基于學生成績的高職醫療設備應用技術專業課程相關性分析

摘? ? 要：目的：分析高職醫療設備應用技術專業基礎課與專業課之間的相關性，為相關專業在課程設置和教學管理上提供參考;方法：采用SPSS25.0和SPSSModeler對南京衛生高職校醫療設備應用技術專業近5年110名學生的20門課成績進行了簡單相關分析、典型相關分析、多元線性回歸分析和關聯規則分析;結果：該專業的基礎課和專業課之間高度相關（典型相關系數0.864，P<0.01），基礎課中臨床醫學概論、物理、電工技術、模擬電子技術、數字電子技術、單片機原理等課程對后期專業課程的影響程度較大，專業課中醫療設備管理和醫療器械概論對前期基礎課的依賴程度較小;結論：醫療設備應用技術專業課程設置跨度較大，對專業基礎課應給與高度重視才能培養出符合行業需求的高素質、技能型復合人才。

關鍵詞：醫療設備應用技術專業;簡單相關分析;典型相關分析;回歸分析;關聯規則分析

基金項目：江蘇省教育科學“十三五”規劃課題課題“建立醫療設備應用技術專業課程設置與從業能力相關性模型的研究”（項目編號：B-b/2018/03/27）

作者簡介：叢茂檸，男，高級講師，主要研究方向為臨床醫學工程教學。

中圖分類號：G712? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? 文章編號：1674-7747（2019）14-0034-08

醫療設備應用技術專業是醫學與工程相結合的交叉專業，課程涉及臨床醫學基礎知識、電子和機械知識、計算機及各類醫療設備原理，知識結構跨度大，課程設置的合理性就顯得尤為重要。學生的成績不僅可以反映個體學習的情況，而且還包括了課程間的潛在聯系，從中尋找對課程設置有價值的信息將有利于教學質量和教學效果的改善[1]，從而提高人才培養的質量[2]，這也將直接影響到學生的就業和學科的發展。[3]通過對學生成績的分析，不僅能探討學生成績評價的科學性，而且可以挖掘出課程之間的相關性，并將分析結果用與指導專業課程的設置，為改進教學方式，促進課程改革和專業建設提供必要的支持。

一、數據分析的對象及工具

本文數據選用了南京衛生高職校醫療設備應用技術專業2014年—2018年間110名學生20門課程的成績，其中有10門專業基礎課和10門專業課，使用SPSS25.0統計分析軟件進行課程間的簡單相關分析、典型相關分析和多元線性回歸分析，使用SPSSModeler數據挖掘軟件進行課程關聯規則的分析。

二、課程的相關性分析

（一）數據預處理

首先，對從成績數據庫中導出的數據進行清洗和格式轉換，以符合數據分析的要求。考試的成績以首次成績為準，不計算補考及重修后的成績。對留級學生的成績進行合并處理，去除冗余數據。因特殊原因缺失成績較多的記錄，將其刪除;缺失成績較少的記錄，采取鄰近點線性趨勢方法來填補缺失值。

其次，根據專業常識和教學安排，將20門課程分成5組，并給每門課程賦予相應的變量名，如表1所示，以方便后期處理。

最后，通過散點圖（如圖1），預觀察變量間的線性趨勢。根據圖1所示，變量間基本成線性趨勢，學生的成績也基本成正態分布。

（二）基礎課與專業課之間的簡單相關分析（Pearson相關分析）

Pearson系數r是用來衡量課程間聯系緊密度的統計指標。當|r|≥0.5 并且顯著性檢驗的 p<0.05時，說明兩課程顯著相關;當0.3≤|r|<0.5 并且顯著性檢驗的 p<0.05 時，說明兩課程低度相關;當|r|<0.3，說明兩課程在統計意義上不相關。通過Pearson相關分析，基礎課與專業課之間的Pearson相關系數如表2所示。

（三）基礎課與專業課的典型相關分析

典型相關分析是借用主成分分析降維的思想，在兩組變量中都選擇若干有代表性的綜合指標（變量的線性組合），綜合指標能包含大部分原變量組的信息，通過研究兩組綜合指標之間的相關關系來反映兩組變量之間的相關關系，是將兩組變量之間的多重線性相關研究轉化為兩個典型變量之間的簡單線性相關研究。

1.數據的降維處理。不論是基礎課之間還是專業課之間，均存在一定的共線性問題，通過降維處理，減少變量間的重疊信息，便于進一步分析處理。此環節采用主成分分析法進行降維處理。[4]

以專業課1為例，第一主成分特征值為4.056>1，方差解釋率57.945%;其后的主成分特征值均<1，所以此處只提取第一主成分，根據成分得分系數矩陣可列出第一主成分表達式，所有主成分表達式如表3所示。

