论文部分内容阅读
［摘要］利用Analysis Services 、Office Web Components 组件和XML等技术成功实现了对学生作业考试数据进行OLAP分析。该数据挖掘方案在教学诊断与评价中收集、存储学习者的大量特征数据，对这些数据进行分析和挖掘，从而为学生诊断学习效果、教师进行教学决策提供支持。
［关键词］ 筛选数据；数据挖掘；远程教育
一、前言
利用Internet进行远程学习，对于普及教育、共享优质教学资源有着重要的意义。使用Web网络作业练习考试系统，在客观公正测量学生掌握知识和减轻教师负担方面具有很多优势。通过对学生的学习、练习、作业、测试产生的海量数据进行联机分析处理（On-Line Analytical Processing，OLAP），进而进行数据挖掘，可以有效地解决如何让教师更加了解学习者的知识点掌握情况，并有针对性地辅导学生，保证教学质量；如何为自主学习学生指明学习方向等问题。
我们在开发实现“自主学习系统”中，利用Analysis Services 、Office Web Components 组件和XML等技术实现了对学生Web网络作业考试数据进行OLAP分析，并在浏览器中用数据透视表发现数据的有效信息，展示分析结果，为教师和学生获取有用的评价信息提供了方便。
二、多维数据模型
数据挖掘操作的第一步是创建模型，数据挖掘模型从包含在数据源中的实体中产生。首先建立一个关系模型数据库，提供所需的数据源。本系统建立以知识体系为核心的学习、测试、分析、评价、反馈的学习模型。其次建立一个简明的、面向主题的多维数据库模型，以便于进行联机数据分析。学校教务部门和教师关注的是获得学生作业测试数据并通过试卷作业了解学生掌握知识点的状况。试题的OLAP和数据挖掘的物理基础是建立有效的数据仓库，目前最流行的数据仓库数据模型是多维数据模型。
1.建立星型多维数据模型
图1是根据远程自主学习系统中测评子系统需求建立的星型多维数据模型。它由六个维度：学生、试卷作业、测试、知识点、时间、题目组成。中心事实表中包括6个关键字和两个度量值：知识点分值、知识点得分。
OLAP 的数据源可以分为一个或更多的多维数据集，利用多维的表达式MDX 对多维数据结构进行查询。一个多维数据集包含一组被称为维的属性，还包含一组分层的级别，它们对应于数据库字段。例如，年时间维可以细分为季度、月和周等级别。多维数据集还包括一个度量集合，它们是真正的数据值（一般情况下是数值型）。
图1 网上作业测试系统的多维星型模型
OLAP技术的应用主要由上卷、下钻、切片和转轴等操作组成。这些操作使我们可以从数据立方体的不同数据透视图中，在每一个粒度级和所有维度上实现交叉查询和数据分析，从而实现对学习者个体或整体特征数据的诊断和评价，以及重新修订试题库的参数属性。在图1中，每个维只用一个表表示，每一维度表中定义了概念分层，即低层概念属性和高层概念属性，在低层概念到高层概念之间形成一个序列，概念分层上的每个“抽象级”代表上卷、下钻等OLAP操作可用的粒度。
2.抽取程序的算法
在构建“自主学习系统”数据模型时，已考虑到了数据的挖掘分析。设计数据仓库时，从源数据库中抽取、筛选和清理所需数据的抽取程序的算法见图2。在原来数据库中不可避免存在开发系统过程中的测试数据和非正常数据，学生在做作业和测验时有时因为校园网速度过慢而造成学生终端与服务器的连接超时断开，生成废卷。这些测试数据和废卷数据必须清理掉。另外，在“试卷作业测试”表数据抽取时还要测试数据的“学生”、“题目”、“试卷作业”、“测试”、“知识点”等字段值是否满足外键约束，以保证数据的质量。从已有的数据库系统中提取数据的过程较为复杂和费时。
图2 数据抽取、筛选和清理算法
三、在学习测评分析中应用OLAP技术
构造的多维立方体观察起来比较麻烦，可以将多维立方体视为3维立方体的序列，由此得到多个直观的视图。以下仅说明“学生分析”。
将多维立方体看成学生序列的3-D立方体，如图3所示；可对学生进行分析，诊断出学生的学习难点。
1.学生难点分析
对多维立方体的横向切片操作，然后在题目维上执行上卷操作，可以方便地计算课程知识点的得分状况对比，从而获得学习难点。为自动对该学生课程掌握较差的知识点生成有针对性的练习试卷。这是一种自适应测试，为实现自主学习的智能化导学提供帮助。
图3题目序列的3-D立方体
2.了解学生的进步状况
通过切块
操作，即实现多次测试同一知识点的情况对比，获得学生的进步状况。
3.学生知识和能力的分析
可以获得学生知识和能力的变化，分析学生达到教学目标的程度和范围。
4.学习障碍分析
系统在对学生进行整体分析的基础上，对每个学生生成评价报告，列出学生需要继续学习知识点，并针对问题给学习者提供个性化的学习指导语，最后将每位学生的评价报告和信息发送到学生的个人信息窗，即时反馈给学生。
5.教师统计报告
