论文部分内容阅读
摘 要：在网络教育平台运营的过程中，积累了大量的学习者信息的数据，但是目前教育工作者们并没有对这些数据进行充分地利用。数据挖掘技术在网络教育平台的应用还处于方法研究的阶段上，利用数据挖掘技术来提供课程的个性化推荐、成绩分析、提供个性化辅导等，使得学习者能够快速有效地找到适合自己的学习资料，制定自己的学习计划，也为网络教育平台锁定用户提供了途径。
关键词：数据挖掘；网络教育平台；成绩预测
1.引言
随着信息技术、多媒体技术、电子商务及电子支付的不断发展，信息技术在教学中的应用越来越广泛，出现了各种各样的网络教育平台[1]。在网络教育平台快速发展的同时，积累了很多数据，如用户基本注册信息、考试成绩、访问日志信息等，现阶段已有的数据并没有发挥其真正的价值。利用数据挖掘技术来探索这些数据背后所隐藏的信息，成为近期很热门的研究方向。
人们往往都希望在事情发生之前，能够预测到结果，预测学也因此显得神秘而玄妙。数据挖掘技术的出现，使得预测过程不再神秘，而更具有科学性。很多因素表面上看起来和结果不存在任何联系，但数据挖掘的结果却证明他们之间存在某种联系。
2.数据挖掘技术在网络教育领域中的研究现状和意义
从网络教育平台学习者个人的现实需求来看，如果能够在考试之前阶段性地进行成绩预测，并得到有针对性的学习建议，从而阶段性地调整学习方法，以备考试。而不是在考试之后才得到自己的成绩分析情况。
网络教育平台作为电子商务中的B2C服务企业，属于垂直网络结构。作为B方，为客户C方提供内容和服务。但是当前的网络教育平台多数都是以提供内容为主，如课程培训、考试培训、职称培训等，这些平台提供的内容比较相似，教学模式单一，教学资源简单堆积，若能提供个性化、智能化服务，平台则可以凭借差异化的战略领先竞争对手。成绩预测功能是智能化服务的一个部分，根据成绩预测的结果，为C方提供针对其个人的个性化辅导，提供相关增值服务，以此达到锁定用户及吸引更多用户的目的。目前主流的几大网络教育培训平台，如聚英东方、新东方在线、中华会计网等都还停留在内容提供商，没有进入到服务提供商阶段。
提供个性化、智能化服务，实现成绩预测功能，不仅是C方学习者个人的需求，也是B方网络教育平台实行差异化战略、提升竞争力、获取新的经济增长点的一个需求。
随着信息技术和互联网的发展，展现在人们面前的是浩瀚无垠的信息海洋，激增的数据背后隐藏着许多重要信息，人们希望能对这些数据进行更深入的分析，来利用好这些数据。当前使用的数据库系统可以高效地实现数据的录入、查询、统计等功能，但是无法发现数据之间存在的关系和规则，无法根据现有的数据来预测未来的发展趋势，缺乏挖掘数据背后隐藏的知识的方法和工具，使之产生“数据爆炸但知识贫乏”的现象，数据挖掘技术便应运而生。
数据挖掘是指从数据库或其他信息库中大量的不完全、有噪声、模糊、随机的实际应用数据中，提取隐含的、人们事先不知道但又潜在有用，并且最终可理解的信息和知识的过程，它与数据库中的知识发现（Knowledge Discover-Database，KDD）密切相关[2]。
从教学信息技术角度来看，数据挖掘是一种崭新的教学信息处理技术，它的主要作用是对教学数据库中的大量数据抽取、转换、分析和其它模型化处理，从中提取出辅助教学决策的重要数据。
在网络教育平台运营的过程中，积累了大量的学习者信息的数据，但是目前教育工作者们并没有对这些数据进行充分地利用。数据挖掘技术在网络教育平台的应用还处于方法研究的阶段上，利用数据挖掘技术来提供课程的个性化推荐、成绩分析、提供个性化辅导等，使得学习者能够快速有效地找到適合自己的学习资料，制定自己的学习计划，也为网络教育平台锁定用户提供了途径。
3.考试系统中成绩预测的重要性
通过对学习者的学习成绩进行分析处理，可以及时得到学习者的评价结果，对学习者出现的不良学习行为进行及时指正，以使学习者及时地调整和改进自己的学习[3]。
成绩预测是利用历史数据找出影响成绩的因素、变化规律，然后建立模型，并由模型来对新学习者的成绩进行预测。通过预测结果，为学习者提供个性化的学习资源，创建个性化的学习辅导，促进他们的学习。
当前参与网络教育的学生人数越来越多，在学习者个人信息和成绩方面已经积累了大量的数据，教育工作人员和任课教师只是通过简单的统计或排序等功能获得表面的信息，由于缺乏信息意识和技术，隐藏在这些数据中的信息没有得到合理应用。可通过数据挖掘技术，将现有的数据转化为可使用的知识使学习者成绩数据得到最大程度的利用。（作者单位：兰州大学教育学院）
参考文献：
[1] 武胜良.Web使用挖掘在B2C电子商务中的应用[J].河南科技.2009，（3）.
[2] 赵聚雪，许龙飞，司徒浩臻.基于数据挖掘的智能化学习系统DMBILS[J].微计算机信息.2006，（7）.
[3] 邓晖.论网络环境下的学生特征分析系统设计[J].开放教育研究.2003，（3）.