2.典型相關分析。使用SPSS的典型相關分析功能，計算z1，z2，z3和z4，z5這兩組典型變量之間的典型相關系數和顯著性檢驗系數，只得到一對典型變量的P<0.01，其典型相關系數是0.864，說明這一對典型變量能夠解釋86.4%的信息量。根據標準化典型系數表，可得基礎課的典型變量表達式為：U1=0.168z1+0.004z2+0.861z3;專業課的典型變量表達式為：V1=0.780z4+0.337z5。

（四）專業課程的多元線性回歸分析

線性回歸是分析變量間數量依存關系的統計分析方法，1門專業課同時受多門基礎課的影響，通過構建多元線性回歸模型來對專業課程進行分析和預測，圖2～4和表4是以常用醫用電子儀器課程（y11）為例。

1.殘差分析與條件檢驗。圖2～4說明成績數據和殘差近似服從正態分布，回歸標準化殘差與標準化預測值散點圖數據點在正負3個標準差以內，無異常點。

2.建立多元線性回歸方程模型。模型摘要和ANOVA方差分析數據顯示，R2=0.636，模型解釋度較好（>0.5），F統計量36.387，P=0.000，結果有統計學意義。根據系數表4，可以寫出因變量常用醫用電子儀器（y11）的回歸方程，y11=18.766+0.198x22+0.351x31+0.318x32-0.150x33+0.251x34。所有專業課的回歸方程見表5。

（五）基于關聯規則的相關分析

簡單相關分析和典型相關分析均無從判斷課程前后順序設置的合理性[5]，可以通過關聯規則法來進一步挖掘課程間的相互關系，更好地了解成績背后的規律。[6]目前，以數據挖掘為理論指導的相關性研究中，應用最多的是基于Apriori算法的關聯規則法。[7]本文使用SPSSModeler中的Apriori算法，通過設置前項課程與后項課程，得到課程間的關聯規則。

1.成績的離散化處理。關聯規則分析針對的是離散數據，本文綜合考慮了每次考試會因難易程度不同而導致成績差異，對成績離散處理的方法是：依據正態分布原則，將成績分為四個檔次，A=前10%;B=其后40%;C=A和B之后的40%;D=最后的10%;離散化后的成績單如表6所示。

2.關聯規則分析。在SPSSModeler中將基礎課作為前項，專業課作為后項，設置有效性指標最小支持度為20%，最小置信度為70%，共挖掘出76條信息，如表7所示。

三、討論

（一）方法討論

簡單相關分析（Pearson相關）、典型相關分析和線性回歸分析都屬于經典統計學分析，各有其特點。簡單相關分析用于兩個變量之間的相關性，當需要分析一組變量和另一組變量間的相關性時，就要用到典型相關分析;這兩種方法可以確定相關關系的性質、方向和密切程度，但是要構建變量間的數量依存關系來進行預測和控制，就需要使用回歸分析。相關分析是回歸分析的基礎和前提，兩者需要結合起來才能更好的達到研究的目的。在如今大數據背景下，研究的關注點從樣本到數據總體[8]，隨著數據挖掘技術的成熟，可以通過關聯分析、決策樹、人工神經網絡等方法探索更多非線性、高維性數據背后更有價值的信息。

（二）課程相關性討論

1.簡單相關分析結果。根據表2，可以初步從基礎課和專業課兩個視角分別觀察課程間的兩兩相關性。從基礎課電工技術（x31）的視角，發現與其顯著相關的專業課程有常用醫用電子儀器（y11）、醫用傳感器（y15）、血透機原理與維修（y16）、醫用電動器械（y17）和計量與質控（y22）;從專業課常用醫用電子儀器（y11）的視角，看出與其顯著相關的基礎課程有臨床醫學概論（x11）、人體解剖生理學（x12）、物理（x21）、電工技術（x31）、模擬電子技術（x32）和單片機原理（x34），成績之間呈正相關且P<0.05，其余情況不再贅述。結果提示我們在今后的教學中，要深刻認識高相關性課程之間存在的密切關系，加強基礎課教學，做好課程間的銜接，這是學生學好專業知識的關鍵。

2.典型相關分析結果。根據表3～6所示，典型相關系數為0.864，說明基礎課和專業課之間高度相關，聯系密切。從基礎課典型變量表達式U1可以看出，電子類的基礎課（x3）典型系數（0.861）最大;其次是醫學類基礎課（x1）的典型系數（0.168），最小的是公共基礎課（x2）;說明在該專業的基礎課中，電工技術、模擬電子技術和單片機原理等電子類的課程非常重要，對后期的專業課程影響較大，其次是臨床醫學概論和人體解剖生理學，而計算機語言和計算機組裝與維修等公共課程的影響相對較小。從專業課典型變量表達式V1可以看出，設備原理類課程（y1）的典型系數（0.78）最大，其余幾門專業課程（y2）的典型系數（0.337）較小;說明常用醫用電子儀器、影像設備學和醫用電動器械等設備原理類課程在專業課中非常重要，其次是醫院設備管理、計量與質控和醫療器械概論。從各課程的載荷（表6）上看，x11，x31，x32，x34的載荷值>0.7，說明臨床醫學概論、電工技術、模擬電子技術、單片機原理在基礎課中影響度較大;y11，y12，y13，y15，y17的載荷值>0.7，說明常用醫用電子儀器、醫用檢驗分析儀器、影像設備學、醫用傳感器、醫用電動器械這些課程的重要性較高。數據結果與前述基本一致，證明典型相關分析的結論具有較好的可信度。

