移動學習中基于數據挖掘的教學資源應用研究

花卉 陳家紅 李廣水

【摘要】移動學習是一種基于移動終端可以實現隨時隨地的學習模式。移動學習平臺是移動學習環境的支撐，但學習資源是開展移動學習的第一要素，沒有內容資源，必將是無源之水。本研究基于課程知識點進行片段式學習資源的設計與開發，根據學習者基于一段時間的移動學習并通過考試系統測試得到了358份成績樣本。隨后引入數據挖掘技術對學習者的成績樣本和移動教學資源的使用情況等反饋信息進行了聚類分析，得到了較理想的聚類結果。

【關鍵詞】 移動學習 教學資源 數據挖掘 聚類

在傳統的教學方式中，一直是以教師為中心的基本教學方法。這種方式，學生只能感知學習內容，而解決實際問題時，由于缺乏實踐經驗，他們通常難以完成。

隨著智能手機、平板電腦等各種智能移動終端已經得到了非常廣泛的發展與關注，隨之而來的一種新的學習模式一一移動學習，已經開始為人們所關注。與傳統的課堂學習或基于桌面電腦的E-Learning相比，移動學習可以突破時空限制，移動學習者在任何時間、任何地點的“零碎”情境下，只要學習者有學習的意愿，就可以隨時隨地地進行學習。

本研究將以“Visual Basic程序設計”課程為依托，重點對面向移動學習教學資源的開發和應用兩方面展開研究。首先基于課程進行按知識點的移動學習資源設計，一個知識點可以是一個屬性介紹，也可以是一個算法實現；同時引入數據挖掘技術，基于學生關于學習資源使用情況和學習效果反饋信息，進行聚類分析，深入探究學習者對不同知識點的掌握程度和學習效果，從而推進和改善移動課程資源設計和教學過程設計。

一、移動教學資源

移動學習資源是指支持開展移動學習的各種信息資源，即移動學習資料、移動學習環境和移動學習支持系統[1]。移動學習資源是移動學習的重要組成部分，是教師組織教學的工具和學習者獲得信息的途徑[2]。學習資源一直被認為是教育技術學最重要的研究對象之一，并一直受到研究者的重點關注，對學習資源的正確的認識和理解，是開發優質教學資源的前提，也是教育技術研究實踐中的一項重要任務。

分析現有的文獻資料可以發現國內移動學習資源的研究主要是集中在移動學習資源的學習模式、技術支持、開發與設計等方面，尤其是對于面向移動學習的教學資源的拓展開發以及如何讓這為學習者服務等研究還在初步階段。

二、教學資源設計

課程的內容分解設計直接決定著教學資源的知識內容，它主要指根據課程目標在確保課程內容完整性的同時，如何將課程內容分解成一定粒度容量的知識內容，以適應學習者的碎片化學習需求。

移動學習課程與網絡課程相比最大的特點就在于內容的碎片化，將一個多小時的內容拆分成多個獨立的知識片段，每個知識片段都會有一個主題，這個知識主題是根據學習者的認知規律和教學方式對元知識點的邏輯重組，這樣有助于更清晰完整的表達知識框架；此外，移動學習課程按照知識點模塊化組織，當知識點內容發生變化時，移動學習課程也能夠實現快速的更新升級，從而避免了重復制作課程[3]。

一般來說，知識點是枯燥、抽象的描述，不容易被學習和理解，那么就需要根據知識點的類型選擇合適的方法、步驟和組織形式，綜合運用文字、圖片、音頻和視頻等多媒體素材對知識點進行表現，這樣才能使其更加貼近學習者，更易于被理解。

2009年張馳等提出的基于課程知識點進行片段式的移動學習資源設計，即將工作或學習內容分割成小塊的有用信息，這樣人們就可以通過非線性的方式獲得這些信息；主要包括兩方面內容：①學習內容的微型化②學習形式的微型化[4]。

移動學習資源的研究和開發還有不足之處，忽視了資源知識點之間的內在關聯，一定程度上影響了學習者進行持續而系統的有效學習，降低了移動學習效率。

三、數據挖掘在移動學習中的應用

數據挖掘就是從大量的、不完整的數據中，提取隱含在其中有用信息的過程。基于聚類的數據挖掘是一種“無監督學習”的方法，事先不知道將要分成哪些類，采用最大化類內的相似性、最小化類間的相似性原則進行歸類，即使得一個簇中的對象具有很高的相似性，而與其他簇中的對象很不相似。聚類分析的目標就是在相似的基礎上收集數據來分類[5]。

在教學中，基于聚類的數據挖掘技術可以根據學生的平時及期末考試成績，挖掘出內在的影響因素，如學生的學習態度、學習習慣、薄弱章節等信息。得到的總結分析應用于指導學生學習及日常教學，既節省了大量的練習時間又能夠獲得良好的學習效果。

