关联规则在高职院校教学监控中的应用研究

刘花

摘  要：隨着国家对高等职业教育的大力扶持，高职院校提高教育教学质量，增强社会服务能力，是学校持续发展的有效途径之一。科学有效的教学监控评价机制可以提升人才培养质量，该文中利用关联分析算法和数据挖掘工具（SPSS Modeler）进行教学评价。首先对学院的教学评价数据进行关联分析，之后对教学评价关联分析的数据进行优化，根据优化的数据进一步完善学院教学评价机制，提出切实能够改进教育教学质量的措施和方法，保障日常教育教学质量，提高人才培养质量。

关键词：关联分析；教学评价；教学评价模型；数据挖掘；应用研究

中图分类号：TP18     文献标志码：A          文章编号：2095-2945（2024）08-0191-06

Abstract： With the state's strong support for higher vocational education， it is one of the effective ways for the sustainable development of higher vocational colleges to improve the quality of education and teaching and enhance the ability of social service. Scientific and effective teaching monitoring and evaluation mechanism can improve the quality of talent training. In this paper， correlation analysis algorithm and data mining tool （SPSS Modeler） are used for teaching evaluation. Firstly， the correlation analysis of the teaching evaluation data of the college is carried out， and then the data of the correlation analysis of teaching evaluation is optimized. According to the optimized data， the teaching evaluation mechanism of the college is further improved， and measures and methods that can effectively improve the quality of education and teaching are proposed， so as to ensure the quality of daily education and teaching and improve the quality of personnel training are proposed.

Keywords： association analysis; teaching evaluation; teaching evaluation model; data mining; applied research

伴随着国家大力发展职业教育浪潮的到来，提升职业教育教学质量已成为目前职业院校面临的巨大挑战。而学生作为教育教学主体，对教师教学方法、教学内容、教学效果等方面的评价数据，是目前提升教师教学能力和强化教师教学改革的主要依据。本文针对教师教学评价一级指标和教学评价结果数据样本，应用关联规则，进而挖掘并分析相关关联规则，从而提出提升教学质量和学生技能的参考性建议。

1  关联规则及算法介绍

1.1  关联规则

关联规则是一种用于发现大量数据中各事务之间有趣的关联或相关关系的算法，通常反映集合中一个事务与其他事务之间的相互依存性和关联性，主要通过置信度和支持度来衡量。

一般情况下，支持度（support）是指在数据集中同时包含两个事务A、B的百分比，即同时包含事务A、B的概率；置信度（confidence）指在数据集中，已经包含事务A的情况下，包含事务B的百分比，即条件概率。针对具体数据集，根据实际数据挖掘需要，分别把最小支持度阈值和最小置信度阈值设定好，对满足阈值的关联规则进行分析，进而得出对实际案例有价值的规则分析。

关联规则挖掘过程主要分为两个步骤：第一步，通过预先设定的最小支持度阈值，保留大于等于阈值的频繁项；第二步，预先设定最小置信度阈值，去除小于阈值的关联规则，保留有效关联规则。

1.2  Apriori算法概述

Apriori算法是一种经典的关联规则挖掘算法，用于发现大规模数据集中的频繁项集。它采用逐层搜索的迭代方法，通过连接和剪枝的步骤，不断产生新的候选项集，并计算其支持度。

Apriori算法具体实现过程分为计算支持度、判断候选集子集为否是频繁项集、挖掘频繁项集三步，具体实现代码截图如图1—图3所示。

在实际案例的数据挖掘工程中，通过设置合理有效的阈值并利用Apriori算法原理，可以有效避免重复搜索和挖掘的过程，大大提高挖掘频繁项集和关联规则的时间和效率。

2  教学监控中关联规则实施方案

2.1  确定数据挖掘对象、目标

收集2021—2022学年第一学期某高校教师教学评价结果数据，根据教学评价得分将教师教学评价结果分为“优秀”“良好”“合格”“不合格”4个等级，在本文中，将对教学评价表中的师德师风、教学内容等5个一级指标进行关联规则分析，希望挖掘出数据模型内部之间隐藏的关联规则，最终分析得出在日常教学中，能够直接影响教师教学效果和教学评价的因素，根据影响因素，结合实际提出能够改进教育教学工作的意见和建议。

