引言

高等教育在经过急剧的数量扩张之后，已经开始进入提升教育内涵发展的阶段，其中教学质量满意度是主要衡量指标之一.教育部在2012年发布的《教育部关于全面提高高等教育质量的若干意见》中明确提出提高质量为核心，推进教育教学改革.为此，教学质量成为社会、政府、学校、家长、学生议论的热点，通过评估建议测量、控制和改进成为学者和社会普遍关注的研究焦点.梳理文献发现，在起初阶段，大多数研究把教学质量归因于课堂，在综合考虑课堂、教师和学生的相关信息的基础上通过数学在静态框架式的综合评价[1-3]；随着教育理念、教学方法和教学环境的变化，越来越多的研究认为教学质量的感知和认同是一个动态过程，需要基于大数据、大样本的发现和推理，于是不同学者发现了不同的教学质量评估体系和关联结论[4,5]，但这些研究都没有综合考虑教学质量与目标、过程、结果的多规则关联机制，对系统规则引导、对象适应和适度满意等因素考虑的较少.本文以某高职学校近年一学期课堂教学质量评价数据为基础，通过基于满意度模型对教学质量的各项指标的相关性进行深入分析，在云计算平台下采用Apriori算法，挖掘指标关联机制，以期探索现行教学评价体系各单项指标分类方法的合理性，并在此基础上，探索各单项指标对总体教学评价的影响程度，以寻求教学满意度的影响因素.

1 云平台下的关联规则分析

1.1 基于云平台下的Apriori算法效率分析

在关联分析中经典算法是R.Agrawal等人提出的Apriori算法，这是一种很有影响力的挖掘关联规则频繁项集的算法，它探查逐级挖掘Apriori性质：频繁项集的所有非空子集都必须是频繁的[3～7].根据频繁k-项集，形成频繁(k+1)-项集候选，并扫描数据库1次，完成第k次迭代(k>1)，找出完整的频繁(k+1)-项集Lk+1.Apriori算法的优点是简单易懂；但同时也存在以下两方面的不足：①当事务数据库中的频繁1-项集的数目|L1|比较大时，由频繁1-项集产生的候选2-项集C2就非常大，C2由个2-项集组成；②为了由候选项集Ck产生频繁集Lk，需要重复扫描数据库中的事务并计算候选项集Ck中每个候选项集支持度，因而当事务数据库中的事务个数很大时，扫描数据库的开销将变得很大.因此，Apriori算法[2～4]虽然在一定程度上利用自身的性质压缩了频繁集的大小，提高了挖掘性能，但是它本身还是存在某些缺点：首先，大规模的数据库本身就存在大量的频繁集，经过算法后会产生大量的频繁候选集；其次，算法运行中scan数据的次数比较多而且多重复进行，浪费时间[7～8].

云计算是结合分布式计算、并行处理、虚拟化等技术，为大型数据处理、应用提供动态资源服务，它在搜索引擎等互联网应用方面得到广泛使用并取得巨大成功.强大资源背景和数据处理能力为数据挖掘(Data Mining)或知识发现(KDD - Knowledge Discovery in Databases)带来了新的机遇和挑战.云平台下的数据结构、模式和意义的重复、相似和互补等方面的计算和推理，能发现新的多个域间的依赖关系知识和规则，对关联决策具有效率等潜在价值和意义.因此，基于云平台对Apriori算法在有限计算资源处理大规模数据时的效率改进具有积极意义.

1.2 基于Hadoop平台的Apriori算法

首先利用MapReduce并行编程模型的键值特性对输入的原始数据集进行Map分块处理，主进程将这些数据分块分布到Hadoop集群中的每台计算机上；然后并行算法对每台计算机上的分块数据进行如下处理过程：

(1)主进程通过分块数据集与原始数据集的对比产生一项候选集；

针对数字化发展的趋势，德国木工机械制造商协会总经理Bernhard Dirr博士表示，德国机械设备制造业联合会和欧洲木材加工机械制造商联合会目前正基于OPC UA（开放式平台通信统一架构），制定相关标准。这将为现代木材加工注入新动力，现在，该领域诸多细分市场已大范围实现技术成熟。即使是规模较小的工厂，也能全面掌控智能化发展趋势，轻松接入国际网络，化身具备高度灵活性的小型工厂。

从对表1的二级指标内涵分析中可以发现，其测量数值可以通过转变，形成教学满意度模型中各变量的测量值，具体配对关系见表2.为记录方便，对表1的二级指标分别编码为A11，A12;B11，B22，B22，B23;…；D41，D42.

