馬靜

摘要

本文闡述了利用數(shù)據(jù)挖掘軟件clementine將數(shù)據(jù)挖掘技術引入到教學管理工作之中，從教學評價的數(shù)據(jù)中提取出隱藏在數(shù)據(jù)中的有用信息，探討影響教學質(zhì)量的關鍵因素，從而為教學主管部門的管理工作提供決策性參考。

【關鍵詞】數(shù)據(jù)挖掘 高職 評價模型

隨著“教育信息化”的發(fā)展，教務管理的相關數(shù)據(jù)越來越多，但這些數(shù)據(jù)除了作為歷史數(shù)據(jù)外，其有用信息的價值并未充分挖掘和利用，并使其轉化為有用的知識，實現(xiàn)真正的教育信息化。教務管理中的教學評價對于教育質(zhì)量的提高起著十分重要的作用，而利用數(shù)據(jù)挖掘技術從教學評價數(shù)據(jù)中提取出隱藏在數(shù)據(jù)之中的有用信息可為教務管理工作提供決策性參考。數(shù)據(jù)挖掘技術是利用數(shù)據(jù)庫、數(shù)據(jù)倉庫技術存儲管理數(shù)據(jù)，利用機器學習和統(tǒng)計方法分析數(shù)據(jù)的一項跨學科技術。通過數(shù)據(jù)挖掘技術我們可以完成數(shù)據(jù)總結、分類、關聯(lián)、聚類等若干主要任務。為了提高數(shù)據(jù)挖掘工作效率，常借用一些工具軟件，clementine是眾多數(shù)據(jù)挖掘軟件之一，它擁有豐富的數(shù)據(jù)挖掘算法，支持與數(shù)據(jù)庫之間的數(shù)據(jù)和模型交換；同時，具有可視化操作界面，簡單易用，分析結果直觀易懂，圖形功能強大等特點。

1 教學評價模型及挖掘算法的選擇

教學評價是學校和教師、教師和學生相互聯(lián)系的一個紐帶。為了更好的完成教學評價，各院校會認真制定學生教學評價指標體系。本文研究的指標體系主要包括教學態(tài)度，基本素質(zhì)，教學內(nèi)容，教學方法，教學效果，教學特色六項指標。為了研究六項指標之間，六項指標與評價結果之間的關聯(lián)，本文選擇clementine的關聯(lián)分析技術進行數(shù)據(jù)挖掘。

數(shù)據(jù)挖掘中，關聯(lián)分析的主要技術是關聯(lián)規(guī)則（Association Rule），clementine提供了Apriori、GRI、Carma等多種經(jīng)典關聯(lián)規(guī)則算法。本次研究選擇Apriori算法，其主要原因是：研究所涉及數(shù)據(jù)量較大，Apriori算法在提高關聯(lián)規(guī)則分析效率的同時，還能有效揭示數(shù)據(jù)中隱含的關聯(lián)特征。基于Apriori算法模型是無指導學習方法，本次研究采用web網(wǎng)狀圖分析報告與模型比較的方式來評價模型。

2 利用clementine對教學評價進行數(shù)據(jù)挖掘

數(shù)據(jù)挖掘的過程主要包括五個階段：

（1）數(shù)據(jù)準備；

（2）數(shù)據(jù)選擇；

（3）數(shù)據(jù)預處理；

（4）數(shù)據(jù)挖掘；

（5）轉換模型及模式評價，本文研究嚴格按照上述步驟進行。

2.1 數(shù)據(jù)準備及數(shù)據(jù)選擇

數(shù)據(jù)準備主要包含兩點：一是要根據(jù)挖掘對象收集原始數(shù)據(jù)，即確立數(shù)據(jù)源，第二是整合數(shù)據(jù)。本文數(shù)據(jù)源來源于教務系統(tǒng)3個學期39位教師的教學評價信息表666078條數(shù)據(jù)，其表結構如表1所示，經(jīng)過數(shù)據(jù)表的聯(lián)接與篩選生成了表結構如表2所示的訓練樣本集。

