数据挖掘技术在自适应学习系统中的应用研究

王建伟，王鑫，董树森，李艳波

黑龙江工程学院，黑龙江哈尔滨，150050

0 引言

随着互联网和信息技术的不断发展，网络逐渐成为人们日常生活中必不可少的重要工具，而人们使用网络的过程中必然会留下痕迹，大量的网络数据呈现出井喷式的爆发，人们处于被网络信息包围的困境中。但网络信息中充斥着大量的无用信息，如何辨别信息的有效性成为亟待解决的问题，在这个过程中数据挖掘技术得以产生。利用数据挖掘技术可以有效地对海量复杂信息实现高效收集与整理，从而挖掘出对人们有用的信息[1]。这种理念也逐渐被应用于教育领域中，在我国长期的教育探索过程中，“因材施教”已经成了老生常谈，但实际的应用效果却十分有限，每个学生在学习习惯、学习能力、学习兴趣以及知识水平等方面都存在着或多或少的差异，使得教师无法兼顾每位学生的实际情况开展教学。自适应学习系统能够根据学生的实际学习情况及学习行为的变化而自动对学习内容进行更新，从而为学生提供个性化的学习资源，本文旨在研究基于数据挖掘技术的自适应学习系统的应用。

1 数据挖掘技术概论

大数据是指无法在一定时间内用传统数据库软件工具进行获取、管理和处理的数据集合，大数据的特点在于数据量大、种类多样、时效性强与价值大，运用常规的数据处理手段难以对其实现精准分析。而数据挖掘技术能够实现对大数据的精准挖掘，搜集其中具有价值的信息与数据，从而获得相关的知识。而数据挖掘技术在教育领域中的应用也可被称为教育数据挖掘，是在应用统计理论、数据挖掘和机器学习方法的基础上，实现对教育大数据的获取、处理及应用。教育数据挖掘模式能够挖掘出大量教育数据及信息背后的发展模式，从而寻找到教育信息的价值。

在分析教育数据挖掘目标的过程中，主要可将其分为以下四点：①整合学习者的知识水平、学习风格、学习背景以及学习需求等信息，从而构建学习者专有的数据模型；②挖掘教学内容、教学顺序与学习者学习结果之间的关系，构建找寻到符合学习者需求的最佳教学内容与最适宜的教学顺序，构建学习者的领域知识模型；③研究学习者远程协同学习交流等信息，构建学习者社交网络模型；④将前三者的学习者模型、领域知识模型与学习者社交网络模型联合起来，构建出系统化的教育数据计算模型，以此来设计出学习者的个性化自适应学习系统，满足学习者的个性化发展需求[2]。

2 数据挖掘技术在自适应学习系统中应用的关键技术

要想实现数据挖掘技术在自适应学习系统中的深入应用，需要明确其中所需的关键技术，才能促进自适应学习系统的有效运行。本次研究中根据分析数据挖掘技术与自适应学习系统之间的运作规律，提出了以下几点重要技术来实现数据挖掘技术在自适应学习系统中的应用。

2.1 聚类

聚类是指根据数据的本身特征将其集合为不同的群组，在聚类的过程中要求在一个群组中的数据要尽可能的相似，而群组间的相似度则要尽可能的小，以此才能保证聚类中群组数据的有效性。聚类常被用于学生的分类与分组中，根据学生的各项特征指标实现个性化教学。

2.2 预测

预测作为教育数据挖掘中的重要环节，是通过整合多个变量来预测某一变量的值或者区间，从而促进学习系统的自适应发展。当其应用于学生的特征分析中，能够根据不同学生的在线学习时间、测试成绩等等进行学生的成绩预测，从而判定学生在线学习的成果。

2.3 关联规则

关联规则能够通过置信度以及支持度来探索变量之间的关联关系，例如在研究学习者学习成绩与学习行为之间的关系时，就能够使用关联规则来进行挖掘，最终使得结果能够反馈出来用作对学习者学习行为的干预[3]。

