论文部分内容阅读
摘 要 本文从目前远程网络教育存在的问题出发，通过对学生在学习时产生的各种信息进行数据挖掘，从而构建了一个智能化、个性化的学习系统，对于学生学习时存在的差异性，给出了一种解决方案。
关键词 远程教育 个性化 数据挖掘 智能系统
中图分类号：G43文献标识码：A
1 远程网络教学的现状
随着计算机网络的不断发展，远程教育已经逐步成为诸多高校的一种重要教学手段，这种网络教学突破了传统教学模式时间和空间上的限制，具有信息量大、覆盖面广、随意性强等特点，为更多的人提供了接受高等教育的机会。然而，经过对各类远程教育系统的调查与学生的信息的反馈，可以发现不少系统仍存在一定的问题：
（1）动态交互性差，学习模式较为死板与被动。现有的远程教育站点其教学内容在表现形式上基本上都是以静态网页的形式发布在网站上，一旦放上去后，就很少进行更新与修改。同时，教学课件的设计者并不知道他的教学内容是否合理，是否符合教学规律，页面之间的链接是否适应学生的访问习惯和学习内容进度的安排。学生只能是按静态课件所设计的顺序按部就班的学习，对以往学习中存有疑问的知识点及可能感兴趣的知识无法主动获取，这极大的限制了学生学习的自主性及积极性，从而不能达到最佳的教学效果。
（2）不能根据学生本人的情况因材施教，缺乏个性化教学。无论哪个学生访问该站点，其教学策略、教学内容及授课顺序都是一样的，站点不能根据学生的自身情况提供适合于他个人的学习习惯、学习能力、学习进度的安排，结果使学生的个性无法发挥。
（3）系统测评功能不强。但是其评价测试结果并没有和学生下一步学习相联系，并没有给出学生在今后学习过程中所要注意的学习重点和难点，对学生个人的学习方式也没加以纠正和引导，缺乏对学生学习整个过程的监控管理。
这些问题的出现不仅严重地制约了学生在接受远程教育时的学习效果，同时也成为了远程教育这一教学模式进一步完善和发展的瓶颈。
2 个性化远程教育系统的构想
针对当今远程教育模式存在的诸多问题，主要是由于学习系统忽视了学生在学习过程中存在的差异性，例如每个人的学习目标不同、学习兴趣不同、学习能力不同、学习方式不同等等。经过多年来远程教育的不断摸索与实践，各大高校也都积累了一定的网络资源，包括各种学生的注册信息、登陆信息、浏览历史、作业信息、测试信息、答疑信息、浏览习惯、等等。如何从这些庞大的数据信息中找出学生学习的规律，并且与教学资源有效地结合起来，从而构建一个智能化、个性化的网络学习系统，将成为解决远程教育模式缺陷的关键。
随着计算机技术的发展，特别是数据库管理系统的广泛应用，人们所积累的数据量越来越大，要从如此庞大的数据背后找出隐藏的有效信息，数据挖掘已经成为一种十分有效的手段。在进行数据挖掘时，首先要对数据库进行信息的收集，然后经过数据处理从而构建数据仓库，最后进行信息分析从而得到有用的知识。
通过数据库及WEB缓存对以往学生的学习信息进行数据挖掘是我们构建个性化学习系统的第一步，这是一个十分复杂并且数据分析量很大的过程。在这个过程中我们的目的是利用数据统计及关联规则找出学生学习的规律，构建一个动态的个性化学习知识库，这是个性化学习系统的核心模块。该模块的动态化表现在，最先得到的只是一个初始模型，在系统的不断运作中通过对学生学习行为信息的采集进行知识的及时更新与归纳，以便对该学生的个性化学习进行准确的反馈。
在这个模块中主要包括三个智能引擎：学习内容智能推荐引擎、学习难易程度变更引擎、学习方式智能推荐引擎。对于学习内容的推荐，我们可以效仿如今许多购物网站上的推荐模式，例如“购买了该物品的顾客还购买了XXX”，这种提示性的营销模式会挖掘出顾客潜在的未被认识到的需求，同样我们可以把它应用在学习内容推荐上。经过数据挖掘，利用关键词并根据大量以往学生在学习时的浏览记录，以及课程内容之间的关联程度，我们能归纳出一张学习内容关联表，大到课程小到章节。例如，学习了市场营销这门课的同学有80%都学习了客户关系管理，50%还学习了电子商务；在学习C语言这门课中的数组这一节时，系统会提示该节内容与指针相关，并提供相关的推荐链接。