3.回歸分析結果。以常用醫用電子儀器課程（y11）為例，從表8中的方程可以看出，電工技術（x31）、模擬電子技術（x32）和單片機原理（x34）的回歸系數較大，決定系數R2=0.636，說明這三門課的成績能解釋63.6%y11的信息，對常用醫用電子儀器（y11）課程的影響較大，其余課程不再贅述。根據回歸方程模型，可以為后續專業課的成績預測做參考。方程中的個別自變量系數為負值，原因可能是課程之間還存在共線性、樣本容量不夠大或考試成績不能反映真實情況造成的。超聲診斷儀器（y14）、醫院設備管理（y21）和醫療器械概論（y23）這三門課程回歸模型的R2值較低，說明相應模型尚不能很好的預測成績，同時也反映了這幾門課程與基礎課間的相關性不高。

4.關聯規則分析結果。根據表10可以挖掘出前項某一門或某幾門基礎課對后項專業課的影響和制約關系。例如：前期人體解剖生理學和數字電子技術兩門課的成績是C檔，那么后期影像設備學的成績也是C檔的概率>76%;前期模擬電子技術和計算機語言是B檔，后期的常用醫用電子儀器也是B檔的概率>73.9%。通過梳理、歸并挖掘出的76條信息，得出以下四點結論：（1）對影像設備學影響較大的基礎課程有人體解剖生理學、模擬電子技術、數字電子技術、計算機語言、臨床醫學概論、電工技術和物理。（2）對醫用檢驗分析儀器影響較大的基礎課程有計算機語言、模擬電子技術、數字電子技術、物理、臨床醫學概論、人體解剖生理學和單片機原理。（3）對醫用電動器械影響較大的基礎課有單片機原理、電工技術、模擬電子技術、數字電子技術、臨床醫學概論和單片機原理。（4）對常用醫用電子儀器影響較大的有模擬電子技術和計算機語言。前期基礎課成績對后期專業課影響的概率在70%以上。

四、結語

本文所述分析方法和結論尚存在許多不足之處：樣本量受限于專業的學生數而略顯不足;部分課程的成績因考核評價方法等原因，導致成績不能完全真實的反映實際學習情況，不完全符合正態分布。定量分析中出現數據結論與專業知識相悖的情況，應服從專業解釋，不能一味的唯數據論。

醫療設備應用技術專業的畢業生有很多都是未來的臨床醫學工程技師，要求的知識結構跨度大，必須在原有院校專業知識學習的基礎上進行再學習、再拓展、再充實，這樣才能更好地適應醫院臨床醫學工程專業工作。[9]通過對成績數據的分析和挖掘，可以得出在統計意義上顯著相關的課程、不同類別課程間的整體相關性以及課程間的相互影響制約程度，這對學校課程的合理編排、課時分配、優化設置、學生成績預警等均起到積極的參考作用。教師可以根據專業特色和學生的學情，優化教學內容、有針對性的改進教學方法并評價教學效果，從而科學、合理、高效的培養學生良好的職業素養，為行業輸出高質量的專業人才。

參考文獻：

[1] 儲速梅.基于SPSS的成人教育課程設置相關性分析[J].科教導刊（上旬刊）， 2016（6）：105-106.

[2] 吳文玲.基于數據挖掘技術的課程相關性分析及其應用研究[D].成都：四川師范大學， 2018.

[3] 楊明霞.課程相關性分析探討——教育技術學課程關聯分析[D].上海：華東師范大學，2008.

[4] 王和勇，洪振欽.基于典型相關分析的科技民生發展對策的實證研究[J].信息系統工程， 2018（3）：141-146.

[5] 宋小敏，張國防，邢淑蘭，等.基于數據挖掘的課程相關性分析方法[J].山西財經大學學報， 2012，34（S3）：240-257.

[6] 劉世歡.基于教育數據的相關性分析研究[D].杭州：浙江工商大學， 2018.

[7] 王成勇.基于關聯規則Apriori算法的學生成績分析[J].價值工程， 2018，37（5）：171-173.

[8] 梁吉業，馮晨嬌，宋鵬.大數據相關分析綜述[J].計算機學報，2016，39（1）：1-18.

[9] 湯黎明，申倩，張宇翔.醫院臨床醫學工程人才知識結構構成的探討[J].醫療衛生裝備， 2014，35（11）：141-142.