数据挖掘决策树技术在高职教学质量评价中的应用

2018-01-19卜阳

湖北函授大学学报 2018年21期

卜阳

[摘要]本文基于高职教学的特点，利用学生考试成绩、教学质量调查表等各类属性通过数据挖掘的决策树技术进行特征分类。以杂乱无序的数据为根本，由决策树结构建立教学质量评价的分类模型。决策树的若干节点与各个教学质量属性相对应，其分支表示各个属性的取值判断，通过分类结果用以学校的教学质量评价。

[关键词]数据挖掘技术;决策树算法;教学质量评价

[中图分类号]G640 [文献标识码]A [文章编号]1671- 5918（ 2018）21-0032-03

doi：10.3969/j.issn.1671-5918.2018.21.015 [本刊网址]http：//www.hbxh.net

一、引言

高职教育教学管理正在与计算机网络技术不断融合，形成了网络化校园、信息化校园、智慧化校园，增强了教学管理水平，提高了工作效率。随着学校办学的规模不断扩大，各种系统和数据库的广泛使用，在使用过程中产生了海量的数据信息。我们可以通过这些技术在其中发现有价值的数据信息。

二、FP - growth算法

数据挖掘是利用已有知识数据并通过预测未发生的事务的走势与行为，从而做出一定的决策性判断，并从大量数据里面发现潜在的，可利用的知识。

FP- growth算法是一个被普遍使用的归纳推理计算方法。FP-growth算法是建立于FP-tree的结构上，避免了像传统Apriori算法生成大量的候选项集，提高了运行效率。而且FP- growth算法是通过树型结构显示各个分支情况，并产生If -Then的判断结果，更加便于使用者理解和使用。

FP-growth算法主要包括三个步骤，它反映了FP-growth算法的过程，Insert阶段的任务是形成FP-tree，Search阶段获取条件模式基，用于下阶段的递归计算。

三、教学质量评价

教学质量评价是高职学校教学中一个基本的反馈机制，是教师优化教学过程、调控教学行为、改善教学方法、增强教学效果的重要手段。对教学质量进行评价，不仅能够指导教师觉察自己在教学过程中可能存在的偏差，促成教师自身的发展和教育水平的提高，而且能够使学校相关管理部门获取有用的信息，为下一步决策发展提供重要依据。

四、FP-growth算法在教学质量评价中的应用

（一）设计思路

课堂教学质量的评价一直是学校教学监管系统的重要构成部分。我们可以通过像学生的考试成绩的数据来对老师的教学质量进行一个定量方面的打分，也可以通过如调查问卷形式的学生对老师教学工作的测评进行一个主观意义上定性的评价。通过对量和质的结合，利用数据挖掘技术发现影响教学的各种因素，为教学管理部门提供相应的辅助支持，进一步促进教学部门的管理效率。

（二）模型建立与数据处理

1.建立成绩与教学质量评价模块

根据教务系统中与教学相关的数据，建立基础数据模型，该模型由教师ID、教师职称、班级、考试科目、平均成绩等属性组成。经过数据转化和加载后，采用决策树算法，计算出那些和成绩分析评估特征最为相关的属性作为决策树的根结点，然后采用迭代递归的方法将剩余属性进行分类，构造一个决策树。

首先需要建立教师情況数据表。如表1所示：

按照考试成绩划分为三个等级：A等级为大于80分的区间，B等级为70分到80分的区间，C等级为小于70分的区间，根据成绩等级作为评价教师教学质量的一个指标。然后，建立一个描述教师教学质量的分类模型，该模型以学生的计算机国家一级考试成绩为依据，根据成绩高低形成教学质量评估结果，然后利用决策树所形成的分类模型，形成IF-THEN分类规则。

2.学生对教师教学质量的评价模块

建立学生对教师教学质量评价的调查表。具体内容包括以下几点：

（1）备课充分，教学无随意性;

（2）严格执行作息时间，无迟到、早退现象;

（3）教学态度端正、认真;

（4）尊重学生，做学生的知心人、好朋友;

