基于QFD模型及双向聚类技术电子商务专业学生能力探析.docVIP

基于QFD模型及双向聚类技术电子商务专业学生能力探析 　　【摘 要】 互联网的发展极大地促进了电子商务的普及，而人才匮乏已成为电子商务实现高速发展的瓶颈。为了解决这一问题，越来越多的学者参与到电商专业人才培养的研究中。目前对于电商专业学生能力的研究大多聚焦于课程建设、教学模式的构建以及从理论角度分析岗位对学生能力的需求，而对学生专业能力的定量分析较少。本研究以一个中高职电商专业“三位一体”在线教育平台为例，运用QFD模型根据学生在分销系统中的微店运营绩效数据对学生所具备的专业能力进行评估，并运用双向聚类这一数据挖掘技术对能力评估结果进行特征提取，从理论学习的角度进一步探究造成学生能力差异的课程因素，所得结果可以帮助学生进行自身能力定位，同时为教学方了解学生能力分布特征，指导学生进行深入学习和职业生涯发展规划提供依据 【关键词】 电子商务；在线教育；教育数据挖掘；QFD模型；双向聚类 【中图分类号】 G442 【文献标识码】 A 【文章编号】 1009-458x（2017）02-0033-12 一、引言 随着信息技术的飞速发展，互联网作为一种高效、便捷的连接工具，已渗透到人们生活的各个方面。在教育领域，通过互联网进行在线教育的教学方式已成为传统课堂教学的重要补充，甚至在一定程度上代替了传统教学，成为一种新的教学模式。目前，在线教育平台在国内呈现出快速普及的状态，其中以MOOC（大规模开放在线课程）为代表的在线教育平台已为人熟知，国内大量优秀大学均在这类平台上开设了相关课程。在这些规模较大的在线教育平台课程体系中，基础学科课程居多，职业教育类课程较少。其中，电子商务作为一门与互联网息息相关的学科，其专业人才的市场需求度与人才培养之间的不平衡已日渐显现，人才匮乏已成为电子商务高速发展的瓶颈。为了满足市场对电子商务专业人才的培养需求，构建在线教育平台转变传统课堂教学模式，已成为一种必然的趋势 与现有在线教育平台相同，电子商务在线教育平台可以汇聚大规模的学习者，并通过多样化的网络学习行为产生种类众多的教育数据。这些数据中蕴含着大量有用的信息，通过对这些信息进行提取和识别，可以帮助研究者进行课程构建、学习模式分析以及学习规律发现，为电子商务专业人才培养提供依据。不同于传统教育研究中通过调查问卷、观察法等手段获取学习行为数据，在线教育通过学生在系统中的操作行为可以收集大量的学习数据。这些数据普遍呈现出规模巨大、结构多样的特征，潜藏着更加全面、准确的学习行为信息。这些信息一方面可以为教育研究者发现学生学习模式和规律提供可能；另一方面也对数据挖掘技术提出了挑战。由此可以看出，为了使在线教育平台的效用最大化，对平台中的数据进行有效挖掘，发现其中潜在的特征具有重要的意义 教育数据挖掘领域的研究目前主要集中在预测型数据分析和描述型数据分析方面（田娜， 陈明选， 2014）。其中，预测型分析通常由分析得到与某个变量相关的模型，以此为依据对该变量未来的变化趋势进行预测。常用的预测方法包括回归、人工神经网络和决策树等。Al-Radaideh等（2006）分别采用ID3、C4.5和朴素贝叶斯模型，对约旦耶尔穆克大学参加C++课程的学生期末考试成绩进行了预测。结果表明，在对教育数据进行分析时决策树模型比其他模型具有更好的预测效果。Hijazi 和Naqvi（2006）通过对巴基斯坦旁遮普大学附属学院学生的在校表现和上课态度、课后学习时间、家庭收入、母亲年龄以及教育程度进行回归分析发现，母亲的教育程度和家庭收入与其在校表现具有高度的相关性。孙力等（2015）运用C5.0决策树方法，通过分析网络学历教育学生英语学习及相关信息，预测了其英语统考成绩，同时提出了相应策略以提高网络教育学生英语学习水平和统考通过率。舒忠梅等（2015）在构建学生投入模型的基础上，结合典型相关分析和数据挖掘方法，识别出学生投入的相关因素，并对学生学习行为进行了分类研究。分析发现学生投入与学生家庭背景、学生入学前特征、学校特征及课程作业之间存在显著相关关系。描述型分析则通过分析数据发现新的模式或结构。常用的方法有聚类分析、因素分析和关联规则挖掘等。在这些方法中，聚类分析可以用来识别数据中具有共同特征的群体或模式，从而对一些现象进行解释与建模，在教育数据挖掘中被广泛使用。Aher和Lobo（2013）对学生在MOODLE 上的课程学习记录进行聚类和关联规划分析，向学生推荐合适的课程。Romero等（2013）运用分类和聚类的方法分析了学生对社交网络论坛的使用情况与期末考试成绩之间的关系，结果显示了课程结束时进行后期预测与课程结束前进行前期预测的适用性，表明了相较于传统识别学生表现模型的分类方法，聚类分析和关联规则挖掘有更大的解释力。吴林静等（2014）研究了