本站原创
[摘 要]关联规则是数据挖掘中一个飞速发展的领域，不断得到发展和创新，而如何将这一技术应用于教学管理和评价中， 需要做更深一步的开发与研究。本文将关联规则与高校课堂教学评价相结合，从评价信息库中挖掘得出教师性别、年龄、职称、学历等因素和教学效果之间的内在联系，使关联规则为教学提供理论支持。
[关键词]关联规则 教学评价 数据挖掘
一、引言
数据挖掘是当前人工智能数据库和信息决策研究的热门领域[1-2]，即从海量数据中用相关的理论和方法挖掘出有用的规律，关联规则是数据挖掘研究、开发和应用领域最重要研究方向之一，它用于确定数据集中不同领域或属性之间的联系，找出可信的、有价值的多个域之间的依赖关系。对当前数据进行数据挖掘大致包括：定义业务对象，即在经验丰富的行业专家的指导下，明确实际业务的要求、数据的需要、目标的要求以及算法的需要；数据准备，即对数据进行选择、预处理和转换；数据挖掘，即用适当的挖掘算法找出隐藏于数据内部的容易理解、预测性的知识和规则；结果评估，即采用可视化技术对模式进行评估，剔除冗余或无关的模式，多次调整，使效果达到最佳；最后进行分析决策。
（1）设I={i1，i2，…，im}为所有项目的集合，D为事务数据库，事务T是一个项目子集（T？哿I）。每一个事务具有唯一的事务标识TID。设A是一个由项目构成的集合，称为项集。事务T包含项集A，当且仅当A？哿T。如果项集A中包含k个项目，则称其为k项集。项集A在事务数据库D中出现的次数占D中总事务的百分比叫做项集的支持度。如果项集的支持度超过用户给定的最小支持度阈值，就称该项集是频繁项集（或大项集）。
（2）关联规则是形如X？圯Y的逻辑蕴含式，其中X？奂I，Y？奂I，且X∩Y=？覫。如果事务数据库D中有s%的事务包含X∪Y，则称关联规则X？圯Y的支持度为s%，实际上，支持度是一个概率值。若项集X的支持度记为support（X），规则的信任度为support（X∪Y）/support（X）。这是一个条件概率P（Y|X）。即：
support（X？圯Y）=P（X∪）
confidence（X？圯Y）=P（Y|X）
（3）查找所有的规则 X&Y？圯Z具有最小支持度和可信度。
> 支持度，s，一次交易中包含{X、Y、Z}的可能性。
> 可信度，c，包含{X、Y}的交易中也包含
1.选取数据。为了能发现教师本身的素质与教学评价结果之间的内在联系，我们可以提取可能与评估结果相关的数据，如教师的工号、职称、学历、年龄、教龄、教师的评价结果，建立数据挖掘库。
4.数据挖掘。利用一种数据挖掘工具。如SQLServer2005的数据挖掘功能，可完成对数据的挖掘。
（2）关联规则在课程设置中的应用
学校中的课程设置是有规律的、循序渐进的、即先基础后专业，但由于受到学校教学条件、师资不足等因素的影响，课程设置仍然存在相关课程的前趋后继关系不清专业课程划分不合理等许多问题。那么如何合理地设置每个专业每个学期的课程是值得我们去研究的课题。利用关联规则分析的挖掘技术，我们可以从教学管理系统中选取各专业历届学生选课的数据 课程成绩、授课教师、学生信息等相关数据，经过数据预处理和转换后通过专门的数据挖掘工具挖掘出具有实用价值的信息找到影响学生成绩的原因，并在此基础上对课程设置做出合理安排除此之外，关联规则分析还可应用在学生成绩预测学生生源分布、课程相关性、学生就业核心因素、心理问题等方面。
四、结论
关于关联规则的研究和应用比较广泛，把现有的关联规则挖掘算法与教学评价问题紧密结合起来是高校信息系统中重要的研究方向之一。从评教信息数据库中挖掘得出教师性别、年龄、职称、学历等因素和教学效果间的内在联系，使关联规则为教学提供理论支持。
参考文献：
教育部高教司.教学相长—高等职业教育教师基础知识读本[M].北京：高等教育出版社，2005.
王朝庄.高职教育改革与发展应解决的五个基本问题[J]. 教育与职业，2005，（35）.
[3] 姜大源.职业教育学研究新论[M].北京：教育科学出版社，2007.