（5）师生关系融洽、和谐;

（6）课堂大胆管理，方法得当;

（7）课堂管理能调动广大学生的积极性;

（8）教学经验丰富，能吸引学生;

（9）教学语言准确、规范、生动;

（10）教学方法灵活，充满激情，能感染学生;

（11）教学创新能力强;

（12）学生能真正学到相应的知识和技能。

针对以上评价内容，采用调查问卷的形式，在问卷星网站上制作相关的调查问卷。采用单选与多选的题目形式，对护理系2016级405名学生进行了调查。生成了403份调查问卷，有两人未参加问卷调查，问卷的答案真实有效，有说服力。为了方便下一步数据处理，笔者结合问卷的内容和教学评教的相关标准，在等级上设置了A、B、C、D四个等级，A为最佳，D为一般，将403份调查问卷归类分档，形成了评教信息表。

（三）利用决策树FP-growth算法，找出分类规则

1.数据处理

笔者以江苏省徐州医药分院护理系2016级师生为调查对象，针对学生的成绩和评教信息表的内容，结合教务系统和学生管理系统相关数据，根据相关教师信息情况，去除掉重复的内容，整理制作了和本次研究相关的三个数据表，分别是教师基本情况表、学生成绩表、学生评教表。

笔者通过SQL Server 2014进行数据库的建立，将教师信息表、学生成绩表和评教信息表汇集为一个总表，删除无用、空白或者重复的信息，形成一个精简过的、新的数据表，从而方便我们下一步数据分析。然后将数据表中文字表述的内容制定对应的数据标准，以便于计算机读取、识别。如：将学生成绩分成几个区间，相应的区间分别按照“优良中差”的形式定义等级，然后用英文字母代替文字表述的等级。数据表生成的具体情况，下面通过教师职称属性举例说明（newtable为新建数据总表）。

按照职称属性取值，SQL语句表述为：

Update newtable set technical title=a where technical title=lecturer

Update newtable set technical title=b where technical title=associate professor

Update newtable set technical title = c where technical title =professor

Update newtah le set technical title = d where technical title =assistant

按照这个思路，将所有数据按以上规则整理后，进而形成便于分析处理的数据集合。

2.数据分析

针对此次教学质量评价的数据分析要求，笔者利用Tom-cat6.0构建了网络服务器，通过Eclipse Jee Mars来设计开发平台，通过数据挖掘技术中FP-growth算法嵌入到评价平台中，经过挖掘分析找到对于教学质量评价有价值的关联规则的数据条目。挖掘出的数据条目较多，通过筛选和整理，现列举出几条有价值的规则：

规则1：职称与评价分数的关联：高职称对应的成绩均高于“良好”;

规则2：性别与评价分数的关联：教师性别为“男”分数均高于“良好”，教师性别为“男”学生评价均有“师生关系融洽、和谐”评教条目;

规则3：年龄与评价分数的关联：年龄在40岁以上成绩均为“优秀”;

规则4：学历与评价分数的关联：如果教师学历为：“硕士”，则成绩为“良好”以上，如果学历为“硕士”则学生评教表均有“教学创新能力强”条目;

规则5：人员类别与评价分数的关联：通过对相关数据的分析，教学人员的类别与教学质量评价没有必然的联系。

通过以上的挖掘，我们可以得到以下结论：

（1）年龄在40岁左右的教师有着很好的教学效果，评价分数比较高，支持度、可信度较高。这说明学校中青年教师的不断成长，已经成为学校教学的支柱，也符合学校人才发展的方向。

（2）具有高职称高学历的老师，学生评价的分数较高，取得考试成绩也更优秀。

（3）男性教师有较宽广的知识面，在教学中善于启发学生的潜在能力，具有很好的教学创新能力。

五、结束语

本文通过实例表述了数据挖掘中的决策树技术在教学质量评价中的应用。通过FP - growth算法找出影响教学质量的相关分类规则，为学校进行教学监督评价提供依据，进一步推动学校的学科建设和教學改革。

参考文献：