數(shù)據(jù)挖掘下學習分析在教學中的應用

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了數(shù)據(jù)挖掘下學習分析在教學中的應用范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：在大數(shù)據(jù)的大背景下，學習分析成為學界研究的熱點。對于學習分析的研究，美國已經(jīng)提出預測學習者學習偏好的模型，并且根據(jù)預測結果對學習者進行自適應引導；國內對于學習分析實現(xiàn)了學習者評估，并且在評估后對學習者給予干預與預警。學習分析是使用數(shù)據(jù)和模型預測學習者收獲和行為,具備處理這些信息的能力。其模型自底向上分別為數(shù)據(jù)層、機制層、結果層。學習分析首先要獲取學習者的在線學習數(shù)據(jù)，而后選擇適合研究對象的算法（如決策樹、神經(jīng)網(wǎng)絡、支持向量機、K-Means聚類等）。擬提出將學習分析應用在高校計算機教學中實證研究模型，將試驗對象分為A、B2個對照組，根據(jù)前7周學習行為進行分析與預測，并于8－11周進行學習干預，最后檢驗預測結果及干預效果?；?a href="http://articshipping.com/lunwen/sjwj/109252.html" target="_blank">數(shù)據(jù)挖掘的學習分析能夠精準支持課程教學，在優(yōu)化學習任務和教學決策方面有一定的創(chuàng)新性。

關鍵詞：大數(shù)據(jù)；數(shù)據(jù)挖掘；學習分析；計算機課程

對于學習分析的研究，致力于通過研究分析學習者本身的數(shù)據(jù)以及在學習過程中產生的數(shù)據(jù)，激發(fā)學習者的學習興趣，優(yōu)化學習者的學習效率，改善學習者的學習環(huán)境。目前美國在這一領域處于領先地位，早在2004年，有研究者利用聚類算法對在線課程中的用戶行為進行研究，找出學習行為相近的學習者[1]。美國佐治亞州大學的研究人員對高中學習者的GPA和SAT數(shù)學成績通過判別式分析對他們的在線通識教育課程的完成情況進行預測?？藏悹栐谄斩纱髮W發(fā)表的論文中，對課程管理系統(tǒng)中的數(shù)據(jù)和學習者人口統(tǒng)計信息數(shù)據(jù)利用因子分析和邏輯回歸分析方法研究出一個能預測學習者學習結果的預測模型[2]。羅梅羅等人利用數(shù)據(jù)挖掘技術在Moodle平臺上進行研究。近年來BravoAgapito等人利用C4.5決策樹規(guī)則來對在線學習系統(tǒng)中的學習不佳表現(xiàn)進行判別分析。2007年普渡大學提出了通過對學習者的素質評價和在線學習行為數(shù)據(jù)對學習者的成績進行預測的預測模型，并在2010年基于普度大學的Blackboard上實現(xiàn)了預測模型的開發(fā)部署，在實際使用中取得了非常好的結果。在對學習者平臺數(shù)據(jù)進行分析的同時能對學習者進行自適應的引導[3]。平臺收集學習者的登陸情況，活動情況數(shù)據(jù)，利用兩步聚類算法將學習者分類，再根據(jù)不同的類別進行深入探究。他們的研究結果不僅可以為每個不同的學習者提供學習的幫助，而且可以對不同的學習者群體進行深入了解。國內對于在線學習評價及預測的主要研究為在線學習的數(shù)據(jù)監(jiān)控、采集及分析。其中復旦大學的胡運安等人提出了基于SCORM規(guī)范的網(wǎng)絡教學管理平臺上的學習者模型機器學習行為采集、分析、質量評估方案[4]；上海交通大學的申瑞民等人基于E-Learning平臺[5]，搭建了一個學習行為分析和監(jiān)控系統(tǒng)，通過頻繁序列挖掘到關聯(lián)規(guī)則，并通過這些規(guī)則得到學習者頻繁訪問的知識點的關聯(lián)規(guī)則，實現(xiàn)了對學習者的個性化推薦知識功能；并且通過聚類算法，從學習者的資源請求發(fā)現(xiàn)學習者的興趣愛好，將興趣愛好相同的學習者組為學習小組，構建了個性化的學習小組；最后利用支持向量機算法，實現(xiàn)了學習評估。華東師范大學的顧小清等人總結了學習分析的技術，并對其未來的應用進行了展望[6]。東北師范大學的趙蔚、趙慧瓊等人在學習過程中進行干預，能夠識別出學習者潛在的學習危機，并發(fā)出提供個性化解決方案，提高—990—學習質量[7]。