[4] JiaweiHan，数据挖掘概念与技术 [M ] 范明， 孟小峰等译，北京： 机械工业出版社，2005。
[5]魏萍萍，王翠茹，王保义，张振兴。数据挖掘技术及其在高校教学系统中的应用[J]计算机工程，2003， 7 （ 29） ： 11 – 14。
[关键词]关联规则 教学评价 数据挖掘
一、引言
数据挖掘是当前人工智能数据库和信息决策研究的热门领域[1-2]，即从海量数据中用相关的理论和方法挖掘出有用的规律，关联规则是数据挖掘研究、开发和应用领域最重要研究方向之一，它用于确定数据集中不同领域或属性之间的联系，找出可信的、有价值的多个域之间的依赖关系。对当前数据进行数据挖掘大致包括：定义业务对象，即在经验丰富的行业专家的指导下，明确实际业务的要求、数据的需要、目标的要求以及算法的需要；数据准备，即对数据进行选择、预处理和转换；数据挖掘，即用适当的挖掘算法找出隐藏于数据内部的容易理解、预测性的知识和规则；结果评估，即采用可视化技术对模式进行评估，剔除冗余或无关的模式，多次调整，使效果达到最佳；最后进行分析决策。
二、关联规则的基本模型
关联规则反映一个事物与其他事物之间的相互依存性和关联性[4-5]。如果两个或者多个事物之间存在一定的关联关系，那么，其中一个事物就能够通过其他事物预测到。（1）设I={i1，i2，…，im}为所有项目的集合，D为事务数据库，事务T是一个项目子集（T？哿I）。每一个事务具有唯一的事务标识TID。设A是一个由项目构成的集合，称为项集。事务T包含项集A，当且仅当A？哿T。如果项集A中包含k个项目，则称其为k项集。项集A在事务数据库D中出现的次数占D中总事务的百分比叫做项集的支持度。如果项集的支持度超过用户给定的最小支持度阈值，就称该项集是频繁项集（或大项集）。
（2）关联规则是形如X？圯Y的逻辑蕴含式，其中X？奂I，Y？奂I，且X∩Y=？覫。如果事务数据库D中有s%的事务包含X∪Y，则称关联规则X？圯Y的支持度为s%，实际上，支持度是一个概率值。若项集X的支持度记为support（X），规则的信任度为support（X∪Y）/support（X）。这是一个条件概率P（Y|X）。即：
support（X？圯Y）=P（X∪）
confidence（X？圯Y）=P（Y|X）
（3）查找所有的规则 X&Y？圯Z具有最小支持度和可信度。
> 支持度，s，一次交易中包含{X、Y、Z}的可能性。
> 可信度，c，包含{X、Y}的交易中也包含
源于：论文发表网www.udooo.com
Z的条件概率。三、关联规则的应用
（1）关联规则在学校教学评价中的应用1.选取数据。为了能发现教师本身的素质与教学评价结果之间的内在联系，我们可以提取可能与评估结果相关的数据，如教师的工号、职称、学历、年龄、教龄、教师的评价结果，建立数据挖掘库。
2.预处理数据。由于选取的数据中可能包含噪声、缺失值、无效数据等，所以必须先清理。
3.数据转换。由于要挖掘的数据来自于不同的数据库如教学管理系统、人事管理系统 。其信息的表示方式可能各不相同，如编码、属性、属性度量等不一致，所以在这些数据进入数据挖掘库时需要进行转换。同时，如果采用的是Apriori算法，还要将关系表转换为相应的事务库。4.数据挖掘。利用一种数据挖掘工具。如SQLServer2005的数据挖掘功能，可完成对数据的挖掘。
（2）关联规则在课程设置中的应用
学校中的课程设置是有规律的、循序渐进的、即先基础后专业，但由于受到学校教学条件、师资不足等因素的影响，课程设置仍然存在相关课程的前趋后继关系不清专业课程划分不合理等许多问题。那么如何合理地设置每个专业每个学期的课程是值得我们去研究的课题。利用关联规则分析的挖掘技术，我们可以从教学管理系统中选取各专业历届学生选课的数据 课程成绩、授课教师、学生信息等相关数据，经过数据预处理和转换后通过专门的数据挖掘工具挖掘出具有实用价值的信息找到影响学生成绩的原因，并在此基础上对课程设置做出合理安排除此之外，关联规则分析还可应用在学生成绩预测学生生源分布、课程相关性、学生就业核心因素、心理问题等方面。
四、结论
关于关联规则的研究和应用比较广泛，把现有的关联规则挖掘算法与教学评价问题紧密结合起来是高校信息系统中重要的研究方向之一。从评教信息数据库中挖掘得出教师性别、年龄、职称、学历等因素和教学效果间的内在联系，使关联规则为教学提供理论支持。
参考文献：
教育部高教司.教学相长—高等职业教育教师基础知识读本[M].北京：高等教育出版社，2005.
王朝庄.高职教育改革与发展应解决的五个基本问题[J]. 教育与职业，2005，（35）.
[3] 姜大源.职业教育学研究新论[M].北京：教育科学出版社，2007.
[4] JiaweiHan，数据挖掘概念与技术 [M ] 范明， 孟小峰等译，北京： 机械工业出版社，2005。
[5]魏萍萍，王翠茹，王保义，张振兴。数据挖掘技术及其在高校教学系统中的应用[J]计算机工程，2003， 7 （ 29） ： 11 – 14。