(3)接下来由一项频繁集产生二项频繁集；

与分管副院长沈崇德谈话中了解到，这是自2014年，医院将“澳新风险管理标准”引入到后勤患者安全体系后的创新探索。“这只是医院后勤患者安全体系的一角，后面支撑的是有序化、制度化和具体化的风险管理工作。”

(4)这样逐次迭代直到产生k项候选集，k项候选集与原始数据集进行对比，如果存在k项候选集，则继续迭代执行，如果不存在，则最终得到k-1项候选集.

目标干燥质量计算方法：预设含水饱和度分别为0、20%、40%、60%、80%、100%，则m=S0(ms-md)+md；式中，m为目标干燥质量；S0为预设含水饱和度；ms为饱和水煤样的质量。

以上过程为每台计算机上的Map进程计算出的分块的候选集，接下来MapReduce编程模型中的Reduce进程把每台计算机上的Map进程获取的每个分块的k项候选集支持数合并获取全局k项候选集的支持数，由全局候选集的支持数可以计算出全局k项频繁项集.

此处,ρt(u)=u(τ-I(u<0))，其定义在Koenker和Bassett(1978)的研究中有详细说明；I(u)<0为示性函数，当{u<1}时该函数取1，否则取0。上述目标函数无法直接用微分求解，可以采用线性规划的办法求解得到估计值。分位数协整模型同样需要关注在分位数下的变量之间是否具有协整关系。Xiao(2009)基于累加和残差(cumsum residual)给出如下的检验统计量：

  

图1 改进Apriori算法的MapReduce并行化流程图

传统的Apriori并行算法在执行时，集群中的每台计算机都会对同一部分任务进行处理，这样每一部分任务都被执行多次，造成了计算机资源的浪费，而基于MapReduce编程模型设计的并行算法在执行时，每台计算机只计算其中的一个任务，节省了集群的计算资源.

由图2可知，因素A与B、因素A与C、因素B与C的交互作用均显著。图2A、B提示，OD在因素A与B的交互作用下，随二者的增大而出现先减小后增大的趋势；图2C、D提示，OD在因素A与C的交互作用下，随二者的增大也出现先减小后增大的趋势；图2E、F提示，OD在因素B与C的交互作用下，随二者的增大而增大。

2 基于满意度模型的高职院校教学质量模型构建

2.1 满意度模型与理论

在教学质量满意度模型和教学质量满意度测量指标体系的基础上，一个学生对某位老师的某一门课程的评估构成一个数据记录.在原有信息中重点增加了学生成绩信息，教师信息和课程信息.在这些数据的基础上，将预期发掘的规则模式分为三类：教师信息与教学质量测评关联规则(讲授质量与教学满意)，学生信息与教学质量关联规则(学生期望与教学满意，学生期望与学习过程)和课程信息教学质量关联规则(学习过程与教学质量).

“你很有趣，我喜欢听你说话，声音也有质感，简单，直接，很有力量——但你不必恭维我，也不必搞得这么忧郁。我总是遭人笑话，笑我不解风情，懵懂无知，平时有人说黄段子，也总是听不懂，偶尔听懂了，又觉得脏。以前有人追求我，却总搞不懂别人要干什么？如果别人不像阿Q对吴妈说‘我想跟你困觉’，我就是不懂。我很不耐烦拐弯抹角，如果不能直话直说，就一边去吧。如果真是个男的，我肯定找不到女朋友。”

目前，学生满意度作为衡量教学质量和学科建设水平的一个有效工具，在高职评估方案体系中已经成为一项重要指标.学生满意度的测评是一项科学有效的自我检查手段，通过检查能使高等教育机构测评学生对院校教学过程的满意程度.基于现代职业发展导向的教学满意度理念，提出如下模型，见图2.

当第一个数据分块的全局k项频繁项集计算出以后，每台计算机会启动下一个Map进程处理第二个数据分块，这样依次循环，直到架构处理完所有数据分块.图1描述了改进Apriori算法的MapReduce并行化的实现方法.

