数据挖掘是应用一系列技术从大型数据库或数据仓库中提取人们感兴趣的信息和知识。关联分析的目的是挖掘隐藏在数据间的相互关系,而项目之间的相关性用关联规则来描述的,它反映了一组数据项之间的密切程度或关系。作为数据挖掘的一个重要分支,关联规则已用于众多领域,但在教育领域中的应用却并不广泛。教学评价是根据相关政策、法规和人才培养目标,运用教育评价的理论和方法等,对教师的教学过程及工作绩效进行全面、客观、公正的价值判断的活动。教学评价应根据教学效果,确定科学的评价体系,找出影响教学质量及效果的诸多因素,以改进教学过程中的不足。教学评价过程具有复杂性、多因素性和模糊性等特点,评价结果可能偏离被评估对象的实际情况。因此,提高教学评价的科学性、客观性和准确性,是现代教学评价中一个十分重要的课题。关联规则的发现可以分成两个步骤:首先发现所的有频繁项集,然后用这些频繁项集生成强关联规则。Apriori算法是经典的频繁项集生成算法,其基本思想是用逐层搜索的迭代方法来生成频繁项集。由于多次扫描数据库和产生大量的候选项集,使得该算法的时间开销很大,从而导致挖掘的效率非常低。本文分析了经典的Apriori算法,针对该算法的不足,给出了对Apriori算法的改进算法,并借鉴国内外高校教学评价的经验,结合职业院校实际,提出了一套教学评价指标体系,在此基础上设计了教学评价数据挖掘模块,利用评价系统中收集到的大量数据,用关联规则挖掘对这些数据进行了数据挖掘研究。最后,将改进算法应用于教学质量评价数据和学生成绩数据的挖掘之中,分别得出了教学效果的好坏与教师职称、年龄之间的联系,某门课程的成绩好坏与其它课程成绩之间的联系。