系统通过对学生团体所参加的历次测试、作业的得分分析，为整个团体生成统计报告，反映学生团体在知识点和能力所存在的共同不足，并针对问题为教师的教学提出建议。分析学生的异质反应，找到需要单独辅导的学生清单。
四、在Web 页面上展示 OLAP 结果
由于“远程自主学习系统”是B/S模式，所以应该基于Web平台，从Web浏览器实现对远程服务器访问。
1.体系结构
SQL Server Analysis Services的结构划分为客户部分和服务器部分，客户部分用于提供前端应用软件界面，服务器部分则存储提供各种功能和服务的引擎。服务器端的Analysis Service体系结构提供可以建立和操纵OLAP立方体、数据挖掘模型的核心程序。PivotTable Service内置于Analysis 服务器客户机，它被置于服务器引擎与其他客户应用程序之间。利用数据透视表来查看SQL Server Analysis Services 中执行 OLAP 处理的结果，允许将多个维和度量拖放到数据表的布局中。PivotTable 控件将这种拖放操作转换成 MDX 查询，并传递给 OLAP 数据源，最后接收到返回的结果集。连接OLAP 数据源上的 OLE DB 提供程序的字符串格式如下：Provider=MSOLAP;user id=用户名;password=口令;Data Source=http://服务器名;Initial Catalog=OLAP数据源名。
图4是系统在 Web 页上展示OLAP 结果的应用程序体系结构。
图4 在 Web 页上展示OLAP 结果的应用程序体系结构
该体系结构包括2条路径：
（1）在 HTTP 上通过 XML Web 服务实现客户端的 PivotTable 控件和 OLAP 数据源之间的连接，并提供要连接的多维数据集。这主要由 JavaScript 函数 initializePivotTable来实现：
function initializePivotTable(strDataMember) {
//功能：调用 Web Service 方法初始化空的透视表（PivotTable）
var iCallID = service.svcOLAP.callService(oninitializePivotTableResult,
＇InitializePivotTableXML', strDataMember) ;}
（2）直接从客户端的 PivotTable 控件动态查询 OLAP 数据源。
在该体系结构中，XML 是主要的参与者。 OWC PivotTable 组件能在本地将其内容序列化成 XML。也可以将数据写成 XML，加载到 PivotTable 控件上。通过创建和OWC PivotTable 控件进行双向通信的基于XML的Web服务，利用其中的 Web 方法生成格式化的 XML来填充 PivotTable 控件。以下函数oninitializePivotTableResult( )处理web service中的 wsOLAP.InitializePivotTableXML( )方法返回的结果result。在 Web 服务器上生成自定义 XMLData，并传递给客户端 PivotTable 控件。
function oninitializePivotTableResult(result) {
var text = result.value; // 结果字符串
//分析返回结果值
if (!result.error) {
if (text.indexOf("") > -1 ) {
alert(text);
}
// 将XML格式结果赋值给PivotTable的XMLData
frm1.PivotTable1.XMLData = text;
}
else {
alert("Unhandled error - " + result.errorDetail.code + " " + result.errorDetail.string);
}
}
2.操作使用
在 PivotTable 控件和 OLAP 数据源之间建立了连接之后（图4中的路径1），用户可以利用 PivotTable 控件的拖放用户界面自由地组合自定义的数据视图。每次拖放操作，都会动态地创建一个多维的表达式 (MDX) 查询，并通过 HTTP 网关直接将请求发送给 OLAP 数据源（图4中的路径2）。这种通信的发生与 Web 服务器无关，Web 页直接与数据库进行对话。Web 服务器的作用只是建立 PivotTable 控件和 OLAP 数据源之间的初始连接。
上图是将试卷作业维和题目维拖放到透视表的行字段、将学生维拖放到列字段、将知识点得分和知识点分值拖放到汇总区后，页面展示的结果。
在通过展开节点（下钻）可以得到各学校学生各门课程试卷作业的答题状况，便于比较和分析。由于OLAP已经过优化处理，所以查询速度很快。
[参考文献]
［1］ 余胜泉，何克抗.网络题库系统的设计与实现[J].中国远程教育，2000年9月 [总164] pp53-57.
