關聯規則在高職院校教學監控中的應用研究

劉花

摘? 要：隨著國家對高等職業教育的大力扶持，高職院校提高教育教學質量，增強社會服務能力，是學校持續發展的有效途徑之一。科學有效的教學監控評價機制可以提升人才培養質量，該文中利用關聯分析算法和數據挖掘工具（SPSS Modeler）進行教學評價。首先對學院的教學評價數據進行關聯分析，之后對教學評價關聯分析的數據進行優化，根據優化的數據進一步完善學院教學評價機制，提出切實能夠改進教育教學質量的措施和方法，保障日常教育教學質量，提高人才培養質量。

關鍵詞：關聯分析；教學評價；教學評價模型；數據挖掘；應用研究

中圖分類號：TP18? ? ?文獻標志碼：A? ? ? ? ? 文章編號：2095-2945（2024）08-0191-06

Abstract： With the state's strong support for higher vocational education， it is one of the effective ways for the sustainable development of higher vocational colleges to improve the quality of education and teaching and enhance the ability of social service. Scientific and effective teaching monitoring and evaluation mechanism can improve the quality of talent training. In this paper， correlation analysis algorithm and data mining tool （SPSS Modeler） are used for teaching evaluation. Firstly， the correlation analysis of the teaching evaluation data of the college is carried out， and then the data of the correlation analysis of teaching evaluation is optimized. According to the optimized data， the teaching evaluation mechanism of the college is further improved， and measures and methods that can effectively improve the quality of education and teaching are proposed， so as to ensure the quality of daily education and teaching and improve the quality of personnel training are proposed.

Keywords： association analysis; teaching evaluation; teaching evaluation model; data mining; applied research

伴隨著國家大力發展職業教育浪潮的到來，提升職業教育教學質量已成為目前職業院校面臨的巨大挑戰。而學生作為教育教學主體，對教師教學方法、教學內容、教學效果等方面的評價數據，是目前提升教師教學能力和強化教師教學改革的主要依據。本文針對教師教學評價一級指標和教學評價結果數據樣本，應用關聯規則，進而挖掘并分析相關關聯規則，從而提出提升教學質量和學生技能的參考性建議。

1? 關聯規則及算法介紹

1.1? 關聯規則

關聯規則是一種用于發現大量數據中各事務之間有趣的關聯或相關關系的算法，通常反映集合中一個事務與其他事務之間的相互依存性和關聯性，主要通過置信度和支持度來衡量。

一般情況下，支持度（support）是指在數據集中同時包含兩個事務A、B的百分比，即同時包含事務A、B的概率；置信度（confidence）指在數據集中，已經包含事務A的情況下，包含事務B的百分比，即條件概率。針對具體數據集，根據實際數據挖掘需要，分別把最小支持度閾值和最小置信度閾值設定好，對滿足閾值的關聯規則進行分析，進而得出對實際案例有價值的規則分析。

關聯規則挖掘過程主要分為兩個步驟：第一步，通過預先設定的最小支持度閾值，保留大于等于閾值的頻繁項；第二步，預先設定最小置信度閾值，去除小于閾值的關聯規則，保留有效關聯規則。

1.2? Apriori算法概述

Apriori算法是一種經典的關聯規則挖掘算法，用于發現大規模數據集中的頻繁項集。它采用逐層搜索的迭代方法，通過連接和剪枝的步驟，不斷產生新的候選項集，并計算其支持度。

Apriori算法具體實現過程分為計算支持度、判斷候選集子集為否是頻繁項集、挖掘頻繁項集三步，具體實現代碼截圖如圖1—圖3所示。

在實際案例的數據挖掘工程中，通過設置合理有效的閾值并利用Apriori算法原理，可以有效避免重復搜索和挖掘的過程，大大提高挖掘頻繁項集和關聯規則的時間和效率。

2? 教學監控中關聯規則實施方案

2.1? 確定數據挖掘對象、目標

收集2021—2022學年第一學期某高校教師教學評價結果數據，根據教學評價得分將教師教學評價結果分為“優秀”“良好”“合格”“不合格”4個等級，在本文中，將對教學評價表中的師德師風、教學內容等5個一級指標進行關聯規則分析，希望挖掘出數據模型內部之間隱藏的關聯規則，最終分析得出在日常教學中，能夠直接影響教師教學效果和教學評價的因素，根據影響因素，結合實際提出能夠改進教育教學工作的意見和建議。

