对于以数据挖掘为基础的网络学习系统的设计与研究

陈 震

（福州外语外贸学院，福建 福州350202）

因为信息技术的不断发展，网络教育已经成为一种趋势，但是由于我国的网络技术还有待提高，整体水平还有待提升，目前还不能满足人们日益增长和多样化的学习需求。 为了促进网络教育的发展，更好地满足人们的学习需求，可以将数据挖掘技术和网络学习系统结合起来，为人们提供更智能化的学习平台。

一、正确理解数据挖掘和网络学习系统

网络资源中包含着大量的信息量，这些信息中包含着很多残缺的和不明确的信息，从这些信息中随机的抽取一些被掩盖和具有开发价值的信息，这样一个抽取信息的过程就叫做数据挖掘。 利用数据挖掘这种方式，可以从海量的信息中筛选出对学习者有利用价值的信息。要实现数据挖掘，必须要经过数据的准备、选择、预处理、挖掘、模式的转换和评价这五个阶段。

最近几年，我国的网络教育发展迅速，很多学者和教育界专家都开始纷纷关注网络学习系统的开发和利用。网络学习系统就是e-learning 系统， 它是指记录学习者利用互联网参加课程培训、习题练习、考试测评、问卷调查和学习交流等活动，以实现对学习者学习情况的全面管理网络学习系统能够实现学习者对信息提醒、学习资源、学习活动、咨询服务和个人信息等五个方面的需求。其中学习资源包括网络课件、视频讲解和考试辅导等内容；学习活动则是指学习者完成作业情况、参与课堂讨论和进行论文写作；咨询服务则是帮助班学生解答关于收费、教材、学习和考试等方面的问题；个人信息就是学习者的密码和信息修改。 网络学习系统具有广阔的发展前景，但是目前由于相应的技术和人才储备不足，导致了它的交流性和个性不足，因此，如何提高网络学习系统的个性、 交流性和学习效率成了目前迫切需要解决的问题。

二、以数据挖掘为基础的网络学习系统设计

（一）网络学习系统的设计理念

以数据挖掘为基础的网络学习系统的设计理念是开放的、不断变化和发展的。 虽然我国已经进入信息社会，但是我国发展网络教育还缺乏技术支持， 发展理念也有待于成熟和完善。另外，由于学习者个体之间存在着较大差异，导致了他们的学习需求和学习进度之间差异较大，而目前的网络学习系统还不具备分析和处理这些差异的能力。所以，建立在数据挖掘基础上的网络学习系统的设计要树立一个正确的理念， 利用数据挖掘技术实现对学习个性化和差异化的处理。 对同一个主题的知识进行不同的分类， 设立不同的等级是实现个性化网络学习系统的关键。 学习者的个人信息将会以用户注册的方式进入数据库，系统通过对这些信息进行分析，就能根据他们的学习能力分成不同的等级。值得注意的是，这种分类是不断变化的，通过数据挖掘技术，就能对学习者的学习情况变化了如指掌，及时更新学习者的所属类别，实现对信息的动态分析和处理。

（二）网络学习系统的模型建构

以数据挖掘为基础的网络学习系统的模型建构主要分为五个板块，即教师板块、学生板块、信息挖掘板块、知识库板块和学生信息板块，这五个板块的功能如下：

教师板块是整个学习系统的重要组成部分， 通过进行教学和答疑解惑等活动实现对学生学习活动的数据收集。同时，通过对教学方法和知识库的调整还能促进其他板块的不断完善。

学生板块主要是收集学生在学习页面停留的时间、参与课堂讨论的活跃度和练习考试的成绩等数据信息，记录他们对学习内容的掌握程度。 通过这些数据的收集和记录，可以全面的了解学生实际的学习水平、学习程度和学习态度等信息。

信息挖掘板块是整个学习系统最核心的组成部分，主要用于对信息的描述、分类、管理和进行偏差分析。 这个板块从服务器上获取到学生的信息之后，会先对这些信息进行预处理，剔除掉和学习无关的信息，得出学生最原始的访问数据。 之后，根据已知的信息，采用数据挖掘的计算方法实现对数据库的处理，将最终的处理结果告知学生， 以此来实现学生个性化模型的不断完善，为完善教学活动提供依据。

知识库板块主要用来对教学内容、专业知识、练习题和相关的学习经验进行储存，是学习系统必不可少的一部分。

学生信息板块分为静态和动态两种形式。 静态的信息库主要用来记录学生基本信息，例如姓名、年龄、密码等内容，这些信息基本上是固定的，所以是学习系统的入口所在。 动态的信息库主要记录学生的动态信息，例如学生的知识结构、学习方向、学习进度等内容，这些信息会随着学生的学习过程不断地发生变化。 通过学生最初提交的知识类型和学习风格等基本属性，学习系统会利用数据挖掘来不断地完善这一板块的内容。

