数据挖掘技术在高校教学评价中的应用研究

收稿日期：2020-03-31
基金项目：石家庄学院教学改革与实践项目
（JGXM-201703A ）作者简介：祁瑞丽（1984-），女，河北邢台人，讲师，主要从事数据挖掘技术与移动互联网研究.
数据挖掘技术在高校教学评价中的应用研究
祁瑞丽1，郭学涛2，孟军英1，李
瑗1
（1.石家庄学院计算机科学与工程学院，河北石家庄050035；2.中国电信集团有限公司石家庄分公司，河北石家庄
050000）
摘
要：教学评价是高校教学环节的重要组成部分，
对高等教育的发展和教育质量的提高，起着十分重要的作用.将数据挖掘技术应用到教学评价中，对源数据进行清洗和转换处理，采用
Aprioir 算法对其进行数据建模，从而抽取教师信息和学生信息与评价结果之间隐藏的内在联系，
以便更好地为教学管理服务.
关键词：数据挖掘；教学评价；
关联规则；教学管理中图分类号：G642.0
文献标识码：A
文章编号：1673-1972（2020）03-0065-04
0引言
教学评价是衡量高校教学质量的重要指标，也是教学环节的基础组成部分，
关系到学生学习效果和就业质量.当前的教学质量评价大多按照以下程序展开：首先教学主管部门结合本校实际制定评价指标和评价
权重，然后通过网络对评价量表进行逐项打分，最后，教务部门根据网络评分划分教学质量考核等级，并以此作为重要参考对教师进行评优评先和年度考核.通常，评价主体采用多元化方式，包括学生评价、同行互评、专家评价等[1-4]，各个评价部分按重要程度占有不同的比例.网络系统评分后，如何合理地利用数据挖掘技术
对大量的评教数据进行处理和分析，寻找其背后隐藏的有价值信息，更好地为教师和教学管理部门服务，已成为亟待解决的问题[5-7].
本研究首先对评价的原始数据进行预处理，然后选择关联规则作为数据挖掘算法，
找出教师信息和课程信息与教学评价结果之间的隐藏联系，发现提高教学质量的相关因素，为今后的课程设置和教学改革提供思路和方法.
1
关键技术与方法
1.1
数据挖掘技术
数据挖掘是从大量、未经清洗、随机的数据中，抽取出蕴含在其中隐含着有实用价值的信息和知识的过
程[8].数据挖掘系统利用所挖掘的知识类型分类包括：关联和相关分析、分类、预测、聚类等[9].1.2
关联规则挖掘
关联规则挖掘是数据挖掘的一种重要方法，该算法从大规模数据集中寻找项间的隐含关系.关联规则
挖掘的主要步骤为：
1）找出所有满足最小支持度的频繁项集；
2）找出满足最小支持度和最小置信度的频繁项集，
并产生强关联规则.关于支持度和置信度有如下定义：
假设I={I1，I2，…，I m }是项的集合.设数据库D={T1，T2，…，T n }是数据库事务的集合，其中每个事务T i 第22卷第3期石家庄学院学报
Vol.22，No.32020年5月Journal of Shijiazhuang University May 2020
表1
部分教学评价信息序号职工号课程代码职称年龄/岁学位参评人数
评价1T0001C0001副教授56学士7294.332T0005C0009副教授37硕士10294.003T0024C0055教授50硕士23891.884T0007C0015讲师42硕士7892.445T0023C0051讲师33硕士1896.566
T0024
C0056
教授
50
硕士
27
91.41
（1<=i <=n ）是项的集合，使得T i ⊆I.每个事务有一个唯一标识符TID.关联规则是形如A=>B 的蕴涵式，其中A ⊂I ，B ⊂I ，且A ∩B=覫.
1）支持度：称D 中事务包含A ∪B 的百分比为规则A=>B 的支持度support ，即概率P （A ∪B ）.因此有式
（1）成立：
support （A=>B ）=P （A ∪B ）.（1）
2）置信度：称D 中包含A 的事务同时也包含B 的百分比为规则A=>B 的置信度confidence ，即条件概率P （B|A ）.因此有式（2）成立：confidence （A=>B ）=P （B|A ）.
