數據挖掘技術在高校教師教學質量測評中的應用

宋曉梅

（赤峰學院 教育科學學院，內蒙古 赤峰 024000）

高等教育已經國際化，高校的生存競爭越來越激烈，核心競爭力是高校教學質量，優質的教學質量是高等院校的生命線，是高校進行動態管理的首要條件，也是實現科學管理的重要保證.我國目前的高校教學質量測評基本上用的是一套模式：確定一個測評指標體系，制定一套測評量表，由特定的個人或群體對某教師的教學情況進行打分，然后綜合統計，計算出總分，取得一個測評結果.但高校教學質量測評是一個復雜的教育問題，涉及到諸多因素，這一追求客觀化、數量化的測評模式已不能適應現代多元化的教學.為了解決傳統教學質量測評中存在的不足，我們將數據挖掘這一現代分析技術引入到教學質量測評中，運用數據挖掘中的相關技術對教學質量進行評價，通過公正客觀的統計和分析，作出歸納性推理，從中挖掘出潛在的模式，從而幫助決策者調整策略.

1 高校教師教學質量測評的過程和方法

1.1 評價過程

目前我院的具體做法是對每名從事教學工作的教師打分：此分數由三部分組成：學院聘請的各學科專家安排隨堂聽課計劃，聽過教師的一堂課后，對這名教師的授課情況進行綜合打分；教師所在的教研室安排教師相互聽課計劃，對教師授課的各方面情況打分；學生對教師的授課情況進行打分.分數收集上來后，需要錄入到計算機中，再對每名教師的各方面打分加權合并匯總，形成一個最終得分.這個分數即是該教師教學質量測評得分，此分數作為評價教師該門課程教學質量優劣的主要依據.

1.2 評價內容及指標

為使教師教學質量測評結果準確可靠，選取能反映教學質量最本質的指標體系.每一評價指標分A、B、C、D、E五個等級.按一定方法分別計算出三個部分相應的平均得分，對不同部分的評價結果賦以不同的權重后再計算出綜合評價得分.

1.3 結果計算

1.3.1 評價權重

評價標準包含教學態度、教學內容、教學方法、教學基本功、教學效果等方面，其中包括定性成績兩項、定量成績三項.定量成績按照權重計算之后和定性成績相加得出課堂教學質量最后評定等級，即優秀(≥90)、良好(80—89)、中等(70—79)、合格(60—69)、不合格(＜60).

1.3.2 計算方法

教學領導組評價成績(x1)的權重系數為0.2.同行教師評價成績(x2)的權重系數為0.2.學生評價成績(x3)的權重系數為0.6.

課堂教學質量綜合評定成績為y=0.2x1+0.2x2+0.6x3

X1、X2、X3 的計算方法：

Xi=∑(H×S)(H：為權重；S：等級對應分數；i=1，2，3)

2 高校教師教學質量測評中存在的問題

一些高校目前還沒有建立起一套科學的績效考核體系，很多高校還是采用年度總結、民主評議等方式對教師進行績效考核.這種考核方法存在的問題主要表現在：測評指標不全面；指標權重分配不合理；測評方法和手段單一、陳舊；評價對象不明確；后期的數據分析與應用欠缺等問題，不能反映出真實的成績，失去了應有的激勵價值.

3 數據挖掘技術應用于高校教師教學質量測評的必要性

數據挖掘(Data Mining)也叫“數據開采“或“數據庫知識發現”，就是從存放在數據庫、數據倉庫或其他信息庫中的大量不完全、有噪聲、模糊、隨機的實際應用數據中提取隱含的、人們事先未知的但又是潛在有用的并且最終可理解的信息和知識的過程[1].

教師測評結果數據主要是為各級管理部門提供以簡單統計報表和信息查詢，其實在這些數據中還隱含著更加有價值的信息，比如：教師的職稱，學歷對于教學質量的關系；教師的進修是否對教學質量有所促進等等.這些數據所隱含的價值如果能夠充分利用，將會進一步提高教學質量.數據挖掘是知識發現過程中的一個關鍵步驟,也是當前知識發現領域中的一個研究熱點.利用數據挖掘技術對集成處理后的數據進行數據挖掘，發現潛在數據模式，它可以全面地分析測試評價結果與各種因素之間隱藏的內在聯系，從中提取具有應用價值的規則，從而對教師的教學質量進行客觀的、公正的評價.另外數據挖掘整個分析過程是自動的，具有良好的開放式結構，友好的用戶接口，能為教師質量測評提供強有力的技術支持.將數據挖掘技術運用到高校教師質量測評中，對于實現高校教師教學質量測評的科學化和有效化，進而全面提高高校教學質量，具有十分重要的理論價值和實踐意義.

