基于数据挖掘技术的网络教学策略探讨

孙玉荣 黄慧华

[摘要]网络教学中的一个难点是教师如何对学生的学习过程进行监控,从而实现基于网络教学平台的教与学的有效结合。文章结合网络教学过程涉及的学习资源设计开发阶段与学习支持阶段,应用数据挖掘技术,建立了相应的学生分类模型,并对学习者行为要素间的关联关系进行挖掘。依据分类模型对不同的学生群体使用不同的教学目标和教学内容组织策略,实现对学生网络分层教学;根据关联规则实现监控、评价,提高师生的交互性,实现教师对教学过程的监控和引导。

[关键词]数据挖掘 网络教学策略 关联规则 分类模型

[作者简介]孙玉荣(1969- ),女,湖南株洲人,中南林业科技大学理学院,副教授,主要从事计算机教育与应用研究;黄慧华(1978- ),女,湖南长沙人,中南林业科技大学理学院,讲师,主要从事计算机教育与应用研究。(湖南长沙410004)

[课题项目]本文系中南林业科技大学2006年度教学研究项目“《数据结构》网络教学平台的研究”的研究成果。(项目编号:2006016A)

[中图分类号]G642.4[文献标识码]A[文章编号]1004-3985(2009)35-0131-03

一、问题的提出

在网络这种开放性的教学环境下,教师与学生相分离,教师不再是教学活动的中心,因此,传统教学策略也就不能完全适应网络教学,教师需要根据网络特征改变传统教学策略和方法,制定适合于网络教学的网络教学策略。

徐春华等人认为:网络教学策略是以网络教育理念为指导,在特定的网络教学情景中,为满足学习的需要和达成学习目标,对学习活动进行引导和监控的系统措施和行为。这种引导和监控过程是以对学习目标、学习资源、学习者特征、学习环境等要素的分析为基础,系统运用教学方法,选择教学媒体,优化教与学的过程。①

显然,在网络教学实施过程中,教师的作用并没有淡化,网络教学反而对教师提出了更高的要求:教师需要具备对信息进行筛选、鉴别和使用以及进行网络教学策略调整的能力。因此,如何从急剧增长的教育信息中发现数据中隐藏的规律或模式,即如何对取得的教育信息进行辨识,从中及时发现有用的知识,实现对学习活动的监控和引导,以期调整教学策略,提高教学质量,就成为一个是相当重要的课题,而解决这样的问题,需要引进新的技术手段。

数据挖掘技术可以从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中,提取隐含在其中的人们事先不知道的,但又是潜在有用的信息和知识。利用该技术对数据库中的潜在规则进行挖掘,并把获取的信息和知识提供给决策者,支持系统已经广泛地应用于各种相关领域,包括商务管理、生产控制、市场分析、工程设计、科学探索和网络教学等,因此,对教育信息进行辨识,发现有用的知识,调整教学策略就是一种非常有效的手段。根据国内外对各类模式挖掘算法的研究,本文确定的挖掘算法为:采用FP-Tree关联规则挖掘算法进行关联规则挖掘,运用分类模型判定树归纳算法进行数据挖掘,用于挖掘技术分析的数据来源于数据结构网络教学课程。

二、学习者学习行为要素定义

有专家提出,在线环境中的成功学习受到以下四个方面因素的影响:技术因素、环境因素、个体因素、学习特征因素。②本文假设参与网络教学的师生都具备了相关的网络技能,网络环境有保障。因此,要提升网络教学的教学质量,调整网络教学策略,就需要分析学习者个体因素和相关的学习特征因素,对于这两个因素,我们把它定义为学习者的学习行为要素,为便于算法的实现,把学习者行为要素具体细分为:学生的学习时间、学习次数及网络课堂讨论和学习成绩。通过对这些行为要素间的挖掘,探讨网络教学策略的实施途径。

三、基于数据挖掘技术的网络教学策略

网络教学策略的运用,即网络教学的执行与调控,需要结合网络教学的过程来加以分析。本文根据网络教学过程包括的两个阶段:学习资源设计开发阶段与学习支持阶段③,借助于数据挖掘技术,分阶段讨论网络教学策略的实施:

1.学习资源设计开发阶段。这一阶段对“教”的考虑较多, 各环节有一定的先后顺序,而且各环节之间也相互影响,如目标制定得如何就直接影响到内容的组织等环节,而内容的组织与教学的实施又会影响到目标的达成质量。涉及的策略主要包括目标制定策略、内容组织策略、媒体选择策略、授递策略。④根据我们定义的学习者行为要素,从数据挖掘技术角度探讨网络教学策略,我们更倾向于前两个策略的调整。

教学目标是指教学中学生通过教学活动要达到的预期的学习结果与标准。教学目标是一个多层次的教学目标体系,可以分成:课程教学目标、单元教学目标、课时教学目标等不同的层次。本文探讨的是单元教学目标。

著名的心理学家、教育学家布卢姆提出的掌握学习理论认为:“只要在提供恰当的材料和进行教学的同时,给每个学生提供适度的帮助和充分的时间,几乎所有的学生都能完成学习任务或达到规定的学习目标。”在这一理论指导下,在实施网络教学过程中,我们依据分类模型判定树算法建立了学生学习内容分类模型,见右图。

判定树的第一层条件为每一章节的单元测试成绩,分别表示为优秀、合格和不及格。不及格的同学在下一章节进入C类教学目标学习,优秀的同学则进入A类教学目标学习,合格的同学则根据学习的次数来决定下一章节的教学目标。学习次数为0~2次的同学进入B类教学目标学习,3～5次的同学则需要根据学习时间判定,根据判定树可知,所有同学都进入了B类教学目标学习,这和我们日常的判断逻辑相符。因为学习次数较多,学习时间较长,但成绩却是合格的同学很有可能是因为方法不当等原因导致接受知识能力较差,进入A类目标学习显然是不合理的。当学习次数大于6次时,可以根据学生参与BBS讨论的次数决定学生的下一章节的学习目标,对于讨论次数0～2次的同学,将其学习目标定为B类,对于讨论次数3次以上的同学,其学习目标则定为A类,这类学生表现出对知识的渴求,兴趣较浓,理解知识的能力相对较强。

依据该判定树模型,教师可以了解学生对知识的掌握能力和掌握程度,并据此将教学目标制定为A类、B类和C类三类,其中C类目标是学生学习后达到的最低目标,这是所有学生通过努力学习后都能达到也必须达到的标准。A类目标是在符合大纲要求的基础上,针对那些学习动机明确、上进心强、学习效率高、对知识理解能力强的学生而制定的目标,B类介于A类和C类之间。教师通过该模型,也可以对学生学习下一章节内容的效果进行预测。

有学者指出:网络课程结构体系相对完整,学生网上学习时间和次数会相应增长⑤。据此结论和分类模型预测结果,教师在组织教学内容时,有针对性地对学习次数和时间相对较少的同学特别是C类层次学习的同学,尽可能多地提供课程导学材料、练习材料及复习资料,并提供明确的导航指引,以增加学生上网学习的次数,延长学习时间。对A类学生,则要注重知识和技能目标的结合,注重能力和技能的培养,并提供一些能反映学科发展前沿和最新成果的资源及相关案例,以提升学生的专业技能并拓宽知识面。B类学生则在符合大纲要求的基础上注重实践动手能力的提高,并提供反映学科前沿的部分资源和相关案例,激发学生思考、引导学生进行自主学习与协作学习,提高知识接受能力。在此思路指导下,教师根据教学目标选择并开发适合某一学生群体的教学内容,从而实现对学生的网络分层教学。

2.学习支持阶段。这一阶段考虑更多的是学习者的“学”,教师则成为学习的引导者、督促者以及学习环境的创设者,这一教学阶段具有更多的动态特征。因此,网络教学策略的建构与运行主要是对网络教学活动进行有意识地监控、评价、反馈、调节⑥,尽可能地协调好教学活动中各要素间的关系,使教学过程最优化,更有效地完成学习目标。因此涉及的策略包括引导策略、交互策略、监控策略和评价反馈策略。数据挖掘技术是实现监控策略的有效手段,本文根据关联规则挖掘结果,探讨引导策略和交互策略的实施。

