数据挖掘技术在网络教学中的应用

　　摘 要： 本文将数据挖掘技术运用到网络教学系统中，针对网络教学现状建立了一个通用教学模型。该模型具有跟踪学生学习过程，为学生建立学习日志的功能，实现学生开展个性化学习。
　　关键字： 数据挖掘 个性化教学 网络教学
　　
　　1.概述
　　随着计算机的普及和Internet网络的推广，计算机网络技术为个性化学习提供了良好的技术支持，基于Web的远程教育系统逐渐成为实现现代远程教育最主要的教学平台。由于网络教育的学生存在显著的个体特征差异，因而网络教育的竞争优势将来源于对每一位学生提供的个性化教学。为了提供个性化教学，首先要深入了解学生的需求，其次需要构建以学生为中心的学习支持系统。利用数据挖掘技术，将充分利用学生的学业纪录、浏览模式、在线记录等数据，获得学生的个性特征，将教师的教学经验变成计算机能够操作的策略规则。这样就有可能建立一个满足需求的较为成功的个性化网络教学平台。
　　2.数据挖掘与个性化教学
　　2.1数据挖掘的含义
　　数据挖掘（Data Mining），是从大量数据中挖掘或抽取出知识。其普遍采用的定义描述如下：数据挖掘，也称为数据库中知识发现（Knowledge Discovery from Database，简称KDD），它是一个从大量数据中抽取挖掘出未知的、有价值的模式或规律等知识的复杂过程［１］。数据挖掘受多个学科影响，是数据库系统、统计学、机器学习、可视化和信息科学的交叉学科。数据库、人工智能和数理统计是数据挖掘研究的三根强大的技术支柱。数据挖掘的方法和数学工具包括统计学、决策树、神经网络、模糊逻辑、线性规划，等等［２］。
　　2.2个性化教学的本质特征
　　2.2.1个性化教学强调学生的独特性
　　独特性是一个人区别于其他人的特征。个性化教学以分析研究学生的个别差异为前提，以发展学生的个性为目标。教学时，依据学生的资质、兴趣、能力、程度、性别、个性，以及身心发展状况施教，采用弹性化的结构、多元化的形式、多样化的内容，采取合适的教学法，使其潜能获得充分的发展［３］。
　　2.2.2个性化教学强调学生的主体性
　　主体性指学生的主体意识或能动性。个性化教学把学生视为具有独立人格的主体，尊重学生在学习中的地位，学习经历等，维护学生的尊严；依据学生的特性，安排适当的教学活动，引导学生积极参与，化被动为主动，使学生学会学习。
　　3.个性化网络教学平台设计模型
　　3.1系统的设计思想
　　智能教学系统不仅仅是一种授课器，而应像人类教师那样具有归纳能力的教学系统。这种系统应提供一种个性化的教学——系统根据不同学生各自的特点及其任务的完成情况，采用不同的教学策略。在这个系统中，学生主动地与系统交流，学生的兴趣、理解和认知推动着教学过程的发展。因此，智能教学系统的功能就是提供这样一个活泼的环境，使教学过程取得最好的效果。具有上述功能，并可以对学生进行因材施教的智能教学系统必须做到：懂得或理解教学内容、了解教学对象，以及知道教学方法。
　　3.2系统的结构模型
　　该模型的结构如图1所示。
　　个性化网络教学系统从逻辑上分为教师教学平台和学生学习平台，主要由二类用户组成：教师和学生。其中，教师主要对课件、试题库进行管理，对学生的学习行为进行分析和评价，依据数据挖掘的结果及时进行教学策略和教学进度的调整等；学生针对系统提供的学习界面展开自主化、个性化的学习、测试和复习、答疑，等等。系统采用定量与定性相结合的评价机制、交互的学习环境，以及系统学习引导与学生自主学习相结合，并将其具体融合在学生平台下各模块的设计中。其中，系统的学习引导体现在课程学习过程中学习策略的引导、学习状态的引导，以及后继学习活动的引导，等等。
　　3.3系统数据挖掘技术实现
　　3.3.1WEB数据挖掘预处理
　　数据预处理阶段的主要任务是对用户访问日志、代理日志等进行数据清洗、数据规范化和数据集成等处理，形成事务数据库。其目的是将用户访问站点时留下的原始日志，整理成为便于被模式挖掘算法所使用的数据形式，以供数据挖掘阶段使用。
　　数据预处理的数据源包括Log文件、网页、网页结构、用户档案及登录信息等。Log文件包括Serverlog、Proxyserverlog、Clientcookielog。Serverlog记录了网站用户的访问浏览行为，有两种格式存储：普通日志文件格式和扩展日志文件格式。普通日志文件存储的是客户端、用户名、状态、服务器名、协议版本等客户连接的物理信息。服务器端存储的cookie部分就是cookielog，cookielog中存储的信息有终止日期、路径、域名、安全级别，等等。Proxyscrvcr在服务器和客户端之间提供了间接缓存，当用户需要浏览访问过的页面对，浏览器只从间接缓存中调用所需页面，这样可以降低负载，提高性能。
　　3.3.2Apriod算法
　　经过前面的一系列数据预处理的过程，我们已将原始的Web访问日志转化为可以进行挖掘的Web访问事务集，接下来的工作就是在这些Web访问事务中产生Web访问的频繁模式，并在这些频繁模式中向学生推荐资源。模式发现是从大量的学生访问事务中找出所有的频繁项集。这一过程也称为知识发现。挖掘的基础是前面建立的WEB访问事务模型。挖掘的方法可以采用Apriod算法。Apriori算法使用一种称作“逐层搜索的迭代方法”，它的基本思想是利用已知的k-l项集来生成k项集，再扫描一次数据库来判断候选频繁项目集是否为频繁项目集。
　　4.展望
　　网络化与智能化是辅助教学发展的两大趋势，远程教育作为实现教育大众化，提高国家教学水平有重要意义。个性化的网络学习系统更能满足学生的个性化要求，为交互性学习提供强有力的支持。Web挖掘技术为实现有效利用教学资源，高效率的向学生提供教学服务提供了技术支持。基于网络的个性化学习系统将为学生提供一个自适应、个性化，有利于学生建构的学习环境，提高网络教学的效率，具有深刻的实践意义。
　　参考文献：
　　［1］朱明.数据挖掘［M］.中国科学技术大学出版社，2002，5，第1版.
　　［2］张云涛，龚玲.数据挖掘原理与技术［M］.电子工业出版社，2004，4，第1版.
　　［3］袁剑，刘刚，王文海.基于Web的个性化教学模型研究［J］.青岛科技大学学报（自然科学版），2007，01.