基于聚类分析的网络慕课结构化数据建模研究

仲英济

（山东大学机械工程学院 山东·济南 250061）

0 引言

慕课作为一种新型教育手段，已经日益受到重视。随着慕课应用的发展，其不足之处也日益明显。慕课开展过程中在线学生数量的增加会导致教师与学生人数的比例失衡、师生交互受限、个性化辅导不及时、慕课效率不高等一系列的问题[1]。传统的改进措施是加强线下课程互动的比重，完善线下答疑制度，从而利用线下的方式缓解慕课系统互动性不足的矛盾[2][3]。但是，这种方法有悖于慕课的初衷，随着慕课的大规模应用越来越明显，这种线上线下结合的方式会大大降低授课效果。

慕课数据建模可以将教学理论与慕课技术有机结合，通过技术研发、教学实践对慕课的各个功能模块进行连接，使得课程的基本原理和概念能够在慕课技术的支撑下转化成具体的工程经验[4]。

本文基于大数据分析理论和数据聚合分析原理，研究慕课技术模型和课程建模原理，深入分析慕课结构化数据的建模问题，为推动高等院校人工智能类慕课技术的发展提供理论依据和实践方法。

1 慕课数据聚类分析的方法

由于慕课内容的多样性，慕课数据的离散性特征非常明显[5]。系统数据聚类分析技术可以较好的解决系统数据分散、数据特征不明显、数据分类难以把握等问题。借助聚类分析技术优化慕课数据时，需要针对具体的慕课教学目标、课程内容、考试大纲等，构建慕课系统基本模型。具体而言，需要完成以下几方面的工作：

（1）提取各种慕课数据的基本特征。针对慕课内容所涉及的各种数据类型，分别建立数据空间子集和功能子集，进而合成综合数据集。使用数据聚类分析算法，生成课程数据特征子空间。根据课程具体内容对特征子空间进行组合，并满足慕课的具体需求；

（2）基于慕课内容的可度量性对数据特征子空间进行选取。基于慕课平台中的具体数据，对能够直接表征出课程知识框架的数据进行智能标识，形成知识框架数据子空间。采用数据筛选的方法来获取机构化数据的特征向量，并基于数据聚类分析技术，形成数据汇聚趋势图。然后，结合数据汇聚趋势图对数据的可预测性进行计算，进而形成数据预测子空间；

（3）构建慕课数据聚类空间。针对慕课数据形态的复杂性，完善自动识别课程特征变量的机制，构建课程知识图谱的基本模型。然后，将课程知识图谱的基本模型嵌入数据预测子空间中，依据具体的课程内容调整该子空间不同维度的指标权重，进一步完善课程的数据应用。

以上各方面的工作完成之后，我们可以设置数据建模流程，将整套流程划分为确定数据建模目标、明确数据类型、提取数据特征向量、结构化数据分层、数据初步建模、特征向量验证、数据模型优化等几个步骤。在确定数据建模目标、明确数据类型、提取数据特征向量这几个步骤中，可以充分整合数据挖掘和数据聚类分析的优势来搭建数据模型的雏形，将数据建模所需要的各个功能模块进行归纳和提炼，突破单一数据建模主体力量不足的限制，解决单一数据建模结构单一、适用性差的问题。

2 结构化数据建模原理

基于以上的方法，我们可以借助结构化数据的特征对课程具体内容进行分析。

首先，我们利用慕课的具体知识框架搭建跨学科慕课技术体系，通过结构化数据分析的结果实现课程功能模块之间的推理，进而实现慕课内容结构的重构。然后，基于结构化数据的特征向量提升慕课各个功能模块的工作效率。通过课程数据模型和学科领域本体对慕课知识可能存在疑问的主题进行自动识别，完善数据的结构化特征。最后，明确慕课知识体系中的重要知识点与结构化数据之间的关系。基于数据建模所表征出的数据状态空间特征，优化慕课各个功能模块的工作流程和运行规律，构建结构化数据理论模型和慕课功能模块应用模型，结合聚类分析方法为慕课的系统级优化方案提供理论支持。

