论文部分内容阅读
[摘要]以开发教学质量评估系统为背景，重点阐述关联规则中的Apriori算法在评估系统中的运用，并以实例说明。
[关键词]评估系统 Apriori算法 关联规则
中图分类号：TP3文献标识码：A 文章编号：1671－7597（2008）1220076－01
一、引言
高校教学质量评价系统的建立其目的不是简简单单地给教师一个评价等级，而是根据评价结果向教师传达重要的教学信息，帮助他们找出教学中有待改进的地方，并及时地调整教学策略，不断完善教学过程，提高教学水平。由于模糊分析方法的应用，评价结果所反映的不是简单的一个评价等级，而是在若干等级上的隶属程度，因此建立基于评价结果的分析处理模型具有重大的意义。本文将从关联规则Apriori算法角度举例说明。
二、关联规则Apriori算法应用
根据表中提供的数据，将学历分为本科、硕士、博士三个等级，总评是优秀、良好、中等、合格或不合格五个等级，利用Apriori算法处理数据并得出关联规则，设最小支持度为0.15，并利用支持度算法求出每个项集的支持度。结果如下：
频繁项集支持数支持度
[学历=本科]60.462
[学历=硕士]50.385
[学历=博士]20.154
[总评成绩=优]60.462
[总评成绩=良]20.154
[总评成绩=中]20.154
[总评成绩=合]20.154
[学历=本科，总评成绩=优]3 0.231
[学历=本科，总评成绩=合]2 0.154
[学历=硕士，总评成绩=优]2 0.154
[学历=硕士，总评成绩=中]2 0.154
共有11个频繁项集。设最小置信度为：0.4，根据置信度算法求出每项规则的置信度，结果如下：
[学历=本科] →[总评成绩=优] 0.5
[学历=硕士] →[总评成绩=优] 0.4
[学历=硕士] →[总评成绩=中] 0.4
结果表明：学历与总评成绩关联并不是太大，学历为本科，其所教授的相应课程的评价等级为优秀，说明该系在本科生的引进中很具实力，课程安排较为合理，教学质量较高，受学生的肯定程度也较高。学历为硕士的教师，其所教授的相应课程的评价等级为优秀或中等，说明了高校引进高质量人才时必须注重其师范类讲课技能。为了提高高校整体的教学水平，引进高学历人才同时也要注重本科生教师的培养，因为他们同样具备高教学质量条件。
下面分析教龄与评价结果之间的关系。根据表6.1提供的数据，将教龄分为（1，5）、（6，10）、（11，15）、（>15）四个等级，总评成绩仍然是优秀、良好、中等、合格和不合格五个等级，利用Apriori算法处理数据并得出关联规则，设最小支持度为0.1，并利用支持度算法求出每个项集的支持度。结果如下：
共有12个频繁项集。设最小置信度为：0.3，根据置信度算法求出每项规则的置信度，结果如下：
[年龄∈（1，5）]→[总评成绩=合] 0.5
[年龄∈（6，10）]→[总评成绩=中]0.667
[年龄∈（11，15）]→[总评成绩=优] 0.667
[年龄∈（>15）]→[总评成绩=优]1.0
三、算法结果
结果表明：教龄超过10年的老师，其所教授的相应课程的评价等级为优秀的置信度较高，说明一定程度教龄越大，积累的教学经验越丰富，授课的效果越好，受学生的肯定程度越高。教龄超过15年的老师所授课程评价等级置信度为1，说明这类教师的教学水平已经非常成熟，不需要再进行修正或者培养，学生也非常信任他们。
四、结束语
教育管理者可以依据挖掘结果有针对性地制定青年教师培养机制，利用“传、帮、带”的方式，“传”即授之以渔，“帮”即助之以需，“带”即率之以行，使年青教师在老教师的言传身教的影响下，不断积累教学经验，提高教学质量。
参考文献：
[1]Jiawei Han，Micheline Kamber著，数据挖掘概念与技术[M]，加拿大，机械工业出版社，2004.
[2]李新良，数据挖掘在教学测评系统中的应用与研究[J]，湖南人文科技学院学报，2007年（6）：45-47.
[3]查欣，基于数据挖掘的高效管理信息系统的设计与实现[J]，中国现代教育装备，2008年（2）：53-55.
[4]焦桂芝，关联规则挖掘在高校教学质量评估系统中的应用[J]，中国科学教育 2008年（1）：84-85.