利用FP-Tree关联规则挖掘算法对学习者行为要素进行挖掘,得到的关联规则挖掘结果,见下表。

从上表可以看出,学习时间在2小时以下的并且成绩不及格的同学占全班的7.69%,学习时间在2小时以下的同学中有75%的学生成绩不及格。学习时间在6小时以上,学习次数多于6次且成绩为优秀的学生占全班的7.69%,这部分同学中有75%也积极参与BBS讨论,而学习时间少于2小时,次数少于3次,基本不参与讨论的同学,不及格率为100%,这部分同学占全班的7.69%。这说明学习时间、讨论次数对学生学习成绩的影响很显著;师生网上交互率的高低与学生网上学习时间和次数也明显相关。从表中还可以看出,学习次数多于6次的学生中有92.31%的学生,其学习时间一般也会超过6小时,这部分学生占全班的61.54%,说明学生的自控能力较强,学习动机较强。综上所述,通过对学习者行为要素关联规则的挖掘,可以掌握学生网上学习行为,从而为教师的教学策略调整提供依据,可以更好地进行学生的培养。

“授人以鱼,不如授人以渔”,从教学的角度来看,就是说教会学生书本上的知识,还不如教会学生学习知识的能力。因此,对学习者的引导是至关重要的,而对学习者的引导应贯穿于整个学习过程,引导内容主要有网络学习的观念、方法、过程;课程学习的目标、方法、技能等;资源获取途径;问题解决与求助方法。师生交互率的提高是提升引导效果的最直接方式,据此,我们对如何提高师生交互率采取了相应的策略:调整教学内容,并制定可激活性的话题或问题,激发学生参与BBS讨论的兴趣;当教师主持讨论时,要鼓励学生深层次的理解与沟通,激发学生积极思考、参与和自我展示,同时,适时发表一些见解,提高学生发言的聚合度,控制学生讨论的进度与方向;提供一些能反映学科发展前沿和最新成果的资源及相关案例,或对课程学习和考试有帮助的资料,供学生研讨和充分利用;通过电子邮件对学习者进行个别指导,提供有针对性的指导与帮助。这种策略调整,间接增加了学生的学习时间、学习次数以及参与BBS讨论的次数和讨论效果,最终提升了整体学习效果。

四、结论

从分类模型可以了解学生对知识的掌握程度和运用能力,从而制定不同的教学目标,并根据预测结果及学生的学习行为要素,选择并开发适合某一学生群体的教学内容,从而实现对学生的网络分层教学。根据关联规则结果分析,可以了解学习者学习行为各要素间的关联,有利于教师的学习引导者、督促者及学习环境的创设者这种角色的实现。基于此,本文认为,数据挖掘技术是一种有效地实现教学监控和评价的手段,通过对挖掘的结果进行分析和评价,教师调整教学策略帮助学生形成有效的认知策略是完全可靠可行的,是实现网络教与学有效结合的技术支持。

[注释]

①③④⑥徐春华,侯铁翠,黄喜民,等.网络教学策略结构分析[J].中国远程教育(综合版),2006(10):37,38,39,39.

②桑新民,李淑霞,孟红娟.远程学习者学习能力培养的整体思考[J].中国远程教育,2007(5):37.

⑤龚志武.关于成人学生网上学习行为影响因素的实证研究[J].中国电化教育,2004(8):32.

[参考文献]

[1]杨引霞,谢康林,朱扬勇,左子叶.电子商务网站推荐系统中关联规则推荐模型的实现[J].计算机工程,2004,30(19):57-59.

[2]印鉴,陈忆群,张钢.基于数据仓库的联机分析挖掘系统[J].计算机工程,2004,30(19):49-51.

[3]汤小文,蔡庆生.数据挖掘在电信业中的应用[J].计算机工程,2004,30(6):36-37,41.

[4]刘均,李人厚,郑庆华.网络学习中学习者个性挖掘方法的研究[J].西安交通大学学报,2004(6):575-578.

[5]孙莹,程华,万浩.基于数据挖掘的远程学习者网上学习行为研究[J].中国远程教育,2008(5):44-47.

[6]马希荣,孙华志.数据挖掘技术在教学评价中的应用[J].计算机工程与应用,2003(19):51-54.

[7]杨清莲,周庆敏,常志玲.Web挖掘技术及其在网络教学评价中的应用[J].南京工业大学学报(自然科学版),2005,27(5):100-103.

[8]Tung A K H,Lu Hongjun,Gan Jiawei,et al.Efficient Mining of Interransaction Association Rules[J].IEEE Transactions on Knowledge and Data Engineering,2003,15(1).