（2）
通常用百分比表示支持度和置信度，
二者的阈值由用户或领域专家设定[10].若一个规则既满足最小支持度阈值又满足最小置信度阈值，
则称其为强关联规则.最常用的关联规则挖掘算法是Aprioir 算法.该算法扫描数据库，搜索满足最小支持度的项，
并找出频繁项的集合.算法多次迭代执行，直到不能再找到频繁K 项集为止[10].
2关联规则挖掘在教学评价中的应用
将关联规则挖掘技术应用到教学评价分析中，试图发现教师信息、课程信息与教学评价结果之间的关联性，以便进一步提高教学质量，
服务于教学管理.2.1
数据清理和数据集成
为了去掉数据中的噪声和不一致，提高挖掘结果的质量，
采用数据清理技术对源数据进行处理.本研究提取石家庄学院计算机学院2014~2018年的学生评价数据作为源数据，对其中的不完整、噪声和不一致进行消除处理，然后采用数据集成方法，将教师信息表、
课程信息表和教学评价信息表整合到一起，并对用户敏感信息做删除处理，对教师工号和课程代码做简化处理，
部分整合后的数据如表1所示.2.2
数据转换
为了提高数据挖掘过程的精度和性能[10]，
首先要对原始数据进行必要的转换.结合上述原始数据特点及数据转换方法，对数值型数据主要采用数据泛化的办法，将原本分散的数值映射到特定的区间和范围内.对文本型数据如职称，则进行离散化处理，
将其划分为不同的类别标识.具体转换方法：将年龄分为4组：A1［28，35］，A2［36，43］，A3［44，51］，A4［52，59］；评定分数分为4组：
S1［87，90］，S2［91，92］，S3［93，95］，S4［96，98］；职称划分为4组：L1初级，L2中级，L3副高，L4正高；对学生人数进行离散化处理，评价人数分为4组：N1［10，50］，N2［51，100］，N3［101，150］，N4［151，350］；教师学位划分为学士，硕士，博士3个等级.2.3
关联规则挖掘分析
将处理后的教学评价数据作为源数据，采用数据挖掘工具SPSS Modeler ，基于Aprioir 算法进行数据建
模，设置支持度和置信度阈值，寻找满足条件的频繁项集，
分析评价等级相关因素与结果之间的内在联系.2.3.1学生人数与评价等级之间的关系
设置数据流如图1所示.利用Aprioir 算法，对授课班级人数和教学评价等级进行关联分析，
得到学生石家庄学院学报2020年5月
66
祁瑞丽，郭学涛，孟军英，等：数据挖掘技术在高校教学评价中的应用研究
前项后项支持度/%置信度/%L3
S3
27.17
44.0
L2S348.9140.0
表4
教师职称与评价等级的频繁项集表3
教师年龄与评价等级的频繁项集人数和评价等级的支持度和置信度.假设最小支持度为10%，最小置信度为45%，得到学生人数和评价等级的频繁项集（表2）.
从表2可以看出，授课班级人数在151~350人时，评价等级处于91~92分的支持度和置信度分别为
10.87%和80.0%；学生人数在51~100人时，评价等级为93~95分的支持度为39.13%，置信度为47.22%.2.3.2
教师年龄与评价等级之间的关系
以教师年龄作为输入项，评价等级作为目标项，得到教师年龄和评价等级之间的支持度和置信度.设置最小支持度10%，最小置信度40%，得到教师年龄与评价等级的频繁项集（表3）.
由表3可知，当教师年龄处于28~35岁时，评价等级处于91~92分的支持度为16.30%，置信度为
53.33%；当教师年龄处于44~51岁时，评价等级处于96~98分的支持度和置信度分别为17.39%和43.75%；当教师年龄处于36~43岁时，评价等级处于93~95分的支持度为57.61%，置信度为43.40%.
2.3.3
教师职称与评价等级之间的关系
以教师职称作为输入项，评价等级作为目标项，得到教师职称和评价等级之间的支持度和置信度.假设
最小支持度20%，最小置信度40%，得到教师职称与评价等级的频繁项集（表4）.
