大数据视域下关联规则在高职教学质量控制水平提升方面的应用研究

摘 要：教学质量是学校的生命线，因此，提高教学质量是每个高职院校的中心工作，在大数据时代，随着信息化工作的推进和使用，各数据库累计了海量的数据。论文对大数据、高职院校教学质量控制、关联规则等相关概念进行了阐述，并举例说明了关联规则在教学质量控制方面的应用。这对于高职院校后续的教学管理工作提供了对应的研究和分析依据，为教学管理决策的实施提供了更好的辅助。

关键词：大数据;关联规则;高职教学质量控制;应用研究

为持续提升学校人才培养质量，进一步落实学校教学工作的中心地位，引导广大教师进一步更新教育观念，增强质量意识，高等职业院校的教学管理手段必须与时俱进，主动适应经济社会发展和高等教育形势的变化，通过更新现有教学管理理念，优化教学管理流程，升级现有教务管理信息系统，特别是随着大数据时代的到来，高等职业院校更应该完善质量控制体系，加强全面质量监控和精细化管理，助推人才培养质量的提升[1]。

一、大数据的基本含义

“BigData（大数据）”一词最早是由研究数据科学的技术权威维克托·迈尔·舍恩伯格及肯尼斯·库克耶在《大数据时代》中提出，他们认为大数据指不用随机分析法，而采用分析所有数据的方法获得的数据合集[2]。大数据具有“4V+1C”的特征，简单来说就是数据规模庞大，更新频繁，类型多样，价值巨大并且处理复杂[3]。

二、高等职业院校教学质量控制

随着80年代改革开放以来，我国的经济取得了高速发展，经济的迅猛发展势必对人才需求急剧加大，这对高等职业教育的发展提出了新的要求，对人才培养也有了新的注解。高等职业教育经过几次大规模扩招后，高等职业院校招生规模持续增长，高职学生数量已占很高的比例。2019年开始国家提出高職院校扩招100万的战略举措，高职院校又一次迎来了蓬勃发展的大好机会，在此背景下，高职教育的教学质量控制更加凸显重要。在大数据时代，需要研究如何基于现有的教学管理系统，厘清教学过程中“教”与“学”之间相辅相成的关系，利用关联规则建立一个立体化、多层次、智能决策的新型质量保障体系[4]。

三、关联规则的相关概念

（1）数据项与数据集。假设m个不同项目i1，i2，……im，并组成一个集合I，其中每一项目i就称之为数据项，而由数据项组成的集合I就是数据集。

（2）事务。事务T属于数据集中的一个子集，每一个事务中都有对应的而且是唯一的一个标识符TID与之对应，所有的事务组成的几个称之为事务集D[5]。

（3）关联规则的基本概念。如果在某一事务中出现了X这一项集，那么在该事务中也必定会出现X所在的事务集Y。事务集Y称之为规则的结果，而项集X称之为规则的前提条件。关联规则主要是针对数据库之中的一组对象之间存在的某一种关联关系或者是规则。现有的高校教学管理系统一般包含很多的模块，本论文主要通过教学质量评价模块、学生成绩预警模块这两部分在工作中的实际应用，探讨关联规则的可操作性。

四、关联规则在教学质量评价模块中的应用

学校管理部门从学生参与的一般都会组织针对任课教师进行课程教学质量评价、学生喜爱教师的评价等。从教师层面会组织高职称级别的专家教授开展教学评价，会组织开展教师之间相互的教学评价等。通过相关数据可以进行挖掘分析，使得教师能够得到从学生视角、专家教授视角、教师之间相互视角等多维的教学分析情况，更清晰立体的认识到教师在教学开展过程中存在的问题及不足之处。教学质量管理部门也可以根据分析结果，制定后续的配套制度，多方面保证教学质量的不断提升。

（1）数据处理。在数据的挖掘过程中，数据处理是一个重要的步骤，主要是因为现有的数据之中还存在诸多不确定性因素，其中还有很有冗余的数据，不能直接拿来使用。所以，就需要做好对应的数据处理工作[5]。数据准备阶段是将评价过程中涉及的相关人员基础信息和评价内容，通过数据整理的方式，并和评价主体关键字段关联，就可以将关联数据本身的价值体现出来。数据清理阶段是将一部分数据做好对应的处理和纠正，其中包括学生因学籍异动产生的冗余信息，如无效学期的成绩，学生个人信息的变更等。数据变更阶段是将数据转换成为合适数据，能更好的用于表达。比如常用的出生日期、教学工作量、学生成绩来举例说明。按照出生日期对数据进行变更转换，定义青年、中年、老年三个年龄阶段，可以用出生年月进行数据转换，从而实现年龄的统一批量转换;由于教师在录入教学管理系统时采用百分制，因此需要将百分制统一转化成五级制，可自定义优秀、良好、及格和不及格的分数段。

