在線學習中的學習模型聚類與應用研究.pdf

1、隨著互聯網技術的迅速發(fā)展，在互聯網環(huán)境下為用戶提供優(yōu)質的個性化服務成為了研究的熱點。個性化在線教育以領域學科知識為核心，以計算機等信息技術為支撐，以網絡為傳播途徑，是集教育學、計算機科學、心理學和行為認知學等為一體的旨在實現教學界最高的目標--“因材施教”的應用系統(tǒng)。對現有的在線教育資源做了研究顯示：針對不同學習者的學習基礎、學習能力、學習特征、興趣和愛好等個性化特征提供有針對性的教學策略的研究還很薄弱。
　　本文圍繞在線教育的學

2、生模型構建與分析，完成的主要工作包括：
　　1、深入研究和分析了各種傳統(tǒng)學生模型的優(yōu)缺點，改進了面向在線學習學生模型。把原有的覆蓋模型和偏差模型糅合為知識模型；新增特征模型其中包括社會特征、媒體特征和性格特征三個子特征模型；對認知模型和情緒模型進行了新的闡釋。在此基礎上，總結提出了學生模型的全流程工作過程，給出了學習者特征數據庫，為分析學習者學習特征提供數據。
　　2、詳細研究和分析了現有的數據挖掘聚類算法，為分析學習者學習

3、特征提供相關技術支持。針對Kmeans的缺點提出了基于mean shift理論的新算法—MKmeans。采用國際通用的UCI測試數據庫（加州大學歐文分校（University of CaliforniaIrvine）用于機器學習和數據挖掘的數據庫）中的Iris數據集和Wine數據集來驗證新算法的質量。Iris和Wine數據集最后得到的總F-measure值都在93％之上，其中Iris數據集的F-measure值比原有的Kmeans算法提

4、升了8個百分點左右，Wine數據集的F-measure值比原有的K mea ns算法提升了20個百分點左右。
　　3、將MKmeans算法應用到本文提出的學生模型中的認知模型和知識模型，用來分析學習者的認知能力分組和發(fā)現學習者對知識的掌握程度，進而為不同能力等級和掌握程度的學習者提供適應性的學習資料和學習指導。
　　本文以提出的學生模型為指導，通過針對經典數據集的測試，與其他現有的算法相比，改進算法的質量有了較好的提升。該算