基于数据挖掘网络学习行为.docVIP

基于数据挖掘网络学习行为摘要：网络时代带来了知识和信息的爆炸，然而，在面对庞大的信息和数据面前，我们就会显得手足无措。当前大学生已经基本掌握电子计算机和网络使用的基本技能，将数据挖掘作为当前大学生网络学习的基础，通过学习者要素、教师要素、网络课程内容和网络学习环境为要点，研究大学生的网络学习行为，从而有针对性的培养大学生有效学习机制。 关键词：数据挖掘；网络学习；学习行为 中图分类号：TP312 文献标识码：A 文章编号：1007-9599 （2012） 21-0000-02 网络信息时代是一把双刃剑，信息量增加的同时，大学生可选择的越来越多，但同时又越来越少。越来越多是因为信息量增大，越来越来少时因为数据过多无从选择，就当前大学生的学习能力和精力来说，不可能面面俱到，因此，通过学生的网络学习行为特点出发，发现学生重点关注的内容和主要网络学习方法从而定制满足大学生需求，并且帮助他们形成有效的学习机制。 1 数据挖掘与网络学习行为现状 1.1 高校数据挖掘现状。数据挖掘是通过大量的数据分析，从而找出一般规律，从而定制满足甚至超前顾客需求的服务。数据挖掘延伸到大学生网络学习行为上，就是通过大量的调查的问卷发现大学生的通过网络学习行为特点和需求，从而网络服务平台上提供相应的个性化的学习资源。当前我国的高校扩大化发展的条件下，学生人数逐步增多，一般大学的学生人数在2-3万人，每个学生的地域文化和学习习惯的不同，导致了不同学生学习需求不同。而当前高校对于大学生的网络学习行为的数据挖掘相对较少，从而在图书馆网络资源提供和课堂网络信息传递上，存在着把握不当和定位不准的现状。同时，不得不承认数据挖掘为网络学习平台的研发和推广发挥着举足轻重的作用。2009年在北京师范大学举行的第五届高级数据挖掘与应用国际会议首次加入“数据挖掘在教育中的应用”主题，2011年7月在荷兰埃因霍温举办第四届教育数据挖掘国会议。数据挖掘技术在我国最为重要的应用就是图书馆和网络学院，从2004年的广播电视大学和67所网络学院的成立，到2012年全国各大高校都相继开发了基于数据挖掘的网络学习平台。 1.2 大学生网络学习行为特点。大学生网络学习行为与一般的网络学习行为有共性也有差异。相同点在于，网络学习行为都是借助计算机网络技术进行，可以学习的资源和信息量大，都打破了传统学习的时间和空间的限制。同时大学生网络学习行为具有其特点，首先，学习愿望强烈。大学生的思想开放能够迅速的接受和掌握新鲜事物，思维方式和行为方式不拘一格；其次，自我约束能力差。由于信息量过大，导致了大学生的在进行网络学习的过程中可能由于网页附加的广告或者其他外来因素的影响，网络学习行为呈现出突发性和间断性，并且间断时间可长可短，网络学习行为持续情况较差；最后，学习效果不佳。通过调查发现，大学生通过网络学习到的知识远远不及在课堂上所学到的，由于网络平台构架不完善，导致了大学生在学习行为中形成了阻碍即中断的特点，另外网络信息的庞杂，往往大学生耗费了大量的时间才能找到所学要的东西。值得一提的是大学生的网络学习行为的心理特点，结合调查和心理学的特点来分析，大学生的网络学习行为的心理表现为波动大，情绪化严重等特点。 2 基于数据挖掘的网络学习行为的引导对策 2.1 学习者要素的K-means算法。我国高校在校学生众多，从成人教育、本科教育、硕士研究生教育和博士研究生教育多种层次，不同层级当中的不同层次都有相当大的差别，高校经过多年的发展，已经积累的大量的学生数据和事件案例，因此，通过K-means算法，从学习者要素出发，将学习者进行分类，从而有针对性的开展网络学习行为的定位和培养。最为简单的就是通过学生的成绩和获奖情况的综合权重来进行模糊聚类分析。以本科生的K-means算法为例，通过大一大二的公共基础课程的成绩为样本，采集男女比例适当的学生数据，通过以为特征向量进行第一次聚类分析，将本科学生层次分为高、中、低3个层次，同时又在每个层次当中发现大一和大二学生的差异性，最终，将男女，年级，专业作为3个多因此，通过模糊数学当中的隶属度来进行最终的细部划分，其他需要考虑的因素有，性格、生源地等。其中，对于一些特例需要特殊关注，显而易见的是“偏科”现象，工科学生中存在英语多为短板，而文科学生在数学逻辑思维和判断上存在缺陷。以此类推，将不同层级的学生进行详细的划分，并且做好划分的详细记录，不仅要从微观上划分也要从宏观上掌握共同特点。总之，通过K-means算法的分类后，从不同个角度来对整个学生集合来分类，都可以找到相当数量的集合，通过最优方法和最有效率的分类来确定网络资源投放和培训材料的准备。 2.2 教师要素的Naive Bayes分类。高校是学术氛围作为浓厚和知识汇聚的