由表4可以看出，教师职称为中级时，评价等级在93~95分的支持度为48.91%，置信度为40.0%；教师
前项后项支持度/%置信度/%N4S210.8780.00N2
S3
39.13
47.22
表2
学生人数和评价等级的频繁项集前项后项支持度/%置信度/%A2S357.61
43.40
A1A3
S2S4
16.3017.3953.3343.75
图1数据流图
67
职称为副高，评价等级在93~95分的支度和Application 持置信度分别为27.17%和44.0%.
3结论
根据以上数据相关性分析结果，得出如下结论：
1）授课班级的学生人数对评价结果有重要影响，二者之间大致呈反比关系.学生人数较少时，教学评价
等级较高；反之，则教学评价等级较低.由此可见，授课班级人数会影响到教学效果与学习质量，人数超过一定数量就会影响授课方式、教学组织、课堂互动、作业批改和辅导答疑，造成学习体验和学习效果的下降.因此，学院今后在安排课程时，要想提高整体教学质量，就应倡导小班授课模式，积极探索人数较多的公共基础课和公选课的教学方法.
2）教师年龄与评价等级之间大致呈反比关系.年龄为44~51岁的教师，教学评价为96~98分的概率较
大；年龄为28~35岁的教师，教学评价为91~92分的概率较大.学校应加大对青年教师的培养力度，为其提供培训和学习的机会，充分发挥老教师的优势，形成青年教师导师制，以尽快提高青年教师业务能力和专业素养.
3）教师职称与评价等级之间没有直接相关性.无论职称如何，都不影响教师教学的积极性.
4结束语
教学效果关系到学生的成长和发展，对高校人才培养的质量起着关键作用.本研究采用关联规则挖掘技术对教学评价数据进行建模和分析，为高校的教学组织、人才引进和教师培训等管理工作提供思路.进一步结合课程性质、专业特点及学生情感因素等挖掘评价数据，以及分析评价指标的维度和权重设置，以制定具有个性化的评价系统，是未来研究的重要方向.参考文献：
[1]赵倩.基于数据挖掘的教学质量评价体系研究[J].无线互联科技，2019，16（13）：86-87.
[2]张继成，杜松江，张路.基于数据挖掘的课堂教学评价体系构建研究[J].电脑知识与技术：学术交流，2017，13（28）：10-11.[3]常军林，张真.数据挖掘在高校教学评价中的应用[J].中州大学学报，2016，33（2）：105-107.
[4]周红志，郝文清，董阜平.基于数据挖掘的高校教学质量评估体系的构建[J].文教资料，2019，（28）：171-172+132.[5]王忠洋.教育大数据的应用与挑战分析[J].无线互联科技，2019，（13）：95-96.
[6]王晓艳，高云辉.数据挖掘技术在教学评价系统中的应用[J].计算机光盘软件与应用，2013，（4）：211-212.
[7]罗美淑，刘世勇，夏春艳.数据挖掘技术在教学评价中的应用研究[J].教育探索，2013，（2）：81-82.[8]毛国君，段立娟，王室，等.数据挖掘原理与算法[M].北京：清华大学出版社，2005.
[9]颜延，秦兴彬，樊建平，等.医疗健康大数据研究综述[J].科研信息化技术与应用，2014，5（6）：3-16.
[10]Jiawei Han ，Micheline Kamber.数据挖掘：概念与技术[M].范明，等，译.北京：机械工业出版社，2007.
（责任编辑王颖莉）
Research of Data Mining Technology
in Teaching Evaluation in University
QI Rui-li 1,GUO Xue-tao 2,MENG Jun-ying 1,LI Yuan 2
(1.School of Computer Science &Engineering,Shijiazhuang University,Shijiazhuang,Hebei 050035,China;2.Shijiazhuang Branch,
China Telecom Group Corp Ltd.,Shijiazhuang,Hebei 050000,China)
Abstract :Teaching evaluation is an important part of college teaching.It plays an important role in the devel -
opment of higher education and the improvement of education quality.It applies data mining technology to teaching evaluation,cleans and transforms the source data,and adopts Aprioir algorithm to model the data to extract hidden internal connection between teacher information and student information and the evaluation results,so as to better
serve the teaching management.
Key words :data mining;teaching evaluation;association rules;teaching management
石家庄学院学报2020年5月
68。