论文部分内容阅读
远程教育是一种学生与教师分离的,采用特定的传输系统和传播媒体进行教学的教育方式。它的信息传输方式多种多样,学习的场所和形式灵活多变。远距离教育的优势在于它可以突破时空的限制,提供更多的学习机会,扩大教学规模,提高教学质量,降低教学的成本。远程教育系统的智能化是当今科学技术发展的必然趋势。随着远程教学系统的智能化需求不断提高,如何将人工智能、数据挖掘等技术应用到已有的系统中使之成为智能导学系统是远程教育发展急需解决的问题之一。本论文通过深入研究集成学习、数据挖掘等技术,在已有的数据挖掘分类算法之上,利用集成学习的思想,提出将改进的两种分类算法相结合,形成一种新的分类算法。在保证分类准确性的情况下提高算法的效率。本文的主要工作如下:(1)研究了数据挖掘中的分类算法,人工智能技术等,并将这些技术应用在远程教育系统之中,使系统具备一定的智能性,方便学习者学习。(2)提出了一种新的基于集成学习技术的分类算法(Based On Decision Tree And KNN, BODK)。BODK算法运用机器学习中最近发展起来的集成学习技术,集成多种分类算法对智能导学系统中的已有数据进行处理。BODK算法的思想是将改进的决策树算法、KNN算法集成,使用多叉决策树对学习者属性集合构成的节点进行分类,对于决策树不能分类的节点,使用KNN分类算法确定其最终的分类。(3)将BODK算法应用到智能导学系统中。在实际应用中表明,该系统能够根据学习者的属性集合,智能地针对不同的学习者动态的推荐符合学习者特性的教学方案,提高学习者的学习效率。通过对学习者作业问题以及学生解决这些问题所采取的方法序列的聚类,智能系统可以帮助教师更有效的设计课程。随着越来越多的学习者使用网络教育资源系统,有关学习者访问和学习活动的数据也越来越多。集成学习技术将被应用到智能导学系统中,挖掘出有用知识,使得远程教育工作者能利用这些知识来帮助学习者。