基于海量數(shù)據(jù)挖掘的知識學習效果預測方法研究.pdf

1、隨著人類生活進入信息社會,以信息技術為核心的信息時代對教育領域產生了深刻的影響,并將成為教育改革的技術基礎與動力。數(shù)據(jù)教育挖掘也隨之成為一個新興的、備受關注的研究方向。顯而易見,教育領域的各類數(shù)據(jù)將隨著信息化的發(fā)展而極速增加,人們也因此開始思考如何從這些海量和復雜繁冗數(shù)據(jù)中獲取有用的信息,并將這些信息用以提高人類教育水平和學習效率。正是這一問題的提出使教育數(shù)據(jù)挖掘意義重大。
　　本文針對如何更好地從海量數(shù)據(jù)中挖掘出對學習者有用的信

2、息,并為教育決策部門與機構提供有用的參考信息而提出基于海量數(shù)據(jù)挖掘的知識學習效果預測方法研究。該系統(tǒng)以訓練學生數(shù)學答題行為為模型,根據(jù)其以往行為表現(xiàn),預測學生將來的答題準確率,從而達到對學生學習效果的評測,并及時根據(jù)學生學習效果調整教學過程。本系統(tǒng)主要包括以下兩部分。
　　(1)特征生成階段。根據(jù)學生與學校的智能輔導教學系統(tǒng)的交互日志對數(shù)據(jù)進行分析,并選擇合適特征。因為原始數(shù)據(jù)集屬性復雜,記錄間有時間先后順序且數(shù)據(jù)量大等特點,本文

3、在特征提取部分工作主要包括:使用基于時間特征的方法生成驗證數(shù)據(jù)集,對原始數(shù)據(jù)集的部分復雜結構屬性,如組合屬性進行分離處理。因為學生學習過程會隨著時間的變化而變化,為克服測試集無時間屬性轉而針對原始數(shù)據(jù)集的特點進行其他時間特征生成。此外,在本文中為了對更好地表示分類器輸入,還將對特征進行歸一化與二值化處理,并用稀疏矩陣表示。
　　(2)學習效果預測階段。為了達到較好的實驗結果,本文主要嘗試使用了兩種分類器,一種是K-近鄰算法,并在兩

4、個方面改進了該算法,另一種是邏輯回歸。對K-近鄰的改進,本文將改進過程中涉及到的權值調整進行了大量的實驗,主要是為了使其在大數(shù)據(jù)集上能夠訓練出結果,并且訓練、分類的時間可以讓人接受。對于邏輯回歸,本文采用原始數(shù)據(jù)集升維方式將非線性問題轉化為線性問題,其中邏輯回歸中使用的調整參數(shù)的方法為梯度下降法。
　　經實驗,在小數(shù)據(jù)集上，K-近鄰算法的訓練速度以及分類效果可以接受,但在大數(shù)據(jù)集上表現(xiàn)不佳,而邏輯回歸方法在本問題上的表現(xiàn)較好,訓練