作者简介：
蒋莲，女，江苏常州人，工程硕士，助教，主要研究方向：数据挖掘。
[关键词]评估系统 Apriori算法 关联规则
中图分类号：TP3文献标识码：A 文章编号：1671－7597（2008）1220076－01
一、引言
高校教学质量评价系统的建立其目的不是简简单单地给教师一个评价等级，而是根据评价结果向教师传达重要的教学信息，帮助他们找出教学中有待改进的地方，并及时地调整教学策略，不断完善教学过程，提高教学水平。由于模糊分析方法的应用，评价结果所反映的不是简单的一个评价等级，而是在若干等级上的隶属程度，因此建立基于评价结果的分析处理模型具有重大的意义。本文将从关联规则Apriori算法角度举例说明。
二、关联规则Apriori算法应用
根据表中提供的数据，将学历分为本科、硕士、博士三个等级，总评是优秀、良好、中等、合格或不合格五个等级，利用Apriori算法处理数据并得出关联规则，设最小支持度为0.15，并利用支持度算法求出每个项集的支持度。结果如下：
频繁项集支持数支持度
[学历=本科]60.462
[学历=硕士]50.385
[学历=博士]20.154
[总评成绩=优]60.462
[总评成绩=良]20.154
[总评成绩=中]20.154
[总评成绩=合]20.154
[学历=本科，总评成绩=优]3 0.231
[学历=本科，总评成绩=合]2 0.154
[学历=硕士，总评成绩=优]2 0.154
[学历=硕士，总评成绩=中]2 0.154
共有11个频繁项集。设最小置信度为：0.4，根据置信度算法求出每项规则的置信度，结果如下：
[学历=本科] →[总评成绩=优] 0.5
[学历=硕士] →[总评成绩=优] 0.4
[学历=硕士] →[总评成绩=中] 0.4
结果表明：学历与总评成绩关联并不是太大，学历为本科，其所教授的相应课程的评价等级为优秀，说明该系在本科生的引进中很具实力，课程安排较为合理，教学质量较高，受学生的肯定程度也较高。学历为硕士的教师，其所教授的相应课程的评价等级为优秀或中等，说明了高校引进高质量人才时必须注重其师范类讲课技能。为了提高高校整体的教学水平，引进高学历人才同时也要注重本科生教师的培养，因为他们同样具备高教学质量条件。
下面分析教龄与评价结果之间的关系。根据表6.1提供的数据，将教龄分为（1，5）、（6，10）、（11，15）、（>15）四个等级，总评成绩仍然是优秀、良好、中等、合格和不合格五个等级，利用Apriori算法处理数据并得出关联规则，设最小支持度为0.1，并利用支持度算法求出每个项集的支持度。结果如下：
共有12个频繁项集。设最小置信度为：0.3，根据置信度算法求出每项规则的置信度，结果如下：
[年龄∈（1，5）]→[总评成绩=合] 0.5
[年龄∈（6，10）]→[总评成绩=中]0.667
[年龄∈（11，15）]→[总评成绩=优] 0.667
[年龄∈（>15）]→[总评成绩=优]1.0
三、算法结果
结果表明：教龄超过10年的老师，其所教授的相应课程的评价等级为优秀的置信度较高，说明一定程度教龄越大，积累的教学经验越丰富，授课的效果越好，受学生的肯定程度越高。教龄超过15年的老师所授课程评价等级置信度为1，说明这类教师的教学水平已经非常成熟，不需要再进行修正或者培养，学生也非常信任他们。
四、结束语
教育管理者可以依据挖掘结果有针对性地制定青年教师培养机制，利用“传、帮、带”的方式，“传”即授之以渔，“帮”即助之以需，“带”即率之以行，使年青教师在老教师的言传身教的影响下，不断积累教学经验，提高教学质量。
参考文献：
[1]Jiawei Han，Micheline Kamber著，数据挖掘概念与技术[M]，加拿大，机械工业出版社，2004.
[2]李新良，数据挖掘在教学测评系统中的应用与研究[J]，湖南人文科技学院学报，2007年（6）：45-47.
[3]查欣，基于数据挖掘的高效管理信息系统的设计与实现[J]，中国现代教育装备，2008年（2）：53-55.
[4]焦桂芝，关联规则挖掘在高校教学质量评估系统中的应用[J]，中国科学教育 2008年（1）：84-85.
作者简介：
蒋莲，女，江苏常州人，工程硕士，助教，主要研究方向：数据挖掘。