2.2 數(shù)據(jù)預處理

數(shù)據(jù)預處理在數(shù)據(jù)挖掘過程中是很重要的一個環(huán)節(jié)，它可以保證數(shù)挖掘所需數(shù)據(jù)集的質(zhì)量。數(shù)據(jù)預處理工作主要是對收集的數(shù)據(jù)進行清理，針對教學評價信息特點，數(shù)據(jù)預處理主要分兩步進行：

2.2.1 數(shù)據(jù)清理

數(shù)據(jù)清理工作主要是對于空缺的屬性，使用數(shù)據(jù)清理技術來填充，當記錄有多個屬性缺少屬性值時，將這些記錄將視為無效記錄并刪除。

2.2.2 屬性歸約

樣本集中用于數(shù)據(jù)挖掘的字段都是連續(xù)型屬性，由于Apriori算法及web網(wǎng)狀圖分析需要離散性屬性數(shù)據(jù)值，本文研究將各項評分和最后得分做了離散性的屬性劃分，其劃分規(guī)則如表3所示。

2.3 關聯(lián)規(guī)則挖掘

（1）本文利用clementine的Apriori算法和web網(wǎng)狀圖對教學評價信息進行了挖掘，創(chuàng)建數(shù)據(jù)流如圖1所示，其中partion結點的Trainingpartionsize和Testing partion size都設置為50%，Apriori算法設置其minmum antecedent support為10%，minimum rule confidence為80%。Apriori算法執(zhí)行結果如圖2所示。

2.4 挖掘結果分析

（1）假設關聯(lián)規(guī)則的最小支持度為10%，最小置信度為80%，進行關聯(lián)規(guī)則挖掘產(chǎn)生3條強關聯(lián)規(guī)則：shuizi=“優(yōu)秀”→zhongping=“優(yōu)秀”（s=l1.256%c=86.519%）；taidu=“優(yōu)秀”→zhongping=“優(yōu)秀”（s=l1.256%c=86.519%）；fangfa=“優(yōu)秀”→zhongping=”優(yōu)秀”（s=12.1210/0c=85.579%）；同時三條規(guī)則的提升值分別為1.319，1.319，1.305都可以接受。因此，基本素質(zhì)，教學態(tài)度，教學方法三個指標是最直接影響最后得分評優(yōu)的主要因素。

（2）教學評價的web網(wǎng)狀圖如圖3所示，移動下方滑塊后的網(wǎng)狀圖如圖4所示。可見，關聯(lián)規(guī)則和圖形展示的結論一致。

3 小結

本文主要介紹了基于學生評教信息，如何利用clementine數(shù)據(jù)挖掘工具采用Apriori算法進行建模，再利用Web網(wǎng)狀圖分析進行模型評價的數(shù)據(jù)挖掘過程，探索學生評價各指標與評價結果關聯(lián)性知識的方法。本文的研究只是數(shù)據(jù)挖掘應用與教學領域的初級階段，旨在為后續(xù)的深入研究做鋪墊。

參考文獻

[1]常軍林，張真.數(shù)據(jù)挖掘在高校教學評價中的應用[J].中州大學學報，2016，33（02）：105—107.

[2]張超.基于關聯(lián)規(guī)則的數(shù)據(jù)挖掘在高校教學評價中的應用研究[D].安徽：安徽大學，2011.

[3]薛薇，陳歡歌.Clementine數(shù)據(jù)挖掘方法及應用[M].北京：電子工業(yè)出版社，2010：14-14.

[4]鄭靜靜.高校教學評價體系中關于學生評教的思考[J].文教資料，2013（15）：162-163.

[5]紀希禹.數(shù)據(jù)挖掘技術應用實例[M].北京：機械工業(yè)出版社，2009：7-8.

[6]鄒立娣.數(shù)據(jù)挖掘技術在教學評價系統(tǒng)中的應用研究[D].安徽：合肥工業(yè)大學，2009：24-25.