4 數據挖掘技術在教學質量測評中的應用

4.1 教育數據挖掘過程

數據挖掘是一個利用各種分析方法和分析工具，在大規模海量數據中建立模型和發現數據間關系的過程，這些模型和關系可以用來作出決策和預測[2].具體的挖掘過程包括：對原始數據進行選擇、清理后,加載到數據倉庫；將加載的數據轉換成適合規則挖掘的形式；運用規則挖掘算法挖掘出用戶感興趣的規則；將產生的規則通過可視化界面展示給用戶.

4.2 關聯規則

關聯規則是數據挖掘的重要概念，關聯規則挖掘就是在海量的數據中發現數據項之間的關系，它是目前數據挖掘中最重要的理論之一.Apriori算法是一種最有影響的挖掘布爾關聯規則頻繁項集的算法.是1994年Agrawal等人在項目集格空間理論的基礎上提出的.Apriori作為經典的頻繁項目集生成算法，在數據挖掘中具有里程碑的作用.Apriori算法的優點是結構簡單，易于理解，沒有復雜的推導.但是隨著研究的深入，它的缺點也暴露出來.為了提高Apriori算法的有效性，本文將應用于教師質量測評中的Apriori算法進行了改進.

4.3 改進的Apriori算法分析

改進的Apriori算法如下：

4.4 改進的Apriori算法在教師教學質量測評中的應用

4.4.1 原始數據準備

隨機抽取學校教師教學質量測評表300份，將編號、年齡、性別、職稱、學歷和評定分數六項輸入數據庫，忽略其它信息.我們通過對數據庫中的數據進行挖掘，找出性別、年齡、職稱、學歷與評定分數之間的關系.表1給出了部分教學測評信息數據，共有300條記錄.

表1 教學測評信息表

通過對數據庫的300條記錄進行掃描可以得到相關統計信息如表2所示.

表2 原始300條數據綜合統計信息

4.4.2 數據預處理

是指在主要的處理以前對數據進行的一些處理.數據預處理主要有：數據集成，數據清理，數據轉換，數據消減等.通過數據預處理，可以提高數據挖掘的質量，降低實際挖掘所需要的時間.

4.4.2.1 數據集成

就是將來自多個數據源的數據合并到一起.本研究中，將數據采集得到的多個數據庫文件，利用數據庫技術生成高校教師教學質量測評基本數據庫.

4.4.2.2 數據清理

數據清理的主要工作就是填補遺漏的數據值.

在高校教師教學質量測評分析基本數據庫中我們看到，有一些我們感興趣的屬性缺少屬性值，如在抽取的教師基本情況數據表中，可能該教師是教務管理人員或行政人員，并不承擔教學任務，所以教師測評數據中并無學生對該教師的評價，該部分的記錄應予以刪除.而我們是對部分學生進行調查，所以有些教師可能未有學生對他們的教學做評價，對于這些空缺，可以使用數據清理技術來填補.

在本例中，采用忽略元組的方法刪除沒有學生填寫的評價結果的教師的記錄.對于其他個別空缺，因為總的記錄數不算太多，而空缺值較少，

4.4.2.3 數據轉換

數據轉換主要是對數據進行規格化操作.由于大多數屬性屬于離散值屬性，但也有連續值屬性(如年齡，教齡，測評成績屬性)，需將連續值屬性離散化處理.

為了離散化數據，對年齡進行分組；年齡分為：A1[24，30]，A2[31，35]，A3[36，49]，A4[50，60]四個組.評定分數分為：G1[90，100]，G2[80，90]，G3[60，80]，G4[0，60]四個組.根據計算所需的實際情況，對性別、職稱、學歷的表示加以規定.性別分別用：M表示男，W表示女；職稱分別表示為：Z1助講，Z2講師，Z3副教授，Z4教授；學歷分別表示為：El本科，E2碩士.

4.4.2.4 數據消減

數據消減的目的是縮小所挖掘數據的規模，在這里，采用消減維數的方法，即從初始特征屬性中找出真正有用的特征屬性以減少數據挖掘時要考慮的特征屬性或變量個數.

由于教師基本信息表中的屬性字段很多，本文為了便于模型的建立，選擇其中與測評成績屬性相關性較多的屬性，如年齡，學歷，職稱，形成新的高校教師教學質量測評基本數據表.

