數(shù)據挖掘技術在高校教學評價中的應用研究

祁瑞麗，郭學濤，孟軍英，李 瑗

（1.石家莊學院 計算機科學與工程學院，河北 石家莊 050035；2.中國電信集團有限公司石家莊分公司，河北 石家莊 050000）

0 引言

教學評價是衡量高校教學質量的重要指標，也是教學環(huán)節(jié)的基礎組成部分，關系到學生學習效果和就業(yè)質量.當前的教學質量評價大多按照以下程序展開：首先教學主管部門結合本校實際制定評價指標和評價權重，然后通過網絡對評價量表進行逐項打分，最后，教務部門根據網絡評分劃分教學質量考核等級，并以此作為重要參考對教師進行評優(yōu)評先和年度考核.通常，評價主體采用多元化方式，包括學生評價、同行互評、專家評價等[1-4]，各個評價部分按重要程度占有不同的比例.網絡系統(tǒng)評分后，如何合理地利用數(shù)據挖掘技術對大量的評教數(shù)據進行處理和分析，尋找其背后隱藏的有價值信息，更好地為教師和教學管理部門服務，已成為亟待解決的問題[5-7].

本研究首先對評價的原始數(shù)據進行預處理，然后選擇關聯(lián)規(guī)則作為數(shù)據挖掘算法，找出教師信息和課程信息與教學評價結果之間的隱藏聯(lián)系，發(fā)現(xiàn)提高教學質量的相關因素，為今后的課程設置和教學改革提供思路和方法.

1 關鍵技術與方法

1.1 數(shù)據挖掘技術

數(shù)據挖掘是從大量、未經清洗、隨機的數(shù)據中，抽取出蘊含在其中隱含著有實用價值的信息和知識的過程[8].數(shù)據挖掘系統(tǒng)利用所挖掘的知識類型分類包括：關聯(lián)和相關分析、分類、預測、聚類等[9].

1.2 關聯(lián)規(guī)則挖掘

關聯(lián)規(guī)則挖掘是數(shù)據挖掘的一種重要方法，該算法從大規(guī)模數(shù)據集中尋找項間的隱含關系.關聯(lián)規(guī)則挖掘的主要步驟為：

1）找出所有滿足最小支持度的頻繁項集；

2）找出滿足最小支持度和最小置信度的頻繁項集，并產生強關聯(lián)規(guī)則.

關于支持度和置信度有如下定義：

假設I={I1，I2，…，I m}是項的集合.設數(shù)據庫D={T1，T2，…，T n}是數(shù)據庫事務的集合，其中每個事務T i（1＜=i＜=n）是項的集合，使得T i?I.每個事務有一個唯一標識符TID.關聯(lián)規(guī)則是形如A=＞B的蘊涵式，其中 A?I，B?I，且 A∩B=?.

1）支持度：稱D中事務包含A∪B的百分比為規(guī)則A=＞B的支持度support，即概率P（A∪B）.因此有式（1）成立：

2）置信度：稱D中包含A的事務同時也包含B的百分比為規(guī)則A=＞B的置信度confidence，即條件概率P（B|A）.因此有式（2）成立：

通常用百分比表示支持度和置信度，二者的閾值由用戶或領域專家設定[10].若一個規(guī)則既滿足最小支持度閾值又滿足最小置信度閾值，則稱其為強關聯(lián)規(guī)則.

最常用的關聯(lián)規(guī)則挖掘算法是Aprioir算法.該算法掃描數(shù)據庫，搜索滿足最小支持度的項，并找出頻繁項的集合.算法多次迭代執(zhí)行，直到不能再找到頻繁K項集為止[10].

2 關聯(lián)規(guī)則挖掘在教學評價中的應用

將關聯(lián)規(guī)則挖掘技術應用到教學評價分析中，試圖發(fā)現(xiàn)教師信息、課程信息與教學評價結果之間的關聯(lián)性，以便進一步提高教學質量，服務于教學管理.

2.1 數(shù)據清理和數(shù)據集成

為了去掉數(shù)據中的噪聲和不一致，提高挖掘結果的質量，采用數(shù)據清理技術對源數(shù)據進行處理.本研究提取石家莊學院計算機學院2014～2018年的學生評價數(shù)據作為源數(shù)據，對其中的不完整、噪聲和不一致進行消除處理，然后采用數(shù)據集成方法，將教師信息表、課程信息表和教學評價信息表整合到一起，并對用戶敏感信息做刪除處理，對教師工號和課程代碼做簡化處理，部分整合后的數(shù)據如表1所示.

2.2 數(shù)據轉換

為了提高數(shù)據挖掘過程的精度和性能[10]，首先要對原始數(shù)據進行必要的轉換.結合上述原始數(shù)據特點及數(shù)據轉換方法，對數(shù)值型數(shù)據主要采用數(shù)據泛化的辦法，將原本分散的數(shù)值映射到特定的區(qū)間和范圍內.對文本型數(shù)據如職稱，則進行離散化處理，將其劃分為不同的類別標識.