2.4 可视化

可视化的特点在于能够运用一种更为人所理解的方式来进行数据的阐释，从而更好地对不同数据和信息进行甄别。例如在设定自适应学习系统的过程汇总，可以对学习者的不同学习特征采取不同的可视化方式进行显示，学习进度利用进度条展示，学习时间利用图展示，能够有效地对学生的各种学习特征进行清晰的展示，便于学习者掌握自身的学习进程。

2.5 社交网络分析

在线上学习的过程中，学习者仍然处于社交环境中，社交网络分析主要是对在线社交关系进行分析，能够挖掘学习者之间的内在联系，从而促进资源推荐的精确化[4]。在过往的研究中有研究者采用社交网络分析计算远程协同学习中学习者的学习偏好相似度，从而实现对学习者的个性化资源推荐，大大提升了学习系统的学习效率。

3 基于数据挖掘技术的自适应学习系统

自适应学习系统所面对的学习者拥有着明显差异，从生物遗传学角度来看有着不同的生物基础，而从学习者的成长环境来看又具有不同的社会文化环境，这些先天或后天因素的差异造成了学习者在认知、情感、注意力、学习能力、学习需求等方面的差异。而从单独的个体来看，在不同的学习时段也有着不同的学习需求。我国在长期的教育发展过程中，基于社会选拔人才方式的固定也产生了对应的应试教育模式，组成了我国传统的课堂教学。但这种单一的教学模式无法满足学生个性化的需求，虽然能够在一定阶段提升学生的学习成绩，但却不利于学生的创造性思维发展，为了满足学习者的差异化需求，打造个性化自适应学习模式就显得尤为重要[5]。

3.1 在自适应学习系统中应用教育数据挖掘

在开发自适应学习系统的过程中国，要通过构建学习者模型、领域知识模式以及社会网络模型的方式，来督促学习者行为向有效方向发展。

3.1.1 学习者模型

自适应学习系统中学习者模型的构建保罗学习者建档、知识模型、经历模型以及行为模型四项内容。首先从学习者建档来看，是在通过运用聚类技术的基础上，对学习者的个人信息、学习数据等进行搜集，并根据学习者内在特征的不同分为不同的群组，完善学习者档案[6]。对于不同的学习群组采取不同的教学方式和教学内容，以满足学生的个性化发展需求，实现因材施教。在本次的研究中能够实现对学习者的学习能力进行了测试，通过学生学习能力及掌握知识程度的不同来进行分类，从而为学生提供适应性的学习内容。而在学习者知识模型的构建中，对学习者在线学习的效果进行评价，通过学习者在线问答的正确率、次数等来挖掘学生的学习行为，以此构建学习者知识模型。通过运用可视化方式来清晰地展示出学生的学习情况，学生能够观看自身的学习模型来了解学习进度，明确自身知识体系中存在的漏洞，从而有针对性地进行改进，促进学生在线学习效率的提升。本次研究中对自适应学习系统中学习者的整个学习过程都进行了详细记录，对每个单元乃至每个课堂中学习者的表现都进行了记录并反馈给学生，学生通过观察学习者知识模型能够明确自身的学习状况，并根据自身需求完成个性化自适应学习。

其次在学习者经历模型的构建中，要求对学生在课程学习中的表现、学习行为、学习效果等数据进行搜集，从而搭建出学习者经历模型[7]。学习者经历模型能够反映出学习者在整个学习过程中的综合表现，教师从而观察学习者对于教学内容、教学流程等的适应程度，如果出现不相适应的地方则能够根据学习者的需求进行课程内容的重新设计，促进学习效率及学习者成绩的显著提升。在本次研究中有意识地对学生在不同单元学习中的各项学习数据进行了搜集整理，构建出的学习者经历模型能够对下次在线教学中学习者的学习行为及学习效果进行预测，从而有效了解学习者的学习需求，为学生提供自适应的学习内容。同时还能够运用关联规则来挖掘学生的学习行为与学习结果之间的关系，做到对学习流程的优化。最后对于学习者行为模型的构建，要求采集学习者在线远程学习中的学习时长、学习情况、考试成绩等，挖掘学习行为与学习成绩之间的关联，因此构建学习者模型。

