数据挖掘在教学设计中的应用研究

冯俐

摘 要 阐述数据挖掘在教学设计的学习者分析过程、教学评价过程中结果评价和学生评教、在线学习环境分析和设计等多个环节中的具体应用及其实现方式，为教育工作者提供借鉴，最后提出数据挖掘在教学设计中的应用前景是开发和应用教学专用的数据挖掘工具。

关键词 数据挖掘技术；学习者分析；在线学习环境

中图分类号：G642.0 文献标识码：B

文章编号：1671-489X（2016）06-0035-02

1 数据挖掘及其教育用途

数据挖掘是一个多学科的交叉领域，从教学设计的角度来说，数据挖掘更像是一种技术，帮助人们从大量的数据中发掘有用的知识。数据挖掘对教学设计有哪些用途？首先要介绍数据挖掘本身具有哪些用途。数据挖掘的用途一般可以分为两大类：描述性和预测性。描述性挖掘包括数据特征化、数据区分、关联分析和聚类分析等，主要用于描述数据的特征、区分类别等；预测性挖掘包括分类、回归等，主要用于预测数据将来的发展态势等。

教育数据挖掘是将来自各种教育系统的原始数据转换为有用信息的过程，这些有用信息可为教师、学生及家长、教育研究人员以及教育软件系统开发人员所利用。如果有一些或大量的学习者数据，如个人的基础信息数据和学习情况，就可以从中分析学习者的某些特征和预测规则等。

2 数据挖掘在学习者分析中的应用

学习者分析是教学设计过程最前的环节，也是很重要的一个环节。数据挖掘在描述学习者的知识结构和认知习惯上有突出优势。从教务部门获得学习者的基本信息（如年龄、性别、年级、专业等）和学习情况（学习者以往各门功课的成绩、选修情况、图书借阅记录、自学时间等），对数据进行清理，处理缺失和噪音值，采用一定的编码方案，将数据简化压缩（如各门功课的成绩分成五个区间：0～40为很差，40～60为较差，60～80为中等，80～90为较好，90～100很好），再对数据进行规约（如离散化或概念分层等），如图1所示。

将某学生考试成绩数据清理，剔除并修改噪声值，通过对数据进行编码和规约，可把学生出生年份、性别、入学年份、成绩等信息处理成简单的二元或多元值（编码和规约的程度根据挖掘目的来确定，图中只是举例说明）。经过这一些数据预处理操作，形成可挖掘的学习者数据。这是数据挖掘过程最耗时的工作，也是所有数据挖掘工作之前的基础。

经过上一步工作，就可以用数据挖掘的相关技术处理数据了。通过对学习者以往各门功课成绩的特征化分析，可以了解到学习者的前期知识结构情况；通过对多门课程偏重的认知能力分类，可以得到学习者认知能力的大致情况；通过对学习者选课记录和图书借阅记录的预测分析，可以了解学习者的兴趣方向。

3 数据挖掘在教学评价中的应用

数据挖掘中有个观念是“强关联规则不一定是有趣的”，这是说规则AB的置信度有一定的欺骗性，即使该规则的置信度很高，也可能两者之间不相关或负相关。在教学评价中，可以用来帮助判断两个事项间的相关性。如某工科院校某年级共1000名学生，期末考试中某门程序设计课程中得分大于80分的人数有600人。平时，该年级喜好打网络游戏的人数是700人，这些人里本门课程的期末成绩大于80分的有400人，成绩大于80分与喜爱网络游戏的相依表如表1所示。可计算出喜好打网络游戏的人中有57%的比例得到80分以上，这个比例在统计学中来说算是很高的置信度了。从这个年级学生成绩数据来说，打游戏会得高分的规则是否成立？答案是否定的。因为打游戏得高分的比例比起总人数中得高分的比例60%少，所以打游戏与得高分呈一定的负相关。

学生评教产生大量的数据内容，采用数据挖掘技术对评教数据进行分析，弥补传统思辨方法的不足。通过评教数据的相关性分析可以检测学生评教的有效性水平，利用聚类和主成分分析的方法，分析影响评教成绩的主要原因[1]等。马秀麟等学者通过对两所院校的评教数据进行分析发现，虽然有些客观因素会影响到评估分，学生的评价结果是可信的和稳定的，学生对教师的评分和他们的学习成绩是相关的，而且这种评价甚至比同行评价更少受到其他因素的干扰，部分教师获得差评的主要原因是对教学的投入不足和实践性知识的欠缺。

4 数据挖掘在在线学习环境中的应用

数据挖掘有一个重要的分支内容就是Web数据挖掘，Web挖掘就是在Web上实现数据挖掘技术的应用，具体讲就是从和WWW有关联的资源或者是行为中进行数据挖掘以获得感兴趣的、有用的模式，找出其中的隐含信息[2]。

通过对在线学习环境的Web记录挖掘，可以发现潜在使用者、访问习惯等兴趣信息；可以对在线学习环境中的内容进行挖掘，具体有图像、音视频、文本或者多种媒体融合；在线学习环境中各种自定义的链接结构实现了结构信息、质量信息和内容信息等的存储，Web结构挖掘也是可以利用的重要内容之一。根据对记录、内容和结构的挖掘结果，实现对学习者的内容智能推送等功能。总的说来，数据挖掘为在线学习环境中个性化学习提供了技术支持，为自动化的分类、学习和推送提供了技术支持。高美的研究中设计完成了一个在线个性化学习系统，通过数据挖掘技术实现个性化学习在线管理、自动化学习能力评估和个性化课件资源推荐等功能。

5 数据挖掘在教学设计中的应用前景

数据挖掘在教学设计的主要应用前景在于教学专用工具的发开与应用。目前，国内外已有许多商业或免费数据挖掘应用工具，主要有SPSS Clementine、SAS Enterprise Miner等，Excel和SQL Server等软件也提供了数据挖掘模块工具。国内外逐渐出现专用教育数据挖掘工具，如为课件作者提供反馈的发现预测规则工具EPRules，远程学习数据可视化工具GISMO，帮助教师识别学生在线练习相关模式工具TADA-ED，能检索和解释学习者序列导航模式工具03R，能为学习者推荐下次访问最佳链接的挖掘工具AHA，等等；国内如陈超美博士开发的可视化文献分析工具citespace，刘启元开发的文献题录信息挖掘工具Sati，等等[3]。

对教育工作者来说，为使用专业的数据挖掘工具还得专门学习数据挖掘的一些基础概念和方法，这提高了数据挖掘这门技术在教学设计中应用的门槛。因此，数据挖掘在教学设计中的应用前景是需要开发教学专用的工具，如专门的学习者认知结构分析软件、评教系统信息挖掘和在线学习内容推送等，同时依据教学设计的流程，采用教学术语，为具体的教学设计目的服务。

参考文献

[1]马秀麟，衷克定，刘立超.从大数据挖掘的视角分析学生评教的有效性[J].中国电化教育，2014（10）：78-84.

[2]韩家炜.数据挖掘概念与技术[M].范明，译.北京：机械工业出版社，2012：172-173.

[3]刘冰.国内E-learning数据挖掘研究现状与应用综述[J].淮南师范学院学报，2015（2）：87-92.

[4]乌美娜，刘美凤，张祖忻，等.教学设计[M].北京：高等教育出版社，1994.

[5]高美.远程教育个性化学习系统中Web挖掘的应用与研究[D].成都：电子科技大学，2013：11-13.