基于改進Apriori算法的Java課程成績關聯分析與教學策略優化研究

引言

2024年《中共中央國務院關于弘揚教育家精神加強新時代高素質專業化教師隊伍建設的意見》中強調，實施數字化賦能教師發展行動，推動教師積極應對新技術變革，并著眼于未來培養人才，目標是到2035年，實現數字化賦能教師發展成為常態1。成績數據是一項重要的信息資源，通過運用先進的數據挖掘技術對其進行分析，尋找課程之間、課程知識點之間的關聯性，有助于發現課程之間的相互影響，為優化課程設置和教學內容提供數據支持，構建數字化背景下的新型教學模式，促進教學更好地適應知識創新和素養發展等新要求。

在國外，許多研究者利用Apriori算法等數據挖掘技術，對學生成績、學習行為等教育數據進行分析，以提高教育質量和學生學習效果[2]。近年來，國內學者圍繞Apriori算法在教育數據挖掘領域的改進與應用展開廣泛研究，袁路妍等通過壓縮事務數據庫提升計算效率[3]，王桌芳等引入興趣度度量函數優化規則篩選[4]，張梁等進一步結合提升度指標增強規則的有效性5]。在應用層面，該算法被用于學生成績預警]、課程關聯分析及知識點規則挖掘[8]。同時，多技術融合趨勢顯著，如李秋香通過K-means聚類與關聯規則聯動分析學生層次[9，范圣法等結合FP-growth算法實現課程評價自動化[10]。

1.改進的Apriori算法介紹

傳統關聯規則算法，如經典的Apriori算法，是一種用于從大規模數據集中挖掘頻繁項集和關聯規則的方法。對于一個項集： I={i_i，i₂，…，i_m} ，事務集 D={t₁，t₂，…，t_n} 中的每個事務都是I的真子集，由 k 個項組成的集合為k項集，而頻繁項集就是高于設定支持度和置信度閾值的項集。在事務集 D 中挖掘得到的關聯規則可以表示為 X?Y; ： X 、 Y 分別是關聯規則的因和果，通常稱 X 為該條關聯規則的前項、 Y 為該條關聯規則的后項。其中：

支持度是衡量項集在數據集中出現的頻率，假設 X， Y∈I 為項集，前項 X 對后項Y的支持度， 為 X 、 Y 的聯合概率：

置信度衡量在 X 發生的情況下， Y

也發生的概率。對于規則 X?Y ，其置信度 為 X 、 Y 的條件概率，具體公式為：

改進的Apriori算法在此基礎上引入提升度和興趣度兩個度量閾值，提升度通過量化 X 對 Y 的影響程度（相較于 Y 的獨立發生概率），確保篩選出的規則具有實際業務價值，計算公式如下：

其中，Lift 表明 X 與 Y 呈正相關，I 表明 X 與 Y 呈負相關，1 表明 X 與 Y 不相關。

興趣度（Interest）通過計算置信度與支持度的差值與它們之間最大值的比例，評估關聯規則 的正負相關程度，幫助篩選出更有意義的規則，避免生成大量無用或冗余的規則，從而提高規則的質量和實用性。

Interest 的程度衡量 X 和 Y 之間正相關度，反之Interest 的程度反映說明 X 和 Y 之間的負相關度。如果Interest ，說明 X 和Y之間沒有顯著的相關性。

G-知音-Java課程教學策略優化研究

2.基于改進的Apriori算法的Java成 績關聯分析

2.1數據準備及預處理本研究使用了作者所在學校大數據管理與應用專業2022～2023級共377位同學部分科目成績。這些科目包括：大數據管理與應用導論、計算機應用基礎、微積分1、管理經濟學、微積分2、Java、數據結構、數據庫原理及應用、Python程序設計和概率論。

表1布爾數據框

表2部分強關聯規則

表3教學實踐效果

對于每門課程，以 70% 分位數進行分界，創建一個新的列，將學生的成績轉換為二值化數據：如果學生的成績大于等于 70% 分位數成績，則標記為1（達標）。如果學生的成績小于 70% 分位數成績，則標記為0（未達標）。這一步將原始的數值型成績數據轉換為二值化的布爾矩陣，便于后續的關聯規則挖掘。轉碼后的部分布爾數據框如表1所示。

2.2關聯規則分析

在Python3.10環境下使用改進的Apriori算法對處理后的數據進行挖掘，設置最小支持度0.3，最小置信度0.7，最小提升度1.01。經過計算，滿足最小支持度、置信度、提升度的強關聯規則有85條，部分強關聯規則見表2。以規則5為例，支持度為43.22% ，置信度為 77.63% ，意味著學好大數據管理與應用導論，有 77.63% 的可能性會學好JAVA課程，并且提升度大于1、興趣度大于0，表明關聯規則有意義。

