关联规则在远程教育教学评价中应用.docVIP

关联规则在远程教育教学评价中应用【摘 要】由于影响远程教育的因素非常复杂，因此教学评价一直是远程教育发展过程中值得探索和研究的问题。本文利用数据挖掘技术，将关联规则应用于远程教育的教学评价中，探讨教学质量和效果与某些因素的相关性，从而为教学部门提供决策支持信息，改善教学工作，提高教学质量。 【关键词】数据挖掘；关联规则；远程教育；教学评价 【中图分类号】 G420 【文献标识码】 A 【文章编号】 1009—458x（2012）09—0039—04 引 言 近年来，以网络教育为代表的远程教育迅猛发展，所取得的成就受到中外教育界的高度重视。但由于影响远程教育的因素非常复杂，国内外还没有比较完整和系统的现代远程教育的教学质量评价方法，许多教育研究机构正在研究远程教育的教学质量与哪些因素有关，以及相关的程度。要使远程教育正确地运行并朝着健康的方向发展，必须建立一套客观、科学、有效的教学评价方法，保证教学质量的稳定和不断提高。 本文利用数据挖掘技术中的关联规则，对远程教育教学质量评价数据进行挖掘，将关联规则应用于远程教育的教学评价中，探讨教学质量和效果的好坏与学生的年龄、网上学习的时间、网上学习的模块数、面授教学到课率等因素的相关程度，为教学部门下一步探索远程教学评价机制＼改善教学工作提供决策支持信息，达到最终提高教学质量的目的。 数据挖掘与关联规则 1. 数据挖掘的定义 数据挖掘的定义有很多，在不同的文献有不同的定义。从技术角度看，最常见的一种定义为：从大量、不完全、有噪声、模糊、随机的数据中，提取隐藏在其中的、人们事先不知道的、但同时又潜在有用的信息和知识的过程。这里的“知识”，是指有特定前提和约束条件的，在特定领域具有实际应用价值，易于被用户理解，能用自然语言表达的概念、规则、模式或者规律。 从商业角度看，数据挖掘是一种商业处理技术，是一种深层次的数据分析方法，可以对大量业务数据进行抽取、转化、分析和模式化处理，最终提取出可以辅助商业决策的关键信息。 无论是从哪种角度定义数据挖掘，其本质都是一样的。人们将数据看成是形成知识的源泉，就如同从含金的大量矿石中淘取金子一样，数据挖掘就是从知识的源泉——海量的数据中去挖掘知识。 2. 关联规则与Apriori算法 （1）关联规则的定义 提到关联规则必须首先了解关联知识。关联知识是反映一个事物和其他事物之间依赖或相互关联的知识。如果两项或多项属性之间存有关联，那么其中一项的属性值就可以依据其他属性值进行预测。 关联规则的定义为： 设I={i1，i2，…，im}是一个有m个项目的集合，假定A是一个由项目构成的集合，称为项集。T为事物，是一个项目子集，每一个事务具有唯一的标识，用T_id表示。事务T满足A[？]T。假设项集A中包含k个项目，称它为k项集。D为数据挖掘库，项集A在D中出现的次数占D中事务总数的百分比称为项集的支持度（Support）。若项集的支持度超过指定的最小支持度阈值，就称该项集是大项集，也叫做频繁项集。 关联规则从本质上讲是条件概率，用一种最容易理解的方式来叙述就是：当X事件发生时，Y事件也同时出现的概率是多大。当然这只是最通俗、最简单的说法，数学上应该表示为X[？]Y的蕴含关系，其中X[？]I，Y[？]I且X[∩]Y=Φ。一般称X为前件，Y为结果。 形如X[？]Y的关联规则，有两个度量标准：支持度（Support）及置信度（Confidence）。支持度是指规则中出现模式的频率，规则的支持度定义为：Support（X[？]Y）=support（X∪Y）；置信度则衡量规则的强度，规则的置信度定义为：Confidence（X[？]Y）= support（X∪Y）/support（X）。 关联规则的支持度反映了规则出现的频率，关联规则的置信度则表明了规则的正确度。一个关联规则必须具备一定大小阀值的支持度及置信度。换句话说，关联规则就是支持度和置信度分别满足用户给定阀值的规则。 （2）Apriori算法 最为著名的关联规则发现方法是R.Agrawal在1993年提出的Apriori算法。关联规则的挖掘可分为两步进行：第一步是迭代识别所有的频繁项集，要求频繁项集的支持度不低于用户设定的最低值；第二步是从频繁项集中构造可信度不低于用户设定的最低值的规则。识别或发现所有的频繁项集，即第一步，是关联规则发现算法的核心，采用递归算法，也是计算量和工作量最大的部分。 关联规则在教学质量评价数据中的应用 1. 问题的提出 教学评价是以教学目标为依据，按照科学的标准，运用一切有效的技术手段，对教学过程及结果进行测量，并给予价值判断的过程。 在高等教育领域，教学评价和教学质量密切相关，通过研究教学评价提