基于Apriori算法教学评价系统.docVIP

基于Apriori算法教学评价系统 　　摘要：关联规则是数据挖掘的核心技术，将关联规则应用于高校的教学评价系统，可以发现影响教学质量的原因及因素，对教师改进教学方法，提高教学质量有重要意义。 　　关键词：数据挖掘；教学评价；关联规则 　　中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2013）30-6695-03 　　1 概述 　　自20世纪末以来，高校的招生规模越来越大，随着数据库技术的广泛应用，各高校积累了海量的教学数据，比如教师数据、课程数据、学生数据、学生成绩以及教师或课堂的测评数据等。这些数据往往只是用作普通的业务统计，对管理者的决策作用不是很大。那这些海量数据背后是否存在着某些内在的联系，比如学生成绩与教师数据之间是否存在某种关系，学生成绩又与教师的哪些特征密切相关等。关联规则是一种有效解决上述问题的方法，美国沃尔玛超市曾经用关联规则挖掘技术从超市的商品销售数据中挖掘出“啤酒与尿布”的经典规则关系，用于提升啤酒的销售。因此，通过将关联规则挖掘技术应用于高校教学管理数据，可以发现教学管理数据中隐藏的、有价值的规则关系，为教学管理者提供科学的决策，提高教学质量。 　　2 关联规则挖掘技术在高校教学评价中的应用 　　教学评价是教学管理的重要组成部分，教学评价是一个复杂的过程，不仅需要对教学内容、教学方法进行评价，而且要对教师的教学素养、教学效果以及学生学习效果等诸多方面进行评价。有些评价如学生学习效果评价可以通过考试或测验方式获得。而对教师的教学评价除了学生对教师的评价外，还应该包括教师同行评价。然而目前很多高校并没有采用教师同行评价方式，而是单一的采用学生考评的方式。这种方式很容易受学生主观因素的影响，并不能客观地反映真实的教学效果，因此评价结果不全面、不真实，也不能发挥教学评价对教师的指导作用。因此，我们将关联规则挖掘技术应用到高校教学评价中，以便弥补传统教学评价的不足。 　　3 数据挖掘模型 　　数据挖掘是一个不断反复的过程，目前通常采用的是CRISP-DM模型（cross-industry standard process for data mining，即跨行业数据挖掘过程标准）， CRISP-DM模型将数据挖掘分解为以下六个阶段。 　　3.1 商业理解（business understanding） 　　从商业的角度了解项目的要求和最终目的是什么？也就是在第一阶段必须确定挖掘的任务和目标，比如，通过对教学数据的挖掘，分析影响教学效果的因素有哪些？ 　　3.2 数据理解（data understanding） 　　在这个阶段，需要收集原始的教学数据，了解数据的内涵与特性，选择数据挖掘所需要的数据，评估数据的质量，必要时需要将多个数据库的数据进行合并。 　　3.3 数据预处理（data preperation） 　　数据挖掘对数据的质量要求很高，要求数据必须干净、准确、完整，而原始的教学数据存在很多问题。因此需要对可用的原始数据进行一系列的组织以及清洗、转换使之达到建模要求。 　　3.4 建立模型（modeling） 　　针对已预处理过的数据，应用数据挖掘工具建立模型，针对同一种问题，可能会有多种技术。 　　3.5 评价和解释（evaluation） 　　通过数据挖掘可以获得有价值的知识，但是这些知识往往比较抽象并不能直接应用实践。因此需要对其解释，然后从实用性、正确性等方面进行评估。 　　3.6 实施（deployment） 　　知识通过解释和评价后， 教师或教学管理决策人员就可以将这些知识运用到日常教学中去，改进教学方法，提高教学质量。 　　4 关联规则在高校教学评价中的应用 　　所谓关联规则，是指数据对象之间的相互依赖关系。数据挖掘中的关联规则法的任务就是从数据库中发现那些置信度（Confidence）和支持度（Support）都大于给定值的稳健（Robust）规则。在教学管理中，教师基本信息与教学效果之间的关系，学生的基本信息与学生测评成绩的关系均可以使用关联规则方法进行分析。运用关联规则中的Apriori算法，可以分析教师的年龄、职称、学历等因素和测评成绩之间的关系。 　　4.1 Apriori算法 　　Apriori算法是一种最经典的挖掘关联规则频繁项集的算法，它利用循序渐进的方式，找中数据库中项目间的关系，以形成规则。关联规则挖掘主要涉及两个问题： 　　1） 找出数据集中所有支持度大于或等于最小支持度的频繁项集 　　2） 使用频繁项集生成关联规则。 　　4.2 利用Apriori算法挖掘关联规则 　　4.3 结果分析 　　通过应用Apriori算法对教师课堂教学质量评估表的数据挖掘，产生的强规则为：41-50岁拥有