關聯規則在高校教學質量評價中的應用研究

阮夢勛+沈良忠

摘要：教學質量評價是研究教師的教與學生的學的價值過程。教學評價結果不僅反映了解教師該課程的教學情況，也一定程度反映了教師的綜合教學水平。該文將數據挖掘中的關聯規則算法引入到高校教學質量評價中，對影響教學質量評價的各個因素及相互關系進行研究，從而得得出評價等級與年齡、職稱、學位之間的關聯，研究結果可以作為學院或者教師發展中心進行教師培訓的參考。

關鍵詞：數據挖掘；關聯規則；教學評價；Apriori算法

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2018）02-0123-03

Research on the Application of Association Rules in the Teaching Quality Evaluation in Universities

RUAN Meng-xun， SHEN Liang-zhong*

（School of Information Engineering， Wenzhou Business College， Wenzhou 325000， China）

Abstract： The evaluation of teaching quality is the process of studying the value of both teachers' teaching and students' learning. The result of teaching evaluation reflects not only the teaching situation of a course， but also a teachers comprehensive teaching level to a certain extent. This paper introduces the association rules algorithm into the evaluation of teaching quality in universities， and then makes a research on the relationship of the factors affecting teaching quality evaluation， and finally achieves the relationship between evaluation levels and age， title， degree. The results can be used as a reference by the college and faculty development center to for teachers training.

Key words： Data mining； association rules； teaching evaluation； Apriori algorithm

1 概述

教師的教學質量水平反映了一所高校的教育教學水平高低以及教學效果優劣，其最終結果還是會體現在培養的學生質量上。教學質量評價是高校教學管理過程中的重要組成部分，對教學起著調控及指導作用。每個學期，學校都會進行教師教學質量評價工作，長此以往教學管理部門一方面已經積累了大量的教學評價數據，但另一方面這些數據中所隱含的價值并沒有得到充分的挖掘利用。因此，如何通過這些教學評價的數據挖掘出可能潛在的價值，對高校教學管理工作具有重要的參考價值，不少學者針對高校教學質量評價進行了相關研究。馬秀麟等人依據大數據的數據規范化方法，肯定了教學質量評價數據的客觀性，并分析了部分教師獲得差評的原因[1]。任高舉等人利用改進的Apriori算法對教學質量評價的樣本數據進行關聯規則挖掘，得出學歷、職稱、教齡和科研能力影響評價質量等級[2]。黃玉萍等人同樣通過關聯規則分析，進一步得出年齡和職稱對教學質量的影響最大，并提出相關教學管理的建議[3]。本文以溫州某高校2016-2017學年的教師教學質量評價數據為例，通過統計分析以及數據挖掘方法對教學質量評價進行研究，分析教學質量評價中的關聯規則，挖掘出其中隱藏的規律，特別分析研究出不同學院中，各類影響因素所占比重的不一致性，深入分析與挖掘這些不一致性，并進行合理有效地調控，將有助于提高學校的教學管理與決策水平。

2 數據準備與分析

2.1 數據采集

本次研究數據為學校2016-2017學年第1學期的教師教學質量評價數據，共183個樣本數據。數據結構主要包括學院、姓名、年齡、職稱、學位、評價等級等數據，這些數據均在學校教務處采集。為保護教師的個人隱私，姓名的屬性已做隱藏處理。如表1所示。

2.2 數據預處理

由于關聯規則算法只能處理離散數據類型，因此需要通過數據變換將數據表中的數據統一成適合挖掘的形式。由表1可知，年齡屬于數量屬性，需轉換成布爾類型，此處將年齡分為4組，分別是A1[20，30]、A2[31，40]，A3[41，50]，A4[51，60]；學院、職稱、學位、質量等級屬于類別屬性，也需將其轉換成布爾類型，根據實際情況對其范圍作限定。學院分為：藝術設計學院S1，信息工程學院S2，外語外貿學院S3，金融學院S4，基礎教學部S5，會計學院S6，管理學院S7；職稱分為：助教T1，講師T2，副教授T3，教授T4；學位分為：學士本科生E1，碩士本科生/碩士研究生E2，博士研究生E3；質量等級：優秀G1，良好G2，合格G3，不合格G4。數據轉換后得表2。

2.3 統計分析

統計分析是統計學中一種常見的科學方法，運用統計方法及分析對象的有關知識，達到輔助決策功能的作用。通過對2016-2017學年教學質量評價表的分析，可以看出年齡段在31-40歲的教師最多，其次是41-50歲的教師，而30歲以下的年輕教師以及50歲以上的老教師并不多，如圖1所示。高校的教師隊伍建設，應該保持一定的梯隊性。雖然年輕教師更有創造力與活力，但是他們的教學經驗相對缺乏；老教師們教學經驗豐富，但是對于新時代教學技術的接受程度相對較慢。鑒于學校教師年齡分布不均的情況，建議加強老教師帶新教師的力度，通過教學、科研的指導互動，讓中青年教師快速成長。

