当前位置: > 论文中心 > 教育论文 >

基于数据挖掘技术的在线学习行为和预测在网络教学中的运用(2)

时间:2013-10-30 16:12 点击:
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

  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).


   论文榜(www.zglwb.com),是一个专门从事期刊推广、投稿辅导的网站。
本站提供如何投稿辅导,寻求投稿辅导代理,快速投稿辅导,投稿辅导格式指导等解决方案:省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。


栏目列表
联系方式
推荐内容
 
QQ在线咨询
投稿辅导热线:
189-6119-6312
微信号咨询:
18961196312