这样，学生在学习时能更好地实现相关课程与章节之间的联系，使知识结构更为紧密。同时，在学生学习的过程中，通过对作业、测试、答疑信息进行评分，分数的高低表示学生对于相关内容的掌握情况；另外可以对浏览次数及浏览时间进行分析，次数多时间长的可能表示对于该课程有较大的兴趣，从而决定相关学习内容的的推荐情况与难易程度。对于学生兴趣大并且掌握情况好的课程，可以适当加深难度，并且在学习过程中不断进行反馈，根据学生的学习能力进行及时地调整。对于学习方式的推荐，可以根据学生学习时的浏览习惯进行判断，例如学生经常通过在线视频进行学习，系统会自动从网络中搜索到相关的名师讲解视频进行推荐。对于学习方式而言，应该是多种多样的，而不应该仅仅局限于网页上的那些一成不变的知识，系统更多的应该增加互动性更强的学习模式，像师生在线答疑，支持邮件留言提问、练习、测试、评估等等。
除了核心模块以外，个性化学习系统还包括学生学习信息数据库、学习信息采集模块、学生动态学习信息记录模块、学习资源库。学生学习信息数据库包括学生的注册信息、浏览网页时的WEB缓存信息、学习历史、学习成绩等等所有的学生信息。经过学习信息采集模块筛选并加工处理后形成标准化、数据化的有效信息并传递给学生动态学习信息记录模块，同时核心模块不断地对学习信息记录模块中的数据进行分析与处理，系统再根据核心模块的三大引擎对学生的学习内容、学习难度、学习方式进行推荐，提供给学生更具个性化的学习资源。最后，学生再将学习信息反馈给动态学习信息记录模块，如此不断循环，以达到最佳的学习效果。系统具体运作如图1。
图1
3 个性化远程教育系统的前景
基于数据挖掘的个性化远程教育系统的构想其可行性并不困难，同时该系统针对当今诸多网络学习系统的缺陷，采用了个性化、多元化的教学模式，使学生在接受远程网络教学时能更加自主、更加切合自身的情况，得到更好的学习效果，让学生真正能学到并且学好一些自己想要获得的知识。这一系统的实现将能改善现在远程教育的一些现状，并对其发展起到一定的作用。
关键词 远程教育 个性化 数据挖掘 智能系统
中图分类号：G43文献标识码：A
1 远程网络教学的现状
随着计算机网络的不断发展，远程教育已经逐步成为诸多高校的一种重要教学手段，这种网络教学突破了传统教学模式时间和空间上的限制，具有信息量大、覆盖面广、随意性强等特点，为更多的人提供了接受高等教育的机会。然而，经过对各类远程教育系统的调查与学生的信息的反馈，可以发现不少系统仍存在一定的问题：
（1）动态交互性差，学习模式较为死板与被动。现有的远程教育站点其教学内容在表现形式上基本上都是以静态网页的形式发布在网站上，一旦放上去后，就很少进行更新与修改。同时，教学课件的设计者并不知道他的教学内容是否合理，是否符合教学规律，页面之间的链接是否适应学生的访问习惯和学习内容进度的安排。学生只能是按静态课件所设计的顺序按部就班的学习，对以往学习中存有疑问的知识点及可能感兴趣的知识无法主动获取，这极大的限制了学生学习的自主性及积极性，从而不能达到最佳的教学效果。
（2）不能根据学生本人的情况因材施教，缺乏个性化教学。无论哪个学生访问该站点，其教学策略、教学内容及授课顺序都是一样的，站点不能根据学生的自身情况提供适合于他个人的学习习惯、学习能力、学习进度的安排，结果使学生的个性无法发挥。
（3）系统测评功能不强。但是其评价测试结果并没有和学生下一步学习相联系，并没有给出学生在今后学习过程中所要注意的学习重点和难点，对学生个人的学习方式也没加以纠正和引导，缺乏对学生学习整个过程的监控管理。
这些问题的出现不仅严重地制约了学生在接受远程教育时的学习效果，同时也成为了远程教育这一教学模式进一步完善和发展的瓶颈。
2 个性化远程教育系统的构想
