聚类分析在学习评价中应用.docVIP

聚类分析在学习评价中应用 　　摘 要 本文描述了现在教学过程中评价学生学习效能的评价方法,指出当将此种方法推广到大学教育中,由于大学教育的特殊性,会出现不适用的现象。并针对大学教育的特点,提出了一种使用模糊聚类分析的评价方法及其实现算法。 　　关键词 有监督分类 无监督分类 模糊聚类分析 　　 　　目前在我国教育各个环节中,对学习参与者,如:学生,的学习效能,主要采用考试的方式进行评测,即根据学习参与者在考试中获得的成绩进行学习效能检测。可表示为:学习参与者S学习课程P,在S学习课程P的过程中,会参与1,2,3……,n次测试,获得X1,...,Xn个测试成绩,S在学习课程P的过程中获得的全部成绩T记做(X1,...,Xn)T为一个n维的向量。记为:。 　　在中学阶段对学生S的学习效能评价是基于T(X1,...,Xn)T中各元素的算术平均值进行,即,X=∑Xi,而对学生S在课程P的第n+1次测试中,所应获得的成绩的预期是基于|Xn+1-|≤ε进行的,ε:为学习参与者第n+1次测试成绩偏差预测,基于教师的经验和测试的难度。这种评价方法,在中学阶段,能有效的评价和预测学生成绩的发展,然而将这种评价方法应用在大学教育中,就会不完全适用。 　　一、问题提出 　　首先,大学教育采用学分制,学科单科结业方式,基本不存在课程学习过程中反复测试的情况,课程结业考试往往就是课程学习的唯一测试,即:学生S在学习课程P的过程中获得的全部成绩T为:T(X1)T =X1 这种情况下,由于原始数据的不足,使用算术平均值方法,已经没有任何意义。如下表所示数据: 　　 　　在结业考试中,学生1、学生2、学生3的考试总成绩是一样的,我们无法使用算术平均值方法,分析出学生1、2、3之间的学习差异。但从具体的知识点分析,学生1成绩记为(5,5,3,2,5,5,10,10,10,10)T;学生2成绩记为(0,0,5,5,6,4,10,10,10,15)T;学生3成绩记为(5,0,3,2,5,5,0,15,15,15)T,形成3个并不等价的单独向量,这三者在他们存在的线性空间中并不相等。自然这3个单独向量所代表的3个学生的成绩也不相等了。 　　所以,当我们将中学阶段的学生成绩评价方法,推广到大学阶段时,就会出现如下情况: 　　(一)对任意一门课程,在课程学习过程中,不存在多次测试成绩X1,...,Xn,从而也就无法用统计的方法求出。 　　(二)当只存在单次测试成绩X1时,X1中存在n个知识点,n个知识点构成一个(X1,...,Xn)T的n阶向量。 　　(三)对于任意一门课程,学生成绩评价的实质是对m个参加测试的学生,所获得的m个n阶向量的比较和分类。 　　二、问题解决 　　(一)我们知道数学是从量的方面,研究客观世界的一门科学。 　　一提起数学人们自然想到它是精确的,然而精确的数学有时不能描述现实世界中存在的大量模糊现象,如:好与坏,长与短,热与冷。在学生成绩评价过程中,学生成绩的好与坏,就是一对模糊量,很难说成绩超过90分的就是好学生,而89分的就是学的不好的学生,这时模糊数学就派上用场。模糊数学是指将传统的真值值域从{0,1}扩展到[0,1]区间的有理数,并利用真值函数t:{命题}→[0,1]来表达连续或者“模糊”逻辑。应用模糊数学判断学生成绩“好与坏”,就会得出好、有点好、不好不坏、有点坏、坏等多值判定,而这种判定,更符合教师对学生成绩的分析。 　　(二)对学生成绩的分析实质是一个模式识别的过程,模式识别又称模式分类,从处理问题的性质和解决问题的方法,模式识别可分为有监督分类和无监督分类。 　　有监督分类,又称有教师分类或有指导分类,在这种分类中,已知模式类别和某些样本的先验属性,首先用具有类别标记的样本对分类系统进行训练,使该分类系统能够对所有已知样本进行分类。如:m个学生参加考试,在考试之前我们已经知道第i个学生Si是好学生,在本次考试中学生Si的成绩是Xi,则根据有监督分类,在本次考试中所有成绩超过Xi的都是好学生,反之,则是学习成绩较差的学生。有监督分析方法缺点: 　　1.无法解决“90分是好学生,89分是学习较差学生”这一传统困境。 　　2.很难预先获得有标识的样本,在每次考试前很难确定好学生一定在本次考试中取得好成绩,即“好学生并不总能获得好成绩”。 　　3.“好学生”往往不是一个人,而是一群人,判定规则的制定是个难题。 　　无监督分类,又称聚类分析,是指在没有先验知识的情况下,对已有的全体无标识样本进行分类,聚类就是按照一定的要求和规律对事务进行区分和分类的过程。在这一过程中,没有任何先验知识,没有任何教师指导,仅仅依靠事物间的相似性作为类属划分准则。无监督分析,可以轻松解决“难于预先获得有标识样本”和“