［2］ 余胜泉，李世亮，谢晓林.在线测试分析与数据挖掘系统的设计[J].开放教育研究，2005年5期 pp72-77.
［3］王陆，李亚文.基于OLAP技术的教学诊断与评价模型[J].计算机工程，2003年4月 pp49-50，194.
［4］ 刘木森，许铿泉，常鸿森.教育信息处理[M].华南理工大学出版社，1994年8月第1版 pp60-61.
［5］（加）Jiawei Han Micheline Kamber，范明、孟小峰译.数据挖掘概念与技术[M].机械工业出版社，2001年8月 pp32-42.
[作者简介]
杨耐生，教授，上海电视大学信息与工程系，主要研究方向：计算机网络、远程教育。
申强华，高级讲师，硕士，上海经济管理学校计算机系，主要研究方向：网络信息系统、软件工程。
A OLAP realization based on the system of learners’ exercises and examinations on network
Yang Naisheng1 & Shen Qianghua2
（1. Dept. of Information and engineering of Shanghai TV University，Shanghai 200433；
2. Dept. of Computer of Shanghai Economy management school，Shanghai 200060）
【Abstract】 The techniques such as analysis services,Office Web Components and XML have been employed in the process of putting the OLAP analysis on the exercise data of students into practice. The scheme of data mining which was used in the teaching diagnosis and evaluation were such skills as collecting and storing a large amount of characterized data, analyzing and mining the data in order to support the diagnosis of students’ learning effects as well as making teaching policies for teachers.
【Keywords】 Filtering data; Data mining; Distance education
本文责编：胡智标
［关键词］ 筛选数据；数据挖掘；远程教育
一、前言
利用Internet进行远程学习，对于普及教育、共享优质教学资源有着重要的意义。使用Web网络作业练习考试系统，在客观公正测量学生掌握知识和减轻教师负担方面具有很多优势。通过对学生的学习、练习、作业、测试产生的海量数据进行联机分析处理（On-Line Analytical Processing，OLAP），进而进行数据挖掘，可以有效地解决如何让教师更加了解学习者的知识点掌握情况，并有针对性地辅导学生，保证教学质量；如何为自主学习学生指明学习方向等问题。
我们在开发实现“自主学习系统”中，利用Analysis Services 、Office Web Components 组件和XML等技术实现了对学生Web网络作业考试数据进行OLAP分析，并在浏览器中用数据透视表发现数据的有效信息，展示分析结果，为教师和学生获取有用的评价信息提供了方便。
二、多维数据模型
数据挖掘操作的第一步是创建模型，数据挖掘模型从包含在数据源中的实体中产生。首先建立一个关系模型数据库，提供所需的数据源。本系统建立以知识体系为核心的学习、测试、分析、评价、反馈的学习模型。其次建立一个简明的、面向主题的多维数据库模型，以便于进行联机数据分析。学校教务部门和教师关注的是获得学生作业测试数据并通过试卷作业了解学生掌握知识点的状况。试题的OLAP和数据挖掘的物理基础是建立有效的数据仓库，目前最流行的数据仓库数据模型是多维数据模型。
1.建立星型多维数据模型
图1是根据远程自主学习系统中测评子系统需求建立的星型多维数据模型。它由六个维度：学生、试卷作业、测试、知识点、时间、题目组成。中心事实表中包括6个关键字和两个度量值：知识点分值、知识点得分。
OLAP 的数据源可以分为一个或更多的多维数据集，利用多维的表达式MDX 对多维数据结构进行查询。一个多维数据集包含一组被称为维的属性，还包含一组分层的级别，它们对应于数据库字段。例如，年时间维可以细分为季度、月和周等级别。多维数据集还包括一个度量集合，它们是真正的数据值（一般情况下是数值型）。
图1 网上作业测试系统的多维星型模型