针对当今远程教育模式存在的诸多问题，主要是由于学习系统忽视了学生在学习过程中存在的差异性，例如每个人的学习目标不同、学习兴趣不同、学习能力不同、学习方式不同等等。经过多年来远程教育的不断摸索与实践，各大高校也都积累了一定的网络资源，包括各种学生的注册信息、登陆信息、浏览历史、作业信息、测试信息、答疑信息、浏览习惯、等等。如何从这些庞大的数据信息中找出学生学习的规律，并且与教学资源有效地结合起来，从而构建一个智能化、个性化的网络学习系统，将成为解决远程教育模式缺陷的关键。
随着计算机技术的发展，特别是数据库管理系统的广泛应用，人们所积累的数据量越来越大，要从如此庞大的数据背后找出隐藏的有效信息，数据挖掘已经成为一种十分有效的手段。在进行数据挖掘时，首先要对数据库进行信息的收集，然后经过数据处理从而构建数据仓库，最后进行信息分析从而得到有用的知识。
通过数据库及WEB缓存对以往学生的学习信息进行数据挖掘是我们构建个性化学习系统的第一步，这是一个十分复杂并且数据分析量很大的过程。在这个过程中我们的目的是利用数据统计及关联规则找出学生学习的规律，构建一个动态的个性化学习知识库，这是个性化学习系统的核心模块。该模块的动态化表现在，最先得到的只是一个初始模型，在系统的不断运作中通过对学生学习行为信息的采集进行知识的及时更新与归纳，以便对该学生的个性化学习进行准确的反馈。
在这个模块中主要包括三个智能引擎：学习内容智能推荐引擎、学习难易程度变更引擎、学习方式智能推荐引擎。对于学习内容的推荐，我们可以效仿如今许多购物网站上的推荐模式，例如“购买了该物品的顾客还购买了XXX”，这种提示性的营销模式会挖掘出顾客潜在的未被认识到的需求，同样我们可以把它应用在学习内容推荐上。经过数据挖掘，利用关键词并根据大量以往学生在学习时的浏览记录，以及课程内容之间的关联程度，我们能归纳出一张学习内容关联表，大到课程小到章节。例如，学习了市场营销这门课的同学有80%都学习了客户关系管理，50%还学习了电子商务；在学习C语言这门课中的数组这一节时，系统会提示该节内容与指针相关，并提供相关的推荐链接。这样，学生在学习时能更好地实现相关课程与章节之间的联系，使知识结构更为紧密。同时，在学生学习的过程中，通过对作业、测试、答疑信息进行评分，分数的高低表示学生对于相关内容的掌握情况；另外可以对浏览次数及浏览时间进行分析，次数多时间长的可能表示对于该课程有较大的兴趣，从而决定相关学习内容的的推荐情况与难易程度。对于学生兴趣大并且掌握情况好的课程，可以适当加深难度，并且在学习过程中不断进行反馈，根据学生的学习能力进行及时地调整。对于学习方式的推荐，可以根据学生学习时的浏览习惯进行判断，例如学生经常通过在线视频进行学习，系统会自动从网络中搜索到相关的名师讲解视频进行推荐。对于学习方式而言，应该是多种多样的，而不应该仅仅局限于网页上的那些一成不变的知识，系统更多的应该增加互动性更强的学习模式，像师生在线答疑，支持邮件留言提问、练习、测试、评估等等。
除了核心模块以外，个性化学习系统还包括学生学习信息数据库、学习信息采集模块、学生动态学习信息记录模块、学习资源库。学生学习信息数据库包括学生的注册信息、浏览网页时的WEB缓存信息、学习历史、学习成绩等等所有的学生信息。经过学习信息采集模块筛选并加工处理后形成标准化、数据化的有效信息并传递给学生动态学习信息记录模块，同时核心模块不断地对学习信息记录模块中的数据进行分析与处理，系统再根据核心模块的三大引擎对学生的学习内容、学习难度、学习方式进行推荐，提供给学生更具个性化的学习资源。最后，学生再将学习信息反馈给动态学习信息记录模块，如此不断循环，以达到最佳的学习效果。系统具体运作如图1。
图1
3 个性化远程教育系统的前景
基于数据挖掘的个性化远程教育系统的构想其可行性并不困难，同时该系统针对当今诸多网络学习系统的缺陷，采用了个性化、多元化的教学模式，使学生在接受远程网络教学时能更加自主、更加切合自身的情况，得到更好的学习效果，让学生真正能学到并且学好一些自己想要获得的知识。这一系统的实现将能改善现在远程教育的一些现状，并对其发展起到一定的作用。