基于数据挖掘技术的自适应学习系统的研究

摘要：本文分析了划一式教学的缺陷，引入了自适应学习系统。创造性的提出了数据挖掘技术在自适应学习系统中的应用。并介绍了数据挖掘技术在自适应学习系统中的实现步骤。

关键词：数据挖掘；划一式教学；自适应；自适应学习

中图分类号：TP393.092 文献标识码：A 文章编号：1007-9599　（2012）　19-0000-02

1 划一式教学方法的缺陷

（1）该教学方法设计不能充分考虑学生的个体差异，不能根据个体差异进行因材施教。（2）该教学方法的　教学内容的表现方法十分单一，不能重设计适合学生特点的学习环境。（3）自主学习教学资源不足。并没有为学生提供丰富的学习资源以便利于学生自主学习。（4）缺乏动态交互性效果。划一式课程教学信息交互性差、内容陈旧、更新速度慢，不能与时俱进，根据实际情况更新教学内容，学生只能被动的接受，不能主动的参与进行主动学习，教学效果欠佳。

为了解决以上问题，因材施教达到个性化学习的目的，加强自适应学习系统的建设，完善自适应学习系统的功能需求迫在眉睫。也就是要进一步加强系统对学生的引导性，提高自适应学习系统的智能性等等。因此可以看出现有的自适应学习系统的要解决的首要问题就是分析学生的学习特征。分析学生的学习特征的核心也就要研究学习者的个性化学习特征。这是一个典型的分析规律与匹配对比进行合理决策的问题，同时也是一个典型的数据挖掘问题。序列模式挖掘可以根据学生使用的不通资源学习以及学习过程，找出这些各类资源的组合和顺序以及他们的共性规律，这样经过分析、比对可以提供符合　学生性化学习规律的适应性学习方案。

2 自适应学习系统的设计

适应性教学系统是随着适应性超媒体技术的兴起而随之发展起来的，他主要考虑的是学生的知识背景、学习目标、学习方向、学习能力、和学习要求的个性化差异，为学生提供有个性化差别的自适应性个性化的学习环境。基于适应性超超媒体系统发展起来的自适应学习系统综合的应用了计算机技术、网络技术、多媒体技术和人工智能技术。能够从多方面，多角度的满足学生个体需要。提高个体学习效率。适应性学习系统的功能主要包括两个方面：一是适应性内容呈现、二是适应性导航。

自适应学习系统的关键技术在于个体差别，根据学生的学习性差别学习特征，建立最适应该学生的学习内容、适合该学生的学习方法，及合理的学习安排。学生的学习特征包括初始学习时的准备状态、基本学习时的一般特征、以及常态学习时的学习风格等。自适应学习系统就是根据研究者所建立的学生学习特征数据库及适应学习的特征数据库，快速挖掘建立匹配学习安，学习内容。快速，最科学的满足学生个性化学习要求。

3 数据挖掘技术

数据挖掘技术就是从大量数据中获取有效的、有规律的、潜在可用的、可理解有用的模式的过程，换句话说，数据挖掘技术就是从大量数据中提取有用的可用的信息源。可以看出数据挖掘技术把用户对数据的应用从低级的增加、删除、修改、查询升级到从数据中挖掘可用的数据源，并对比分析提出决策支持。提升的决策系统和人工智能系统。数据挖掘系统是一门交叉学科，如图1所示。它是信息科学、数据库技术、可视化技术、机器学习技术、统计学以及其他相关科学的交叉学科。可以应用于多个领域。可以有效的提高决策的准确性以及决策效率。

数据库技术机器学习信息科学其他学科图1统计学数据挖掘可视化

4 数据挖掘技术在自适应学习系统研究中的应用

自适应学习系统，首先采集学生在线学习行为，对数据信息进行整理、归类、排序、存储建立学生学习规律的数据源数据库。第二步对所建立的数据库中的可用数据资源进行对比分析，运用相关序列挖掘有用算法找出此数据库用用知识的内在规律。第三步根据数据挖掘技术挖掘、对比、分析的结果给出适应学生个性化学习的学习方案。

第一步数据预处理：在该阶段首先采集学生学习内容，包括图形、音频、视频等多媒体数据源。第二步采集学生的学习特征取值。包括学习知识点ID、学生ID、学习时间学习顺序、等。数据采集表如

第二步根据数据源产生的相关数据库生成数据大序列。把系统支持度设为60%，用数据挖掘算法找出的大序列集。根据支持度与置信度，由系统生成学生学习的个性化规律。

第三步随机抽取个体样本组，进行评估，找出分类正确支持率在85%到90%之间，比较稳定的结果。

参考文献：

[1]祝智庭.网络教育应用教程[M].北京师范大学出版社，2001.

[2]邓晖.网络个性化学习学生特征分析系统的分析与设计[J].远程教育杂志，2003（1）：11-13.

[3]吴战杰.网络远程教育中学习者特征分析体系的构建及学生模型（student　model）的设计[J].陕西师范大学教育技术学，2004.

[4]毛国君，段立娟，王实，石云.数据挖掘原理与算法[M].清华大学出版社，2005.

[5]Jiwen　Guan，David　A.Bell　and　Dayou　Liu.　Data　Mining：Tools　and　Applications.　Intelligent，2005.

[6]　Jiawei　Han，Hong　Cheng，Dong　Xin，Xifeng　Yan　Frequent　pattern　mining：　current　status　and　future　directions　.Data　Mining　Knowledge　Disc，2007.

[7]马少平，朱小燕.人工智能.清华大学出版社，2004.

[8]陈文伟，黄金才，赵新昱.数据挖掘技术.北京工业大学出版社，2002.

[9]丁琳，吴长永.数据挖掘在远程教育个性化服务中的应用[J].电化教育研究，2002（9）：43-46.