2.2? 數據采集

本研究中的數據來源于酒泉職業技術學院的教師教學評價表，見表1。

針對以上教學評價表，對我校2022—2023學年度第一學期的教師教學評價表中的數據，篩選出400份教學評價數據，針對教師教學評價結果與教學評價一級指標之間進行關聯分析，得出影響教學結果的主要因素，從而提升教師的教育教學水平。

2.3? 數據預處理

針對表1中的五個一級指標，對400份教學評價數據分項得分與評價結果的數據通過數據離散化的方式進行轉換。

在本文中，將教學評價表中五個一級指標根據得分依次轉換為“優秀”“良好”“合格”“不合格”四個等級，具體轉化標準見表2。

＼按照表2中轉換標準對收集到的400份教學評價數據進行離散化轉換后，得到表3。

2.4? 數據挖掘

本文將對采集到的400份離散后的樣本數據采用Apriori算法進行數據挖掘關聯分析。

在Apriori算法中，由頻繁項集產生候選項集時，其復雜度是指數級增長的，且在產生候選項集時，需要多次掃描數據庫，這導致算法可能產生龐大的候選項集，占用巨大的時間和空間。這些缺點促使在本案例中，需優化Apriori算法再分析，利用Apriori算法原理來提高算法的執行效率和運行時間。

3? 教學評價模型一級指標與評價等級的關聯分析

對表3中離散化的400條數據樣本應用Apriori算法，分別對五項評價指標與教學評價結果進行關聯分析。

3.1? 師德師風與評價等級關聯

針對表3中離散化后的評價表，應用Apriori 算法對師德師風和評價等級進行分析計算，設置最小支持度為0.2，得到表4。

針對得到的頻繁項集，設置最小置信度為0.5，得到的關聯規則見表5。

通過分析可以得出：師德師風在教師教學過程和教學評價中具有舉足輕重的作用。教師職業的特殊性決定了師德師風的重要地位，作為人類靈魂的工程師，教師不僅僅要具備扎實的、專業的知識和技能，更為重要的是，要具備崇高的道德情操，才能更好地擔起學生健康成長指導者和引路人的責任。因此，師德師風作為教師教學評價的第一標準，在教學評價中，師德師風對教學評價結果具有“一票否決”權。

3.2? 教學內容與評價等級關聯

針對表3中離散化后的評價表，應用改進后的 Apriori算法進行分析計算，設置最小支持度為0.2，得到表6。

針對得到的頻繁項集，設最小置信度為0.5，得到的關聯規則見表7。

通過分析可以得出：教學內容是教學評價的基礎，在教學過程中，教師能按照學生實際和課程標準規定的內容進行教學設計，挖掘課程思政元素和優秀案例，并在教學內容中有機融入本專業新技術、新工藝、新規范，注重重難點突破。如果教學內容難度適中、知識點清晰、與實踐結合緊密，符合學生的興趣和需求，學生對此的評教分數往往會更高。因此，學生作為教學過程的參與者和受益者，對教學內容的認可度和滿意度是評價教學質量的重要指標之一。通過學生評教，教師可以了解學生對教學內容的反饋和評價，從而對教學內容進行改進和提高，進一步提升教學質量。

3.3? 教學方法與評價等級關聯

針對表3中離散化后的評價表，應用改進后的 Apriori 算法進行分析計算，設置最小支持度為0.2，得到表8。

針對得到的頻繁項集，設置最小置信度為0.5，得到的關聯規則見表9。

通過分析可以得出：教學方法在整個教學過程中起著舉足輕重的作用，如果教師采用生動有趣的多樣化教學方法，學生的課堂參與度高，對教學的評價等級也會更高。相反，如果教師采用傳統、單一的教學方法，學生可能會感到課堂單調乏味，知識掌握程度也會有所下降，對教學的評價等級也會相應降低。由此，加強教學方法改革，重視教學方法研究，是提高教師教學評價和學校教學質量的有效途徑。

