apriori算法研究现状论文

国内外基础医学教育考核的关联性思考论文

【 摘要 】基础医学教育是培养医学专业人才不可或缺的环节，全面推进基础医学教育、促进基础教育的改革发展，能够为我国医疗卫生事业的发展提供良好的支持。然而对当前我国医学医学教育和考核进行研究，发现受到整体医学教育事业起步较晚的影响，我国整体基础医学教育和考核发展存在一定的滞后性，与国外教育水平存在差距，基础医学教育尤其面临着多种问题。本文从国内外基础医学培养目标的差异、教育与考核之间的关联性以及国内外考核标准差异出发，对国内外基础医学教育、考核关联性进行了综述分析，力求能够为我国基础医学教育改革提供相应的理论借鉴。

【 关键词 】基础医学；教育；考核；关联性

随着现代科学的进步，医学模式发生改革，从传统的生物-医学模式转为生物-心理-社会医学模式，这也就意味着现代医学不仅限于传统的生物学治疗，同时还包括了心理学和社会学治疗。现代医学为患者提供的服务更加全面，对医务人员的素质要求也相应提高，医生的工作不单单是治病救人，更要为患者提供全方位的服务。在上个世纪90年代初，世界教育联合组织提出了五星级医生的概念，这使得医生从传统的治疗执行者变为了执行者、沟通者乃至管理者的集合体，WHO在1993年也提出了医生不应当满足于院校学习，而是应当作为生物学科的终生学习者。之后世界教育联合等组织提出的《本科医学教育国际标准》、《本科医学教育质量保证指南》中明确了医学本科毕业生所应当具备的基本素质，为医学教育培养指明了目标[1]。我国的整体医学教育事业起步较晚，与国外教育水平存在差距，基础医学教育尤其面临着多种问题，本文通过对目前国内外基础医学教育、考核的现状及关联性进行分析，以期为我国基础医学教育提供参考，现阐述如下。

1基础医学教育培养目标的差异

1.1职业素质

国内外医学教育在职业素质培养方面基本一致，均要求医生应当具有良好的医德医风，重视医疗伦理，强调全面服务患者，实事求是，具有团队协作意识和集体主义精神，从而更好的推动医疗卫生事业的发展。

1.2知识目标

国内外培养要求基本一致，基础医学教育培养主要目标是为了让学生掌握基础学科知识、医学相关学科知识等，例如在学习阶段应当掌握常见疾病的'发病病因、病理机制、临床表现、诊断及治疗方法等，明白疾病预防的意义，疾病的筛查手段，以及临终关怀知识等。基础医学理论知识是整个临床学习的基础部分，虽然教育方法有所差异，但主要是分为基础和临床两个阶段，但在不同阶段中的教育方式有所不同，近年来PBL教学法、案例教学法等已经逐渐成为了应用热点。

1.3技能目标

临床学习阶段是技能目标培养的主要阶段，目前国内院校将整体教学分为基础、临床两个阶段进行学习，将技能目标培养的重点放在临床阶段，基础阶段则主要采用理论课来进行讲解，穿插一些实验以提高学生的理解程度。国内已经尝试采用PBL教学、中心教学以及小组讨论等方式来促进学生的思维能力、沟通能力和团队配合能力，进行了技能目标培养的改革尝试。总体而言，在对临床医学生的培养目标方面，国内外基本保持一致，随着现代医学的进步，基础医学学习不单单依靠理论讲解，还要考虑技能和能力的初步培养，还应当培养学生的自主学习意识和能力，加强沟通能力、协作能力、创新能力的培养，这些能力对学生以后工作的影响十分深远。

2培养目标与考核之间的关系

在这方面国内外存在较大差异，虽然为了达到各项培养标准，国内外院校都会进行考核，以此来评价医学生的学习成果，但考核往往并不能完全作为评价学生能力的标准。目前国内主要依托于终末考核来进行评价，以判断学生是否达到预期的培养目标，因此在教学中往往根据考核内容及形式做相关安排，这也就说明考核目标成为了学生的学习方向，该思路是正确的，但这要求教师不能只考虑完成考核结果，更要根据预定目标及时调整教学方案，学生也要根据阶段考核来进行自我总结，有重点的加强学习，充分发挥考核的指挥棒作用。然而从实际情况来看，传统考核仅属于总结性评价，也多采用闭卷笔试进行，虽然能够很好地检验学生的理论知识水平，但对于学生的技能水平和能力测定存在空缺。而国外多采用阶段考核、终末考核相结合的方式，阶段考核为教师的教学方向提供参考依据，终末考核的权重也只是相对较大，这就能够更好的体现学生阶段性的努力，并且在考核方面平均分配了理论知识和技能水平的权重，更客观、全面的评价了学生的学习行为和学习能力[2]，这方面是值得学习的。