2.2  數据采集

本研究中的数据来源于酒泉职业技术学院的教师教学评价表，见表1。

针对以上教学评价表，对我校2022—2023学年度第一学期的教师教学评价表中的数据，筛选出400份教学评价数据，针对教师教学评价结果与教学评价一级指标之间进行关联分析，得出影响教学结果的主要因素，从而提升教师的教育教学水平。

2.3  数据预处理

针对表1中的五个一级指标，对400份教学评价数据分项得分与评价结果的数据通过数据离散化的方式进行转换。

在本文中，将教学评价表中五个一级指标根据得分依次转换为“优秀”“良好”“合格”“不合格”四个等级，具体转化标准见表2。

＼按照表2中转换标准对收集到的400份教学评价数据进行离散化转换后，得到表3。

2.4  数据挖掘

本文将对采集到的400份离散后的样本数据采用Apriori算法进行数据挖掘关联分析。

在Apriori算法中，由频繁项集产生候选项集时，其复杂度是指数级增长的，且在产生候选项集时，需要多次扫描数据库，这导致算法可能产生庞大的候选项集，占用巨大的时间和空间。这些缺点促使在本案例中，需优化Apriori算法再分析，利用Apriori算法原理来提高算法的执行效率和运行时间。

3  教学评价模型一级指标与评价等级的关联分析

对表3中离散化的400条数据样本应用Apriori算法，分别对五项评价指标与教学评价结果进行关联分析。

3.1  师德师风与评价等级关联

针对表3中离散化后的评价表，应用Apriori 算法对师德师风和评价等级进行分析计算，设置最小支持度为0.2，得到表4。

针对得到的频繁项集，设置最小置信度为0.5，得到的关联规则见表5。

通过分析可以得出：师德师风在教师教学过程和教学评价中具有举足轻重的作用。教师职业的特殊性决定了师德师风的重要地位，作为人类灵魂的工程师，教师不仅仅要具备扎实的、专业的知识和技能，更为重要的是，要具备崇高的道德情操，才能更好地担起学生健康成长指导者和引路人的责任。因此，师德师风作为教师教学评价的第一标准，在教学评价中，师德师风对教学评价结果具有“一票否决”权。

3.2  教学内容与评价等级关联

针对表3中离散化后的评价表，应用改进后的 Apriori算法进行分析计算，设置最小支持度为0.2，得到表6。

针对得到的频繁项集，设最小置信度为0.5，得到的关联规则见表7。

通过分析可以得出：教学内容是教学评价的基础，在教学过程中，教师能按照学生实际和课程标准规定的内容进行教学设计，挖掘课程思政元素和优秀案例，并在教学内容中有机融入本专业新技术、新工艺、新规范，注重重难点突破。如果教学内容难度适中、知识点清晰、与实践结合紧密，符合学生的兴趣和需求，学生对此的评教分数往往会更高。因此，学生作为教学过程的参与者和受益者，对教学内容的认可度和满意度是评价教学质量的重要指标之一。通过学生评教，教师可以了解学生对教学内容的反馈和评价，从而对教学内容进行改进和提高，进一步提升教学质量。

3.3  教学方法与评价等级关联

针对表3中离散化后的评价表，应用改进后的 Apriori 算法进行分析计算，设置最小支持度为0.2，得到表8。

针对得到的频繁项集，设置最小置信度为0.5，得到的关联规则见表9。

通过分析可以得出：教学方法在整个教学过程中起着举足轻重的作用，如果教师采用生动有趣的多样化教学方法，学生的课堂参与度高，对教学的评价等级也会更高。相反，如果教师采用传统、单一的教学方法，学生可能会感到课堂单调乏味，知识掌握程度也会有所下降，对教学的评价等级也会相应降低。由此，加强教学方法改革，重视教学方法研究，是提高教师教学评价和学校教学质量的有效途径。

