基于数据挖掘的网络学习评价

论文摘要

通过数据挖掘技术强大的数据分析功能,可以从大量的Web日志信息中发现有价值的知识。但现有的一些研究中,对网络学习进行的挖掘还存在着很多的不足:挖掘技术较单一,挖掘点较少,挖掘隐藏在数据背后的有用信息的功能比较薄弱,缺乏对挖掘结果的解释评价等。因此,利用多种数据挖掘技术对网络学习进行分析,发现日志信息背后的规律和问题来为教学管理服务,为教师和教务管理部门的决策提供更有效的支持,促进教学水平的提高,正是本文研究的目的所在。本文对数据挖掘技术在学生成绩中的应用展开了一系列的分析和研究。论文主要研究内容如下:①采用基于决策树的分类挖掘方法,对学生课程作业成绩数据进行分析,生成基于学生课程作业成绩决策树,找出影响学生的各个因素;②使用关联规则分析学生各个属性之间的内在联系,为学生提供科学客观的学习指导和建议。基于以上的研究,本文提出了一个基于数据挖掘的网络学习挖掘分析系统模型,并通过相关实验验证了其可行性,具有较大的理论实践意义。

论文目录

• 摘要
• ABSTRACT
• 1 前言
• 1.1 问题的提出
• 1.2 研究内容
• 1.3 本文的组织结构
• 2 网络学习评价理论及研究现状
• 2.1 网络学习评价概述
• 2.1.1 网络学习简述
• 2.1.2 网络学习评价的概念
• 2.1.3 网络学习评价的内容
• 2.1.4 网络学习评价的意义和功能
• 2.2 网络学习评价研究现状
• 2.3 数据挖掘技术
• 3 数据挖掘技术在网络学习评价中的应用模型
• 3.1 网络学习评价的一般过程
• 3.2 基于数据挖掘的网络学习评价系统的模型
• 3.3 模型中的各模块功能介绍
• 3.4 本章小结
• 4 网络学习评价中的决策挖掘
• 4.1 决策树分类方法
• 4.1.1 决策树的概念
• 4.1.2 决策树的建立
• 4.1.3 决策树的修剪
• 4.1.4 决策树ID3 算法
• 4.1.5 属性选择度量
• 4.1.6 从决策树生成规则
• 4.2 决策分析
• 4.2.1 数据预处理
• 4.2.2 挖掘过程
• 4.2.3 解释与评价
• 4.3 本章小结
• 5 网络学习评价中的关联规则挖掘
• 5.1 关联规则方法
• 5.1.1 关联规则相关概念
• 5.1.2 Apriori 算法
• 5.1.3 由频繁项集产生关联规则
• 5.2 关联分析
• 5.2.1 数据预处理
• 5.2.2 挖掘过程
• 5.2.3 解释与评价
• 5.3 本章小结
• 6 基于数据挖掘的学生评价系统
• 6.1 系统实验平台
• 6.2 实验结果及评价
• 6.2.1 基于决策树的挖掘
• 6.2.2 基于关联规则的挖掘
• 6.2.3 其它功能
• 6.3 本章小结
• 7 总结和未来工作
• 7.1 论文总结
• 7.2 进一步工作讨论
• 致谢
• 参考文献
• 附录A:ID3 算法 java 实现核心代码
• 附录B:Apriori 算法 java 实现核心代码