论文部分内容阅读
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術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类，提升时间序列的分析优势。
2 基于用户的学习分析技术实践
基于学习管理的各类分析工具的应用，对于提升高等教育，尤其是远程教育改革中发挥了重要作用。以某院校网络教学为例，通过对各指标数据的分类挖掘，如“上网人数”、“登陆次数”、“在线时长”、“浏览资源次数”、“论坛发帖总数”等有关学习行为的汇总，来反映学生网络学习的频度、进度、以及均衡性，并从组织、引导和改进上来优化网络资源结构，跟踪学生的学习行为。通过数据挖掘技术在学习分析中的应用，能够从教学上获取各类活动的总量及平均情况，以监测网络学习工作现状，为教学评估和网络教学实施提供参考。
2.1 课程资源浏览情况分析
结合《开放教育学习指南》要求，对于网络课程模块的监测与分析结果中，能够清晰的反映各类资源浏览的页面个数、各学习者对各模块及内容的关注程度；如对于浏览频次较高的资源页面，表明受到学习者的关注。在课程章节设计、体验区，问题库、以及资料库等模块使用分析中，学生的学习习惯能够从其参与度、个人人均浏览频次等参数中来获得。如对于各章节内的资源访问量较高，说明学生从课程的学习及体验需求较高，学习者在模拟的体验区能够参与到网络互动，激发学习兴趣；对于问题库的访问量也较大，说明学生能够从常见问题的解答中来释疑解惑，便于学习者尽快掌握网络学习方法。 2.2 自主学习路径分析
对于学习过程静态信息的获取，可以帮助我们从中来梳理学生的“自主学习路径”。以聚类算法为例，通过对网络资源模块的访问跳转进行分析，以“浏览时间+学号”作为键值，以“浏览顺序”为序列，以“浏览模块”为预测值来建构挖掘结构，从中来获得各模块信息的转换情况，从中来获得学习者的自主学习路径。如在“课程章节”与“体验区”模块的对比分析中，学习者的跳转访问概率较低，而在“资料库”与“问题库”等辅助模块中，学习者的跳转概率较大，说明学生对学习方法的了解较为侧重，也为我们进一步优化课程链接，拓宽学习资源提出了要求。
3 结语
随着对数據挖掘领域的研究深入，对于计算机技术与心理学、教育学的知识的融合更加紧密，因此从数据挖掘的专业化上，依据现代专门教育理论，从学习分析的心理认知、行为认知中进行阐释将会成为主流。同时，对于现有数据挖掘交互信息的分类，一方面从课程资源的访问上来探索学习规律，另一方面从学生认知、社会层面来对学生的学习行为进行跟踪和提取，加深对其剖析，揭示隐藏的知识信息以改善教育决策。另外，在数据挖掘个性化上，对于传统的依据学生行为的分析，难以从总体情况上来提升教学决策参考，而Siemens教授从构建学习者模型视角，分析学习者的学习过程，从中来获取某一类学生的特征值，以提供个性化的教学服务。对于学习分析技术中的数据挖掘运用，重在从数据误解方法上来提升教育资源的针对性、可操作性和灵活性，满足各类学生的不同需求。
参考文献：
[1] 魏顺平.学习分析技术：挖掘大数据时代下教育数据的价值[J]. 现代教育技术. 2013（02）.
[2] 魏雪峰，宋灵青.学习分析：更好地理解学生个性化学习过程——访谈学习分析研究专家George Siemens教授[J]. 中国电化教育. 2013（09）.
[3] 孙洪涛. 学习分析视角下的远程教学交互分析案例研究[J]. 中国电化教育. 2012（11）.
[4] 吴青，罗儒国.学习分析：从源起到实践与研究[J]. 开放教育研究. 2015（01）.
[5] 胡艺龄，顾小清，赵春.在线学习行为分析建模及挖掘[J]. 开放教育研究. 2014（02）.
