（按照支持度由低到高順序進行掃描）{

產生一個模式b=aiUa，其支持度support=ai.support；

構造b的條件模式基，然后構造b的條件FP-樹Treeb；

ifTreeb 不為空 then

調用 FP_growth （Treeb，b）；

}

}

2.3 由頻繁項集產生強規則

表2為由所有頻繁項集所導出的有價值的關聯規則生成表。

2.4 結果分析

具有較副高職稱和研究生學歷的教師，教學態度較好，而且精力充沛，課堂教學經驗豐富，評價分數較高。而本科學歷同樣是副高職稱的老教師，在教學內容上能得到學生認可，教學態度嚴謹，學生評價分數也很高。一些剛走上講臺不久，助教職稱的教師，在教學方法和教學內容上還有所欠缺，沒有得到學生的認可。由此可見，學校應該加大年輕教師的培養，多給他們外出學習和培訓的機會，另外有經驗的教師也應該擔負起培養年輕教師的責任。

3 結語

該文以數據挖掘中關聯規則算法對教師教學質量測評數據進行分析，找出大量數據的關聯性。為學校以后對教師的培養提供了可以參考的方向。不足之處是，樣本數據不多，規則生成的不明顯。高校教師教學質量測評數據的挖掘可以更加深入，可以以某一位老師為例縱向分析近幾年的采集數據，為其做出曲線圖，可以作為系部評價教師的教學工作的依據。

參考文獻

[1] 葉若芬，孫書明.基于數據挖掘技術的教學測評[J].河北工業學報，2001（6）：383-386.

[2] 宋曉梅.數據挖掘技術在高校教師教學質量測評中的應用[J].赤峰學院學報：自然科學版，2013（2）：180-184.

[3] 盧雪燕.關聯規則挖掘在高校計算機類教師教學質量測評中的應用[J].科教導刊，2014（2）：82-83.

[4] 王曉艷，高云輝.數據挖掘技術在教學評價系統中的應用[J].計算機光盤軟件與應用，2013（4）：211-212.