1學習分析的概念和模型

1.1學習分析的概念

美國高等教育信息化協(xié)會將學習分析定義為：使用數(shù)據(jù)和模型預測學習者收獲和行為具備處理這些信息的能力。于2011年召開的，首屆學習分析與知識國際會議定義學習分析為：測量、收集、分析和報告關于學習者及其學習情景的數(shù)據(jù)，以期了解和優(yōu)化學習和學習發(fā)生的情境[8]。新媒體聯(lián)盟也有相似的定義：利用松散耦合的數(shù)據(jù)收集工具和分析技術，研究分析學習者學習參與、學習表現(xiàn)和學習過程的相關數(shù)據(jù)，進而對課程教學和評價進行實時修正?？梢岳斫鉃椋谠S多方面,學習分析指的是應用于教育領域的“大數(shù)據(jù)”分析[9]。

1.2學習行為分析的模型

學習分析模型自底向上分別為數(shù)據(jù)層、機制層、結果層。數(shù)據(jù)層的主要作用是收集學習者產生或的數(shù)據(jù)，進而形成行為特征庫[10]；機制層負責分析行為特征庫中各因素之間的關聯(lián)與內涵，提供預測和及時反饋；結果層最終將分析結果可視化并呈現(xiàn)給學習者、教師、家長、教學管理者，三層級持續(xù)循環(huán)迭代[11]。最終將學習分析分為社交維度、情感維度、過程維度、生理維度，從四個維度進行分析研究。

2學習分析的主要分析方法和工具

學習分析首先要獲取學習者的在線學習數(shù)據(jù)。數(shù)據(jù)的獲取主要通過網(wǎng)絡教學平臺能夠記錄的學習者學習行為數(shù)據(jù)[12]，例如：學習者登錄次數(shù)，在線時長，操作次數(shù)，作業(yè)提交時間，互動內容等等。利用對各大在線教育平臺的數(shù)據(jù)分析比較，來總結一般的學習平臺分析處理學習者數(shù)據(jù)的方式，通過對這些數(shù)據(jù)進行優(yōu)化，來確定研究需要的數(shù)據(jù)。后續(xù)將數(shù)據(jù)進行處理，將獲取的數(shù)據(jù)通過處理后得到更規(guī)范的、更加結構化的，更加適合開展研究需要的數(shù)據(jù)。采用何種方法處理和分析這些數(shù)據(jù)，才能讓在線學習分析工作更加科學合理，是后續(xù)研究的前提。在學習分析工具的選擇上，首先應進行對數(shù)據(jù)處理中常用的算法和分析方法的調研，選出適合進行在線學習分析的相關算法和分析方法，了解其原理以及使用的方式，進一步理解基于大數(shù)據(jù)的學習分析過程[13]，使得后續(xù)的研究能夠更加深入。在學習分析中常見的算法有：

2.1決策樹算法

決策樹算法是一種分類與回歸方法。它利用歸納算法生成可讀的規(guī)則和決策樹，然后使用決策對新數(shù)據(jù)進行分析。本質上決策樹是通過一系列規(guī)則對數(shù)據(jù)進行分類的過程。決策樹算法構造決策樹來發(fā)現(xiàn)數(shù)據(jù)中蘊涵的分類規(guī)則。決策樹算法在分類、預測、規(guī)則提取等領域都有這廣泛的應用。在學習分析中經(jīng)常用于學習者的模式識別與預測。

2.2神經(jīng)網(wǎng)絡算法

神經(jīng)網(wǎng)絡算法是以對大腦的生理研究成果為基礎，其目的在于模擬大腦的某些機理與機制，實現(xiàn)一些特定的功能[14]。它由眾多神經(jīng)元可調的連接權值連接而成，同時兼具十分可觀的非線性映射能力。此外，可以根據(jù)具體情況設置中間層的參數(shù)、各層的處理單元的數(shù)量和網(wǎng)絡的學習系數(shù)。在學習分析中可以應用于模式識別，以及為后期的學習干預與預警進行決策支持。

2.3支持向量機算法

支持向量機算法是基于統(tǒng)計學習理論的VC維理論和結構風險最小化原則。它尋求在模型的復雜性（特定訓練樣本的學習精度）和有限樣本信息的學習能力（識別無誤差的任意樣本的能力）之間的最優(yōu)折衷。在解決小樣本、非線性和高維模式識別方面表現(xiàn)出許多獨特的優(yōu)勢。在學習分析中用于識別模型、分類和回歸分析。