[4] 李苗在.决策树技术在学生考试成绩数据库中的应用[J].教育信息化.2005，（6）.
[5] Margaret H.Dunham.数据挖掘教程[M].清华大学出版社.2005.
关键词：数据挖掘；网络教育平台；成绩预测
1.引言
随着信息技术、多媒体技术、电子商务及电子支付的不断发展，信息技术在教学中的应用越来越广泛，出现了各种各样的网络教育平台[1]。在网络教育平台快速发展的同时，积累了很多数据，如用户基本注册信息、考试成绩、访问日志信息等，现阶段已有的数据并没有发挥其真正的价值。利用数据挖掘技术来探索这些数据背后所隐藏的信息，成为近期很热门的研究方向。
人们往往都希望在事情发生之前，能够预测到结果，预测学也因此显得神秘而玄妙。数据挖掘技术的出现，使得预测过程不再神秘，而更具有科学性。很多因素表面上看起来和结果不存在任何联系，但数据挖掘的结果却证明他们之间存在某种联系。
2.数据挖掘技术在网络教育领域中的研究现状和意义
从网络教育平台学习者个人的现实需求来看，如果能够在考试之前阶段性地进行成绩预测，并得到有针对性的学习建议，从而阶段性地调整学习方法，以备考试。而不是在考试之后才得到自己的成绩分析情况。
网络教育平台作为电子商务中的B2C服务企业，属于垂直网络结构。作为B方，为客户C方提供内容和服务。但是当前的网络教育平台多数都是以提供内容为主，如课程培训、考试培训、职称培训等，这些平台提供的内容比较相似，教学模式单一，教学资源简单堆积，若能提供个性化、智能化服务，平台则可以凭借差异化的战略领先竞争对手。成绩预测功能是智能化服务的一个部分，根据成绩预测的结果，为C方提供针对其个人的个性化辅导，提供相关增值服务，以此达到锁定用户及吸引更多用户的目的。目前主流的几大网络教育培训平台，如聚英东方、新东方在线、中华会计网等都还停留在内容提供商，没有进入到服务提供商阶段。
提供个性化、智能化服务，实现成绩预测功能，不仅是C方学习者个人的需求，也是B方网络教育平台实行差异化战略、提升竞争力、获取新的经济增长点的一个需求。
随着信息技术和互联网的发展，展现在人们面前的是浩瀚无垠的信息海洋，激增的数据背后隐藏着许多重要信息，人们希望能对这些数据进行更深入的分析，来利用好这些数据。当前使用的数据库系统可以高效地实现数据的录入、查询、统计等功能，但是无法发现数据之间存在的关系和规则，无法根据现有的数据来预测未来的发展趋势，缺乏挖掘数据背后隐藏的知识的方法和工具，使之产生“数据爆炸但知识贫乏”的现象，数据挖掘技术便应运而生。
数据挖掘是指从数据库或其他信息库中大量的不完全、有噪声、模糊、随机的实际应用数据中，提取隐含的、人们事先不知道但又潜在有用，并且最终可理解的信息和知识的过程，它与数据库中的知识发现（Knowledge Discover-Database，KDD）密切相关[2]。
从教学信息技术角度来看，数据挖掘是一种崭新的教学信息处理技术，它的主要作用是对教学数据库中的大量数据抽取、转换、分析和其它模型化处理，从中提取出辅助教学决策的重要数据。
在网络教育平台运营的过程中，积累了大量的学习者信息的数据，但是目前教育工作者们并没有对这些数据进行充分地利用。数据挖掘技术在网络教育平台的应用还处于方法研究的阶段上，利用数据挖掘技术来提供课程的个性化推荐、成绩分析、提供个性化辅导等，使得学习者能够快速有效地找到適合自己的学习资料，制定自己的学习计划，也为网络教育平台锁定用户提供了途径。
3.考试系统中成绩预测的重要性
通过对学习者的学习成绩进行分析处理，可以及时得到学习者的评价结果，对学习者出现的不良学习行为进行及时指正，以使学习者及时地调整和改进自己的学习[3]。
成绩预测是利用历史数据找出影响成绩的因素、变化规律，然后建立模型，并由模型来对新学习者的成绩进行预测。通过预测结果，为学习者提供个性化的学习资源，创建个性化的学习辅导，促进他们的学习。
当前参与网络教育的学生人数越来越多，在学习者个人信息和成绩方面已经积累了大量的数据，教育工作人员和任课教师只是通过简单的统计或排序等功能获得表面的信息，由于缺乏信息意识和技术，隐藏在这些数据中的信息没有得到合理应用。可通过数据挖掘技术，将现有的数据转化为可使用的知识使学习者成绩数据得到最大程度的利用。（作者单位：兰州大学教育学院）
参考文献：
[1] 武胜良.Web使用挖掘在B2C电子商务中的应用[J].河南科技.2009，（3）.
[2] 赵聚雪，许龙飞，司徒浩臻.基于数据挖掘的智能化学习系统DMBILS[J].微计算机信息.2006，（7）.
[3] 邓晖.论网络环境下的学生特征分析系统设计[J].开放教育研究.2003，（3）.
[4] 李苗在.决策树技术在学生考试成绩数据库中的应用[J].教育信息化.2005，（6）.
[5] Margaret H.Dunham.数据挖掘教程[M].清华大学出版社.2005.