资源描述：
《基于C4.5决策树算法的-学习行为-效果-评分模型构建研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、基于C4．5决策树算法的“学习行为—效果”评分模型构建研究赵星基于C4．5决策树算法的“学习行为—效果”评分模型构建研究赵星(陕西财经职业技术学院陕西咸阳,712000)摘要:随着在线教学技术的快速发展,各种不同的在线学习行为得到了充分的发挥,并取得积极效果,为教育教学与信息技术的融合提供而来典范。而为了更好的了解学生在线教学行为,加强对学生在线学习的有效评估成为提高在线教学效果的又一个重要手段。对此,为获得客观有效的学习评分结果,本文首先对学习行为进行分析,根据在线教学的实际情况,收集该过程相关的数据,构建“学习行为—效果”模型,通过C4．5决策树分类模型的建立,对学生的在线
2、学习行为和对应成绩进行形成性评估,以此更加全面、有效的对学生学习行为及效果进行评价。关键词:决策树;C4．5;在线教学中图分类号:TP301文献标识码:ADOI编码:10．14016/j.cnki．1001-9227．2017．06．206Abstract:Withtherapiddevelopmentofonlineteachingtechnology,avarietyofonlinelearningbehaviorhasbeenfullyintoplay,andachievedpositiveresultsfortheintegrationofeducationandinf
3、ormationtechnologytoprovideanexample.Inordertobetterunderstandtheonlinebehaviorofstudents,tostrengthentheeffectiveassessmentofonlinelearningforstudentstoimprovetheeffectivenessofonlineteachingisanotherimportantmeans.Inordertogettheobjectiveandeffectivelearningscore,thispaperfirstanalyzesthel
4、earningbehavior,accordingtotheactualsituationofonlineteaching,collectthedatarelatedtotheprocess,builda"learningbehavior-effect"model,classificationbyC4．5decisiontreeTheestablishmentofthemodel,thestudent'sonlinelearningbehaviorandthecorrespondingresultsofformativeassessment,inordertomorecompr
5、ehensiveandeffectiveevaluationofstudentlearningbehaviorandeffectiveness.Keywords:Decisiontree;C4．5;onlineeducationevaluationD的熵值为:0引言Centropy(D)=-∑Pr(c)logPr(c)(1)j2j在线教学技术作为近几年快速发展的一种新型教学手j=1段,受到了社会、院校的广泛欢迎。在线教学拥有丰富的教育Cj表示C类中的第j类,Pr(Cj)表示Cj在数据D中的发资源,为学习者提供了丰富多彩的图文并茂的各种不同类型生概率。的知识信息。与传统教学不同,
6、随着在线教学资源的日益丰(2)计算信息增益值。信息增益是从某个属性出发的,富,在线学习者所获得的客观学习评分难度也越来越大。一假设A是D的属性,可取V个值,则D可划分为V个不相交方面,在线教学是一个开放式的环境,学习者往往不能根据自的子集D1,D2,……,DV,划分后D的信息熵为:v身的学习行为得到应有的学习效果,造成了时间精力上的浪Djentropy(A,D)=∑×entropy(D)(2)j费;另一方面,终结性的评分手段(如期末考试)不能完全反j=1D应学习者的整个学习过程。由此,正是上面的原因,使得目前则A的信息增益为:在在线教学应用期间,不能有效判定在线教学期间的效果。
7、Gain(D,A)=entropy(D)-entropy(A,D)(3)由此,构建一个更加客观、全面的在线教学评价模型,成为目(3)信息增益率的获取。信息增益率是指利用数据集的前思考的重点。对此,在了解学习者的在线学习行为的基础相对于属性值分布的熵归一化信息增益,使得熵都是相对于上,通过决策树模型的构建,建立起在线学习行为与学习效果类属性的,称为信息增益率,表达式为之间的关系(即学习行为—效果模型),并借助C4．5决策树Gain(D,A)GainRadio(D,A)=(4)sDD算法的优势,