3.4? 教學組織與評價等級關聯

針對表3中離散化后的評價表，應用Apriori算法進行分析計算，設置最小支持度為0.1，得到表10。

針對得到5個頻繁項集，設最小置信度為0.6，得到的關聯規則見表11。

通過分析得出：如果教師能夠合理地組織教學活動，激發學生的學習興趣和課堂參與欲望，那么學生的學習積極性和學習效果都會得到提升，進而教師的教學評價等級結果也比較高。相反，如果教師的教學組織能力不足，學生缺乏學習興趣，學習效果不佳，從而教師的教學評價等級也會降低。由此，教師要有效地進行學情分析和教學設計，不斷地調整和改進教學方法和策略，進而改進和提升教學組織和實施能力，提高學生的課堂參與度和學習效果。

3.5? 教學效果與評價等級關聯

針對表3中離散化后的評價表，應用Apriori算法進行分析計算，設置最小支持度為0.2，得到表12。

針對得到4個頻繁項集，設最小置信度為0.5，得到的關聯規則見表13。

通過分析得出：將置信度設置為0.5，只得到了“教學效果=A，評價等級=優秀”一條關聯規則且置信度高達0.73。可見，學生作為課堂的主體，在進行教學評價時，對教師整體的教學效果還是很重視的，一般教學效果好的老師，教學評價等級都相對比較高，而教學效果也受教學方法、教學組織等因素的制約，老師想獲得較高的教學評價等級，認真負責的教學設計是必不可少的。

4? SPSS Modeler驗證與建模分析

根據收集到的2022—2023學年度第一學期的教學評價統計表為例進行建模關聯規則驗證。

1）將“教學評價樣本數據表”導入數據源，并在“字段選項”的“類型”中，將“評價等級”設為目標，其余“教學素質”“教學方法”“教學內容”“教學效果”“教學特色”五項設為輸入，在“建模”中分別選擇“Apriori建模”“Bayesian網絡”“關聯規則”放入數據流并與數據源相連，如圖4所示。

2）選擇“Apriori建模”，執行數據流后，輸出結果如圖5所示。

3）選擇“Bayesian網絡”，執行數據流后，輸出結果如圖6所示。

4）選擇“關聯規則”，執行數據流后，輸出結果如圖7、圖8所示。

5? 數據挖掘結果分析

通過數據分析和SPSS建模分析，對五個一級指標應用Apriori算法與“評價結果”進行關聯分析，其挖掘結果在學校實際教育教學工作中具體表現為以下幾點。

1）具有良好師德師風的教師，能夠對教學內容的整體選擇和呈現方式，以及根據教學內容的準確性、實用性進行篩選、重組，因材施教，更注重學生能力發展和素質提升，也會獲得學生教學評價較高等級。

2）根據教學內容和學情分析，注重教學設計的老師在授課過程中，更會采用多樣化的教學方法鼓勵學生主動學習、獨立思考，有效的教學手段進行教學組織，多元化的考核方式激勵學生，便可取得較好的教學效果，也會獲得較高的學生教學評價等級。

3）學生教學評價是衡量教師教學效果的重要依據。通過收集和分析學生教學評價的信息，教師可以了解教學效果的真實情況，進一步優化教學方法和教學過程，提升教學效果。

綜上所述，師德師風、教學內容、教學方法、教學組織、教學效果和學生教學評價之間存在密切的關聯關系。在教學中，教師應充分考慮這些因素之間的相互影響，以實現最佳的教學效果，學校也應有效利用學生教學評價結果，提出提升學校教學質量的關鍵措施及方法。

參考文獻：

[1] 吳軍.師德師風建設視域下的高校教師教學評價[J].上海教育評估研究，2022，11（6）：61-65.

[2] 熊茜，利節，向毅，等.推進計算機專業課程思政建設的思路與五維途徑[J].計算機教育，2022（7）：122-125.

[3] 夏豐，王慎龍，賀新元，等.教育信息化視閾下職業院校課堂教學質量評價體系的構建[J].中國現代教育裝備，2022（7）：162-165.

[4] 黃鈺瑩，李琳.基于層次分析法的高校學生干部績效評價體系研究[J].漯河職業技術學院學報，2021，20（5）：92-94，97.

[5] 何藝，吳敏，劉英.“三教”改革背景下課程改革與教師教學能力比賽結合點探索[J].現代職業教育，2021（14）：28-29.

[6] 榮俊杰.上海市高中體育專項化教學的優化研究[D].上海：華東師范大學，2020.

[7] 楊學坤，劉琳.高職院校課堂教學質量評價體系的改進與實踐——以北京農業職業學院為例[J].北京工業職業技術學院學報，2019，18（4）：71-75.