學習分析技術中數據挖掘的應用研究

摘要：大數據時代的到來，對數據挖掘技術的應用提出了更高要求。首屆“學習分析技術與知識國際會議”的召開，將數據挖掘方法與學習管理系統建立關聯，并從分析學習者的行為中來改善和提升物理教育效率。本文將從數據挖掘的方法、內容、方向、結果呈現等方面，就其在學習分析中的應用展開探討，并從優化數據挖掘方法上來改善學習分析技術的有效應用。

關鍵詞：數據挖掘 學習分析 關鍵技術 應用探討

基金項目：本文系河南省軟科學研究計劃項目（項目編號：142400410263，142400410267，142400410671）”的階段性研究成果。

大數據時代下信息指數型增長已經成為趨勢，對于海量數據的分析及呈現，迫切需要從數據挖掘技術的應用中來獲取有效信息?，F代教育領域中對信息化技術的應用較為廣泛，各類虛擬學習環境的構建需要符合學生的學習特性，這些數據即多又雜，更需要專門的軟件工具來進行改善和處理?？梢哉f，學習分析技術是數據分析及數據挖掘技術基礎上發展而來的應用，因此，從學習分析定義及數據模型的構建上來增強對學生學習行為的研究，有助于科學的評估和預測學生的表現，改善學生的學習方式。虛擬技術中的學習環境的營造，可以通過數據挖掘技術來實現，特別是對于海量教育數據的有效提取，以幫助教育者進行分析和改進教學決策。

1 學習分析中的關鍵技術

1.1聚類技術

對于數據挖掘中的聚類，主要從抽象對象的集合分組中來進行歸類，聚類是對具有相似特性的多個類或簇進行分組的過程，并利用顯性或隱性方式進行描述。在聚類分析中，不同算法下對相關數據的分類集合也是不同的，因此需要結合數據特征來進行有效的聚類操作。在虛擬學習環境中，對于每門課程知識的建構，可以從學生的不同表現上來進行分組聚類。如對于學習積極性高的團體，可以從增強知識拓展及關聯度上來滿足學生學習要求；對于成績較低、參與度不高的學生，可以從激勵措施的組建上來增強學生的學習積極性。可見，對于聚類技術的運用，關鍵是要從學生學情的分組上，融入不同的虛擬分組策略，以激發學生能夠更好的參與學校，增進小組間學習的交流和協作。

1.2關聯規則的挖掘

從大數據環境中對相關聯數據的挖掘，主要是通過數據庫中各項集的可信度、支持度的取值來進行。對于某數據庫來說，利用形式化語言進行描述時，每一個事務都是集合，而每個集合都是M項，X、Y是其中的兩項，其關聯規則表示為X[?]Y的蘊含式。對于數據庫中的各個事務規則來說，其所占的總事務百分比就是該規則的可信度?？梢姡瑢τ陉P聯規則的挖掘主要是通過對數據庫的事務間的關系進行關聯。在虛擬網絡環境下，對于各類關聯規則的挖掘，有助于我們從學生的學習行為中來挖掘關聯關系，對于這些關聯關系進行關注，從中來轉變和調整教學策略，增強學生對知識的學習融合度，更好的提升教學效率。為此，可以通過對課程資源進行關聯規則挖掘，通過學生訪問量，以及學生的學習成績進行對比，從中發現成績與那些資源的訪問有關系，并從學習資源的重組中來增強學生的訪問量。如對于某些訪問量不高的資源，在與學生的成績關聯上作用不大，可以進行有選擇性的刪除，避免占用學生的學習時間，也提升了資源整合的效率。

1.3分類算法

對于數據挖掘中的數據分類是基于某一共同特性而建立的數據分組，其分類方法可以是基于學生的某類學習行為，也可以是針對某一個體或群體。以決策樹為例，對于分類方法的運用主要從分類規則的設定中，以判斷各決策樹的結構是否健壯，對于分類對象的屬性定義是否準確，能否加快決策樹的訪問速度。對于學習行為進行分析時，分類算法可以預測學生的學習成績，并從中來關聯學習動機。如針對學習積極性較低的學生，可以從補救措施的激勵上來增進參與度。對于決策樹在構建分層教學模型中，依據決策樹的層次關系來優化教學內容，能夠更好的促進分層教學效率。同時，對于決策樹的D3算法分類，可以從學生數據庫進行學習能力分類，便于教師采取相應對策來改善學生的學習態度。