經過對最終結果的分析，可以得出以下結論。

（1）核心課程之間的關聯度：“數據庫原理及應用”與“數據結構”共同作為前項時，對“Java”課程的置信度達到 88.35% （提升度1.3475），表明這兩門課程的知識體系對Java學習具有顯著支撐作用。“微積分1”" “Java”的關聯置信度80.45% （提升度1.227），反映出數學基礎課程對編程思維的培養具有潛在影響；支持度 39.19% 說明該關聯在樣本中普遍存在。Python與Java的交叉關聯呈現雙向傳導特征，當Python程序設計作為前項時，對Java的置信度達86.27% ，反向關聯度也達 78.57% ，表明兩種語言學習具有協同效應。

（2）課程群關聯特征：大數據管理類課程與“Java”的關聯網絡密度最高，其中“大數據管理與應用導論 + 數據庫原理及應用”組合對Java的置信度 86.41% ，反映出新興技術課程與傳統編程課程的融合需求。數學課程群（微積分、概率論）與專業課程的關聯提升度普遍高于1.2，特別是“概率論 + 數據庫原理及應用”組合對Java的支持度達 84.16% ，說明數學建模能力對系統開發的重要性。

（3）異常關聯現象：“數據結構”與“大數據管理與應用導論”的雙向關聯提升度僅1.06～1.12，興趣度低于0.20，建議關注這兩門課程的教學銜接有效性。

3.教學策略優化及實施效果

在2024～2025學年第二學期，對于Java、數據庫等課程的教學策略參考上述結論進行調整。首先，將“數據庫原理及應用”和“Java”的教學內容進行整合，講解數據庫知識時，同步安排Java編程練習，讓學生學會用Java操作數據庫。其次，大數據專業教師與數學專業教師協同備課，在微積分和概率論課程中加入了編程案例。此外，組織數據庫、Java、Python等課程的教師組成教研小組，共同設計跨課程的大作業，如要求學生設計一個包含數據采集（利用Python）、數據存儲（使用數據庫）、數據處理和分析（運用Java）的完整項目，讓學生在實踐中綜合運用多門課程的知識。

經過一個學期的教學實踐，學生對Java課程的掌握程度有了明顯提升。期末考試，Java課程的平均成績與優良率均有所增長。學情調查結果表明，學習積極性和主動性增強，且對課程的滿意度從上學年的 84% 提升至 92% ，對教學內容和方法的評價更積極。具體數據見表3。

這些多維度的積極變化，在一定程度上證明了基于改進Apriori算法的關聯分析對優化Java課程教學策略的有效性和實用性，也為其他高校相關專業的Java課程教學提供了有益的參考。

結語

本研究基于改進的Apriori算法，對Java課程成績數據進行了深人的關聯分析，揭示了Java課程與其他相關課程之間的關聯性，據此提出的優化策略在教學中得以實踐應用，有效提升了學生Java課程成績，提高了學生學習積極性和知識綜合運用能力，驗證了研究成果的實用性。未來的研究將進一步探索改進的Apriori算法在其他學科成績分析中的應用，并結合更多維度的數據（如學習行為、學習時間等），構建更加全面的學生成績分析模型，為教學改革和教育質量提升提供更有力的支持。

參考文獻：

[1]中共中央國務院關于弘揚教育家精神加強新時代高素質專業化教師隊伍建設的意見[A/OL].（2024-08-26）[2025-06-18].https：//www.gov.

cn/gongbao/2024/issue_11566/202409/ content_6973187.html.

[2]Sun GH，Guo SC，Hao G，et al.Dynamic earlywarning system of College Students’target course performance based onimproved Apriori algorithm[J].Journal of Computational Methods in Science and Engi neering，2021，21（6）：1779-1795.

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

[4]王桌芳，趙會軍，李聰，等.基于興趣度度量的多類差異數據關聯規則挖掘[].計算機應用與軟件，2019，36（12）：60-65，105.

[5]張梁，楊立波，張小勇，等.基于改進的Apriori算法在高校成績分析中的研究].信息記錄材料，2024，25（3）：142-145，148.

[6]王華，劉萍.改進的關聯規則算法在學生成績預警中的應用[].計算機工程與設計，2015，36（3）：679-682，752.

[7]嚴海衛，張青亮，林春花，等.基于 Apriori算法的學生課程成績關聯性分析 [].電腦編程技巧與維護，2023（11）：13-15.

[8]謝加良，陳艷玲，朱榮坤，等.基于改進Apriori算法的線性代數試卷分析[].長春師范大學學報，2022，41（12）：48-54.

[9]李秋香.基于聚類算法和關聯規則算法的學生考試成績數據挖掘研究[].電腦編程技巧與維護，2024（7）：78-81.

[10]范圣法，張先梅，虞慧群.基于關聯規則與聚類分析的課程評價技術[J].華東理工大學學報（自然科學版），2022，48（2）：258-264.

作者簡介：田豐，碩士研究生，講師，102526@shengda.edu.cn，研究方向：機器學習、人工智能；上官燕紅，碩士研究生，助教，102524@shengda.edu.cn，研究方向：數據挖掘，預訓練模型。

基金項目：2025年度立項課題——基于機器學習算法的Java課程成績關聯分析與教學策略優化研究（編號：XJ2024002901）。