根据学生的共同特征，聚类算法被用来区分同质组学生的分类。根据学生的学习偏好、持续时间、频率和学习表现等共同特征，K-均值聚类技术被运用到学生的分组中。这个方法基于对个体参与者之间的距离的概念，旨在把接近同一组的学生聚集起来做进一步分析。本研究利用了LMS登录总数、访问课程教材的总频率、发布消息的总数、读取消息的总数、同步讨论的次数、参加的总人数以及用最后成绩来描述和分类学生的特点这些变量。

　　图3显示了使用决策树的分析预测模型的性能，它可以作为一个分类器，从根到叶节点进行分类排序。在树结构中，叶节点代表类别，分支代表连词功能及其产生的不同目标值，为我们的研究建立了在线学习表现的预测模型。图3的右侧部分显示出在6个星期内，学生访问课程教材高达18.5次，他们的平均成绩是77.92分。如果学生访问课程教材达到44.5次以上，平均成绩将提高到89.62分。读消息的数量是另一个重要的预测变量。如果学生阅读消息超过66.5条，他们的平均成绩将从72.57分提高到88分。总之，当学生更积极参与，即具有较高的访问课程教材频率值、发言的数量、读取的消息数量和同步出席讨论的频率，他们就能取得更好的成绩。

　　四、结语

　　使用目前流行的LMS，教师能快速得到学生的基本学习资料数据，如登录日期、登录频率、访问的页面等，但是它还不具备帮助教师识别个体学习者或小组学习模式的功能、识别成功或不成功学习行为模式的功能、确定预测学习行为帮助学生改进的功能。因此，LMS的开发应结合数据挖掘工具，以利于更有效的网上教学和学习。未来的研究需要把重点放在验证预测模型上，并把它运用到其他在线学习的环境中。

　　参考文献：

　　[1]Novak， J. D.Learning， creating， and using knowledge： Concept maps as facilitative tools in schools and corporations[M].NJ： Lawrence Erlbaum Associates，1998.

　　[2]Su， J. H.， Tseng， S. S.， Wang， W.， Weng， J. F.， Yang， J. T. D. & Tsai， W. N.. Learning portfolio analysis and mining for SCORM compliant environment[J].Educational Technology & Society， 2006，（1）.

　　[3]Hwang， Y. M.， Chen， J. N.， Cheng， S. C.. A method of cross-level frequent pattern mining for web-based instruction[J]. Educational Technology& Society， 2007，（3）.