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)的個性化服務(wù)成為了研究的熱點。個性化在線教育以領(lǐng)域?qū)W科知識為核心，以計算機等信息技術(shù)為支撐，以網(wǎng)絡(luò)為傳播途徑，是集教育學(xué)、計算機科學(xué)、心理學(xué)和行為認知學(xué)等為一體的旨在實現(xiàn)教學(xué)界最高的目標--“因材施教”的應(yīng)用系統(tǒng)。對現(xiàn)有的在線教育資源做了研究顯示：針對不同學(xué)習(xí)者的學(xué)習(xí)基礎(chǔ)、學(xué)習(xí)能力、學(xué)習(xí)特征、興趣和愛好等個性化特征提供有針對性的教學(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，改進了面向在線學(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(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(shù)據(jù)庫（加州大學(xué)歐文分校（University of CaliforniaIrvine）用于機器學(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個百分點左右，Wine數(shù)據(jù)集的F-measure值比原有的K mea ns算法提升了20個百分點左右。
　　3、將MKmeans算法應(yīng)用到本文提出的學(xué)生模型中的認知模型和知識模型，用來分析學(xué)習(xí)者的認知能力分組和發(fā)現(xiàn)學(xué)習(xí)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(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)，通過針對經(jīng)典數(shù)據(jù)集的測試，與其他現(xiàn)有的算法相比，改進算法的質(zhì)量有了較好的提升。該算