利用Apriori算法對在線教學的分析

張璐 徐小玲

摘 要：2020年上半年受新冠肺炎疫情的影響，我國高校的教學工作都是在線教學。本文利用Apriori算法對獨立院校的《高等數學》課程的在線教學進行分析，探討影響網絡學習效果的因素，為提高網絡教學的質量提供決策支持。

關鍵詞：《高等數學》;Apriori算法;在線教學

中圖分類號：G4 ? ? 文獻標識碼：A ? ? ?doi：10.19311/j.cnki.1672-3198.2021.04.072

《高等數學》是工科專業一門非常重要的核心基礎課，與很多后續專業課程都與之有著緊密的聯系，其地位非常重要。教學分析是教學管理與評估的重要環節，是進行有效教學、提高教學質量的有力保證。

1 Apriori算法

關聯規則挖掘是數據挖掘中最活躍的研究方法之一。1993年，阿戈登（Agrawal）等人提出了著名的關聯分析算法一Apriori算法，最初提出的動機是針對購物籃分析問題，其目的是為了發現不同商品之間的關聯規則。這些規則刻畫了顧客購買的行為模式，可以用來安排進貨以及貨架設計等。Apriori算法是一種挖掘關聯規則的頻繁項集算法，而且算法已經被廣泛的應用到商業、網絡安全等各個領域，算法的基本思想如下：

（1）生成條目集（Item Sets）。條目集是符合一定的支持度要求的“屬性-值”的組合。那些不符合支持度閾值的“屬性-值”組合被刪除。

（2）使用生成的條目集創建一組關聯規則，將不滿足置信度閾值的規則刪除，得到符合要求的關聯規則。

2 利用Apriori算法對在線教學進行分析

2.1 問題提出

近年來在線教學發展非常的迅速，但是在線教學缺少監控和評價，學習成果的考核也是采用在線考試與在線學習的任務點完成度加權來評定。學生通過網絡進行學習的效果無法準確的衡量，如何充分利用在線教學平臺積累的課程數據，這就需要對數據進行分析挖掘。利用數據挖掘技術中的關聯規則，可以對這些課程數據進行挖掘，將關聯規則應用于在線學習的教學分析，分析教學效果、學生的網上學習行為、學習成效等因素之間的關聯關系。

2.2 數據收集與處理

以2019-2020（2）學期的《高等數學》課程網上學習記錄為例，離散化分類的屬性為考試成績、作業成績、在線時長及任務點完成度，各屬性離散化編碼表如表1所示。表2是選取某班38名同學的在線學習數據。

2.3 利用Weka進行數據挖掘

打開Weka軟件，加載表2中的學生數據，切換到Associate選項卡，單擊Choose按鈕，選擇Apriori算法，在算法參數設置對話框中，設置OutputItemSets為True，希望輸出條目集，設置支持度Support閾值為0.3，置信度閾值為0.8。單擊Start按鈕，生成的條目集如圖1所示?？梢钥吹缴傻年P聯規則有5條，如圖2所示。

3 結果分析

采用Apriori的算法，利用在線學習平臺的統計數據，挖掘平臺中《高等數學》課程學生的考試成績、作業成績、在線時長及任務點完成度之間的關系。通過數據挖掘，最終得到5條關聯規則。

分析上述5條規則，可得以下結論：當學生的網絡學習達到一定時長，作業完成得較好，則任務點完成度較高;學生的考試成績與作業成績、在線時長及任務點完成度之間沒有必然的關聯。綜上，為提高學生的網絡學習效果，要求學生的網絡學習必須達到一定的時長，并且按時完成作業;考試成績可以作為輔助手段來評價學生的學習效果。

參考文獻

[1]劉克禮.基于關聯規則的在線教學分析[J].合肥師范學院學報，2020，38（3）：103-105.

[2]袁璐妍.改進的關聯規則Apriori算法在課程成績分析中的應用[J].中國教育信息化，2017，（17）：62-65.

[3]錢源，施佺.關聯規則在網絡學習平臺中的應用研究[J].中國教育信息化，2016，（14）：78-82.

[4]鄧奉先.關聯規則在教學評價系統中的挖掘應用研究[J].信息與電腦，2016，（3）：249-250.