基于数据挖掘高职学生个性化学习分析系统设计.docVIP

基于数据挖掘高职学生个性化学习分析系统设计 　　摘 要：针对高职教育发展的现状和高职学生在课程选择等方面存在的问题，介绍了高职教育教学研究中引入数据挖掘技术的必要性，并提出了如何有效利用数据挖掘方法和商业智能工具对高职学生的学习过程进行个性化分析的研究思路，在此基础上，给出了具有数据集成、数据建模、数据分析与展现功能的高职学生个性化学习分析系统的整体框架。 　　关键词：高职教育；个性化学习；数据挖掘；商业智能 　　中图分类号：TP311.13 　　作为我国高等教育一支重要生力军――高等职业教育近几年来的发展可谓迅猛，无论是学校数还是学生人数，高职专科的规模已是我国高等教育的半壁江山。高职教育对人才的培养目标是为国家和地方经济的发展输送适应生产、建设服务等一线急需的应用型高素质人才，《国务院关于大力发展职业教育的决定》中就提出了“坚持以就业为导向，深化职业教育教学改革”，要求加强职业院校对学生实践能力和职业技能的培养。 　　1 现状 　　目前，高职学生在学校完成系统的课程学习依然是高职教育教学的主要方式，在此过程中，由于学生个体特性、就业意向、专业方向等各种因素的影响，获取的知识无论从方式方法、内容结构，还是真正掌握的程度来说都因人而异，而这其中有相当大的部分是学生主动性选择的结果；此外，在高职教育教学改革的尝试中，大类招生、拓展专业等多项措施在很多职业院校中已然试行，这就给予学生更多的自主权和选择的机会。 　　然而，在自主选择的过程中，由于没有一个可参照的、适合自己的挑选标准，高职学生进行各项选择时在很大程度上有着“扎堆随大流”、“哪个课能混好过”的心理，这就导致主动选择的课程，其学习过程并不顺畅、学习效果也不理想，没有提升自身知识结构的质量。这种高职教育中教与学环节的脱节会对高职学生的能力培养产生有着不可忽视的影响。 　　2 研究思路 　　随着教育信息化的深入发展，先进的信息技术手段在教育教学的方方面面都得以有效利用，这也为学生综合能力培养的探索与尝试提供了新的途径，数据挖掘技术就是其中很重要的一种。数据挖掘指的是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。在此过程中，数据源必须是真实的、大量的、含噪声的，而从中发现的是用户所感兴趣的知识内容，这些知识应该是可以接受和理解、并且能加以进一步运用的。 　　数据挖掘技术之所以在教育行业有更为广泛、实际的应用，这是由于各个学校都会有自己的一整套数据库系统，用于记录学生的学籍信息、课程教学过程等历史数据，这样，就可以尝试运用先进的数据挖掘技术和智能分析工具，通过对高职教育研究和教学过程中积累的海量数据进行采集分类、挖掘和分析，从多角度、多层次出发，构建识别个体特点、知识构成和获取方式等要素之间关联模式的数据模型。数据挖掘是一门交叉学科，其理论和方法有很多，包括K-最近邻分类器、判别分析、人工神经网络和分类树等，它把人们对数据的应用从低层次的简单查询，提升到从数据中挖掘知识，提供决策支持。在这里就是要将数据挖掘方法与高职教育教学研究相结合，设计实际的分析应用系统，具体来说： 　　（1）数据挖掘技术面向高职教育这一特定领域中的主体――高职学生，针对专门的指标，包括个体特性、专业要求、就业意向等，着眼于课程这个知识载体，对它们之间的关系进行深层次、智能化的挖掘、分析； 　　（2）数据挖掘的应用会具体到建模、变量筛选和导入等方面，而不只是一些抽象的挖掘算法的研究； 　　（3）数据分析采用先进的商业智能工具，同样，数据的展现手段基于ASP.Net平台，具有开放化、模块化、网络化特点。 　　3 系统框架 　　系统定位于个性化学习分析，其框架结构参见图1，主要由数据集成、数据建模、数据分析及展现等部分构成。具体来说，数据集成模块完成定义数据结构、装载、清洗、合并数据的功能；数据建模是指建立数据分析OLAP及数据挖掘模型；数据分析旨在分析和比较各种不同算法得出的结果，寻找最为匹配的算法，而数据展现的作用是根据分析结构灵活创建数据报告。 　　图1 系统框架结构 　　在此架构下，各个子系统的功能如下所述： 　　（1）数据集成。分析和归纳课程教学过程中产生的系列数据，根据其特征和行为设计及定义便于分析和挖掘的数据结构，然后并进行数据集成。数据集成的工作包括从异构数据源获取数据，将其进行清洗、转换、合并，然后加载到数据仓储中。数据集成执行的时间、相互的顺序、成败对将来的分析结果的有效性则至关重要。 　　（2）数据建模。典型的数据挖掘工具将在构建了数据仓库后进行分析并生成结果，一些工具也可以使用关系型数据进行分析，数据分析的结果独立于数据仓库中使用的数据。数据挖掘核心的部分就是选择挖掘算法并建立数据模型，这样就可以根据学生