数据挖掘在个性化远程教育系统中的应用研究.doc

数据挖掘在个性化远程教育系统中的 应用研究 Data Mining in Individuality Long-distance Education System Applied Research 本文在分析了当前众多远程教育网站中存在的不足后，提出将近年来在电子商务等方面广泛运用的数据挖掘技术（data mining）引入到远程教学系统中。考虑到远程教育系统和电子商务等系统存在着诸多不同之处，文中提出了一种基于代理（Agent）的系统架构模型，并在此基础上介绍了以学生学习评价数据为实体的多维数据立方体（data cube）模型的构建方法，并用Microsoft SQL Server中提供的OLAP分析服务工具实现了此模型。 关键词: 远程教育 数据挖掘 OLAP 多维数据模型 1 引言 随着计算机的普及和Internet网的推广，基于Web的远程教育站点在国内外如雨后春笋般迅速崛起，教学对象遍及小学生、中学生、大学生各个学习层次，教学内容覆盖了数学、语文、英语、美术、音乐各学科门类。但是，目前数目众多的Web远程教学站点有以下几个明显的共同缺点： 现有的远程教育站点其教学内容在表现形式上基本上都是静态的，即学习资料以HTML静态网页形式发布在网站上，一旦放上去后，就很少再进行修改。教学课件的设计者并不知道他的课件是否合理，是否符合教学规律，页面之间的链接是否适应学生的访问习惯和学习内容进度的安排。学生只能是按静态课件所设计的顺序按部就班的学习，对以往学习中存有疑问的知识点及可能感兴趣的知识无法主动获取，这极大的限制了学生学习的自主性及积极性，从而不能达到最佳的教学效果。 现有的远程教育站点不能根据学生本人的情况因材施教，缺乏个性化教学。无论哪个学生访问该站点，其教学策略，教学内容及授课顺序都是一样的，站点不能根据学生的自身情况提供适合于他个人的学习习惯及学习进度安排，结果使学生的个性无法发挥。 现有的远程教育站点虽然提供了学生在线作业和在线测试等功能，以此检验学生学习效果。但是其评价测试结果并没有和学生下一步学习相联系，并没有给出学生在今后学习过程中所要注意的学习重点和难点，对学生个人的学习方式也没加以纠正和引导，缺乏对学生学习整个过程的监控管理。 现有的部分远程教育站点大多数是根据学生所在年级和班级给学生加以分组聚类，对于在同一组中的学生布置同样的学习内容，使得这对于那些学习进度超前的学生为了保持和大家同步而放慢学习进度，相反对于那些学习后进的同学为了追赶大家的进度而忽略甚至放弃某些教学内容的学习，至使后面的学习更加困难。 以上这些在现有远程教育站点中存在的问题极大地制约了现代远程教育技术的进一步完善和发展。经过多年的教学实践应用，在现有的远程教育站点上积累了大量有用的信息，但这些信息存储分散，记录凌乱，数据庞大，如：学生注册信息，登录信息，浏览路径信息，答疑信息，作业信息，测试信息，交流信息，学习状态信息，学习进度信息等大量资源，如何利用这些资源建立一个智能化、个性化的远程教育环境，是现代远程教育技术发展中的一个关键问题。 2 具有数据挖掘功能的代理系统架构 2.1 数据挖掘技术与知识发现 随着计算机技术的发展，特别是数据库管理系统的广泛应用，人们积累的数据越来越多。庞大的数据背后隐藏着许多重要的信息，但在庞大数据中发现隐藏的关系和规则却不是件容易的事。如何解决“数据爆炸但知识贫乏”的现象，这一疑问直接促成了数据库中的数据挖掘技术的产生。 数据挖掘（DM：Data Mining）就是从大量的、、、、、、、、 图1 知识发现的过程 （1）信息收集：根据确定的数据分析对象抽象出在数据分析中所需要的特征信息，然后选择合适的信息收集方法，将收集到的信息存入数据库。 （2）数据清理：在数据库中的数据一般是不完整的（有些感兴趣的属性缺少属性值），含噪声的（包含错误的属性值），并且是不一致的（同样的信息不同的表示方式），因此需要进行数据清理，将完整、、、、、、、、.2 基于代理（Agent）的系统架构 由于数据挖掘系统所需的数据都存储在数据库中，数据挖掘系统一般不直接从界面获取用户信息，因此需要将用户信息获取与数据挖掘分开。这样传统的两层B/S网站架构就并不能满足数据挖掘系统实现的需要。本文提供了一种基于Agent的系统架构模型，该模型将信息获取和分析分开，适合于数据挖掘的需要。 近年来代理（Agent）技术得到了迅猛地发展，其展现出十分诱人的应用前景。一般来说Agent主要具有自治性（autonomy） 、（social ability） 、（reactivity） 、（pre-activeness） 图2 基于代理的系统模型 图2的这种基于代理的系统架构是按照目前流行的B/S三层模型设计的，三层模型包括：交互层、