数据挖掘技术在网络教学系统中的应用

论文摘要

随着网络对各个领域的渗透,基于Web的网络教学正在日益发展,它作为传统的集中式教学方式的一种补充有着其不可替代的优势。学生的学习方式发生了改变,不拘泥于地点和时间的限制,随时可以进行网上学习。但目前的网络教学存在其不足之处,不能充分考虑学生的各自特点,制定有个性化的教学内容和教学策略,于是本文基于数据挖掘技术和学生模型理论对网络教学系统进行了研究。使用了关联规则算法和聚类算法,关联规则挖掘就是从大量的数据中挖掘出有价值的、描述数据项之间相互联系的有关知识。聚类挖掘是将一群物理的或抽象的对象,根据它们之间的相似程度,分为若干组,其中相似的对象构成一组。本文首先分析了国内外个性化网络教学的发展现状与存在问题,进而得出进行个性化网络教学的必要性,只有进行个性化教学,才能更好地学生服务,提高学生的学习效率,激发学生的学习兴趣,以达到更好的教学效果;接着分别介绍了网络教学与数据挖掘技术的相关知识;然后提出了网络教学中学生模型的设计,并对学生模型进行细化成学生的知识模型、认知模型、媒体偏好模型、学习情绪模型、社会特征模型、以及情感意动模型这六个子模型;最后在个性化网络教学系统学生模型中,采用聚类技术和关联规则算法来对学生的学习特征进行分析挖掘,按照学生层次、学习能力、学习偏好和兴趣等对学生进行分类,发现一定的有用的学习模式,并据此确定不同类型学生的知识需求,教师根据系统提供信息调整相应的教学内容和教学策略,为学生提供更适合的学习方法,从而达到提高个性化教学系统智能性、更好地为各种学生群体提供有针对性的服务、真正达到因材施教的目的。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 选题背景及研究意义
• 1.2 国内外个性化网络教学的发展现状
• 1.2.1 国内网络教学系统的发展及不足
• 1.2.2 国外因材施教的适应性网络教学
• 1.3 论文的主要内容和结构
• 1.3.1 论文主要内容
• 1.3.2 论文整体结构
• 第二章 数据挖掘及网络教学相关理论
• 2.1 数据挖掘
• 2.1.1 数据挖掘的产生
• 2.1.2 数据挖掘的定义
• 2.1.3 数据挖掘全过程
• 2.1.4 常用的数据挖掘方法
• 2.1.5 关联规则挖掘算法
• 2.1.6 聚类算法
• 2.1.7 k-means 聚类
• 2.2 网络教学
• 2.2.1 网络学习行为的内涵
• 2.2.2 网络学习行为属性分析
• 2.2.3 网络教学中学生的特征分析
• 2.2.4 学习者个性不同导致网络教学特征不同
• 2.2.5 个性化教学
• 2.3 本章小结
• 第三章 网络教学环境下学生模型的研究
• 3.1 学生模型概述
• 3.2 学生模型研究
• 3.3 网络教学中学生模型设计
• 3.3.1 为什么要构建网络学生模型
• 3.3.2 初步了解学习者特征
• 3.3.3 网络教学环境下学习者的特征分析
• 3.4 六个子学生模型设计
• 3.4.1 学生知识模型设计
• 3.4.2 学生认知水平模型设计
• 3.4.3 学生媒体偏好模型设计
• 3.4.4 学生学习情绪模型设计
• 3.4.5 学生社会特征模型设计
• 3.4.6 学生情感意动模型设计
• 3.5 本章小结
• 第四章 系统架构设计与数据挖掘算法在学生模型构建中的应用
• 4.1 系统整体架构
• 4.2 具体模块划分及功能说明
• 4.2.1 第一个模块——人机互动模块
• 4.2.2 第二个模块——数据收集模块
• 4.2.3 第三个模块——数据处理模块
• 4.2.4 第四个模块——数据分析模块
• 4.2.5 第五个模块——日志模块
• 4.2.6 第六个模块——系统维护模块
• 4.3 系统开发环境
• 4.4 挖掘前的准备工作
• 4.5 建构学生模型的仿真实验
• 4.5.1 基于k-means 聚类算法的学生媒体偏好模型仿真实验
• 4.5.2 基于k-means 聚类算法的学生社会特征模型仿真实验
• 4.6 程序实现
• 4.7 关联规则算法的应用
• 4.8 本章小结
• 第五章 总结与展望
• 致谢
• 参考文献
• 发表论文和参加科研情况说明