应用关联规则算法对高校教师测评数据进行分析

1、应用关联规那么算法对高校教师测评数据进展分析摘 要：引进高校教师测评系统是学校加强教学管理必要手段，通过每个学期的测评系统可以反响出学生对任课教师的满意程度和教师在授课过程中的一些不标准行为。该论文首先介绍数据挖掘经典算法中的关联规划算法，然后分析高校教师测评系统的数据库，利用分层次法对教师测评系统数据库中的大量数据进展分析，找出教师自身属性和授课情况之间的相关性。最后对该方法总结缺乏并做出展望。关键词：关联规那么 教师测评 Apriori算法Abstract：the introduction of university teachers evaluation system is necess

2、ary to strengthen teaching management，school each semester by the measurement system can reflect studentssatisfaction in classroom teachers and teachers in some irregularities in the process of teaching. This paper first introduces the relevant planning algorithm of classic data mining algorithm， an

3、d then analysis and evaluation system of college teachers of database，using the method of hierarchical analysis of teacher evaluation system of large amounts of data in the database， find out the correlation between teachersown attribute and teaching conditions. Finally this method and total lack of

4、 and make a prospect.Key Words：Association rules；Teacher evaluation；Apriori algorithm随着高等教育的逐渐普及，普通高校的在生源竞争上越来越剧烈，优质的教学质量是竞争的核心，是高校赖以生存的生命线。对高校教师进展测评是每学期教学管理的必不可少的一项工作，涉及所有任课教师，所有课程。目前大部分高校都引进了教学管理系统，其中包括教师网上测评模块，在校学生可以随时随地对本学期课程教师进展测评。但高校教学质量测评环节根本上用的是一套固定形式：由教务部门确定一个测评指标体系，制作出一套测评表，由部分特定学生群体对某个教师进

5、展测评，最后综合统计，得出每个教师的总分，做出学期末考核的一个重要因素。然而实际上高校教学质量测评是一个复杂的教育和教学问题，涉及到各方面的因素，只是一味的追求结果已不能适应现代的多元化的教学。我们应该充分利用系统所搜集的各项数据，寻找各项数据之间的关联，以及同一门课程不同班级所提交数据之间的内在联络。分析出每位教师所讲授课程的特点，针对得出的结论，作为系部教学整改的重要根据。1 数据挖掘中关联规那么算法概述1.1 关联规划算法的概念所谓关联，反映的是一个事件和其他事件之间依赖或关联的知识。当我们查找英文文献的时候，可以发现有两个英文词都能形容关联的含义。第一个是相关性relevance；第二

6、个是关联性association，两者都可以用来描绘事件之间的关联程度。关联算法是数据挖掘中的一类重要算法。1993年，R.Agrawal等人首次提出了挖掘顾客交易数据中工程集间的关联规那么问题，其核心是基于两阶段频繁集思想的递推算法。该关联规那么在分类上属于单维、单层及布尔关联规那么，典型的算法是Apriori算法。1.2 Apriori算法概述Apriori算法将发现关联规那么的过程分为两个步骤：第一步通过迭代，检索出事务数据库1中的所有频繁项集，即支持度不低于用户设定的阈值的项集；第二步利用频繁项集构造出满足用户最小信任度的规那么。其中，挖掘或识别出所有频繁项集是该算法的核心，占整个计算

7、量的大部分。层次分析法的步骤。2 利用Apriori算法对教师测评数据进展分析2.1 数据准备下面以某高职院校计算机应用技术专业教师测评数据集和教师自身一些特征数据为训练样本。教师测评数据包括讲课教学内容、教学态度、教学方法和按时修改作业。这四个方面分别为30、20、30、20。用符号A表示教学内容，符号概化为A12530分，A22024分，A319分以下，用符号B表示教学方法，B11820分，B21517分，B314分以下。以此类似方法将教学态度和批发作业等数据离散化。将测评结果的四个属性作为决策属性，成绩大于90分的为“D1，大于80分小于90分的为“D2，大于60分小于80分的为“D3，

8、小于60分的为“D4。学历项数据博士、研究生、本科分别离散为X1，X2，X3。职称教授、副教授、讲师、助教表示为Z1，Z2，Z3，Z4。将这些数据集显示在表1中。2.2 Apriori算法的应用在本论文中，挖掘的目的是教师授课情况和教师自身条件与测评结果之间的关联，因此使用如下形式的规那么模板：P1P2P3=>Q1Q2其中P表示各项教师的指标情况，Q为测评结果。设关联规那么最小支持度为20%，最小置信度为70%，用VC+进展编程运算。 第一，找出所有的频繁项集伪代码如下：procedureFP_growthTree，aifTree含单个途径Pthenfor途径P中结点的每个组合记作b产生

9、形式bUa，其支持度support=b中结点的最小支持度； else for eachai在Tree的头部按照支持度由低到高顺序进展扫描产生一个形式b=aiUa，其支持度support=ai.support；构造b的条件形式基，然后构造b的条件FP-树Treeb；ifTreeb 不为空 then调用 FP_growth Treeb，b；2.3 由频繁项集产生强规那么表2为由所有频繁项集所导出的有价值的关联规那么生成表。2.4 结果分析具有较副高职称和研究生学历的教师，教学态度较好，而且精力充分，课堂教学经历丰富，评价分数较高。而本科学历同样是副高职称的老教师，在教学内容上能得到学生认可，教学态

10、度严谨，学生评价分数也很高。一些刚走上讲台不久，助教职称的教师，在教学方法和教学内容上还有所欠缺，没有得到学生的认可。由此可见，学校应该加大年轻教师的培养，多给他们外出学习和培训的时机，另外有经历的教师也应该担负起培养年轻教师的责任。3 结语该文以数据挖掘中关联规那么算法对教师教学质量测评数据进展分析，找出大量数据的关联性。为学校以后对教师的培养提供了可以参考的方向。缺乏之处是，样本数据不多，规那么生成的不明显。高校教师教学质量测评数据的挖掘可以更加深化，可以以某一位教师为例纵向分析近几年的采集数据，为其做出曲线图，可以作为系部评价教师的教学工作的根据。参考文献1 叶假设芬，孙书明.基于数据挖掘技术的教学测评J.河北工业学报，20016：383-386.2 宋晓梅.数据挖掘技术在高校教师教学质量测评中的应用J.赤峰学院学报：自然科学版，20212：180