在線學(xué)習(xí)中的學(xué)習(xí)模型聚類與應(yīng)用研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的迅速發(fā)展，在互聯(lián)網(wǎng)環(huán)境下為用戶提供優(yōu)質(zhì)的個(gè)性化服務(wù)成為了研究的熱點(diǎn)。個(gè)性化在線教育以領(lǐng)域?qū)W科知識(shí)為核心，以計(jì)算機(jī)等信息技術(shù)為支撐，以網(wǎng)絡(luò)為傳播途徑，是集教育學(xué)、計(jì)算機(jī)科學(xué)、心理學(xué)和行為認(rèn)知學(xué)等為一體的旨在實(shí)現(xiàn)教學(xué)界最高的目標(biāo)--“因材施教”的應(yīng)用系統(tǒng)。對(duì)現(xiàn)有的在線教育資源做了研究顯示：針對(duì)不同學(xué)習(xí)者的學(xué)習(xí)基礎(chǔ)、學(xué)習(xí)能力、學(xué)習(xí)特征、興趣和愛好等個(gè)性化特征提供有針對(duì)性的教學(xué)策略的研究還很薄弱。
　　本文圍繞在線教育的學(xué)

2、生模型構(gòu)建與分析，完成的主要工作包括：
　　1、深入研究和分析了各種傳統(tǒng)學(xué)生模型的優(yōu)缺點(diǎn)，改進(jìn)了面向在線學(xué)習(xí)學(xué)生模型。把原有的覆蓋模型和偏差模型糅合為知識(shí)模型；新增特征模型其中包括社會(huì)特征、媒體特征和性格特征三個(gè)子特征模型；對(duì)認(rèn)知模型和情緒模型進(jìn)行了新的闡釋。在此基礎(chǔ)上，總結(jié)提出了學(xué)生模型的全流程工作過程，給出了學(xué)習(xí)者特征數(shù)據(jù)庫，為分析學(xué)習(xí)者學(xué)習(xí)特征提供數(shù)據(jù)。
　　2、詳細(xì)研究和分析了現(xiàn)有的數(shù)據(jù)挖掘聚類算法，為分析學(xué)習(xí)者學(xué)習(xí)

3、特征提供相關(guān)技術(shù)支持。針對(duì)Kmeans的缺點(diǎn)提出了基于mean shift理論的新算法—MKmeans。采用國際通用的UCI測試數(shù)據(jù)庫（加州大學(xué)歐文分校（University of CaliforniaIrvine）用于機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘的數(shù)據(jù)庫）中的Iris數(shù)據(jù)集和Wine數(shù)據(jù)集來驗(yàn)證新算法的質(zhì)量。Iris和Wine數(shù)據(jù)集最后得到的總F-measure值都在93％之上，其中Iris數(shù)據(jù)集的F-measure值比原有的Kmeans算法提

4、升了8個(gè)百分點(diǎn)左右，Wine數(shù)據(jù)集的F-measure值比原有的K mea ns算法提升了20個(gè)百分點(diǎn)左右。
　　3、將MKmeans算法應(yīng)用到本文提出的學(xué)生模型中的認(rèn)知模型和知識(shí)模型，用來分析學(xué)習(xí)者的認(rèn)知能力分組和發(fā)現(xiàn)學(xué)習(xí)者對(duì)知識(shí)的掌握程度，進(jìn)而為不同能力等級(jí)和掌握程度的學(xué)習(xí)者提供適應(yīng)性的學(xué)習(xí)資料和學(xué)習(xí)指導(dǎo)。
　　本文以提出的學(xué)生模型為指導(dǎo)，通過針對(duì)經(jīng)典數(shù)據(jù)集的測試，與其他現(xiàn)有的算法相比，改進(jìn)算法的質(zhì)量有了較好的提升。該算