學校教師的職稱分布如圖2所示，總體上占比最大的職稱為講師， 其次為助教和副教授，教授人數占比例較少。學校內講師的人數占比過半，職稱方面存在著較大的不均衡性，學校應通過政策激勵等各種措施鼓勵教師重視職稱問題。關于學位問題，學校占比最多的是碩士學位的教師，占到73%，其次是博士學位，占到18%，雖然整體學歷水平較高，但博士學位的教師占比仍不夠高。

3 關聯規則挖掘算法

在數據挖掘中，關聯規則主要用于發現事物屬性之間的潛在關聯關系。根據挖掘的目標，采用Apriori算法對樣本數據進行關聯規則挖掘。Apriori算法在具體實現關聯規則的挖掘時分為發現頻繁項集和生成關聯規則，具體計算步驟可以參考文獻4。

本文主要基于Weka軟件進行關聯規則的挖掘，設置最小支持度為0.1，最小置信度為0.6，通過運行軟件得到相應的規則，篩選挑出部分與教學質量評價等級相關的規則，如表3所示。

但筆者注意到，不同學院間影響教學評價等級因素的所占比重也會有所不同，為了證實這一點，將各學院的教學質量評價數據分別進行處理，各生成規則100條，運行軟件，得到相應的規則，通過篩選挑出部分與教學質量評價等級相關的規則。

①年齡（NL）方面：年齡為20-30歲的教師在藝術設計學院的評價等級較高；年齡為31-40歲間的教師在外語外貿學院、基礎教學部和管理學院中的評價等級較高；年齡在41歲及以上的則在信息工程學院、金融學院、會計學院中有較高的評價。

②職稱（ZC）方面：職稱為講師的教師在金融學院中有較高的評價，而基礎教學部和會計學院則呈現出職稱越高，評價等級也越高的現象。

③ 學位（XW）方面：學位為碩士的教師在外語外貿學院和基礎教學部中有較高的評價，而信息工程學院、金融學院、會計學院和管理學院則是學位越高，評價等級也越高。

通過以上關聯規則分析，基本可以得出職稱、年齡、學位等對教學質量評價結果的影響，但各個學院對教學評價影響因素的側重點有所不同。

（1） 在年齡方面，藝術設計學院因其專業的創造性強，更適合年輕教師的教學，因此年齡在21-30歲間的教師的評價等級更高，而信息工程學院、金融學院和會計學院則更傾向于年齡在41歲以上的教師，因其這些學員中學科學術性較強的原因，年紀較大的教師更有教學經驗，因此這個年齡段的教學評價等級更優。而其他學院的學科綜合性較強，因此年齡在31-40歲之間的教師更受青睞。

（2） 在職稱方面，職稱為講師的教師在金融學院的評價等級最優，估計是在移動互聯時代金融學的教學內容需要更新，而年輕教師在這方面有優勢；基礎教學部和會計學院則呈現出職稱越高，教學評價等級越高的趨勢。其他學院在職稱方面的影響不明顯。

（3） 在學位方面，學位為碩士的教師在外語外貿學院和基礎教學部評價等級最優，而信息工程學院、金融學院、會計學院和管理學院則是學位越高，評價等級也越高。

4 結束語

本文采用關聯規則挖掘中的Apriori算法對高校教學評價進行研究，并通過實例分析生成了關聯規則，得出年齡、職稱和學位與教學質量等級之間的內在聯系，并進一步分析出不同因素在不同學院的影響比重也是不同的。總的來說，高學歷、高職稱的中年教師，教學質量普遍較好，但各學院也存在一定的差異性，比如藝術設計學院中年輕教師的教學質量更佳，講師在金融學院的評價結果更優，碩士教師更適合在外語外貿學院與基礎教學部。教學管理以及人事部門可以在充分認識這些內在聯系后，將有助于教師的發展培訓以及新教師的引入，同時也對教師的自身教學提升提供參考信息。

參考文獻：

[1] 馬秀麟， 衷克定， 劉立超. 從大數據挖掘的視角分析學生評教的有效性[J]. 中國電化教育， 2014（10）：78-84.

[2] 任高舉， 白亞男. 關聯規則挖掘在高校教學評價中的應用[J]. 計算機與數字工程， 2014， 42（8）：1526-1529.

[3] 黃玉萍， 王珂. 關聯規則在教學評價中的應用[J]. 漯河職業技術學院學報， 2013， 12（2）：151-153.

[4] 趙洪英， 蔡樂才， 李先杰. 關聯規則挖掘的 Apriori 算法綜述[J]. 四川理工學院學報：自科版， 2011， 24（1）：66-70.endprint