OLAP技术的应用主要由上卷、下钻、切片和转轴等操作组成。这些操作使我们可以从数据立方体的不同数据透视图中，在每一个粒度级和所有维度上实现交叉查询和数据分析，从而实现对学习者个体或整体特征数据的诊断和评价，以及重新修订试题库的参数属性。在图1中，每个维只用一个表表示，每一维度表中定义了概念分层，即低层概念属性和高层概念属性，在低层概念到高层概念之间形成一个序列，概念分层上的每个“抽象级”代表上卷、下钻等OLAP操作可用的粒度。
2.抽取程序的算法
在构建“自主学习系统”数据模型时，已考虑到了数据的挖掘分析。设计数据仓库时，从源数据库中抽取、筛选和清理所需数据的抽取程序的算法见图2。在原来数据库中不可避免存在开发系统过程中的测试数据和非正常数据，学生在做作业和测验时有时因为校园网速度过慢而造成学生终端与服务器的连接超时断开，生成废卷。这些测试数据和废卷数据必须清理掉。另外，在“试卷作业测试”表数据抽取时还要测试数据的“学生”、“题目”、“试卷作业”、“测试”、“知识点”等字段值是否满足外键约束，以保证数据的质量。从已有的数据库系统中提取数据的过程较为复杂和费时。
图2 数据抽取、筛选和清理算法
三、在学习测评分析中应用OLAP技术
构造的多维立方体观察起来比较麻烦，可以将多维立方体视为3维立方体的序列，由此得到多个直观的视图。以下仅说明“学生分析”。
将多维立方体看成学生序列的3-D立方体，如图3所示；可对学生进行分析，诊断出学生的学习难点。
1.学生难点分析
对多维立方体的横向切片操作，然后在题目维上执行上卷操作，可以方便地计算课程知识点的得分状况对比，从而获得学习难点。为自动对该学生课程掌握较差的知识点生成有针对性的练习试卷。这是一种自适应测试，为实现自主学习的智能化导学提供帮助。
图3题目序列的3-D立方体
2.了解学生的进步状况
通过切块
操作，即实现多次测试同一知识点的情况对比，获得学生的进步状况。
3.学生知识和能力的分析
可以获得学生知识和能力的变化，分析学生达到教学目标的程度和范围。
4.学习障碍分析
系统在对学生进行整体分析的基础上，对每个学生生成评价报告，列出学生需要继续学习知识点，并针对问题给学习者提供个性化的学习指导语，最后将每位学生的评价报告和信息发送到学生的个人信息窗，即时反馈给学生。
5.教师统计报告
系统通过对学生团体所参加的历次测试、作业的得分分析，为整个团体生成统计报告，反映学生团体在知识点和能力所存在的共同不足，并针对问题为教师的教学提出建议。分析学生的异质反应，找到需要单独辅导的学生清单。
四、在Web 页面上展示 OLAP 结果
由于“远程自主学习系统”是B/S模式，所以应该基于Web平台，从Web浏览器实现对远程服务器访问。
1.体系结构
SQL Server Analysis Services的结构划分为客户部分和服务器部分，客户部分用于提供前端应用软件界面，服务器部分则存储提供各种功能和服务的引擎。服务器端的Analysis Service体系结构提供可以建立和操纵OLAP立方体、数据挖掘模型的核心程序。PivotTable Service内置于Analysis 服务器客户机，它被置于服务器引擎与其他客户应用程序之间。利用数据透视表来查看SQL Server Analysis Services 中执行 OLAP 处理的结果，允许将多个维和度量拖放到数据表的布局中。PivotTable 控件将这种拖放操作转换成 MDX 查询，并传递给 OLAP 数据源，最后接收到返回的结果集。连接OLAP 数据源上的 OLE DB 提供程序的字符串格式如下：Provider=MSOLAP;user id=用户名;password=口令;Data Source=http://服务器名;Initial Catalog=OLAP数据源名。
图4是系统在 Web 页上展示OLAP 结果的应用程序体系结构。
图4 在 Web 页上展示OLAP 结果的应用程序体系结构
该体系结构包括2条路径：
（1）在 HTTP 上通过 XML Web 服务实现客户端的 PivotTable 控件和 OLAP 数据源之间的连接，并提供要连接的多维数据集。这主要由 JavaScript 函数 initializePivotTable来实现：
function initializePivotTable(strDataMember) {
//功能：调用 Web Service 方法初始化空的透视表（PivotTable）
var iCallID = service.svcOLAP.callService(oninitializePivotTableResult,
＇InitializePivotTableXML', strDataMember) ;}
（2）直接从客户端的 PivotTable 控件动态查询 OLAP 数据源。