4.4.3 應用關聯規則進行數據挖掘

后臺采用Oracle數據庫，前臺使用Java實現.

以下是對教學人員的性別、年齡、職稱、學歷和評定分數進行的數據挖掘.以教學測評分數G1，即教學測評分數在90至100分之間，課堂教學效果較好的情況為例，利用挖掘技術和前面所研究的關聯規則，挖掘一下具有較好課堂效果的教師的狀態特征.首先，通過編寫程序對原始數據庫進行搜索，得到滿足條件的記錄共60條，把這60條記錄做為討論數據集，記為D1.對D1進行掃描和統計得到基本信息如表3所示.

表3 測評成績90分以上的數據統計信息

對D1進行掃描和統計程序如下：

最終得出的關聯規則表明：年齡在36至49歲、職稱為副教授、具有研究生學歷的教師教學效果好，具有8%的支持度和45.7%的置信度.

4.4.5 挖掘過程實現

為了將數據挖掘的結果以直觀的方式顯示出來，采用了直觀的可視化結果輸出.具體程序如下：

4.4.6 挖掘結果分析

4.4.6.1 年齡在36-49歲的中青年教師具有較高職稱和學歷，而且精力充沛，課堂教學經驗豐富，評定分數高，具有高的支持度和置信度.由此可見，我校一批中青年教師已經成為學校教學工作的骨干，教師隊伍結構趨于合理.我校近些年重視學科建設，堅持實施人才戰略，重視高學歷中青年骨干教師的引進和培養，已經初見成效.

4.4.6.2 50-60歲以上年齡層的骨干教師置信度較高，說明大多數老教師講課較受歡迎，而這些教師現在即將退休或己經退休，他們留下的空缺必須馬上填補，因而還要重視對于30歲以下青年教師的培養，采取“老幫青”、青年教師主動聽課學習等措施，幫助青年教師提高業務能力和職業道德水平.

4.4.6.3 30歲以下年輕教師，由于剛走上講臺不久，教學經驗和教學方法有待進一步提高.由于大學教學內容專業化程度高，科學性強，信息量大，具有一定的寬廣度和深度，有的涉及科研領域還未解決的問題，即學科前沿問題，所以還應加強專業知識的學習，不斷提高自己.

運用數據挖掘中的關聯規則對教學質量進行評價，利用所建的基于數據挖掘的教學評價系統對高校多年來積累的教學評價數據進行挖掘、評價，評價結果給高等學校教學管理、教育行政部門的決策提供了幫助，尤其是給老師的教學工作提供了有益的參考[6][7].高校教師教學質量測評是一項非常復雜的工作，這項工作涉及的問題多，涉及的面廣.本文僅對測評數據中的性別、年齡、職稱、學歷與評定分數之間的關系進行了挖掘，隨著世界各國對高校教育水平的不斷重視，各種科學技術在教育領域中的應用會越來越受到關注，通過人們對數據挖掘技術的深入研究，這些技術的應用將越來越廣泛.隨著數據挖掘技術的研究成果在教育領域中的廣泛應用，必將推動高校教育管理的改革與發展.

〔1〕Hongjun Lu.Seamless integration of Data Mining with DBMS and APPlieations[M].Leeture Notes in ComPuter Seienee.2003，7:78-136.

〔2〕(加)JiaweiHan， MiehelineKalnber.數據挖掘概念與技術閱.北京:機械工業出版社，2001.

〔3〕張震.胡學鋼,張亞萍.數據挖掘在高校課堂教學質量評價體系中的應用[J].電腦開發與應用,2007,20(2):41-42.

〔4〕李紅艷.數據挖掘及其運用于教學質量測評的設想[J].襄樊職業技術學院學報，2003，2(3):52-56.

〔5〕伍坷霞.高校教師教學質量測評的問題及對策研究[D].長沙:湖南師范大學,2007.5-7.

〔6〕董彩云，等.數據挖掘及其在高校教學系統中的應用[J].濟南大學學報(自然科學版)，2004，18(l):65-68.

〔7〕彭玉青，等.數據挖掘技術及其在教學中的應用[J].河北科技大學學報，2001，22(4):21-24.

〔8〕陶蘭，王保迎.數據挖掘技術在高等學校決策支持中的應用[J].中國農業大學學報，2003，8(2):39-41.

〔9〕羅少茜.英語教學形成性評價研究[M].北京:外語教學與研究出版社，2003.