2.4K-Means聚類算法

K-Means聚類算法是一種典型的基于距離的分層聚類算法，它是數(shù)據(jù)點到原型的某種距離作為優(yōu)化的目標函數(shù)，利用函數(shù)求極值的方法得到迭代運算的調整規(guī)則。在最小化誤差函數(shù)的基礎上將數(shù)據(jù)劃分為預定的類數(shù)K，采用距離作為相似性的評價指標，即認為兩個對象的距離越近，其相似度就越大。在學習分析中可以應用于數(shù)據(jù)的聚類分析。

3學習分析應用于計算機教學的實證研究模型

綜合對比學習分析的方法與工具以后，根據(jù)目的選擇適當?shù)姆治龉ぞ?。擬針對某大學計算機基礎課程學習者的在線學習行為進行分析與預測。大學計算機基礎課程是全校學習者的必修公共課程，授課形式為理論教學搭配實驗教學，其中實驗教學比例大于理論教學比例。在實驗教學環(huán)節(jié)，教師與學習者經(jīng)常利用網(wǎng)絡教學平臺開展各類教學與學習。大學計算機基礎課程是第一批開展線上教學的課程，多年來積累了大量的數(shù)據(jù)，符合本研究的基本條件。因此要根據(jù)網(wǎng)絡教育平臺上大學計算機基礎課程的實際情況清洗數(shù)據(jù)，根據(jù)該課程的特定情況的具體問題進行分析和預測，將理論與實際相結合，對學學計算機基礎課程學習者的在線學習數(shù)據(jù)進行研究，得出數(shù)據(jù)與學習者學習績效之間的關系[15]，是研究非常重要的環(huán)節(jié)。通過對大學計算機基礎課程在線學習數(shù)據(jù)的分析得出結論，了解學習者學習情況并及時發(fā)現(xiàn)學習中存在的問題，從而預測學習者在學習過程中將會遇到的困難[16]。擬以選修大學計算機基礎課程兩個班的學生為實證研究對象，形成對照組，進行實證研究。根據(jù)學生前7周的在線學習行為分析結果分別預測兩個班級的學生將面臨的學習危機。擬將學習危機等級分為三個級別：危險、中等、安全。將所取得的預測結果通知對照組A班的學習者、教師以及教學管理者。并在第8—11周的教學活動中對對照組A班進行干預。對照組B班學習情況只進行預測，并不實施預警及干預。教師以及教學管理者接受到預測結果后根據(jù)學生遇到的具體問題，對對照組A班進行個性化的指導，從而督促、引導學習者掌握知識，順利完成學業(yè)。通過最后的成績、問卷調查以及訪談的結果，來判斷預測的學習危機是否準確，并且判斷基于學習分析的預測與干預是否能夠激發(fā)學習興趣、提高學習效率、提高及格率、促進學業(yè)成功。

4結語

利用數(shù)據(jù)挖掘的方法進行學習分析研究，能夠挖掘學習數(shù)據(jù)的潛在內涵，并使得無意義的數(shù)據(jù)升華為有價值的教學信息，從而優(yōu)化學習過程、提高教學效果。通過學習過程中產生的數(shù)據(jù)預測出學習者在學習中產生的危機，及時向其發(fā)出預警信號并提供個性化干預對策，有利于增強學習動機，培養(yǎng)學習毅力，提高學習質量?；跀?shù)據(jù)挖掘的學習分析，利用大數(shù)據(jù)的數(shù)據(jù)采集、數(shù)據(jù)清洗、數(shù)據(jù)分析的方法，探索數(shù)據(jù)分析下學習者的學習偏好，學習態(tài)度以及預測學習中所會遇到的問題。在這些數(shù)據(jù)的驅動下，對課程的精準教學支持，優(yōu)化學習任務和教學決策方面有一定的創(chuàng)新性，基于數(shù)據(jù)挖掘的學習分析研究值得更加深入的探討。

參考文獻：

[1]吳永和,陳丹,馬曉玲,等.學習分析:教育信息化的新浪潮[J].遠程教育志,2013,31(4):11-19.

[2]吳永和,曹盼,邢萬里,等.學習分析技術的發(fā)展和挑戰(zhàn)——第四屆學習分析與知識國際會議評析[J].開放教育研究,2014

[3]胡運安,呂智慧,吳杰,等.基于SCORM的學習行為采集模型的設計與實現(xiàn)[J].計算機工程與應用,2004,40(33):106-108.

[4]高毅,申瑞民,楊帆,等.基于開放E-Learning平臺的學生行為分析中心[J].計算機工程,2004,30(15):86

作者:隋永博 曹旭 單位:長春中醫(yī)藥大學