在该体系结构中，XML 是主要的参与者。 OWC PivotTable 组件能在本地将其内容序列化成 XML。也可以将数据写成 XML，加载到 PivotTable 控件上。通过创建和OWC PivotTable 控件进行双向通信的基于XML的Web服务，利用其中的 Web 方法生成格式化的 XML来填充 PivotTable 控件。以下函数oninitializePivotTableResult( )处理web service中的 wsOLAP.InitializePivotTableXML( )方法返回的结果result。在 Web 服务器上生成自定义 XMLData，并传递给客户端 PivotTable 控件。
function oninitializePivotTableResult(result) {
var text = result.value; // 结果字符串
//分析返回结果值
if (!result.error) {
if (text.indexOf("
alert(text);
}
// 将XML格式结果赋值给PivotTable的XMLData
frm1.PivotTable1.XMLData = text;
}
else {
alert("Unhandled error - " + result.errorDetail.code + " " + result.errorDetail.string);
}
}
2.操作使用
在 PivotTable 控件和 OLAP 数据源之间建立了连接之后（图4中的路径1），用户可以利用 PivotTable 控件的拖放用户界面自由地组合自定义的数据视图。每次拖放操作，都会动态地创建一个多维的表达式 (MDX) 查询，并通过 HTTP 网关直接将请求发送给 OLAP 数据源（图4中的路径2）。这种通信的发生与 Web 服务器无关，Web 页直接与数据库进行对话。Web 服务器的作用只是建立 PivotTable 控件和 OLAP 数据源之间的初始连接。
上图是将试卷作业维和题目维拖放到透视表的行字段、将学生维拖放到列字段、将知识点得分和知识点分值拖放到汇总区后，页面展示的结果。
在通过展开节点（下钻）可以得到各学校学生各门课程试卷作业的答题状况，便于比较和分析。由于OLAP已经过优化处理，所以查询速度很快。
[参考文献]
［1］ 余胜泉，何克抗.网络题库系统的设计与实现[J].中国远程教育，2000年9月 [总164] pp53-57.
［2］ 余胜泉，李世亮，谢晓林.在线测试分析与数据挖掘系统的设计[J].开放教育研究，2005年5期 pp72-77.
［3］王陆，李亚文.基于OLAP技术的教学诊断与评价模型[J].计算机工程，2003年4月 pp49-50，194.
［4］ 刘木森，许铿泉，常鸿森.教育信息处理[M].华南理工大学出版社，1994年8月第1版 pp60-61.
［5］（加）Jiawei Han Micheline Kamber，范明、孟小峰译.数据挖掘概念与技术[M].机械工业出版社，2001年8月 pp32-42.
[作者简介]
杨耐生，教授，上海电视大学信息与工程系，主要研究方向：计算机网络、远程教育。
申强华，高级讲师，硕士，上海经济管理学校计算机系，主要研究方向：网络信息系统、软件工程。
A OLAP realization based on the system of learners’ exercises and examinations on network
Yang Naisheng1 & Shen Qianghua2
（1. Dept. of Information and engineering of Shanghai TV University，Shanghai 200433；
2. Dept. of Computer of Shanghai Economy management school，Shanghai 200060）
【Abstract】 The techniques such as analysis services,Office Web Components and XML have been employed in the process of putting the OLAP analysis on the exercise data of students into practice. The scheme of data mining which was used in the teaching diagnosis and evaluation were such skills as collecting and storing a large amount of characterized data, analyzing and mining the data in order to support the diagnosis of students’ learning effects as well as making teaching policies for teachers.
【Keywords】 Filtering data; Data mining; Distance education
本文责编：胡智标