  

图2 教学质量满意度模型示意图

在上述规则模式的基础上，通过描述教师的教学、科研、实践能力，学生成绩的优劣，课程的社科、人文、理工信息作为条件，分析上述规则成立的依赖关系.

2.2 教学质量满意度测量指标构建

设计高职高专教学质量评价体系首先从目标分析入手，抓住教学质量的本质属性，列出若干要素，用穷举法、经验性指标编制法、问卷调查法和主成分分析法等方法筛选出重要的关键要素作为指标，然后在实践中逐步修改完善.在此基础上设计出教学质量评价体系框架.高职高专教学质量评价体系主要由一级指标和二级指标组成.所有的指标构成一个整体的评价体系.常见的高职高专院校教学质量评价体系由教学态度、教学内容、教学方法和教学效果四部分构成具体见表1所示.这四部分信息不包括教师信息、学生信息和课程信息.根据四个方面的内涵，可以根据各指标内涵通过定义得到教学满意度模型中各变量的测量值.

 

表1 课堂教学质量评价表(学生)

  

一级指标二级指标分值等次教学态度治学严谨,为人师表;按时上下课;不随意调停课 10AB虚心听取学生意见,积极改进,印象中老师上课有充分准备10AB教学内容内容充实、信息量大10AB循序渐进,重点突出、难点剖析清楚10AB教学内容少而精、易理解;教材选用得当10AB教学方法激发学生的学习兴趣10AB启发学生思维,教会学生科学的学习方法10AB语言生动、精炼、准确、逻辑性强10AB教学效果课堂气氛活跃10AB学生从本课程学到了许多知识10AB

(2)然后由一项候选集与原始数据集进行对比，可以算出每项事物的支持度，这些支持度与程序中给定的支持度进行对比，得出一项频繁集；

 

表2 一般教学质量评价指标与教学质量满意度模型变量对应表

  

指标学生期望讲授质量学习过程教学满意教学抱怨教学忠诚变量A12,C31B21,C33B22,B23C32,D42A11,D41A11,C31

3 云平台环境下高职院校教学质量满意度模型关联规则

3.1 教学质量满意度模型关联规则发现

满意度理论(Satisfact Ion Index)最先被Cardozo 应用于经济管理领域，其后迅速在经济发达国家的各个领域得到广泛应用.学校提供的教育服务，能够视为一种可与学生顾客进行交换的商品，学生作为接受高职教育服务的首要顾客，对所购商品的质量是否满意及满意程度的高低就应成为衡量高职院校办学水平与质量的一个重要指标.

在教学质量满意度模型中对ACSI模型进行了修改，考虑到学校的教学和学费之间没有必然联系，删去了感知价值这个结构变量，而在当前的课堂教学中存在着教师讲授和学生学习两个方面，因此，将感知质量拆分成讲授质量与学习质量两部分，最终设计了学生期望、讲授质量、学习质量、学生满意、学生抱怨、学生忠诚等六个结构变量.学生满意度是最终的目标，学生期望、讲授质量、学习质量是学生满意度的原因，学生抱怨和学生忠诚是学生满意度的结果.

3.2 教学质量满意度实验

3.2.1 数据预处理

本次实验使用的基础数据为某高职院校一学期的1067份有效课堂教学质量评估数据.评价成绩回收汇总后将10个单项指标结合国内外有效教学特征进行合并，评价指标包括对课堂教学质量的总体评价、教学态度、教学内容、教学方法、教学效果等.

