学习分析技术中数据挖掘的应用研究.docx

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