（2）数据挖掘。在前期的数据准备、数据清理、数据变更完成之后，为了进一步了解教学效果相关的影响变量，通过数据挖掘的方法，阐明教学效果与年龄、学历、性别等因素之间的关系。①教学效果和年龄之间的关系。通过数据采集对象显示，中年教师和老年教师的课程学生评价较高，其中青年的评分处于中等。所以，高职院校可以“青蓝工程”“青蓝蓝工程”等一带一的传授模式，让教学经验丰富的教师在备课环节、课堂教学、课后辅导等环节全面指导中青年教师，帮助青年教师站稳讲台、过好教学关，从而带动教学质量的全面提升[7]。②教学效果和学历之间的关系。通过数据的采集对象显示，其评教的结果与学历之间存在一定的关联度，当学历为博士水平，其评价美誉度整体偏高，反映了高学历教师人群的教学效果良好，能够得到学生的喜爱;当学历处于本科水平，其评价美誉度整体处于中等行列。所以，高职院校可以通过内培外引的方式，甚至可以引进具有海外背景的博士研究生，通过提升学校的高层次人才比例来提高学校整体的学历水平，从而提升整体教师的教学质量。③教学效果和性别之间的关系。通过数据的采集对象显示，教师性别对于教学质量有一定的关联度，教学院部在每学期安排教学任务的时候，可以通盘考虑，文科和理工科专业对男女教师的安排上做一些统筹。

五、关联规则在学生成绩预警模块中的应用

（1）模型描述，具体如下图所示。该模型主要用来分析学生所学各门课程的成绩，找寻课程与课程之间的关联规则，这样就可以发现在哪一门或者哪一部分关联的课程学习上，学生容易出现学业问题，如学业警示、留级、降级、退学等情况。通过这样的规律来推测学生是否会出现学业问题。如果存在这一种可能性，就需要给出对应的预警信息。具体模型如下图所示。

（2）成绩预警模型的构建。①数据处理。为了说明数量处理的过程，随机选择某二级学院的任一专业某一班级26个学生，通过教学管理平台导出学生的成绩表，将所有课程成绩都选择作为本次模型的分析数据。在本次的研究之中，选择26个学生的24科的成绩记载数据，然后通过26个英文字母大小来进行对应的表现，将成绩用同一个规则直接划分成为4个类别，成绩小于60分的为类别1，成绩大于等于60并小于70分为类别2，成绩大于等于70并小于80分的为类别3，成绩大于等于80分的为类别4，通过量化后即可得到一份量化数据成绩表。②挖掘关联规则。本步骤主要是利用关联规则推测出学生出现学业警示、留级、降级与退学的可能性，通过各个科目之间相互关系的分析與研究，就可以呈现出各个科目之间的影响。在具体的设定中，其最小的支持度为0.3，最小置信度为0.3，通过计算，结果中出现了425个高频率出现项集，其中又包含了627条课程之间的相互关系条件。因为其本身出现的结果太多，所以，就只能够针对一部分来进行分析和说明。

（3）解释与评价。通过相互之间的条件推测，就可以了解到各个课程之间的影响，重点关注学生出现了警示、留级、降级或者是退学状况的课程，这些课程相对其他课程而言，对学生的整体成绩产生更大的影响，因此，教学质量控制部门可以告知教学部门，在这些课程授课过程中应予以重点关注，丰富教学手段，提高学生课程通过率。通过该模型就可以对学生的各个课程进行分析，发挥良好的预警作用，也可以发现是否有影响学业的课程存在。如果存在这一种课程，就需要通过预警提醒，做好学生的引导管理工作，这样不仅可以提高学生的课程成绩，增加学生的学习主动性，还可以避免出现学生因学业问题产生厌学或退学的想法。提高高职教学质量水平，一方面要不断完善教师队伍，提升教师自身教学水平;另一方面学生应及时了解自己的学业动态，运用好大数据思维，做到真正的教之有方，学以致用。

参考文献：

[1]周建松，陈正江.新时代中国特色高等职业教育的内涵与发展路径[J].中国高教研究，2019（04）：98-102+108.

[2]孟志远，卢潇，胡凡刚.大数据驱动教育变革的理论路径与应用思考——首届中国教育大数据发展论坛探析[J].远程教育杂志，2017，35（02）：9-18.

[3]姜玉欣.大数据驱动下社会治理面临的困境与策略选择[J].东岳论丛，2020，41（07）：156-162.

[4]张政利，李云飞.预判与施策：高职教学管理直面百万扩招新挑战[J].中国职业技术教育，2020（20）：43-51.

[5]刘爱萍.基于关联规则数据挖掘技术的高校学生学习成绩分析[J].信息与电脑（理论版），2015（22）：83-85.

[6]吴芳芳，檀文君，年晓明.关联规则在应用型本科院校教学管理中的应用研究[J].信息记录材料，2018，19（08）：160-161.

[7]米保全.数据挖掘技术在高职院校教学管理中的应用[J].软件导刊，2018，17（08）：178-181.

课题项目：本文系2019年校教改课题“基于成果导向的高职教育专业群课程体系改革”的阶段性研究成果（课题编号：JG201913）

作者简介：傅敏燕（1981— ），女，江苏常州人，硕士研究生，助理研究员，主要研究方向：职业教育、教学管理。