选取一个学期的教学评价表和相关教师的基本信息进行数据采集，建立一个教师基本信息数据库和一个教师测评数据库，在这些数据库基础上建立教学评价数据库.然后对该数据库中的数据进行预处理(离散化及消减)，得到新的教学评价数据表.根据原始数据特点，为了便于处理，将总分[0，100]分成三个区间[0，80)，[80，90)，[90，100]，分别用C，B，A表示.将教学态度[0，20] 分成两个区间[0，18)，[18，20]，分别用B，A表示.将教学态度一[0，10] 分成两个区间[0，9)，[9，10]分别用B，A表示.将教学态度二[0，10] 分成两个区间[0，9)，[9，10]，分别用B，A表示.将教学方法[0，30] 分成两个区间[0，27)，[27，30]，分别用B，A表示.将教学方法一[0，10] 分成两个区间[0，9)，[9，10]分别用B，A表示.将教学方法二[0，10] 分成两个区间[0，9)，[9，10]，分别用B，A表示.将教学方法三[0，10] 分成两个区间[0，9)，[9，10]，分别用B，A表示.将教学效果[0，20] 分成两个区间[0，18)，[18，20]，分别用B，A表示.将教学效果一[0，10] 分成两个区间[0，9)，[9，10]分别用B，A表示.将教学效果二[0，10] 分成两个区间[0，9)，[9，10]，分别用B，A表示.将教学内容[0，30] 分成两个区间[0，27)，[27，30]，分别用B，A表示.将教学内容一[0，10] 分成两个区间[0，9)，[9，10]分别用B，A表示.将教学内容二[0，10] 分成两个区间[0，9)，[9，10]，分别用B，A表示.将教学内容三[0，10] 分成两个区间[0，9)，[9，10]，分别用B，A表示.

3.2.2 实验过程

本实验选取五台计算机搭建Hadoop平台，计算机系统采用Ubuntu Linux 10.10，Hadoop版本选用Hadoop1.0.3，一台机器作为Master和JobTracker服务节点，五台计算机的硬件配置和基本设置如表3-4所示.

 

表3 各个节点硬件配置情况

  

CPU内存硬盘网卡Intel Core i52GB500GB千兆以太网网卡

 

表4 各节点基本设置情况

  

用户名主机名IP网关HadoopMaster192.168.32.10192.168.32.1HadoopSlave1192.168.32.11192.168.32.1HadoopSlave2192.168.32.12192.168.32.1HadoopSlave3192.168.32.13192.168.32.1HadoopSlave4192.168.32.14192.168.32.1

利用五台PC完成集群的构建多节点，多节点分布式其环境就是Hadoop框架的真实环境，其部署需要的一些基本条件并修改的三个配置文件为conf/core-site.xml、conf/mapred-site.xml和conf/hdfs-site.xml.

基于上述数据、算法和实验环境，运行得到相应结果.

老年2型糖尿病患者应适当做一些运动锻炼，有利于血糖水平的下降，护士指导患者选择散步、慢跑、游泳、登山、太极拳等，并指导患者每日运动时间及运动量等。

3.2.3 实验结果分析

鉴于篇幅限制，以课程信息与教学质量满意实验为例的运行结果见表5所示.

 

表5 课程信息与教学质量满意的关联规则分布表

  

规则课程类别教学态度态度1态度2教学方法方法1方法2方法3教学效果效果1效果2教学内容内容1内容2内容3支持度置信度1AA-------------0.40.72A-------A------0.40.73A----------A---0.40.74A-A------------0.40.75A--A-----------0.430.756B--A-----------0.30.67A-----A--------0.40.78A--------A-----0.430.759C---------B----0.430.7510A-----------A--0.430.8311C------------A-0.40.812A-------------A0.40.7

 

表6 课程信息与教学质量满意的关联规则描述

  

规则1:课程难度容易,教学态度好规则2:课程难度容易,教学效果好规则3:课程难度容易,教学内容好规则4:课程难度容易,教学态度治学严谨规则5:课程难度容易,教学态度听取意见规则6:课程难度中等,教学态度听取意见规则7:课程难度容易,教学方法启发思维规则8:课程难度容易,教学效果气氛活跃规则9:课程难度高,教学效果掌握知识规则10:课程难度容易,教学内容内容充实规则11:课程难度高,教学内容重点突出规则12:课程难度容易,教学内容内容恰当

在系统分析相关其他三个实验结果的基础上，得到修改后的高职院校教学满意度模型如图3所示.

  

图3 基于关联规则的高职教学质量满意度模型

将图3模型和图2模型相比较后发现：一是高职课程的教学过程对教学抱怨的影响显著，高职教学不能形成教学忠诚，这可能是因为操作性、职业化等方面影响的结果；二是讲授质量不影响质量满意，即讲授质量不是高职教育的重点，这说明职业教育重在自学，实践出成绩，标准化流程和操作过程是从实践中得来的.

