关于关联规则在高校教务管理系统中的应用研究

摘 要：在高等职业教育教学过程中，最核心的问题是教育教学质量。教育教学质量的好坏与教师职称、工作年龄等各种因素相关。本文通过对关联规则数据挖掘算法的分析与研究，运用关联规则在我校教学管理系统中挖掘出相关的有价值的信息，从而提高整个学院的职业教育水平。

关键词：关联规则；管理；数据分析

一、 關联规则在高校教务管理系统中的应用

（一） 挖掘数据前的预处理过程

在教学管理系统中，通过关联规则对所有在校教师信息进行分析和数据挖掘。根据数据分析需要，选择相应数据库的表和数据项，以教师编号作为连接字段，将数据转入数据挖掘数据库。在转化成非布尔型数据时，根据数据源类型不同，将初始数据进行离散化处理。

（二） 数据挖掘模块的设计分析

1. 分析数据范围

为了获得准确的分析结果，从而提供有价值的信息给用户，用户往往希望设计较多的项目进行数据分析。事实上要满足用户特定的目标，我们往往只需要对其中的部分数据项目进行分析处理就可以了。所在在进行数据挖掘前，由用户根据特别的目标选择数据的分析范围，可以很容易地找出所有的频集，从而提高数据分析效率。

2. 生成最小频繁集

在运用关联规则进行数据分析挖掘中，确定一个项集是否为频集只和预定义的最小支持度有关。因此，在确定了最小支持度之后，利用递归的方法生成所有的频集。

3. 产生关联规则

根据用户设定的最小置信度，从生成的频集中提取每一项，产生关联规则，当然这些规则必须满足最小支持度和最小可信度。

二、 案例分析

结合本校实际，在教务系统中随机抽取200份教学评估报表，该评估报表由学生进行测评，将年龄、职称和评定等级作为表的记录。

其中，数量的属性是年龄，还需要将年龄转化为布尔属性。首先，将年龄划分为4个组，分别是：M1[21，29]，M2[30，34]，M3[35，45]，M4[46，60]。类别属性是职称和评定等级，这里也是需要将它们转化成布尔型数据。在做该表时，对职称、评定等级的高低都做了限制。比如，职称最高为教授，最低为助教。评定等级最高为优秀，最低为差。

其中，N1表示助教，N2表示讲师，N3表示副教授，N4表示正教授，Q1表示优秀，Q2表示良好，Q3表示一般，Q4表示较差。

根据上述表的情况，就可以挖掘教师的职称、工作年龄以及教学质量评估之间的一个关联问题。可以根据数据挖掘的Apriori算法进行挖掘，发现那些教学评估教学效果好的老师的一些属性特征。

第一步，对学校的数据库信息进行检索，检索出有40条教学质量为优秀的教师记录信息。因此，我们可以设定：最小置信度为16%，最小支持度为4%。

从表1.3中，我们可以发现以下的知识：年龄在30-34之间的老师评定等级为Q1的概率为26.22%，支持度为6%；副教授职称的老师评定等级为Q1的概率为52%，支持度为13%。从这些知识中，我们可以推出以下一些评估策略。

1. 对于那些年龄段在M2、M3范围的中青年骨干教师基本上已经具备了深厚的教学功底，实际的操作能力比较强，有很强的实践性，支持度和可信度都不低。这样，就可以给高校管理人员提示，重视中青年教师的师资建设，可以帮助老师提高教学水平和实践操作技能，提高教师的综合素质。另外，还可以说明，本校的教师队伍建设情况已经基本正常。

2. 那些年龄段在M4范围内的教学经验更丰富的老教师，他们已经在教学一线工作多年，而且占的比例还是比较大，即将步入退休的年龄，他们退休后的教师岗位还需要中青年教师接管。因此，也给管理者提供了信息：要引起对青年教师的重视，措施包括加强教学培训、实践操作技能培训和思想品德建设。

参考文献：

[1]王金玲.数据挖掘在教学中的应用研究[N].赤峰学院学报，2009.

[2]杨永斌.数据挖掘技术在教育中的应用研究[M].计算机科学，2006.

作者简介：

管新胜，湖北省武汉市，湖北青年职业学院。