3.1數據收集與數據轉換

1） 數據準備

以《Visual Basic程序設計第四版》（龔沛曾著）教材中的第四章“基本控制結構”部分知識點為例，制作移動學習課件，課件時長基本控制在5至30分鐘的范圍內。5分鐘的課件涉及一個較細的知識點，如IIF（）函數的使用方法；10分鐘的課件涉及一個較大的知識點，如IF條件語句的語法結構；30分鐘的課件中講授一個更大的知識點或多個緊密關聯的小知識點，如具體算法的實現。

組織學生一段時間的移動學習后，從金陵科技學院“土木工程”、“機械設計與自動化”和“動物科學”三個專業獲取成績樣本數358份，并根據每個學生各個知識點的得分情況，計算出每個知識點的“成績績點”（成績績點=所有學習者該知識點的得分均值/該知識點的分值），如某知識點考核的總分為10分，學生得分為9分，則該項相應的成績績點為0.9。

2） 數據轉換。

為了使數據變換成適于數據挖掘的形式，也便于維度信息的表述，我們對數據各維度上的信息進行數值化和量化。如：根據長年教授VB課程教師的多年經驗，將各個知識點按照難易度進行了劃分，并將“難”、“中”、“易”分別轉換成3、2和1；課件時長的屬性維度上的信息：將5 分鐘左右、10分鐘左右、30分鐘左右，分別轉換為1、2、3；同時對每個學生每個知識點點擊學習的次數、性別和成績績點分別進行相應的轉換。將經過轉換后的樣本信息建成數據挖掘的樣本數據庫，具體的信息維度設計與量化情況見表1。

具體的數據統計形式如表2，其中每條數據實體為一位學生一個知識點的學習情況。

3.2聚類過程

本文所用的聚類分析方法是K-means算法。這一種得到最廣泛使用的聚類算法，它是將各個聚類子集內的所有數據樣本的均值作為該聚類的代表點，算法的主要思想是通過迭代過程把數據集劃分為不同的類別，使得評價聚類性能的準則函數達到最優，從而使生成的每個聚類內緊湊，類間獨立。這一算法不適合處理離散型屬性，但是對于連續型具有較好的聚類效果。主要包括以下步驟：

1）隨機取k個元素作為各個簇的中心。

2）根據每個對象與各個簇中心的歐式距離，分配給最近的簇。歐式距離公式為：

4）根據各個簇元素的平均值，重新計算新的簇的中心，然后轉（2）。這個過程不斷重復直到誤差平方和最小。

（三）算法結果分析

根據K-means算法對轉換后的數據分別進行了2、3、4類歸類后，發現3類的歸類效果較好。并對3類歸類后的數據進行了統計，統計信息如表3。

從表3的統計結果可以看出：類別一中涉及知識點難度較為簡單，即使在點擊次數不多的情況下，但是成績績點還是相對要高；類別二中涉及的知識點較難，但學習者在多次點擊學習的情況下，還是得到了不錯的績點；類別三中涉及的知識點相對是最難的，但是可以發現學習者的點擊次數明顯下降，最終的學習績點也很不理想，同時有趣的發現女生在該類別中所占的比例是明顯多于男生。

通過以上分析可以看出一些難易程度適中的知識點，學生通過一段時間的自學是能夠掌握的很好的。同時，哪些知識點還存在問題，教師可以根據學生的學習情況有的放矢地進行教學，并給出學習建議和指導，同時修改組卷參數以給出符合學生學習水平和特性的試題；學生也可以根據分析結果進行有針對性的學習從而提高了教學和學習效率。

通過本次挖掘結果，學生也意識到要提高自己的學習效率，就要努力改變自己的學習習慣和學習態度；同時教師可以根據不同章節的難易度，適當讓學生自學，以提升學生自我學習的能力。

四、結論

本研究首先依據移動學習資源的特點，對課程學習資源進行了設計與制作，隨后引入數據挖掘技術對學生的成績樣本進行了聚類分析，得到了較理想的聚類結果。

移動學習有助于豐富學生的思維方式，有助于培育學生深度學習的學習品質。

同時移動教學資源充分開發與利用，使學習內容借助資源的具體性與形象性，幫助學生理解掌握抽象的學習內容。

參 考 文 獻

[1]李瑞，陳新，袁曉斌.移動學習資源建設策略探討[J].現代教育科學，2007，（6）.

[2]方晶，陳章其.移動學習資源的開發初探[J].現代教育技術，2007，17（7）.

[3]唐江煒.基于知識點的課件制作平臺的設計與實現[D].蘇州：蘇州大學碩士學位論文，2008

[4]張馳，陳剛. 移動學習中片段式學習資源的設計研究[J].開放教育研究，2009，（3）：67-72.

[5]何清.模糊聚類分析理論與應用研究進展[J] . 模糊系統與數學：1998，12（2）：89-97.