高职院校是我国培养人才的一种途径，也是很重要的，在我国，高等职业教育包括本科和专科两个学历教育层次；而在其他许多国家和地区的高等职业教育体系则完整的囊括了专科、本科、硕士、博士等层次的学历教育。本文是一篇山东教育期刊征稿的论文范文，主要论述了高职院校教务管理系统中的关联规则应用。
摘要：教务管理系统在长期的运行过程中积累了大量的数据，我们使用数据挖掘技术可以从海量的应用数据中发现隐藏、具有一定价值的一些知识以及信息，是一种比较好的决策支持的过程。但是关联规则进行挖掘的方法大多都是常用的且非常重要的挖掘数据的方法，在高校的教务管理系统当中有非常广泛的应用，能够给高职院校的教务教学管理工作提供比较好的研究和分析依据，协助进行决策。
关键词：教务管理,数据挖掘,关联规则
高职院校的教务管理系统中存储了海量的数据信息，为了从这些长期积累的海量的教务数据中挖掘出有价值信息，发现教务管理系统数据中未知、潜在的一些关系以及规则，借助数据挖掘的技术能够很好解决这一问题，是一种可靠的途径和重要的手段。
通过数据挖掘的技术，可以创建出适合进行教学管理的决策的一种分析和管理的系统模式，可以显著地提升高职院校的教务教学管理总体的水平以及质量，落实教务工作的科学化以及规范化管理，拥有非常重要的意义以及价值。借助多种不同数据挖掘工具以及技术，进行教务管理的工作人员可以在很大程度上缓解日常教务管理的工作量，还能够在很大程度上对大量繁杂的数据进行系统的、透彻的详细统计以及分析，发现更有价值的信息。
1 关联规则在人才培养方案的课程设置中的应用
经过专业调研后，根据高职院校人才培养方案，对于课程体系，相关课程的前驱、后续的设计，各个高职院校充分结合专业的发展需要，制定适当调整，不过这一课程的设置方案能够保证是不是合理，是不是适合整个的人才培养方式、是否能够帮助学生职业的发展，就目前来说还没有成熟且合理的评价以及考核体系以及解决的方案等。进行课程设置的过程也会被教学机制以及师资力量等多方面因素的影响。比如核心专业限选课程的划分是否比较合理，其相关的课程前驱以及后继关系是否清晰等。所以，高职院校的课程设置当中恰当地使用在数据仓库基础之上进行的关联规则、挖掘技术的研究，能够给高职院校教学管理以及人才培养制度提供出比较科学且合理的决策上的支持。
目前高职院校在校生规模普遍较大，同时因为教学改革、校企合作等因素的影响，负责教务教学的管理过程要处理大量数据、其复杂程度相对也较高，因此教务管理方面的人员和教学管理的工作者进行教学数据处理工作的技术性上也存在比较大的难度，例如根据学生的课程的教学情况和成绩数据上的分布状况，很难直接、直观地就理清前驱课程以及后继课程之间关系程度等问题的详细区分，同时针对前后课程之间的关系展开合理专业建设方案设计。针对上述问题，恰当使用关联规则，能够很有效地协助挖掘出一些隐藏且潜在的一些相关课程之间的关系简单模型，它拥有非常大的必要性以及可行性等。我们可以考虑使用关联规则的Apriori算法，对高职院校教务管理系统当中的“学生成绩”这一数据展开系统的挖掘以及分析，通过这样的方式来确定“最小支持度”以及“最小置信度”，这其中，任意的两门课程间存在的相关性具体信息可以从下表1当中发现：
我们对表1中数据进行分析能够知道，例如关联规则中“《计算机应用》=>《网络》”之间的支持度以及置信度相对要比较高，“《高职数学》=〉《计算数学》”支持度以及置信度则相对较低，另外，“《C语言》=>《数据结构》”之间支持度以及置信度也相对比较高。最后，《计算机应用基础》以及《计算机网络》之间课程学习的情况、《C语言》和《数据结构》课程的学习情况都具有一定的关联性，而《高职数学》和《计算数学》课程的学习没有较大的关联性，或者可以说关联性比较小(《高职数学》和《计算数学》课程两门课程之间本身并没有必然的联系)。
关联规则(《C语言》成绩优秀则《数据结构》成绩优秀)支持度为31.2%，置信度为61%，这就告诉我们提高《C语言》学习的效果，能够让学生们在学习后续的一些课程，诸如《数据结构》的时候可以获得更好的成绩，而这正很好地告诉我们，开设《数据结构》课程之前，必须要让学生坚定地进行《C语言》课程的深入学习基础。借助关联规则当中的算法思想，结合前驱课程以及后续的课程，针对课程的合理设置来说拥有非常重要的影响。
就高职院校的教务管理系统当中的数据库而言，在其中进行历届的各专业学生成绩信息数据的提取，根据高职院校人才培养的特点，将各门课程分为职业素质课、职业技能课和职业拓展课三类，再充分地结合进行数据挖掘之间的关联规则的分析以及时间序列上的分析等相关的功能，在海量的数据当中尽快挖掘出能够对我们起到一定帮助的信息，并且从中可以寻找出各种影响学生专业课程学习效果的成因，并通过这样的方式来猜测有价值的固有规则以及结果。
2 使用关联规则在选课的工作当中�A实际应用
高职院校中通常有“公共选修课”以及“专业选修课”这样的两种，通常公共选修课将提升学生的人文素质水平为主，专业选修课以提升学生专业技能为重点。教务管理系统中课程选修的科目设置往往是提升专业教学质量水平非常重要的手段以及方式，就高职院校而言，教学体系当中属于比较重要的一个模块。通常情况下，选课评价重要的目标往往是调整人才培养方案的主要设定，绝对不是仅仅为了进行一些参数以及功能的测量。