3.4  教学组织与评价等级关联

针对表3中离散化后的评价表，应用Apriori算法进行分析计算，设置最小支持度为0.1，得到表10。

针对得到5个频繁项集，设最小置信度为0.6，得到的关联规则见表11。

通过分析得出：如果教师能够合理地组织教学活动，激发学生的学习兴趣和课堂参与欲望，那么学生的学习积极性和学习效果都会得到提升，进而教师的教学评价等级结果也比较高。相反，如果教师的教学组织能力不足，学生缺乏学习兴趣，学习效果不佳，从而教师的教学评价等级也会降低。由此，教师要有效地进行学情分析和教学设计，不断地调整和改进教学方法和策略，进而改进和提升教学组织和实施能力，提高学生的课堂参与度和学习效果。

3.5  教学效果与评价等级关联

针对表3中离散化后的评价表，应用Apriori算法进行分析计算，设置最小支持度为0.2，得到表12。

针对得到4个频繁项集，设最小置信度为0.5，得到的关联规则见表13。

通过分析得出：将置信度设置为0.5，只得到了“教学效果=A，评价等级=优秀”一条关联规则且置信度高达0.73。可见，学生作为课堂的主体，在进行教学评价时，对教师整体的教学效果还是很重视的，一般教学效果好的老师，教学评价等级都相对比较高，而教学效果也受教学方法、教学组织等因素的制约，老师想获得较高的教学评价等级，认真负责的教学设计是必不可少的。

4  SPSS Modeler验证与建模分析

根据收集到的2022—2023学年度第一学期的教学评价统计表为例进行建模关联规则验证。

1）将“教学评价样本数据表”导入数据源，并在“字段选项”的“类型”中，将“评价等级”设为目标，其余“教学素质”“教学方法”“教学内容”“教学效果”“教学特色”五项设为输入，在“建模”中分别选择“Apriori建模”“Bayesian网络”“关联规则”放入数据流并与数据源相连，如图4所示。

2）选择“Apriori建模”，执行数据流后，输出结果如图5所示。

3）选择“Bayesian网络”，执行数据流后，输出结果如图6所示。

4）选择“关联规则”，执行数据流后，输出结果如图7、图8所示。

5  数据挖掘结果分析

通过数据分析和SPSS建模分析，对五个一级指标应用Apriori算法与“评价结果”进行关联分析，其挖掘结果在学校实际教育教学工作中具体表现为以下几点。

1）具有良好师德师风的教师，能够对教学内容的整体选择和呈现方式，以及根据教学内容的准确性、实用性进行筛选、重组，因材施教，更注重学生能力发展和素质提升，也会获得学生教学评价较高等级。

2）根据教学内容和学情分析，注重教学设计的老师在授课过程中，更会采用多样化的教学方法鼓励学生主动学习、独立思考，有效的教学手段进行教学组织，多元化的考核方式激励学生，便可取得较好的教學效果，也会获得较高的学生教学评价等级。

3）学生教学评价是衡量教师教学效果的重要依据。通过收集和分析学生教学评价的信息，教师可以了解教学效果的真实情况，进一步优化教学方法和教学过程，提升教学效果。

综上所述，师德师风、教学内容、教学方法、教学组织、教学效果和学生教学评价之间存在密切的关联关系。在教学中，教师应充分考虑这些因素之间的相互影响，以实现最佳的教学效果，学校也应有效利用学生教学评价结果，提出提升学校教学质量的关键措施及方法。

参考文献：

[1] 吴军.师德师风建设视域下的高校教师教学评价[J].上海教育评估研究，2022，11（6）：61-65.

[2] 熊茜，利节，向毅，等.推进计算机专业课程思政建设的思路与五维途径[J].计算机教育，2022（7）：122-125.

[3] 夏丰，王慎龙，贺新元，等.教育信息化视阈下职业院校课堂教学质量评价体系的构建[J].中国现代教育装备，2022（7）：162-165.

[4] 黄钰莹，李琳.基于层次分析法的高校学生干部绩效评价体系研究[J].漯河职业技术学院学报，2021，20（5）：92-94，97.

[5] 何艺，吴敏，刘英.“三教”改革背景下课程改革与教师教学能力比赛结合点探索[J].现代职业教育，2021（14）：28-29.

[6] 荣俊杰.上海市高中体育专项化教学的优化研究[D].上海：华东师范大学，2020.

[7] 杨学坤，刘琳.高职院校课堂教学质量评价体系的改进与实践——以北京农业职业学院为例[J].北京工业职业技术学院学报，2019，18（4）：71-75.