elearning中基于聚类算法的多维度学习社区的研究word格式论文.docx

图 1-4 E-learning 个性化推荐系统Fig.1-4 Personalized E-learning recommendation system综合上文介绍的几种系统，现阶段智能化学习系统的研究重点多集中在对开放式 个性化学习系统的研究。分析以上的系统，可以发现，构建智能学习系统的三个基本 组成部分分别是：用户界面，智能处理模块和后台数据系统。具体到不同的系统中， 这三个部分有不同的表现形式，但万变不离其宗，主要实现的仍是这三大块功能，这 为我们研究新型的智能学习系统提供了基本思路。数据挖掘在 E-learning 中的应用在全面、系统的总结分析了目前比较主流的智能学习系统之后，我们发现，这些 系统的个性化与智能化特征往往是通过数据挖掘技术实现的。教育专家和互联网开发 人员研究设计这类系统的思路一般是：首先获取学习者的学习过程模型，然后用数据 挖掘技术分析他们的学习特征，从而发掘潜在的有用有趣的模式，进而将这种模式应 用在辅助教学和学习上。为了更具体地分析归纳数据挖掘在 E-learning 领域的应用方 法，进一步地为本文的研究课题寻找思路方向与算法理论支撑，笔者对国内外教育学 数据挖掘（EDM—Educational Data Mining）领域的研究做了大量的搜索分析，查阅 了一定数量的中外文献，并调研了互联网上许多的 E-learning 应用网站和系统。目前数据挖掘技术应用在 E-learning 环境中主要集中在教学决策、智能教师系统（ITS）、Agent 技术以及 E-learning 网站的 Web 数据挖掘这几个领域，下文将分别从 国内和国外两个方面，具体阐述分析这些研究成果。1.2.1 EDM 在国内的研究与应用现状随着网络的普及应用和信息技术的发展以及社会对教育的关注， TEL (Technology Enhanced Learning) 研究领域吸引了大量不同学科的研究者。中国的网络 教育模式主要采用自主学习，教育机构主要在网站上通过点播或下载的方式提供给学 生自主学习的视频课件，结合网上答疑和论坛解决学生在自主学习过程中提出的问 题。大多数的课程管理与教学系统存在一系列的弊端，不能实时对学生的学习情况予 以反馈，教育应用系统仅仅只是同步或异步地提供学习资料。近年来，一些研究者开 始重视基于自主学习方式下的智能导学研究，为了实现教与学的互动性和体现学习的 个性化特征，智能导学方面的研究应运而生。在研究现代远程教学模式及支撑平台分 析的基础上，开始涉及基于 Internet 的智能导学系统设计，运用认知理论、动态评价 等理论的指导，将 RSS/Tag/SNS/WiKi/Mashup 等 web2.0 技术下开始研究智能导学[8]， 应用决策树算法对不同类型的学习者进行分类，应用不同的教学计划，以把握学习者 的特征提高学习的效率，将决策树等数据挖掘技术应用于智能导学系统中的评价系统 [9]。将移动 Agent 引入智能导学的模型中，试图解决在线指导所引发的网络带宽、延 迟及网络安全的问题[10]。还有的研究者注重学习过程，根据学习过程信息，计算出 学习相对速度、知识掌握程度以及学习效率等评价指标，以调整学习方案[11]。然而， 目前的成果多数停留在研究的领域，研究成果不多，而且很少有智能导学系统应用于 实际教学中。1.2.2 EDM 在国外的研究与应用现状在国外，将数据挖掘的技术应用于教学领域，实施智能化的教学的研究开始比较 早，研究成果也比较多，但真正的应用一般仍停留是传统的 E-learning 学习平台上。1. 在智能学习环境中的研究与应用在过去近 15 年里，研究人员开始将数据挖掘技术应用到基于网络的远程教学过程 中，帮助教学者和管理者改进教学环境，通过数据挖掘、知识发现从大量收集到的学 习数据中提取潜在的、有用有趣的模式，实现智能的远程导学模型。数据挖掘技术在 E-learning 环境中的研究主题之一就是给学生分类，主要的应用 如：分类的目标包括根据相似特征发现潜在学生组并给予特定的教学策略；检查学生 在智能导学系统 (ITS) 中的误操作 [12] ；根据提示驱动（ hint-driven ）或失败驱动 （failure-driven）手段，发现具有相同误解概念的学生并分组[13]；识别没有学习动力 的学生，寻找补救措施，以降低流失率[14]等。此外，Chen, Liu [11]将决策树(C5.0 算法) 与数据立方体（Data Cube）技术相结合来推导分析发现潜在学生分组，并实施特定 的教学策略。Ueno [15]提出一个对学习者异常学习过程的奇异点进行检测的方法，该 方法利用贝叶斯预测模型，通过学习者对学习内容的反应时间，检测出异常学习过程 的学生，帮助指导教师了解学生的学习