關于關聯規則在高校教務管理系統中的應用研究

摘 要：在高等職業教育教學過程中，最核心的問題是教育教學質量。教育教學質量的好壞與教師職稱、工作年齡等各種因素相關。本文通過對關聯規則數據挖掘算法的分析與研究，運用關聯規則在我校教學管理系統中挖掘出相關的有價值的信息，從而提高整個學院的職業教育水平。

關鍵詞：關聯規則；管理；數據分析

一、 關聯規則在高校教務管理系統中的應用

（一） 挖掘數據前的預處理過程

在教學管理系統中，通過關聯規則對所有在校教師信息進行分析和數據挖掘。根據數據分析需要，選擇相應數據庫的表和數據項，以教師編號作為連接字段，將數據轉入數據挖掘數據庫。在轉化成非布爾型數據時，根據數據源類型不同，將初始數據進行離散化處理。

（二） 數據挖掘模塊的設計分析

1. 分析數據范圍

為了獲得準確的分析結果，從而提供有價值的信息給用戶，用戶往往希望設計較多的項目進行數據分析。事實上要滿足用戶特定的目標，我們往往只需要對其中的部分數據項目進行分析處理就可以了。所在在進行數據挖掘前，由用戶根據特別的目標選擇數據的分析范圍，可以很容易地找出所有的頻集，從而提高數據分析效率。

2. 生成最小頻繁集

在運用關聯規則進行數據分析挖掘中，確定一個項集是否為頻集只和預定義的最小支持度有關。因此，在確定了最小支持度之后，利用遞歸的方法生成所有的頻集。

3. 產生關聯規則

根據用戶設定的最小置信度，從生成的頻集中提取每一項，產生關聯規則，當然這些規則必須滿足最小支持度和最小可信度。

二、 案例分析

結合本校實際，在教務系統中隨機抽取200份教學評估報表，該評估報表由學生進行測評，將年齡、職稱和評定等級作為表的記錄。

其中，數量的屬性是年齡，還需要將年齡轉化為布爾屬性。首先，將年齡劃分為4個組，分別是：M1[21，29]，M2[30，34]，M3[35，45]，M4[46，60]。類別屬性是職稱和評定等級，這里也是需要將它們轉化成布爾型數據。在做該表時，對職稱、評定等級的高低都做了限制。比如，職稱最高為教授，最低為助教。評定等級最高為優秀，最低為差。

其中，N1表示助教，N2表示講師，N3表示副教授，N4表示正教授，Q1表示優秀，Q2表示良好，Q3表示一般，Q4表示較差。

根據上述表的情況，就可以挖掘教師的職稱、工作年齡以及教學質量評估之間的一個關聯問題?？梢愿鶕祿诰虻腁priori算法進行挖掘，發現那些教學評估教學效果好的老師的一些屬性特征。

第一步，對學校的數據庫信息進行檢索，檢索出有40條教學質量為優秀的教師記錄信息。因此，我們可以設定：最小置信度為16%，最小支持度為4%。

從表1.3中，我們可以發現以下的知識：年齡在30-34之間的老師評定等級為Q1的概率為26.22%，支持度為6%；副教授職稱的老師評定等級為Q1的概率為52%，支持度為13%。從這些知識中，我們可以推出以下一些評估策略。

1. 對于那些年齡段在M2、M3范圍的中青年骨干教師基本上已經具備了深厚的教學功底，實際的操作能力比較強，有很強的實踐性，支持度和可信度都不低。這樣，就可以給高校管理人員提示，重視中青年教師的師資建設，可以幫助老師提高教學水平和實踐操作技能，提高教師的綜合素質。另外，還可以說明，本校的教師隊伍建設情況已經基本正常。

2. 那些年齡段在M4范圍內的教學經驗更豐富的老教師，他們已經在教學一線工作多年，而且占的比例還是比較大，即將步入退休的年齡，他們退休后的教師崗位還需要中青年教師接管。因此，也給管理者提供了信息：要引起對青年教師的重視，措施包括加強教學培訓、實踐操作技能培訓和思想品德建設。

參考文獻：

[1]王金玲.數據挖掘在教學中的應用研究[N].赤峰學院學報，2009.

[2]楊永斌.數據挖掘技術在教育中的應用研究[M].計算機科學，2006.

作者簡介：

管新勝，湖北省武漢市，湖北青年職業學院。