数据挖掘在教育信息化中的应用空间分析

1、数据挖掘在教育信息化中的应用空间分析随着信息社会的来临,大量信息在给人们带来方便的同时也带来了信息的消化、信息的辨识、信息的安全、信息形式的一致性等问题。人们开始考虑:如何才能不被信息淹没,而且从中及时发现有用的知识,提高信息利用率,最终避免“数据爆炸但知识贫乏”的现象。1这个任务就落在数据挖掘的身上。本文对教育信息化条件下,数据挖掘的应用空间进行分析,希望能为教育信息化建设提供有价值的参考。一、数据挖掘及其技术1.数据挖掘数据挖掘(Data Mining就是从大量的数据中,抽取出潜在的、有价值的知识(模型或规则的过程,是一类深层次的数据分析方法。它是一门交叉学科,包括机器学习、数理统计、神经

2、网络、数据库、模式识别、粗糙集、模糊数学等相关技术。数据挖掘技术包括三个主要部分:算法和技术;数据;建模能力。22.数据挖掘系统一个完整的数据挖掘系统包括规则生成子系统和应用评估子系统两个部分。规则生成子系统主要完成根据数据仓库提供的历史数据,统计并产生相关规律,并输出相关结果;应用评估子系统可以理解为系统中的挖掘代理程序,根据生成子系统产生的规则按照一定的策略对数据进行分类预测,通过系统的任务计划对数据产生评估指标。3.数据挖掘的分类数据挖掘的分类方法很多。根据不同挖掘任务,数据挖掘可分为分类或预测模型发现,数据归纳、聚类、关联规则发现,序列模式发现,依赖关系或依赖模型发现,异常和趋势发现等

3、等;根据挖掘方法,可分为机器学习法、统计方法、神经网络方法和数据库方法。其中机器学习法包括:归纳学习方法(决策树、规则归纳等、基于范例学习、遗传算法等;统计方法包括:回归分析(多元回归、自回归等、判别分析(贝叶斯判别、费歇尔判别、非参数判别等、聚类分析(系统聚类、动态聚类等、探索性分析(主元分析法、相关分析法等等;神经网络分析法包括:前向神经网络(BP算法等、自组织神经网络(自组织特征映射、竞争学习等等;数据库方法主要包括多维数据分析(OLAP方法。4.数据挖掘过程数据挖掘过程包括对问题的理解和提出、数据收集、数据处理、数据变换、数据挖掘、模式评估、知识表示等过程,以上的过程不是一次完成的,其

4、中某些步骤或者全过程可能要反复进行。对问题的理解和提出:在开始数据挖掘之前,最基础的工作就是理解数据和实际的业务问题,在这个基础之上提出问题,对目标作出明确的定义。数据收集:广泛收集用户的各种信息,建立数据库与数据表,为数据挖掘做准备。数据处理:对收集的信息进行如“去噪”等处理,确保数据能够真实反映待要挖掘的对象。数据变换:将经过“去噪”的数据进行一定的格式转换,使其适应数据挖掘系统或挖掘软件的处理要求。数据挖掘:可以单独利用也可以综合利用各种数据挖掘方法对数据进行分析,挖掘用户所需要的各种规则、趋势、类别、模型等。模式评估:对发现的规则、趋势、类别、模型进行评估,从而保证发现的模式的正确性。

5、知识表示:将挖掘结果以可视化的形式展现在用户面前。5.数据挖掘的主要功能概念/类描述、特征化和区分:对每个类的汇总、简洁、精确的描述可以通过数据特征化、数据区分和数据比较来实现。数据特征化是指目标类数据的一般特征或特征的汇总,如一年的成绩汇总;数据区分是将目标类对象的一般特征与一个或多个对比类对象的一般性比较,如A学校和B学校的比较。关联分析:目的在于发现关联规则,这些规则揭示属性与属性值在数据集中一起出现的条件。这种关联规则可以是单维关联规则或多维关联规则。分类与预测:利用某种数据挖掘算法的某种规则自动对海量数据进行分类,其间较少有人工干预,目的是为数据挖掘基础上的预测服务。聚类分析:聚类是

6、根据最大化类内的相似性、最小化类间的相似性原则对海量数据进行聚类或分组,从而产生属性相近的各个类。孤立点分析:所谓孤立点,是指数据集合中与多数数据的特征或行为完全不一致的数据。在最初的挖掘算法中,人们总是将孤立点从数据集合中删除,以保证数据的纯洁性。然而,删除孤立点可能会导致忽略某些非常有用的特殊规则,因而对孤立点需作特殊处理。演变分析:可以根据数据的特征对数据的发展变化作出相应的预测与分析。主要应用于对时间序列数据的分析、序列或周期模式匹配和基于类似性的数据分析。3二、数据挖掘在教育信息化中的具体应用空间1.学习者特征分析学习者特征由学习者的知识结构和学习风格组成。知识结构说明了学习者对正在

