基于Apriori算法的教師教學(xué)評估關(guān)聯(lián)性分析

吳肖肖

摘 要：本文主要基于關(guān)聯(lián)規(guī)則的性質(zhì)屬性，選用Apriori算法，針對教師教學(xué)評估進(jìn)行分析，挖掘教師的職稱、學(xué)歷與評估結(jié)果之間的關(guān)聯(lián)性，然后以此挖掘出隱含規(guī)律和潛在價值。

關(guān)鍵詞：數(shù)據(jù)挖掘 關(guān)聯(lián)規(guī)則 Apriori算法 教師教學(xué)評估

關(guān)聯(lián)規(guī)則實際上是基于頻繁模式的挖掘，其中比較經(jīng)典的一個案例就是有關(guān)啤酒和尿不濕的關(guān)聯(lián)性分析。

“啤酒”和“尿布”兩個看上去沒有聯(lián)系的商品擺放在一起銷售、并獲得很好的收益，這種現(xiàn)象就是商品之間的關(guān)聯(lián)性分析。那么推及高校的教學(xué)管理，這種關(guān)聯(lián)的發(fā)現(xiàn)同樣也起到四兩撥千斤的作用，特別是針對于教師教學(xué)評估的關(guān)聯(lián)性分析，挖掘出隱含規(guī)律和潛在價值，為提高教師教學(xué)水平提供參考建議。

因此，本文通過針對教師教學(xué)評估分析來挖掘教師職稱、學(xué)歷與評估結(jié)果之間的關(guān)聯(lián)性，找出學(xué)生更喜歡哪類教師，是學(xué)歷高的還是職稱高的。

一、數(shù)據(jù)采集

數(shù)據(jù)采集就是根據(jù)用戶的需要，從原始數(shù)據(jù)里面抽取相應(yīng)的數(shù)據(jù)建立數(shù)據(jù)挖掘庫，作為挖掘任務(wù)的操作對象。本案例的數(shù)據(jù)采集對象是2015-2016第一學(xué)期的教師評價表作為原始數(shù)據(jù)。所以選取了全校現(xiàn)任專兼職教師84名，107門課程，145條記錄的教師評價表。通過學(xué)校的吉利教育中心信息化平臺，進(jìn)入評教模塊，導(dǎo)出教師信息表和學(xué)生評教表2個Excel文件。

二、數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理主要是針對原始數(shù)據(jù)中存在的噪聲、重復(fù)等記錄以及復(fù)雜的結(jié)構(gòu)等情況來進(jìn)行噪聲消除、重復(fù)刪除、類型轉(zhuǎn)換等初步的整理，主要包括數(shù)據(jù)集成、數(shù)據(jù)清洗、數(shù)據(jù)選擇三個方面。

數(shù)據(jù)集成：本案例的教師信息表和學(xué)生評教表是分別導(dǎo)出，因為要用到教師的職稱、課程評分、學(xué)歷等字段，所以需要將兩個表合并到一起。

數(shù)據(jù)清洗：通過排序的方式，將本案例的原始數(shù)據(jù)中不完整的教師信息剔除。

數(shù)據(jù)選擇：因為是針對學(xué)歷、職稱和課程評分等信息挖掘，其他字段沒有意義，所以將教教師信息表中的性別、部門、出生年月等字段以及學(xué)生評教表的部門等字段刪除。

三、數(shù)據(jù)轉(zhuǎn)換

數(shù)據(jù)變換主要包括數(shù)據(jù)維數(shù)的降低，離散型與連續(xù)型數(shù)據(jù)之間的轉(zhuǎn)換，以及將數(shù)據(jù)進(jìn)行分類分組來尋找數(shù)據(jù)特征等。本案例的教師課程評分是連續(xù)型的數(shù)據(jù)，而Apriori算法只支持離散型數(shù)據(jù)，所以需要將連續(xù)型數(shù)據(jù)轉(zhuǎn)換成離散型數(shù)據(jù)。本例采取的辦法是分為四檔，大于等于90分的為“優(yōu)秀”;大于等于85分的為“良好”;大于等于80分的為“中等”;小于80分的為“一般”。以平均分為界，高于平均分的成績標(biāo)記為1;低于平均分的成績記為0。

四、數(shù)據(jù)挖掘

確定算法是整個數(shù)據(jù)挖掘中最重要、最核心的一個步驟，其工作是根據(jù)挖掘任務(wù)尋找合適的算法，然后尋找合適的模式，最后給出這些模式合適的表示方式。本案例在SPSS Clementine工具里選用Apriori算法來建立模型。首先根據(jù)挖掘任務(wù)設(shè)計挖掘模型，簡稱“流1”。在“流1”中，首先，選取“教師評分匯總-轉(zhuǎn)換后”Excel表作為源文件節(jié)點;其次，選取“類型”為中間節(jié)點，以便與數(shù)據(jù)庫與模型之間建立連接;再次，選取“Apriori”算法為模型，與“類型”建立連接，其中由于用到了3個屬性，所以命名為“職稱&課程評分&學(xué)歷字段”，另外，選取“網(wǎng)絡(luò)”為模型，與“類型”建立連接，也命名為“職稱&課程評分&學(xué)歷字段”;最后選取“執(zhí)行”分別得到“Apriori”算法模型和“網(wǎng)絡(luò)”圖形，通過模型評估與圖形表示來進(jìn)行結(jié)果分析。

