基于网络的应用混合数据挖掘算法技术的学习策略的自评估系统.docxVIP

应用混合数据挖掘算法技术的基于网络的自评估系统学习策略表的自评估系统摘要：传统评估工具，例如“学习策略量表”，是典型的笔纸测试需要回答大量的问题。这或许会轻易导致学生们的反抗，疲劳和不情愿的去完成评估。为改善这种情况，一种混合数据挖掘技术试用于分析谈江大学新生的LASSI调查。此项研究最重要的贡献是动态的减少了LASSI评估进行中的问题的数量。为了证实提到的方法，一种基于网络的LASSI自评系统被发明了。这个系统可以用作高危人群确定学习干扰的向导，还可以为用户对于基础后续咨询服务提供基本信息顾问。引言动机台湾的大学最近公认学生事务的重要性并积极推进学生的生涯探索咨询，自我认知和人际交往行为。因此，学生事务办公室在学生生活和学习咨询服务上常常扮演重要的角色。例如，谈江大学学生事务办公室的咨询和引导部门可以令人相信的帮助超过27000的学生在对他们的学习和研究策略评估中，个人特征，职业兴趣等等。还提供后续分析和其他服务。不幸的是，每个学校提供的可用辅导员数量及服务是非常有限的。相反的，调查中问题数量的增加负面影响着参与者的回答意愿。因此，在传统的评估中确定重要模式的规模和项目是减少辅导员工作负载和提高参与者合作的关键所在。随着计算机和网络相关技术的快速和大幅提高，基于网络的测试（WBT）正变为共同的和有效的评估类型在不同的教育环境中。尽管HH公司wlinstein等人的基于网络的LASSI在网站开发中是可用的，但是它的在线完成很费事。研究的目标此文章的目标有：：提出一种混合数据挖掘技术检查学习策略表中的重要特征和他们的内在关系。通过使用更少的问题，从而促进更好的合作，学习问题将断定的和高风险群组的研究困扰有关的消息将会更乐意的被提供。②：为帮助辅导员和学生去更有效的使用LASSI评估，一个基于网络的学习和研究策略自评估系统（web-LSA）被发明了，基于通过混合数据挖掘方法发现的规则。这个系统可以被用作一种预完成措施for学生参与规划or课程集中于学习策略and研究技巧through网络。而且作为一个辅导员节省时间的支持工具。本文的其余部分分为五个章节：第二章描述了“学习和研究策略规模库存”（LASSI）的背景知识和相关的数据挖掘技术。第三章介绍了提出的混合数据挖掘技术。第四章是实验和性能评估的对比结论。第五章是基于网络的LASSI自评估系统的实现。最后，结论和未来工作在第六章。背景知识大学生的学习研究策略规模库存LASSI是Weinstein提出的。这是一个诊断和规范的措施。LASSI的原始版本是一个10规模，80项学生认识评估，使用了学习和研究策略与技巧，和策略学习自管理组件。在这篇文章里，深刻了一个改进的版本，一个11规模，87项LASSI评估，像表格1展示的那样，在台湾被经常的使用。此研究的资源收集于LASSI于大学新生。由淡江大学学生事务办公室咨询指导部门提供。结果提供给学生优势和弱势的一个诊断and通过教育干预精进的给出建议，比如学习和研究技能课程。LASSI的分数使用利开特式量表五点规模。“一点也不符合”积一个标记，“不是太符合”积两个标记，“有点符合”积三个标记，“相当的符合”积四个标记，“非常符合积五个标记”。因为相反得分项目颠倒了分数，“一点也不符合”积五个标记，“不是很符合”积四个标记，等等。大部分的学生完成这个评估大约在25-30min之内。LASSI规模可以分别应用或者全部应用。为了方便起见，一般大学生的LASSI百分比排名标准简化如表2。百分数排名在50之上表示在研究策略上“好”而低于50表示“不好”。指导教师可以参考表中每个LASSI上的学生成绩来判断学生在相关学习和研究策略中的状况。数据挖掘技术数据挖掘技术是关于发现和抽取数据库中的潜在知识。许多的算法被发明，提出和应用：决策树，聚类，序列分类，关联规则，贝叶斯，回归，神经网络等等。最近，数据挖掘技术变得更加流行and现在经常被用在现实世界的应用中，例如学习者行为模式and在交互式学习系统中的使用规则from电脑系统的使用日志。with数据挖掘，基本的活动可以被捕获，学习者行为被决定和解释in学习方式和目标的环境中。这些工具展示了不同的计算方法和展示模式，决策树和关联规则将进行进一步的解释。决策树决策树是一种基于树图的方法学and被考虑为一种更加简单的归纳研究方法。即使使用者缺少统计学的知识，他可以使用决策树去分析特殊行为。（如图1，一个简单决策树的例子）。一个决策树可以简单的转变为规则。然而，如果它的决策设定变得太复杂或者太庞大，剪去它的一些叶子或分支就变得必要为了改进它的效率。在所有的计算方法中，ID3，C4.5，CART和CHAID是最被人知的。关联规则在数据挖掘中，关联规则分析被用于发现经常同时出现的元素在一个数据集合内部。由多样的独立的元素