7、或将要学习知识的掌握情况,主要包括学习者初始技能、当前技能和目标技能。学习风格包括学习者的生理特征、心理特征和社会特征三个方面。4利用数据挖掘功能分析学习者特征,目的在于帮助学习者修正自己的学习行为。这里有一理论假设:通过对学习者特征分析结果和事先制定的行为目标标准进行比较,教师能够帮助学习者修正学习行为、提高学习能力、完善人格,有利于学生各方面素质的和谐发展。学习者特征分析系统由如下四个模块组成,基本框架如图1所示。人机互动界面:学习者可以向系统手工添加学习者信息、提出分析要求,同时查看分析结果。数据收集模块:收集的信息包括学习者的基本信息、绩效信息、学习历史、学习偏好、知识结构等。数据处理

8、模块:数据库按照元数据标准对数据进行清理、集成和变换。数据分析模块:利用经过转化的数据,按照数据挖掘规则,对数据进行分析处理,得出结果并输出。2.干预师生行为学校教学管理数据库中记录着各届学生与教师的学习、工作、社会活动、奖励、处罚等情况,利用数据挖掘的关联分析与演变分析等功能,寻找师生各种行为活动之间的内在联系。如“当存在A,B时可以推出C”这样的规则,即当有A行为和B行为发生时,还会有C行为。在实际情境中,如果发现学生或教师已有A,B行为时,马上可以分析其产生C行为的可能性,及时制定策略促进或制止C行为的发生。3.合理设置课程在学校,学生的课程学习是循序渐进的,而且课程之间有一定的关联与前

9、后顺序关系。在学一门较高级课程之前必须先修一些先行课程,如果先行课程没有学好,势必会影响后续课程的学习。另外,同一年级学习同一课程的不同班级,由于授课教师、班级文化的不同,班内学生的总体成绩相差有时会很大。利用学校教学数据库中存放的历届学生各门学科的考试成绩,结合数据挖掘的关联分析与时间序列分析等相关功能,就能从这些海量数据中挖掘出有用的信息,帮助分析这些数据之间的相关性、回归性等性质,得出一些具有价值的规则和信息,最终找到影响学生成绩的原因。在此基础上,对课程设置作出合理安排。4.学习评价学习评价是教育工作者的重要职责之一。评定学生的学习行为,既对学生起到信息反馈和激发学习动机的作用,又是检

10、查课程计划、教学程序以至教学目的的手段,也是考查学生个别差异,便于因材施教的途径。5评价要遵循“评价内容要全面、评价方式要多元化、评价次数要多次化、注重自评与互评的有机结合”的原则。在教学科研网络普遍建立的今天,利用数据挖掘工具,对学生的学习成绩数据库、行为记录数据库、奖励处罚数据库等进行分析处理,可以即时得到学生的评价结果,对学生出现的不良学习行为进行及时指正。另外,这种系统还能够克服教师主观评价的不公正、不客观的弱点,减轻教师的工作量。5.个性化、智能化网络服务数据挖掘基于网络的应用包括WEB挖掘和个性化、智能化网上远程教育两个方面。WEB挖掘是数据挖掘的一项重要应用。WEB挖掘是从与WW

11、W相关的资源和行为中抽取感兴趣的、有用的模式和隐含信息的过程。WWW分析就是为网站运行提供深入、准确、详细的分析数据和有价值的以及易理解的分析知识。通过提供这些数据和信息,可以解决以下问题:(1对网站的修改更加有目的、有依据,稳步地提高用户满意度。根据用户访问模式修改网页之间的链接,把用户想要的信息以更快、更有效的方式展现给用户。(2查看网站流量模式。发现用户的需要和兴趣,对需求强烈的网页提供优化,用服务器预先存储的方法来解决下载缓慢的问题。(3提供个性化网站。针对不同的用户,按照其个人的兴趣和爱好(数据挖掘算法得到的用户访问模式,向用户动态提供浏览的建议,自动提供个性化的网站。(4发现系统性

12、能瓶颈,找到安全漏洞。(5为教师、教育管理者等提供重要的、有价值的信息。如通过对每个学生所做的试题进行分析,得出题目之间的关联性及其他一些有用的信息,用来指导教学、修正试题难度系数等。个性化、智能化网上远程教育是充分利用数据挖掘技术的功能,为远程教育提供服务。其表现在:(1利用学生登记信息,针对不同的学生,提供不同的学习内容和学习模式,真正做到因材施教,并对学生的学习记录进行保存。(2对站点上保存的学习行为和学习记录信息进行挖掘,并结合课件知识库的信息,自动重组课程的内容,使之更符合教学规律,并结合内容,提供其他相关学习资源。(3通过对学习者学习行为的挖掘,发现用户的浏览模式,自动重构页面之间的链接,以符合用户的访问习惯。个性化、智能化远程教育系统模型将涉及到课件知识库、学习行为数据库、个人学习记录数据库这三个大型数据库,还需要构建智能学习系统、个性界面生成系统、智能