学习分析技术中数据挖掘的应用研究.doc

《学习分析技术中数据挖掘的应用研究.doc》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、学习分析技术中数据挖掘的应用研究摘要：大数据时代的到来，对数据挖掘技术的应用提出了更高要求。首届“学习分析技术与知识国际会议”的召开，将数据挖掘方法与学习管理系统建立关联，并从分析学习者的行为中来改善和提升物理教育效率。本文将从数据挖掘的方法、内容、方向、结果呈现等方面，就其在学习分析中的应用展开探讨,并从优化数据挖掘方法上来改善学习分析技术的有效应用。关键词：数据挖掘学习分析关键技术应用探讨基金项目:本文系河南省软科学研究计划项目（项目编号：142400410263,142400410267,142400410671）^的

2、阶段性研究成果。大数据时代下信息指数型增长已经成为趋势，对于海量数据的分析及呈现，迫切需要从数据挖掘技术的应用中来获取有效信息。现代教育领域中对信息化技术的应用较为广泛，各类虚拟学习环境的构建需要符合学生的学习特性，这些数据即多又杂，更需要专门的软件工具来进行改善和处理。可以说，学习分析技术是数据分析及数据挖掘技术基础上发展而来的应用，因此，从学习分析定义及数据模型的构建上来增强对学生学习行为的研究，有助于科学的评估和预测学生的表现，改善学生的学习方式。虚拟技术中的学习环境的营造，可以通过数据挖掘技术来实现，特别是对于海量教

3、育数据的有效提取，以帮助教育者进行分析和改进教学决策。1学习分析中的关键技术1.1聚类技术对于数据挖掘中的聚类，主要从抽象对象的集合分组中来进行归类，聚类是对具有相似特性的多个类或簇进行分组的过程，并利用显性或隐性方式进行描述。在聚类分析中，不同算法下对相关数据的分类集合也是不同的，因此需要结合数据特征来进行有效的聚类操作。在虚拟学习环境中，对于每门课程知识的建构，可以从学生的不同表现上来进行分组聚类。如对于学习积极性高的团体，可以从增强知识拓展及关联度上来满足学生学习要求；对于成绩较低、参与度不高的学生，可以从激励措施的组

4、建上来增强学生的学习积极性。可见，对于聚类技术的运用，关键是要从学生学情的分组上，融入不同的虚拟分组策略，以激发学生能够更好的参与学校，增进小组间学习的交流和协作。1.2关联规则的挖掘从大数据环境中对相关联数据的挖掘，主要是通过数据库中各项集的可信度、支持度的取值来进行。对于某数据库来说，利用形式化语言进行描述时，每一个事务都是集合，而每个集合都是M项，X、Y是其中的两项，其关联规则表示为X[?]Y的蕴含式。对于数据库中的各个事务规则来说，其所占的总事务百分比就是该规则的可信度。可见，对于关联规则的挖掘主要是通过对数据库的事

5、务间的关系进行关联。在虚拟网络环境下，对于各类关联规则的挖掘，有助于我们从学生的学习行为中来挖掘关联关系，对于这些关联关系进行关注，从中来转变和调整教学策略，增强学生对知识的学习融合度，更好的提升教学效率。为此，可以通过对课程资源进行关联规则挖掘，通过学生访问量，以及学生的学习成绩进行对比，从中发现成绩与那些资源的访问有关系，并从学习资源的重组中来增强学生的访问量。如对于某些访问量不高的资源，在与学生的成绩关联上作用不大，可以进行有选择性的删除，避免占用学生的学习时间，也提升了资源整合的效率。1.3分类算法对于数据挖掘中的数

6、据分类是基于某一共同特性而建立的数据分组，其分类方法可以是基于学生的某类学习行为，也可以是针对某一个体或群体。以决策树为例，对于分类方法的运用主要从分类规则的设定中，以判断各决策树的结构是否健壮，对于分类对象的属性定义是否准确，能否加快决策树的访问速度。对于学习行为进行分析时，分类算法可以预测学生的学习成绩，并从中来关联学习动机。如针对学习积极性较低的学生，可以从补救措施的激励上来增进参与度。对于决策树在构建分层教学模型中，依据决策树的层次关系来优化教学内容，能够更好的促进分层教学效率。同时，对于决策树的D3算法分类，可以从

7、学生数据库进行学习能力分类，便于教师采取相应对策来改善学生的学习态度。1.4时间序列分析对于学习环境中的学生学习状态的分析是实时的,其产生的数据量也是按照时间序列进行排列的。因此，在进行学习行为分析时，可以从时间序列来动态的收集学生信息，及时发现学习行为中的问题，并灵活调整教学资源来优化虚拟教学。时间序列是数据挖掘中的重要技术，如在学生课程资源的挖掘中，能够结合访问时间、教育资源的关键词进行检索，以分析学习者的学习行为及趋势，通过反馈来重新编排和优化教学内容，提升教学资源的利用率。如在时间序列分析中可以完成练习作业的布置，结

8、合学习者对相关课程的跟踪数据，从而明确练习的重点。在Moodle平台上，借助于对学习者行为数据的挖掘与分析，可以预测学生对某类知识的掌握程度，从而有针对性的开展作业辅导。另外，在对系统进行检测时，可以利用前馈神经网络（FFNN）、支持向量机技术（SVM）、概率集合SFAM分类器来进行准确分