数据挖掘技术在教学设计前端分析中应用研究.docVIP

数据挖掘技术在教学设计前端分析中的应用研究 　　摘要：教学设计前端分析是教学设计的第一步，在教学中起着至关重要的作用。数据挖掘技术(DM)是一种信息处理技术。在前端分析数字化的基础上，应用DM从中发现学习者的定量化特征，向决策者提供信息支持，有利于提高教学设计的质量水平。本文基于综合集成(Meta-synthesis)方法论，运用DM中的BP神经网络和层次聚类分析法对教学设计前端分析中的认知能力和学习动机做了研究，并对结果做了分析， 　　关键词：教学设计前端分析；数据挖掘；综合集成方法论；BP神经网络；层次聚类 　　中图分类号：G40-057　文献标识码：A　文章编号：1673-8454(2011)21-0084-04 　　教学设计对于教学工作科学化，提高学习者分析问题、解决问题的能力和培养科学思维能力与科学态度，促进教育技术的实践与理论的发展和适应信息社会发展的需求等方面都有着重要的意义和价值。前端分析，是教学设计的第一步，它是教学设计过程的基础，有助于理顺问题与方法、目的与手段的关系，其设计的好坏直接影响到后面的一系列工作。在不同的教学设计过程模式中，前端分析的内容略有不同，但主要包括：学习任务、学习需要、学习者特征和学习环境等。鉴于本文的研究主要定位于学科课程范围，学习需要和学习任务由学校学科专业所规定，学习环境一般在具体的情境中由授课教师掌握控制，又由于学习者是教学活动的主体，教学设计的一切活动都是为了学习者的学，学生之间存在着共性，也存在着差异，本文只对学习者特征做主要研究。对学生进行分析的目的是了解影响学生学习的认知能力、学习风格、学习动机。通过对学习者三个方面特征的研究，使得教师更好地把握学习者的情况，从而达到更好地实现因材施教、因风格施教的口的。 　　为了有利于后续教学设计自动化的探索，本文基于综合集成(Meta-synthesis)方法论，即将专家的知识与经验、统计数据和信息资料，以及计算机技术三者有机动态地结合起来，构成一个高度智能化的人机交互系统，把数据挖掘技术应用于数字化后的教学设计前端分析中，列举出实验过程，并对实验结果进行分析。 　　一、理论基础 　　1.数据挖掘技术概述 　　数据挖掘(Data Mining，DM)是从大量的、不规则的、含有噪音的数据集中识别出有效的、新颖的、潜在有用的，以及最终可被人理解和利用的模式的高级处理过程。它包含神经网络、聚类、粗糙集、遗传算法、决策树、关联规则等多种技术。它被广泛应用于各个领域，包括金融业、零售业、电信业及其他科技应用领域。 　　2.BP神经网络方法 　　BP神经网络(误差反向传播网络)是目前使用最广泛、发展最成熟的一种经典的神经网络模型，它是一种监督学习型数据挖掘方法。BP神经网络是一种多层前馈神经网络，主要特点是输入信号前向传递，误差反向传递，并且在这个过程中不断修改权值直到达到目标值。网络包括：输入层，隐层和输出层。其网络模型如图1所示： 　　 　　其中，X1，X2……Xn是输入信号。YI，Y2……Yn是输出信号。Wij，wjk代表权值。输入层输入信号，输出层输出处理结果信号，隐层处理信号，在处理的过程中，根据来自输出层的反馈信号，权值不断被调整，当输出层误差减小到预定值时，学习结束。可以说，BP神经网络学习的实质就是权值的改变。 　　3.聚类分析方法 　　聚类分析是一种无监督学习型数据挖掘方法，其实质是建立一利，分类方法，它能够将一批样本数据按照他们在性质上的亲密程度在没有先验知识的情况下自动进行分类。层次聚类是聚类分析中的一种方法，它是根据样本间的亲疏程度，将最相似的样本结合在一起，以逐次聚合的方式分类，白：到最后所有的样水成一类。 　　根据聚类过程的不同，层次聚类法可分为方向相反的两大类：分解法(自顶向下)和凝聚法(自底向上)。本研究采用的是凝聚法，其基本思想是：(1)假定N个样本各自成一类，计算类间距(等于各样本之间的距离)；(2)选择距离最近的两类并成一个新类：(3)计算新类与其他类问的距离；(4)重复第2步和第3步，这样每次缩小一类，直到所有样本都成一类为上。 　　二、学习者特征测量方法 　　学习者特征主要包括认知能力、学习风格、学习动机三个方面。 　　美国著名教育心理学家布鲁姆(B.S.Bloom)的“教育目标分类”理论把教学目标分为认知、情感和动作技能三个目标领域，其中认知能力的目标按智力活动的复杂程度由低级到高级又可划分为六个等级：(1)认记――记忆或重复以前呈现过的信息的能力，也就是知识保持能力；(2)理解――用自己的语言来解释所获得的信息的能力；(3)应用――将知识(概念、原理或定律)应用于新情况的能力；(4)分析――把复杂的知识分解为若干个彼此相关的组成部分的能力；(5)综合――将有关的