1.4時間序列分析

對于學習環境中的學生學習狀態的分析是實時的，其產生的數據量也是按照時間序列進行排列的。因此，在進行學習行為分析時，可以從時間序列來動態的收集學生信息，及時發現學習行為中的問題，并靈活調整教學資源來優化虛擬教學。時間序列是數據挖掘中的重要技術，如在學生課程資源的挖掘中，能夠結合訪問時間、教育資源的關鍵詞進行檢索，以分析學習者的學習行為及趨勢，通過反饋來重新編排和優化教學內容，提升教學資源的利用率。如在時間序列分析中可以完成練習作業的布置，結合學習者對相關課程的跟蹤數據，從而明確練習的重點。在Moodle平臺上，借助于對學習者行為數據的挖掘與分析，可以預測學生對某類知識的掌握程度，從而有針對性的開展作業輔導。另外，在對系統進行檢測時，可以利用前饋神經網絡（FFNN）、支持向量機技術（SVM）、概率集合SFAM分類器來進行準確分類，提升時間序列的分析優勢。

2 基于用戶的學習分析技術實踐

基于學習管理的各類分析工具的應用，對于提升高等教育，尤其是遠程教育改革中發揮了重要作用。以某院校網絡教學為例，通過對各指標數據的分類挖掘，如“上網人數”、“登陸次數”、“在線時長”、“瀏覽資源次數”、“論壇發帖總數”等有關學習行為的匯總，來反映學生網絡學習的頻度、進度、以及均衡性，并從組織、引導和改進上來優化網絡資源結構，跟蹤學生的學習行為。通過數據挖掘技術在學習分析中的應用，能夠從教學上獲取各類活動的總量及平均情況，以監測網絡學習工作現狀，為教學評估和網絡教學實施提供參考。

2.1 課程資源瀏覽情況分析

結合《開放教育學習指南》要求，對于網絡課程模塊的監測與分析結果中，能夠清晰的反映各類資源瀏覽的頁面個數、各學習者對各模塊及內容的關注程度；如對于瀏覽頻次較高的資源頁面，表明受到學習者的關注。在課程章節設計、體驗區，問題庫、以及資料庫等模塊使用分析中，學生的學習習慣能夠從其參與度、個人人均瀏覽頻次等參數中來獲得。如對于各章節內的資源訪問量較高，說明學生從課程的學習及體驗需求較高，學習者在模擬的體驗區能夠參與到網絡互動，激發學習興趣；對于問題庫的訪問量也較大，說明學生能夠從常見問題的解答中來釋疑解惑，便于學習者盡快掌握網絡學習方法。endprint

2.2 自主學習路徑分析

對于學習過程靜態信息的獲取，可以幫助我們從中來梳理學生的“自主學習路徑”。以聚類算法為例，通過對網絡資源模塊的訪問跳轉進行分析，以“瀏覽時間+學號”作為鍵值，以“瀏覽順序”為序列，以“瀏覽模塊”為預測值來建構挖掘結構，從中來獲得各模塊信息的轉換情況，從中來獲得學習者的自主學習路徑。如在“課程章節”與“體驗區”模塊的對比分析中，學習者的跳轉訪問概率較低，而在“資料庫”與“問題庫”等輔助模塊中，學習者的跳轉概率較大，說明學生對學習方法的了解較為側重，也為我們進一步優化課程鏈接，拓寬學習資源提出了要求。

3 結語

隨著對數據挖掘領域的研究深入，對于計算機技術與心理學、教育學的知識的融合更加緊密，因此從數據挖掘的專業化上，依據現代專門教育理論，從學習分析的心理認知、行為認知中進行闡釋將會成為主流。同時，對于現有數據挖掘交互信息的分類，一方面從課程資源的訪問上來探索學習規律，另一方面從學生認知、社會層面來對學生的學習行為進行跟蹤和提取，加深對其剖析，揭示隱藏的知識信息以改善教育決策。另外，在數據挖掘個性化上，對于傳統的依據學生行為的分析，難以從總體情況上來提升教學決策參考，而Siemens教授從構建學習者模型視角，分析學習者的學習過程，從中來獲取某一類學生的特征值，以提供個性化的教學服務。對于學習分析技術中的數據挖掘運用，重在從數據誤解方法上來提升教育資源的針對性、可操作性和靈活性，滿足各類學生的不同需求。

參考文獻：

[1] 魏順平.學習分析技術：挖掘大數據時代下教育數據的價值[J]. 現代教育技術. 2013（02）.

[2] 魏雪峰，宋靈青.學習分析：更好地理解學生個性化學習過程——訪談學習分析研究專家George Siemens教授[J]. 中國電化教育. 2013（09）.

[3] 孫洪濤. 學習分析視角下的遠程教學交互分析案例研究[J]. 中國電化教育. 2012（11）.

[4] 吳青，羅儒國.學習分析：從源起到實踐與研究[J]. 開放教育研究. 2015（01）.

[5] 胡藝齡，顧小清，趙春.在線學習行為分析建模及挖掘[J]. 開放教育研究. 2014（02）.

作者簡介：楊鳳霞，女，河南開封人，1979年3月生，講師，碩士研究生，研究方向：計算機應用，云計算。endprint