职业教育中的公共基础课程能够为学生树立良好的思想品德、掌握专业知识、发展相关技能打下夯实的基础。^[1]实践教学中发现，不同公共基础课程成绩的优秀之间存在一定的关联规则。挖掘公共课程成绩优秀之间的关联规则，可以帮助老师在教学过程中更好地进行教学设计和调整教学方法。由于公共课程之间存在着不同的评分标准，从而会引起课程优秀成绩关联的偏离问题。因此，如何从不同评分标准的课程成绩中挖掘其真实的关联关系，为学生后续的培养和教育提供参考和建议具有重要的意义。

目前，基于Apriori规则的数据挖掘算法被广泛应用于高校数据挖掘中。郭鹏等用改进的Apriori算法进行学生成绩的挖掘与分析，得到课程间关联规则 ^[2]；李绍中基于Apriori进行学生成绩分析找出学习态度、成绩相近的类别 ^[3]；张甜等对学生高考成绩与大学成绩进行数据挖掘，发掘学生入学前成绩对入学后表现关联规则 ^[4]。以上论文在数据分析和挖掘过程中未考虑到不同课程的评分特点。

本文以某航海院校近三年学习过高数、英语、毛概、体育、计算机的11个专业的学生成绩为数据研究对象，采用基于改进优秀率和数据整合的D-Apriori算法进行数据挖掘，不按照分数高低作为判定优秀的标准，而是按照学生成绩在某门课程中的排名判断学生成绩是否优秀。这就解决了由于基础课程成绩的不同评分特点对课程成绩优秀关联关系的偏离影响。同时，该算法对优秀率统一设置并进行数据离散化处理，更高效地探索公共基础课程之间获得优秀成绩之间的关联规则。结果表明，基础课程获得优秀成绩存在相关性，特别是数学课程优秀，在其它课程中获得优秀的可能性更高。数据挖掘的结果能够为有针对性地调整相关师资和教学方法，为学生后续的培养和教育提供参考和建议，提高基础课程的教学质量，提升学生的学习效果。^[5-7]

分别对传统Apriori算法及改进优秀率和数据整合的D-Apriori算法的数据进行数据挖掘。设定最小置信度为15%，最小支持度为2.25%。基于传统Apriori算法进行数据挖掘结果如表6所示。

表6 基于Apriori算法进行数据挖掘结果

表7 基于D-Apriori数据挖掘结果

通过表7基于改进优秀率和数据整合的D-Apriori算法数据挖掘结果可以发现：

①基于改进优秀率和数据整合的Apriori算法由于提前设置了每门课程的优秀率都为15%，前项和后项对换支持度和置信度不变（如表7中第1条关联规则与第11条的对比等）。基于改进优秀率和数据整合的D-Apriori算法，我们共获得了20条关联规则。

②从整体看，各基础课程优秀相关的置信度>15%,高于每门课程的优秀率，验证了“高职学生的基础课程的学习成绩存在一定相关性，学生在一门基础课程成绩优秀，在其它课程的学习中取得优秀的可能性比其他同学更大。”这个发现。

③当设置支持度为4%时，我们发现数学成绩优秀的同学在英语、体育和计算机课程上获得优秀的可能性相对较高，英语成绩优秀的同学，体育课上获得优秀的可能性较高；反之亦然（基于①，对换规则前后项，结果相同）。

④基于传统Apriori算法进行数据挖掘，会导致基础课程优秀成绩关联的偏离。例如，未改进计算机课程的优秀率41.74%偏高（如表3所示），当以计算机为规则后项时，会导致置信度偏高（如表6所示）

综上，D-Apriori数据挖掘能够降低由于基础课程成绩的不同评分特点对课程成绩优秀关联关系的影响。这种方法能够更加真实、高效地探索公共基础课程之间获得优秀成绩之间的关联规则。

基于改进优秀率和数据整合的D-Apriori算法能够简单高效地探索公共基础课程之间获得优秀成绩之间的关联规则，降低由于基础课程成绩的不同评分特点对课程成绩优秀关联关系的影响。数据挖掘的结果发现：数学基础课程优秀，在其他课程中获得优秀的可能性更高，良好的数学基础有助于促进学生其他课程的学习。高职院校在今后的基础教学过程中，可以适当增加数学课程的学时，有针对性地调整教学方法，注重培养学生对数学课程学习的兴趣，激励学生自主探究和学习基础课程问题的能力，从而促进其他基础课程知识与思维能力的提升，实现提高学生的整体成绩的目标。

本文存在一定局限性，由于各地区高职院校存在一定行业特色和不同高校中学生文理科比例不同，每个高职院校的基础课程成绩存在不同，相关数据研究结果还需要补充其他样本。