根据不同岗位群需求，不同类型的学生对于选修课程的需求呈现日趋多样化的特征，为了提高学生的综合素质，高职院校专业设置日趋多样化，同时又紧跟企业用人单位的需求，学分制课程教育逐渐普及。而目前大多数高职院校使用的教务管理系统中的学生选课功能模块，基本以满足的学生选课功能为主，在课程关联、综合分析和辅助决策等方面做得还远远不够，利用这些数据并且经过适当的挖掘以及分析之后，能够辅助整个教学管理的部门展开比较合理的资源分配以及课程设置等工作的落实，对现有的人才培养方案进行更进一步的优化。
在上表当中，我们将某一位学生进行选课的记录认为是一个事务，也就是说在表中的一行认为是一个完整事务，类似于关系表中的元组，包括该学生的选课总体情况，课程编号分别记为301051、301052、301053、301054、301055。比如，学生选修2-3这门课程，在专业选课表当中，则可以标记对应课程的编号，如果没选修这门课程，则数据表当中出现很多的空值，就会形成一定程度上的“空间冗余”。 此时，我们考虑可以更换另外的选课设计的方案，即是在一个字段当中同时进行所有被选课程信息的写入操作，比方说，某学生的学号是“20140101”，其选课的情况是“301051&301052&301054”，那么此时，选课的记录是“20140101， 301051&301052&301054”，通过这样的方式能够在最大限度上减少数据的空间冗余现象，不过需要借助字符识别的技术来在算法实现当中进行系统的分析。
还可以通过数据库的管理系统来进行多个数据表的建立，展开“一对一”以及"一对多”等关系对应关系，例如，学生信息表、选课信息表以及成绩表等，减少字段冗余基础之上，可以方便使用数据库进行语言查询，展开查询以及统计。
如此，我们就可以开始建立关联的规则。例，表2，有4000条“学生选课”的记录，并且在这之中，有500名同学选择了选修《软件项目实践》这一课程，同时，在这些选修了《软件项目实践》的课程同学中有300名同学选修《XML程序设计基础》这门课程，关联规则如下：
[choose](X，“软件项目实践”)=>choose(X，“XML程序设计基础”)
[support=300/500=0.36， confidence=300/500=0.6].
此时，确定其最小支持度以及最小置信度，进一步缩小候选的二项集，结合关联规则当中Apriori的算法思想，针对教务管理系统数据库当中“学生选课信息”展开挖掘，最终得到比较合理的课程开设群集。
3 关联规则在教学测评工作中的应用
每一学期，教学质量监控部门都会组织师生进行教学测评，即教学评测评、同行测评、专家测评。借助教学的测评，能够让评价者和被评价者均能了解教师的教学情况，令任课教师可以发现教学中存在的一些问题以及缺点，不但能够加深教学理解以及认识的程度，还拥有强烈的指导意义。通过关联规则当中的挖掘技术，并将其充分地应用进教学测评当中，能够辅助教学效果，协助决策，最终起到提升教学质量的作用。
教务管理系统的数据库当中，很好地留存教师学生之间的不同的信息。这种情况当中，教学测评的数据分析过程中可以采用关联规则当中的挖掘技术，就可以尽快发现在教学评价当中的一些潜在的信息，帮助教学效果的提升，并且提供前瞻策略。
比方说，某高职院校的3000条“教师教学质量测评记录”当中，结合年龄和职称、测评的分数等三项指标当中按照随机的方式抽取出400条数据记录。
通过关联规则当中的挖掘技术，寻找上述三项的指标当中存在的相互联系。进行数据准备的工作时，将其转化成布尔类型。
实现离散化需要对年龄和评定的分数、职称进行分组。年龄分组进行标记：A1 [25，35]， A2[36， 49]，A3[50，60];对评定分数进行分组标记为：D1[0， 59]， D2[60，75]， D3[76， 89]，D4[90， 100];对职称进行分组标记为：J1 助教，J2讲师，J3副教授，J4教授。经过如上转换之后，部分数据可在下表3当中所示。
假定最小支持度min_sup=5%，最小置信度min_con[f=20%]，挖掘评定之后分数>=90记录信息，能够得到初步关联规则为：
我们从表4的规则中可以发现，教学测评结果反映公共必修课教师教学情况一般，在“专业必修课”以及“专业限选课教学”当中的效果比较好;在讲师以上的职称教师的教学水平相对比较好，不过高级职称的教师其教学情况往往比较一般;年龄上，中青年教师的授课相对受欢迎，一些老教师的授课受到的学生支持度相对不高。结合教学评价的实际结果，再充分地结合实际的情况，进行综合地研究分析，就可以帮助我们做出更加科学合理的教学管理方案。
参考文献：
[1] 赵俏. 高职院校教务管理中的数据挖掘[J]. 科技信息， 2008(11)：80，95.
[2] 王少华等. 关联规则在高校系统中的应用[J]. 福建电脑， 2007(12)：153-156.
[3] 何炎样. 关联规则的几种开采算法及其比较[J]. 小型微型计算机系统， 2001(9).
[4] 周欣， 朱扬勇， 沙朝锋. 兴趣度一关联规则的又一个阀值[J]. 计算机研究与发展， 2000，37(5)：62-67.
[5] 杨克松. 论关联规则在高校选课系统中的应用[J]. 福建电脑， 2007(10)：166-168.
[6] 毛国君， 段立娟. 数据挖掘原理与算法[M]. 北京： 清华大学出版社， 2007.
相关期刊简介：《山东教育》是经国家新闻出版署批准,全国公开发行，邮局订阅。是省级刊物、山东省优秀期刊。可供全国的各大专院校、科研单位、各企事业员工评定、中级职称、高级职称,及学术交流的杂志。