五、模型評估與圖形表示

1.模型評估

根據(jù)程序，點擊“執(zhí)行”選項，在右上方“模型”界面中生成挖掘結(jié)果“職稱&課程評分&學(xué)歷字段”，將其拖入“流1”界面，點擊“類型”圖標(biāo)，右擊選取“連接”出現(xiàn)連接箭頭圖標(biāo)，然后點擊“職稱&課程評分&學(xué)歷字段”Apriori圖標(biāo)，使得“類型”和“職稱&課程評分&學(xué)歷字段”建立連接。點擊“職稱&課程評分&學(xué)歷字段”Apriori圖標(biāo)，得出挖掘結(jié)果一。

2.圖形表示

單擊“執(zhí)行”按鈕，生成挖掘結(jié)果二。

六、結(jié)果分析

1.由挖掘結(jié)果一可知

（1）課程評分優(yōu)秀的教師，職稱是講師，學(xué)歷是本科。

（2）課程評分優(yōu)秀的教師，職稱是教授，學(xué)歷是本科。

（3）課程評分優(yōu)秀的教師，學(xué)歷是碩士。

（4）課程評分優(yōu)秀的教師，學(xué)歷是本科。

（5）課程評分優(yōu)秀的教師，職稱是講師。

（6）課程評分優(yōu)秀的教師，職稱是講師。

（7）課程評分優(yōu)秀的教師，職稱是教授。

（8）課程評分優(yōu)秀的教師，職稱是講師，學(xué)歷是碩士。

（9）課程評分優(yōu)秀的教師，職稱是副教授。

（10）課程評分良好的教師，職稱是助教，學(xué)歷是本科。

另外，對于中等、一般等課程評分情況的挖掘結(jié)果沒有很好的展現(xiàn)，說明有些統(tǒng)計結(jié)果還是存在不小的誤差，可能的原因，比如有的學(xué)生打分不夠認(rèn)真仔細(xì)。

2.由挖掘結(jié)果二可知

相互之間關(guān)聯(lián)越緊密，頻次越高，線條也就越粗，歸納起來有以下三個：

（1）講師、本科和優(yōu)秀

（2）講師、碩士和優(yōu)秀

（3）教授、本科和優(yōu)秀

這個結(jié)果與前面規(guī)則生成的結(jié)論是完全相符的。

3.誤差分析

（1）原始數(shù)據(jù)不夠大。由于本案例只是針對2015-2016第一學(xué)期的教師評價數(shù)據(jù)挖掘，共涉及到84名教師，107門課程，145條記錄，規(guī)模不是很大。

（2）資料更新不及時。有些教師的資料不是最新的，比如職稱、學(xué)歷的變動還沒有及時更新，造成了挖掘結(jié)果的偏差。

（3）人為操作的失誤。由于對數(shù)據(jù)挖掘的理解不夠深入，在對原始數(shù)據(jù)的采集、預(yù)處理及轉(zhuǎn)換環(huán)節(jié)中容易產(chǎn)生誤差。

七、結(jié)論

1.從前項來看，職稱以講師為主，教授為輔;學(xué)歷以本科為主，碩士為輔。這個師資結(jié)構(gòu)說明浙江汽車職業(yè)技術(shù)學(xué)院的骨干教師是以本科起點的講師為主，本科起點的教授和碩士起點的講師為輔。

2.從后項來看，評分結(jié)果以優(yōu)秀居多，這個評價結(jié)果說明整體的教學(xué)效果還是可圈可點的。也從側(cè)面說明，不一定就是職稱高、學(xué)識深、教齡長的教師受歡迎，相比之下，年輕肯干接地氣的青年教師，更具活力，更受學(xué)生歡迎。從職稱是講師，學(xué)歷是本科或碩士來看，這個群體教師的特點主要一是年齡相近，縮短了和學(xué)生之間的差距和代溝，溝通方面沒有障礙;二是有些教師雖然職稱還不夠，但是在崗位上已經(jīng)工作多年，積累了很多教學(xué)經(jīng)驗，工作能力比較強(qiáng)。

本章基于關(guān)聯(lián)規(guī)則的性質(zhì)屬性，選用Apriori算法，針對教師教學(xué)評估進(jìn)行分析，挖掘教師的職稱、學(xué)歷與評估結(jié)果之間的關(guān)聯(lián)性。通過針對教師教學(xué)評估分析來挖掘教師學(xué)歷、職稱和評價結(jié)果之間的關(guān)聯(lián)性，找出深受學(xué)生歡迎的教師有哪些共同特點。