作者简介：杨凤霞，女，河南开封人，1979年3月生，讲师，硕士研究生，研究方向：计算机应用，云计算。
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術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类，提升时间序列的分析优势。
2 基于用户的学习分析技术实践
基于学习管理的各类分析工具的应用，对于提升高等教育，尤其是远程教育改革中发挥了重要作用。以某院校网络教学为例，通过对各指标数据的分类挖掘，如“上网人数”、“登陆次数”、“在线时长”、“浏览资源次数”、“论坛发帖总数”等有关学习行为的汇总，来反映学生网络学习的频度、进度、以及均衡性，并从组织、引导和改进上来优化网络资源结构，跟踪学生的学习行为。通过数据挖掘技术在学习分析中的应用，能够从教学上获取各类活动的总量及平均情况，以监测网络学习工作现状，为教学评估和网络教学实施提供参考。
2.1 课程资源浏览情况分析
结合《开放教育学习指南》要求，对于网络课程模块的监测与分析结果中，能够清晰的反映各类资源浏览的页面个数、各学习者对各模块及内容的关注程度；如对于浏览频次较高的资源页面，表明受到学习者的关注。在课程章节设计、体验区，问题库、以及资料库等模块使用分析中，学生的学习习惯能够从其参与度、个人人均浏览频次等参数中来获得。如对于各章节内的资源访问量较高，说明学生从课程的学习及体验需求较高，学习者在模拟的体验区能够参与到网络互动，激发学习兴趣；对于问题库的访问量也较大，说明学生能够从常见问题的解答中来释疑解惑，便于学习者尽快掌握网络学习方法。 2.2 自主学习路径分析
对于学习过程静态信息的获取，可以帮助我们从中来梳理学生的“自主学习路径”。以聚类算法为例，通过对网络资源模块的访问跳转进行分析，以“浏览时间+学号”作为键值，以“浏览顺序”为序列，以“浏览模块”为预测值来建构挖掘结构，从中来获得各模块信息的转换情况，从中来获得学习者的自主学习路径。如在“课程章节”与“体验区”模块的对比分析中，学习者的跳转访问概率较低，而在“资料库”与“问题库”等辅助模块中，学习者的跳转概率较大，说明学生对学习方法的了解较为侧重，也为我们进一步优化课程链接，拓宽学习资源提出了要求。
3 结语
随着对数據挖掘领域的研究深入，对于计算机技术与心理学、教育学的知识的融合更加紧密，因此从数据挖掘的专业化上，依据现代专门教育理论，从学习分析的心理认知、行为认知中进行阐释将会成为主流。同时，对于现有数据挖掘交互信息的分类，一方面从课程资源的访问上来探索学习规律，另一方面从学生认知、社会层面来对学生的学习行为进行跟踪和提取，加深对其剖析，揭示隐藏的知识信息以改善教育决策。另外，在数据挖掘个性化上，对于传统的依据学生行为的分析，难以从总体情况上来提升教学决策参考，而Siemens教授从构建学习者模型视角，分析学习者的学习过程，从中来获取某一类学生的特征值，以提供个性化的教学服务。对于学习分析技术中的数据挖掘运用，重在从数据误解方法上来提升教育资源的针对性、可操作性和灵活性，满足各类学生的不同需求。
参考文献：
[1] 魏顺平.学习分析技术：挖掘大数据时代下教育数据的价值[J]. 现代教育技术. 2013（02）.
[2] 魏雪峰，宋灵青.学习分析：更好地理解学生个性化学习过程——访谈学习分析研究专家George Siemens教授[J]. 中国电化教育. 2013（09）.
[3] 孙洪涛. 学习分析视角下的远程教学交互分析案例研究[J]. 中国电化教育. 2012（11）.
[4] 吴青，罗儒国.学习分析：从源起到实践与研究[J]. 开放教育研究. 2015（01）.
[5] 胡艺龄，顾小清，赵春.在线学习行为分析建模及挖掘[J]. 开放教育研究. 2014（02）.
作者简介：杨凤霞，女，河南开封人，1979年3月生，讲师，硕士研究生，研究方向：计算机应用，云计算。