基于上述模型，可得到如下启示和建议：

(1)从教师视角来看教学质量满意，学生对教师职称有很高的期望，职称高与教学态度2，教学效果2的评价分数有显著的相关关系，说明职称高的老师能够虚心听取学生意见，积极改进，上课有充分准备，对学生也更负责.因此，职称高的老师教学效果也就更好.

(2)从课程视角来看教学质量满意，非理工科的课程与教学态度、教学态度1、教学态度2，教学方法2，教学效果、教学效果1、教学效果2，教学内容、教学内容1、教学内容2、教学内容3的评价分数高有显著的相关关系；工科中等的课程与教学态度2的评价分数高有显著的相关性，这说明该课程学生接受度高，对教学质量的评价态度也相对积极.同时，我们也注意到文化课程，学生对上课充分准备的老师评价相对较高，这也说明该课程的学生对老师的依赖程度较高.

(3)从学生信息来看，学习成绩好的学生与教学质量总评分高和学习成绩一般的学生与教学质量总评分中等有显著的相关关系，这说明成绩好的学生对教学质量的评价更为积极，且成绩中等的学生对教学质量的评价态度一般.成绩好的学生对教学态度、教学方法、教学效果和教学内容评价得分高有显著的关联规则，说明学习态度对于学生教学质量的评价有重要的影响.因此，建议在学生的培养上，要注重提高学生的成绩，采用多种教学手段增加学生对课程的兴趣，并努力营造创先争优的学习氛围，促进教学水平的提高.

4 总结与展望

近几年，高等职业院校在国家政策支持下大量扩招，生源质量下滑，对新形势下的教学质量影响因素的研究具有重要意义.本文基于满意度模型提出教学质量满意度模型，通过构建合理评价指标，重点分析了哪些具体因素影响学生对教师教学满意度的评价，并结合当前兴起的云计算，探究了基于Hadoop平台下改进的Aprioir算法，得出了学生信息，教师信息，课程内容信息与教学满意度指标之间的相关关系，对高校教学的改进工作具有一定的指导性.

宇晴被阵法鼓舞，转头微笑着对东方宇轩说：“宇轩大哥别担心，一行大师也别叹气。刑天虽然厉害，但这三个家伙长进也很快，他们由七绝逍遥阵里走出来，会达到新的境界。人定胜天，挽狂澜于既倒，我是相信他们几个的。”

①综合考虑到未来几年北京降水形势起伏不定，旱中有涝、旱涝急转已成常态化的趋势，建议可以先期立项研究系列延长以及下垫面变化带来的影响，修订资料，开展评价分析。待综合考虑未来几年降水丰枯实际情况后，再着手开展《北京市水文手册》中关于暴雨和洪水的修订工作。

下一步的研究准备收集更多种类型数据，在更大范围内挖掘影响教学因素的具体因素，并以此为基础，探索适合不同阶段、不同院校及学科背景的有效教学评价指标体系，以期提高高职院校的教育教学工作.

参考文献：

[1]刘奇，张英姿.高职专业学生满意度评估指标体系构建研究[J].新西部，2009(14)：190-191.

[2]简彩云.高职院校学生满意度测评指标体系研究[J]. 辽宁教育研究，2008(08):61-64.

[3]韩玉志.美国大学生满意度调查方法评介[J].比较教育研究，2006(06)：61-64.

[4]卢晶晶.基于数据挖掘的教学评价系统[D].南京：河海大学，2007.

[5]陈涛，胡学钢，陈秀美.基于数据挖掘的教学质量评价体系分析[J].计算机技术与应用进展，2010，436-440.

[6]李淑苹.基于数据挖掘的职业英语课程设计研究[J]. 鸡西大学学报，2013，13(5)：65-67.

[7]徐章艳，刘美玲，张师超，等.Apriori算法的三种优化方法[J].计算机工程与应用，2004，36：190-192.

[8]刘华婷，郭仁祥，姜浩.关联规则挖掘Apriori算法的研究与改进[J].计算机应用与软件，2009，26(1)：146-149.

[9]张震，胡学钢，张亚萍. 数据挖掘在高校课堂教学质量评价体系中的应用[J].电脑开发与应用，2007(112)：41-42.