3.1.2 领域知识模型

领域知识模型的构建中包含领域知识的组成元素及元素之间的关联。研究者通过采集知识点、课程内容、组织方式及学习结果之间的管理，来构建出良好的领域知识模型。领域知识模型的构建意义在于能够明确学习的知识掌握情况与学习能力，从而为学生的知识学习选择出最佳路径，通过运用联通主义理论，将教学知识内容规划成知识地图，在构建知识模型的同时也促进模型的可视化，从而帮助学习者清晰地认知自身，并结合学习者经历模型来进行优化[8]。

3.1.3 社交网络模型

社交网络模型的构建来源于学习者之间的在线交流，在进行在线教学的过程中，不仅师生之间需要进行互动，学习者之间也会进行交流协作，从而形成学习者之间的社交网络，成为影响在线学习效果的重要因素。学习者在社交的过程中具有明显的偏好，部分学生之间的交流更加频繁密切，彼此之间的学习配合程度更加，因此所产生的学习结果也会有明显提升。那么在构建学习者社交网络模型的过程中，就要看到学习者在社交中的偏好，计算不同学习者之间的团队协作能力，一方面能够为学习者提供个性化的学习资源，另一方面学习者之间能够掌握彼此的学习进步，督促学习者学习[9]。

3.1.4 模型融合

模型融合是指将建立的学习者相关模型进行融合，从而更好地掌握学习者的学习情况。以学习者建档模型为例，其仅仅是对学习者基本学习情况的概括，无法为学习者的后续学习提供明确指导，而通过将其与领域知识模型进行融合，则能够随着学生的学习情况变化而更新数据，始终为学习者提供适应化的学习内容。除此之外还可以将学习者知识模型与领域知识模型进行融合，在立足于学生知识体系的基础上了解学生的知识掌握程度，同样也能够为学生提供个性化的学习内容。通过不同学习者模型的优化，既是对学习者模型的完善也是一种优化，能够促进自适应学习系统的不断进步。

3.2 基于数据挖掘技术的自适应学习系统运作流程

通过建立基于数据挖掘技术的自适应学习系统，在系统运行前需要学习者根据自身的实际学习情况选择相应的学习单元，每单元的学习内容都有着明显差异。而正式学习前会对学习者对于单元知识的掌握情况进行测试，根据学习者的答题正确情况、用时等在线学习数据进行分析，从而采取聚类来对学习者进行建档。建档后自适应学习系统会为学习者推送个性化的学习内容，学习者在学习过程中的所有学习行为数据都将被自动记录到学习者数据库中，作为调节学习系统学习内容的依据。而当学习者学习完成后，系统会自动给出单元测试卷，以此来对学习者的学习效果进行分析。根据单元测试成绩来构建学习者知识模型，将测试结果以可视化的方式反馈给学习者，方便其查漏补缺，同时对于在测试中成绩不理想的学习者，自适应学习系统将根据学习者的测试结果更新学习内容，使得学习内容能够迎合学生新的发展需求。

4 结语

随着数据挖掘技术的发展，其在教育领域的应用将成为必然。而在在线教育发展的当下，数据挖掘技术能弥补在线学习的不足，制定出自适应学习系统，从而满足不同学生的学习需求。本文从数据挖掘技术的概念出发，研究了其应用自适应学习系统的可能性与意义，通过构建学习者模型、领域知识模型、社交网络模型以及促进模型融合的方式来实现自适应学习系统的开发，并对其在在线教学中的具体应用流程进行了阐述，促进学习者学习行为的有效性提升，从而进一步提升在线学习的效率。