摘要:随着科学技术的快速发展以及数据挖掘技术的不断改进，各个学校的教学管理系统中都已存储了大量的数据信息，本文主要对目前教师在教学评价中的现状进行了研究，并以教学评价的体系为数据挖掘的基础平台，利用数据挖掘技术对教师教学相关的数据进行挖掘和分析。重点对数据挖掘技术在教师教学评价中的应用进行研究，从而可促进学校教学的质量，对教师教学评价有重大的意义。
关键词:教师；教学评价；数据挖掘
0引言
随着新一代社交网络、数字城市等大规模互联网应用的迅猛发展。大数据的特点为：（1）弹性服务。（2）按需服务。（3）资源池化。（4）服务可计费。（5）泛在接入。大数据主要就是云架构计算技术，并且云架构计算是分布式计算、互联网技术以及大规模资源管理等技术的发展与融合，其应用和研究涉及资源虚拟化、信息安全、海量数据处理等亟待处理的重要问题。随着科学技术的快速发展以及数据挖掘技术的不断改进，各个学校的教学管理系统中都已存储了大量的数据信息，对存储的大量的数据信息都是进行简单的数字处理，不能对这些数据进行更深入的研究和分析[1]。本文主要对目前教师在教学评价中的现状进行了研究，并以教学评价的体系为数据挖掘的基础平台，利用数据挖掘技术对教师教学相关的数据进行挖掘和分析，对教师教学评价有重大的意义。
1数据挖掘技术
数据挖掘主要就是云架构计算技术，并且云架构计算是分布式计算、互联网技术以及大规模资源管理等技术的发展与融合，其应用和研究涉及资源虚拟化、信息安全、海量数据处理等亟待处理的重要问题。数据挖掘其可用于发现的模式类型主要有以下6种：（1）挖掘中的频繁项集的关联以及相关模式。（2）概念和类相关的描述，主要包含特征化和区分两个方面。（3）通过聚类对已有的数据进行类标记和分析。（4）对数据进行聚类和预测，通过对比分析建立一个概念模型。（5）对建立的模型进行演变分析，模拟数据的演变过程。（6）对数据中的表现异类的数据进行深入的分析，即对离群点进行分析。
2利用数据挖掘技术进行教师教学评价研究的流程
Romero等研究学者认为在教师教学评价中数据挖掘技术的应用会是一个十分重要的循环迭代，通过数据挖掘技术将得到的教师教学评价相关的知识进入评价系统的循环中，并且通过改进学习系统、支持决策以及改善学习者的学习等过程，而不是简单的将数据转换为教师简单的评价过程[2-4]。各个学校的教学管理系统中都已存储了大量的数据信息，对存储的大量的数据信息都是进行简单的数字处理，通过对这些数据进行更深入的研究和分析，主要对目前教师在教学评价中的现状进行了研究，并以教学评价的体系为数据挖掘的基础平台，采用数据挖掘技术对教师教学评价的研究过程中主要的流程包括数据收集、确定数据挖掘目的、数据的挖掘以及模式评估与知识表示等四个部分。数据挖掘的过程主要包括以下几个方面：（1）根据已知的条件，确定数据挖掘目的。（2）需要挖掘数据的准备，即对数据的清洗、数据的筛选等步骤。（3）根据选定的算法对已有的数据进行挖掘。（4）依据上述挖掘的结果，对数据挖掘的模式评估与知识进行表示。大数据与实际生产应用紧密结合，并且其研究领域广泛。通过对已有大数据体系结构以及关键技术的研究，对大数据还可以从以下两个方面进行深入的研究：一方面，通过拓展大数据的外沿，比如将大数据与移动互联网领域以及科学计算相结合，来拓展新的大数据应用模式；另一方面，通过讨论大数据模型的缺陷来挖掘大数据的内涵，比如以大规模程序调试诊断以及端到云的海量数据传输为例来分析云架构技术面临的挑战。移动互联网的飞速发展极大的丰富了大数据的外部应用，使得大数据和移动互联网的联系十分密切。由于移动设备在接入方式上和硬件配置上的特殊性，使得对于大数据和移动互联网的关系研究十分重要。下面对移动互联网中移动设备的资源以及网络接入问题进行更为深入的探讨[5-6]。
2.1有限的移动设备资源
往往需要在浏览器端解释的如JavaScript、Ajax等执行脚本程序才能访问基于Web门户的大数据服务，这样会消耗较多的移动设备的计算能源与资源，并且移动设备运行平台具有更新速度快以及种类繁多等特点，从而为移动设备定制客户端成为不可能的事件。因此，为大数据平台设计相对应的访问接口非常迫切。
2.2网络接入问题
应用需求动态的调整系统规模，使得系统的运行成本降低，对于大数据的分布式应用，开发者需要考虑资源回收以及动态分配的问题，但这个过程很容易发生死锁、资源泄露等问题。同时上述大规模各领域的应用对于大数据平台的搭建带来了难题，因为其使得大数据平台的搭建过程更为繁琐和复杂。因此，需要不断开发新的应用模型以及适合大数据的实用工具来解决这些问题显得更为迫切。
3支持向量机SVM算法在教师教学评价中的应用
3.1支持向量机SVM算法
支持向量机SVM算法将我们待解决的问题通过一个二次规划来进行解决。例如，通过假设样本集上存在超平面xb0能够将已有的样本划分为两大类，那么有一个超平面能使两类样本到其距离的和能达到最大值，那么该平面为超平面，并且超平面的计算公式为：虽然支持向量机SVM的理论目前的应用领域很广泛，但是它在我们实际的应用过程中还会遇到一些如核函数的选择、归纳、优化及内积参数寻优等问题。
3.2支持向量机SVM算法在教师教学评价中的应用
在应用数据挖掘技术进行教师教学评价研究的过程中，本文在实验过程中使用Weka中的J48聚类器进行教师测评结果信息表的挖掘，详细过程为：（1）启动软件进入Explorer界面，打开己经进行预处理(离散化)后的数据表格，选择preprocess选项卡，观察数据表中数据情况，其中包含625条数据信息，4个属性。在结果窗口中单击右键，可以看到支持向量机SVM算法在教师教学评价中的应用的图像，能够对聚类结果一目了然，本文方法对目前教师在教学评价中的现状进行了研究，并以教学评价的体系为数据挖掘的基础平台，利用数据挖掘技术对教师教学相关的数据进行挖掘和分析具有很好的效果[7-9]。
4总结
科学技术的快速发展以及数据挖掘技术的不断改进，各个学校的教学管理系统中都已存储了大量的数据信息，对存储的大量的数据信息都是进行简单的数字处理[10-13]，通过对这些数据进行更深入的研究和分析，主要对目前教师在教学评价中的现状进行了研究，并以教学评价的体系为数据挖掘的基础平台，利用数据挖掘技术对教师教学相关的数据进行挖掘和分析,对教师教学评价有重大的意义。
作者:刘占波 闫实 王晓丽 石莉 陈志国 单位:牡丹江医学院