三、数据挖掘技术在网络学习系统中的实际运用

（一）学生能通过人工神经网络了解自己的学习效果

学生在学习过程中，既要了解学习知识，还要掌握了解自己的学习效果， 以便进行更深入的学习。 通过数据挖掘中的人工神经网络，学生就能及时地了解到自己的学习效果。 因为人工神经网络是由输入、 隐含和输出三部分组成， 以多维空间的多变量函数理论作为基础，是一种多层的反馈神经网络。 这种网络最大的特点就是将隐藏的神经元输出的信息称为基函数，这个基函数的中心向量则是连接输入层和隐含层的纽带，这样就使得隐含层能聚集输入层的信息。 学生的认知能力可以分成记忆、理解、运用、分析、总结和评估等六个不同的档次，人工神经网络的输入层可以对这六个层次的评价值、练习和考试情况、学习效率以及某个知识点的点击率等信息作为变量，将学生对知识、能力和运用的理解程度作为输出点， 实现从一个平面空间向多维空间的反射。 当学生学习过程的任一方面发生变化，系统都会自动完成对信息的修改，并且根据学习的难度和学生练习的正确率来进行分数的加减， 通过人工神经网络的计算程序，得出学生的记忆、理解、运用、分析、总结和评估等六个方面的新数据，再根据这些数据和认知能力的改变，向学生提供新的学习内容， 然后再不断修正学生的认知能力。 这样不断地进行循环， 学生的认知能力每发生一次改变，相应的评价和数据就会进行修正，学生对知识和技能的运用能力不断提升， 这样才能逐渐实现学生的学习目标。

（二）学生能通过数据挖掘中的聚类分析法来分析自己的学习特点

所谓聚类分析法， 就是根据描述对象和相关的信息在数据库中的反映，对数据目标进行分组，它的主要目标就是组内的数据之间是有联系的，而不同组中的对象是有区别的，组内数据的联系越紧密，那么组外对象的差别就越明显， 这个聚类的效果就越好。 聚类分析是网络学习系统中数据预处理的一部分，它能对数据的分布情况和不同类别之间的特点，以及特定的类别进行分析，掌握全局的分布模式，区别出数据的密集区和稀疏区，了解数据之间的联系。 利用聚类分析法， 学生能了解到自己的学习特征参数。这种方法通过记录学生的访问记录、进入访问页面的次数和在页面停留的时间， 对在不同课堂中停留的时间长短进行比较等方式，总结出学生的学习特点和学习风格，并建立相应的学习模型和学生的个人数据库， 为进一步分析奠定基础。 学生的个人数据库建立之后， 网络学习系统就能自动过滤掉学生不感兴趣或者与学生无关的内容， 找到学生需要的学习资源。 利用数据挖掘中的统计分析技术，就可以根据学生的访问记录，推测出学生的下一步行为，减少学生的等待时间，提高网络教育的效率。

（三）利用关联原则，找到兴趣点，实现学习系统的个性化

通过学生访问页面之间的潜在关联和共同点， 归纳出学生的兴趣点所在的方法就是关联原则。 在整个网络学习系统中，拥有大量的学生，这些学生的知识背景、专业知识、自学能力、学习风格、努力程度以及知识结构都不一样，要想总结出他们的学习规律，就必须利用关联原则。 在对登陆系统进行设置时，要对学生的学习时间、学习方法和兴趣等属性进行统计， 以获取学生这些学习属性的相关数据， 对学生的学习类型有一个初步了解。 另外，根据学生一些不断变化的学习属性，对学生的浏览意向进行分析，找出不同组别数据之间的关联性，从而发现学生兴趣点之间的关系， 利用动态网页为学生提供相关的知识链接，为学生进行学习提供便利。

结束语

在网络学习系统中引用数据挖掘技术扩宽了这一技术的应用领域， 也为网络学习系统的智能化和个性化提供了可能， 是适应信息时代教育发展的必然要求。 数据挖掘技术在网络学习系统中的应用能掌握学习者的基本情况，为他们的学习提供个性化的服务，帮助他们提高学习效率。 随着我国信息技术的不断发展， 我国的网络教育也将迎来更大的发展机遇。

[1]王立平，黄莉.基于数据挖掘的网络学习系统研究与设计[J].萍乡高等专科学校学报,2013(03).

[2]贾郭军，史春秀.基于数据挖掘的个性化学习系统研究[J].中国教育信息化,2010(06).

[3]刘艳玲.数据挖掘在个性化网络学习中的应用[J].福建电脑,2009(12).

[4]张丹阳.基于数据挖掘的智能性个性化网络学习系统设计[J].计算机光盘软件与应用,2012(06).

[5]黎竹娟.基于数据挖掘技术解决网络学习问题的探索[J].高教论坛,2012(10).

[6]李兴笃，马生骏.基于数据挖掘的网络学习行为应用系统实现[J].中国教育信息化,2013(01).

[7]刘纳.基于数据挖掘技术的网络学习形成性评价研究[D].上海：华东师范大学,2012(03).

[8] 董安美. 网络学习系统中个性化学习指导系统构建研究[D].长春：东北师范大学,2011(06).