具體轉換方法：將年齡分為 4 組：A1［28，35］，A2［36，43］，A3［44，51］，A4［52，59］；評定分數(shù)分為 4 組：S1［87，90］，S2［91，92］，S3［93，95］，S4［96，98］；職稱劃分為 4 組：L1 初級，L2 中級，L3 副高，L4 正高；對學生人數(shù)進行離散化處理，評價人數(shù)分為 4 組：N1［10，50］，N2［51，100］，N3［101，150］，N4［151，350］；教師學位劃分為學士，碩士，博士3個等級.

表1 部分教學評價信息

2.3 關聯(lián)規(guī)則挖掘分析

將處理后的教學評價數(shù)據作為源數(shù)據，采用數(shù)據挖掘工具SPSS Modeler，基于Aprioir算法進行數(shù)據建模，設置支持度和置信度閾值，尋找滿足條件的頻繁項集，分析評價等級相關因素與結果之間的內在聯(lián)系.

2.3.1 學生人數(shù)與評價等級之間的關系

設置數(shù)據流如圖1所示.利用Aprioir算法，對授課班級人數(shù)和教學評價等級進行關聯(lián)分析，得到學生人數(shù)和評價等級的支持度和置信度. 假設最小支持度為10%，最小置信度為45%，得到學生人數(shù)和評價等級的頻繁項集（表2）

圖1 數(shù)據流圖

從表2可以看出，授課班級人數(shù)在151～350人時，評價等級處于91～92分的支持度和置信度分別為10.87%和80.0%；學生人數(shù)在51～100人時，評價等級為93～95分的支持度為39.13%，置信度為47.22%.

2.3.2 教師年齡與評價等級之間的關系

以教師年齡作為輸入項，評價等級作為目標項，得到教師年齡和評價等級之間的支持度和置信度.設置最小支持度10%，最小置信度40%，得到教師年齡與評價等級的頻繁項集（表3）.

由表3可知，當教師年齡處于28～35歲時，評價等級處于91～92分的支持度為16.30%，置信度為53.33%；當教師年齡處于44～51歲時，評價等級處于96～98分的支持度和置信度分別為17.39%和43.75%；當教師年齡處于36～43歲時，評價等級處于93～95分的支持度為57.61%，置信度為43.40%.

2.3.3 教師職稱與評價等級之間的關系

以教師職稱作為輸入項，評價等級作為目標項，得到教師職稱和評價等級之間的支持度和置信度.假設最小支持度20%，最小置信度40%，得到教師職稱與評價等級的頻繁項集（表4）.

由表4可以看出，教師職稱為中級時，評價等級在93～95分的支持度為48.91%，置信度為40.0%；教師職稱為副高，評價等級在93～95分的支持度和置信度分別為27.17%和44.0%.職稱為副高，評價等級在93～95分的支持度和置信度分別為27.17%和44.0%.

表2 學生人數(shù)和評價等級的頻繁項集

表3 教師年齡與評價等級的頻繁項集

表4 教師職稱與評價等級的頻繁項集

3 結論

根據以上數(shù)據相關性分析結果，得出如下結論：

1）授課班級的學生人數(shù)對評價結果有重要影響，二者之間大致呈反比關系.學生人數(shù)較少時，教學評價等級較高；反之，則教學評價等級較低.由此可見，授課班級人數(shù)會影響到教學效果與學習質量，人數(shù)超過一定數(shù)量就會影響授課方式、教學組織、課堂互動、作業(yè)批改和輔導答疑，造成學習體驗和學習效果的下降.因此，學院今后在安排課程時，要想提高整體教學質量，就應倡導小班授課模式，積極探索人數(shù)較多的公共基礎課和公選課的教學方法.

2）教師年齡與評價等級之間大致呈反比關系.年齡為44～51歲的教師，教學評價為96～98分的概率較大；年齡為28～35歲的教師，教學評價為91～92分的概率較大.學校應加大對青年教師的培養(yǎng)力度，為其提供培訓和學習的機會，充分發(fā)揮老教師的優(yōu)勢，形成青年教師導師制，以盡快提高青年教師業(yè)務能力和專業(yè)素養(yǎng).

3）教師職稱與評價等級之間沒有直接相關性.無論職稱如何，都不影響教師教學的積極性.

4 結束語

教學效果關系到學生的成長和發(fā)展，對高校人才培養(yǎng)的質量起著關鍵作用.本研究采用關聯(lián)規(guī)則挖掘技術對教學評價數(shù)據進行建模和分析，為高校的教學組織、人才引進和教師培訓等管理工作提供思路.進一步結合課程性質、專業(yè)特點及學生情感因素等挖掘評價數(shù)據，以及分析評價指標的維度和權重設置，以制定具有個性化的評價系統(tǒng)，是未來研究的重要方向.