3基础医学教育考核的评价方法

考核能够对学生的学习成果进行检验，由考核工具、内容、对象等组成。基础医学教育的题型广泛，考核方式也多种多样，对医学生的考核除了要掌握基础知识外，还应当具备一定的人文素养，养成良好的学习态度和学习行为，培养实验操作能力、观察能力和动手能力等，必须综合考虑，妥善选择考核工具及方式，才能全面、客观的评价学生的学习情况。3.1知识考核闭卷笔试是目前基础医学的重要考核方案，且不可被替代，对此国内外学者进行过许多专门的研究，笔试的方式也在不断的改进，例如改变选择题的题型、将考题分为客观题和主观题、加入病例分析等。这些措施都是为了更客观地评价学生的学习成果，但实际在考试中，仍难以脱离需要死记硬背的怪圈。有学者指出[3]，培养医学生自主学习能力和知识应用能力更为重要，因此题型的改变是次要的，主要点在于明确考核方向，选好考核题目。纽芬兰纪念大学的学者设计了一种三级考核模式，在考核开始后，教师给予学生一个病例命题，要求学生自己通过查阅资料等方法来寻求答案，并列出与患者相关的一系列生物医学命题，在试卷上写上自己的理解和答案，最终老师点评并讲解，这种教学方式值得学习。3.2能力考核能力指的是对知识、技能等素质的综合运用，医学教育中对能力的考核方法较多，例如病理标本观察与说明、解剖操作等，这些方法一定程度上考核了学生的动手能力，以及运用所学知识解决临床问题的能力，但由于考核过程缺乏统一标准，教师的直观判断占主导地位，使得学生的实际能力与考核结果存在一定差异，这种情况在国内外均无法避免。近年来印度学者提出采用“笔试+操作+口试”的方法[4]，首先给予学生10min时间对一个病例进行笔试回答，之后进行实际操作，操作结束后接受老师的提问，这种方式能够全面的考核学生的学习效果以及对知识的应用。目前国内也有利用综合考核的院校，但缺乏深度，推广力度也不足，需要进一步改善。3.3态度考核学习态度指的是学生在学习过程中的主观能动性体现，主要通过学生对学习的积极性观察来判断，基础医学教育阶段学生的反应较弱，教师仅能根据学生的主动提问次数、是否准确完成学习计划等方面来进行评价。英国莱斯特医学院采用了一种小组学习法[5-8]，将一定数量的学生和一名教师分为一个小组，安排小组活动，要求小组成员共同参与任务并反思所完成的工作，而在这个过程中学生提供观点、进行研究分析、准备材料都属于能力的体现，也是考核的一部分，最终考核不但考虑小组成绩，更考虑单项评分，考核过程更加自然，也就更能释放学生的能力，鼓励学生为自己的学习负责。

4小结

随着医学模式的转变，社会对医学毕业生的要求也存在一定的变化，考核能够指引学生的学习方向，是不可或缺的，但单纯看重考核结果的行为也并不可取。教学方案、教学内容和教学模式近年来均有较大改革，考核模式也应当有所转变。基础医学阶段是整个医学教育中不可缺少的环境，应当将教育、考核有机的结合在一起，更客观的评价学生的学习能力和学习效果，对于医学生的成长有着十分重要的意义。应当借鉴国内外学者提出的先进思想、方案，将考核评价与培养目标紧密结合，以实际病例作为引导，使教师与学生形成良性互动，更好的提高教学效果，为社会培养更多优秀的医疗人才。

参考文献

[1]李小强，孙阳，邓雅婷，等.以执业医师考试为导向的基础医学教学模式探索与实践[J].现代生物医学进展，2015，15（19）：3747-3751.

[2]黄小平，邓常清.PBL与案例教学相结合在基础医学教学中的应用[J].基础医学教育，2016，18（7）：537-539.

[3]鲜于丽，代凌云，翟忠美，等.中高职护理专业基础医学课程对接问题的研究[J].护理学报，2016，23（6）：27-30.