需要注意的一点是，并非所有的慕课功能模块都需要结构化数据模型的支持，因为在慕课系统的运行过程中，会有一部分数据是以非结构化数据的形态存在的。换言之，并非所有的慕课功能都可以通过结构化的优化流程来完善。但是，在高等院校所开设的慕课中，课程结构化数据所占比重较大，对相关数据进行聚类分析，并筛选出那些需要优化的模块对于慕课平台的平稳运行非常重要。

我们可以从慕课技术体系的过程数据入手，设计慕课运行预警系统。然后通过采集学生的行为数据，借助学科知识重点来判断学生的知识掌握情况。具体问言，这种方法是基于慕课考试分数、答题正确率、分值百分比等标准化指标来进行慕课功能模块综合评价。

除了借助课程标准化指标，还可以通过慕课技术体系的数据相关性特征来明确慕课数据分类和课程内容侧重点之间的关系，并对某一个聚类空间中的重点数据进行相关性运算，以实现数据空间特征的提取和慕课业务矢量聚合的目的。

为了达到实现数据空间特征的提取和慕课业务矢量聚合的目标，本文构建基于聚类分析的结构化数据模型。参照慕课数据聚类分析的基本方法，本文所构建的结构化数据模型由两部分组成：模型核心控制部分和模型知识体系部分。前者主要包括课程原理、概念及其相关属性，后者主要包括原理、概念之间的各种数学相关性的表征。慕课内容的核心原理与概念是以慕课教材及教学大纲为依据，由授课主体依据教学过程进行独立标注。然后，将标注的课程数据进行分析和比较，重点针对数据特征不一致的部分进行分析和判断，计算出数据间的相关性，为数据的归一化提供数学指导。对于那些处于非核心位置上的数据对象，可以借助知识框架的基本结构对其各个组成部分进行标注，最终完善课程的整套知识体系。

慕课结构化数据建模的具体过程可以分解为如下三个步骤：

第一步，基于慕课知识体系中的所有知识主体，构建结构化数据的基础分析体系，实现从数据聚类到知识聚类的转变。选择与知识重点相关性最大的那部分结构化数据搭建数据模型的底层逻辑，借助大数据分析平台对所选择的结构化数据进行预处理，形成重点知识数据子空间。

第二步，基于慕课体系中的非重点数据的形态和特点，完善系统的后台支撑数据库，并优化系统的整体数据处理能力。对整体数据做融合处理，借助数据融合所产生的非线性参数对知识框架进行分层建模，将分层后的结果反馈给慕课系统的相关功能模块，实现慕课系统的非线性优化。

第三步，基于实际的慕课运行场景，抓取需要处理的课程主题数据类型，再借助知识框架分层模型的数据识别和处理优势来进行课程综合知识的专项建模与优化，最后构建起系统级的结构化数据模型。

通过以上三个步骤，我们可以构建起基于聚类分析的网络慕课结构化数据模型，高校教师可以借助此模型优化慕课技术体系的分层结构，增强慕课系统业务数据的识别精确度，改进慕课系统的交互式性能，并提升慕课系统的工作效率。

3 结论与展望

慕课在高等教育中的应用，始于对高等教育教学发展规律的把握，终于对教师与学生互动性的建模和慕课技术体系的完善。若想达到这种层次，我们需要基于多学科的联合研究，构建起清晰的慕课业务数据分类与预测路线图，进而完善慕课的知识框架与理论体系。基于数据聚类分析的网络慕课结构化数据建模是实现这一目标的最佳选择。本文所提出的新型基于数据聚类分析的网络慕课结构化数据模型构建方法，可以显著优化慕课技术体系的分层结构，有效增强慕课系统业务数据的识别精确度，改进慕课系统的交互式性能，并很好的提升慕课系统的工作效率。对该模型的充分使用，能够有效提升我国高等教育教学慕课平台的国际竞争力。