[4]田丹，张俊沧，王显超，等.某军医大学临床医学专业基础医学课程整合方案的构建与实践[J].中国医药导报，2014，11（24）：142-144.

[5]陈春燕，杨枢，张钰.医学院校大学生手机依赖与焦虑、抑郁、压力的关联性分析[J].包头医学院学报，2017，33（7）：98-100.

[6]李夏青，刘福，张杨，等.专业英语学习和医学双语教学课程的关联性探讨[J].基础医学教育，2017，19（5）：376-378.

[7]牛猛.利用Apriori算法对医学生成绩进行课程关联性分析[J].河北工程大学学报（社会科学版），2015，32（2）：115-117，124.

[8]廖虹，韩乐，孟玲筠.医学英语词汇与普通英语词汇的关联性研究[J].卫生职业教育，2015，33（7）：40-43.

摘 要随着信息时代的发展，信息量呈几何级数增长，人们发现从这些海量信息中获取有用的信息越来越困难，要找出信息背后隐藏的规律更是不可想象。数据挖掘就是从大量数据中获取有用信息的一门新技术，关联规则挖掘是数据挖掘方法中的一种。本文详细论述了基于Apriori算法的关联规则挖掘系统的设计开发过程。系统基于经典的Apriori算法，对事务数据库进行了位图矩阵转换，大大提高了搜索效率，并能分别挖掘频繁项集和关联规则。论文组织如下：首先介绍了数据挖掘的产生、定义和应用；接着阐述了关联规则挖掘的基本概念；然后对系统的需求进行了分析，并提出设计方案；紧接着是系统的具体实现；最后对系统进行了测试，将系统用于挖掘中药方剂库中的药对药组，验证了系统的正确性和实用性。 关键词：数据挖掘；关联规则；Apriori算法需求分析和设计方案4.1需求分析由于事务数据库一般只具有对大量数据的存取、检索功能，对于用户的一般性的使用可以满足，然而，正是由于数据库中存放了大量的数据，不同的数据项，以及多个数据项之间还存在有大量的隐含的、未知的、有意义的数据关系，这些关系对于用户有着及其重要的作用，所以数据挖掘便在此情况下产生了。而关联规则挖掘是数据挖掘中一个重要规则，Apriori算法又是关联挖掘的一个经典算法，它能发现大量数据中项集之间有趣的关联和相关联系。随着大量数据不停地收集和存储，许多业界人士对于从他们的数据库中挖掘关联规则越来越感兴趣。从大量商务事务记录中发现有趣的关联关系，可以帮助许多商务决策的制定，如分类设计、交叉购物和促销分析。1引言随着数据库技术的迅速发展以及数据库管理系统的广泛应用，人们积累的数据越来越多。激增的数据背后隐藏着许多重要的信息，人们希望能够对其进行更高层次的分析，以便更好地利用这些数据。目前的数据库系统可以高效地实现数据的录入、查询、统计等功能，但无法发现数据中存在的关系和规则，无法根据现有的数据预测未来的发展趋势。缺乏找出数据背后隐藏的知识的手段，导致了“数据爆炸但知识贫乏”的现象。于是数据挖掘技术应运而生，并显示出强大的生命力。数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。它使人类分析问题和发现知识能力得到了延伸。2数据挖掘概述2.1数据挖掘的产生随着信息时代的发展，信息量呈几何级数增长，然而用于对这些数据进行分析处理的工具却很少，人们拥有了海量的数据的同时却苦于信息的缺乏。而激增的数据背后隐藏着许多重要的信息，人们希望能够对其进行更高层次的分析，以便更好地利用这些数据。目前的数据库系统可以高效地实现数据的录入、查询、统计等功能，但无法发现数据中存在的关系和规则，无法根据现有的数据预测未来的发展趋势。缺乏挖掘数据背后隐藏的知识的手段，导致了“数据爆炸但知识贫乏”的现象。信息爆炸是一把双刃剑：巨量的信息既是最重要的财富，又是最危险的杀手。巨量信息也导致决策与理解危机。面对“人人被数据淹没，人们却饥饿于知识”的挑战，数据挖掘和知识发现技术应运而生，并得以蓬勃发展，越来越显示出其强大的生命力。数据挖掘是信息技术自然演化的结果。演化过程的见证是数据库业界开发以下功能：数据收集和数据库创建，数据管理（包括数据存储和检索，数据库事务处理），以及数据分析与理解（涉及数据仓库和数据挖掘）。例如，数据收集和数据库创建机制的早期开发已成为稍后数据存储和检索、查询和事务处理有效机制开发的必备基础。随着提供查询和事务处理的大量数据库系统广泛付诸实践，数据分析和理解自然成为下一个目标。2.2数据挖掘的定义数据挖掘是从大量数据中提取或“挖掘”知识。具体来说，数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。人们把原始数据看作是形成知识的源泉，就像从矿石中采矿一样。原始数据有结构化的，如关系数据库中的数据，也有半结构化的，如文本、图形、图像数据，甚至是分布在网络上的异构型数据。发现知识的方法可以是数学的，也可以是非数学的;可以是演绎的，也可以是归纳的。发现了的知识可以被用于信息管理、查询优化、决策支持、过程控制等，还可以用于数据自身的维护。因此，数据挖掘是一门很广义的交叉学科，它汇聚了不同领域的研究者，尤其是数据库、人工智能、数理统计、可视化、并行计算等方面的学者和工程技术人员。数据挖掘使用复杂的统计分析和建模技术来揭示企业数据库中隐藏的模式与关系——而这些模式是有可能被普通的方法所忽略的。数据挖掘从数据的分析入手、帮助决策，能从数据中寻找有价值的规律的技术。同时它也代表一个分析过程，我们具体化为方法学。实际上，数据库中的知识发现是一门交叉性学科，涉及到机器学习、模式识别、统计学、智能数据库、知识获取、数据可视化、高性能计算、专家系统等多个领域。从数据库中发现出来的知识可以用在信息管理、过程控制、科学研究、决策支持等许多方面。特别要指出的是，数据挖掘技术从一开始就是面向应用的。它不仅是面向特定数据库的简单检索查询调用，而且要对这些数据进行微观、中观乃至宏观的统计、分析、综合和推理，以指导实际问题的求解，企图发现事件间的相互关联，甚至利用已有的数据对未来的活动进行预测。许多人把数据挖掘视为另一个常用的术语数据库中的知识发现或KDD (knowledge discovery in databases)的同义词。而另一些人只是把数据挖掘视为数据库中知识发现过程的一个基本步骤。知识发现过程如图1所示，由以下步骤组成：1) 数据清理（消除噪声或不一致数据）2) 数据集成（多种数据源可以组合在一起）3) 数据选择（从数据库中检索与分析任务相关的数据）4) 数据变换（数据变换或统一成适合挖掘的形式，如通过汇总或聚集操作）5) 数据挖掘（基本步骤，使用智能方法提取数据模式）6) 模式评估（根据某种兴趣度度量，识别出真正有 趣的模式）7) 知识表示（使用可视化和知识表示技术，向用户提供挖掘的知识）

9.1 基于Apriori算法的关联分析 Aprior算法是关联规则分析中较为经典的频繁项集算法。关联规则反映的是两个或多个事物相互之间的依存性和关联性。如果两个或者多个事物相互之间存在一定的关联关系，则它们之间存在一种关联规则使得它们之间可以进行搭配。 9.1.1 基本概要 Apriori算法利用频繁项集的先验知识，不断地按照层次进行迭代，计算数据集中的所有可能的频繁项集，它的分析主要包括两个核心部分。 1、根据支持度找出频繁项集； 2、根据置信度产生关联规则。 9.1.2 Apriori算法原理 基本流程： 1、扫描历史数据，并对每项数据进行频率次数统计。 2、构建候选集 ，并计算其支持度，即数据出现频率次数与总数的比。 3、对候选项集进行筛选，筛选的数据项支持度应当不小于最小支持度，从而形成频繁项集 . 4、对频繁项集 进行连接生成候选集 ，重复上述步骤，最终形成频繁K项集或者最大频繁项集。 Apriori算法存在两大定理： 1、如果一个集合是频繁项集，那么它的所有子集都是频繁集合。 2、如果一个集合它不是频繁集合，那么它的所有超集都不是频繁项集。 9.1.3 Apriori算法优缺点 优：运算过程非常简单，理论方法也比较容易理解，对数据特征的要求也相对较低。 缺： 1、产生候选集是产生较多的组合，没有考虑将一些无关的元素排除后再进行组合。 2、每次计算项集的过程中都会扫描元素的数据表。 针对不足推出不断改进的Apriori算法： 1、将数据表（事务表）进行压缩。 2、利用哈希表的快速查找特性对项集进行计数统计。 3、合理选样。