论文基于数据挖掘的网络教育学习成绩细分预测和实现是关于本文可作为相关专业数据挖掘论文写作研究的大学硕士与本科毕业论文数据挖掘论文开题报告范文和职称论文参考文献资料。
[摘 要]
当前,各类网络教育管理和学习系统日渐完善,网络学习形成性评价系统正在促使网上学习行为的真实发生.学生通过网上学习,在各类管理和学习系统中产生了许多有用的信息和数据.以SPSS的Clementine 12.0为实验环境,通过对网络学历教育本科学生英语相关课程成绩及学习信息的分析,实现了对成人学位英语考试成绩的细分预测.首先,运用数据聚类的K-means算法,对已有学生学位英语考试的成绩确定了较为具体的分数分布区间；然后,采用数据分类中的C5.0算法,以该分数区间为预测目标,构建了成绩的细分预测规则；最后,实现了成人学位英语考试的成绩细分预测系统.对成绩预测相关变量的重要性进行了分析,提出了提高网络教育本科学牛英语学习水半和成人学位英语考试成绩的相应策略.
[关键词]
网络教育；数据挖掘；成人学位英语；细分预测规则；细分预测系统
随着大数据时代的到来,数据挖掘技术越来越多地被运用到各行各业中,以实现对行业未来的各类预测,并作为实现行业优化决策的依据.教育大数据和教育数据挖掘在互联网、教育云计算、移动设备、人工智能等技术的高速发展下,迅速成为教育领域的热门话题.我国从1999年开展现代远程教育试点工作以来,经过16年的发展,各类网络教育学习和管理系统日渐完善.尤其是近几年,随着各试点高校形成性评价措施的推行,在网络教育的各类学习和管理系统中产生和保存了大量学生在线学习的过程性数据,包括学生的基础信息、各门课程的平时在线学习情况、过程性评价成绩和最终考试成绩.学生平时在线学习情况包括在线学习的次数和每次学习的时间长度、学习内容、参与在线互动交流的记录等；过程性评价成绩包括在线作业、即时测验的得分、互动讨论中教师和同学的评价等.目前,这些数据仅是作为学生的电子学习档案存在于各数据库中,并未通过合适的数据分析技术对各类数据之间的内在联系和隐含的学习规律做进一步研究并加以运用.如能运用教育领域的数据分析方法,即教育数据挖掘技术,通过对已参加某门课程学习并已有考核结果的学生个人基本信息、网络学习行为信息、相关前置课程成绩等进行分析,建立与课程最终考核结果的关联模型,实现对未参加该课程考核学生的成绩预测,将会给运用个性化的学习支持服务技术支持学生提高学习效果和课程考核成绩提供有力的决策依据等（祝智庭,等,2013；Harikumar,2014）.
实现学位英语考试成绩预测,我们将其定义为学习成绩的细分预测,即依据学生相关的学习数据,预测学位英语考试成绩具体的分数范围.本文先通过数据挖掘技术中的聚类方法,对已有的学生学位英语考试成绩分布进行归类,找出其符合聚类条件且同时也符合实际预测目标要求的分数范围.然后,将其作为分类目标,通过数据挖掘技术中的分类方法,构建学生参加学位英语考试的成绩细分预测规则.最后,实现了成人学位英语考试的预测系统.
一、预测需求分析及实现技术
教育数据挖掘是数据挖掘技术在教育领域的具体应用.预测、聚类、关系挖掘、模型构建等方法则是教育数据挖掘技术常用的方法（顾小清,等,2010）.应用数据挖掘方法从各类教育系统积累的数据中提取有意义的信息和规则,可以为教师、学生、管理人员、教育研究人员和教育软件开发者等提供教学决策、教学质量控制和软件开发需求等相关依据.Baker（2014）提出了四个教育数据挖掘的关键应用：改善学生模型,改善领域模型,研究教学、学习支持软件,以及科学探究学习者及其学习.教育数据挖掘与普通的数据挖掘过程一样,包括数据预处理、规则构建和数据归类三个阶段.数据聚类和分类是应用最广的两大数据归类规则构建技术.数据分类适合已有明确类别目标的场合；数据聚类适合不存在分类体系或类别目标不确定的场合,一般作为某些应用的前端（Kantardzic,2011）.
(一)预测需求分析
对于参加网络教育中本科学历教育的学生而言,部分公共课程统考中的英语考试和成人学位英语考试是学生英语学习中最重要的两门考试.通过英语统考是网络教育本科层次学生毕业所必须具备的条件,而通过成人学位英语考试是学生获得成人学士学位的必备条件之一.同时,按教育部相关文件规定,成人学位英语考试合格可以获得英语统考的免考资格.
网络教育公共课程英语统考的成绩仅分为“合格”与“不合格”,从数据分析的角度看,这很明显是数据挖掘中的数据分类问题,分类的目标就是两个（孙力,等,2015）.而成人学位英语考试是公布具体成绩的,按照每个高校的成人学士学位授予条例,对不同专业类别的学生,有不同的成绩要求.以江南大学为例,网络教育本科学生参加江苏省成人学位英语考试,合格成绩要求为：艺术类专业55分,普通理工、文史、经管类专业60分,英语类（含国际贸易）专业70分.从数据分析的角度来看,虽然也可归类为数据分类问题,但分类的目标更加细化,且如何确定分类的目标须通过其他数据分析技术实现.
本研究通过采集网络教育本科层次学生的和在网络学习平台中与英语学习相关的数据,采用教育数据挖掘技术,对已有学位英语考试成绩学生的网络学习及其相关信息进行分析,以学生相关信息为变量,以学位考试成绩为目标,建立符合变量和目标之间关系的预测规则.通过规则实现对未参加考试学生的成绩分布区间预测.
由于已有学生的学位英语成绩集合是一个无序的数值分布,先采用数据聚类中的划分方法来找出其合理的成绩分布区间（Stegers-Jager et al,2015）,即确定预测目标.然后,将其作为数据分类的目标,依据學生与学位英语相关的各类信息,通过基于决策树的数据分类方法,将其考试成绩的预测结果归类到相应的成绩区间中,实现预测规则.
(二)预测实现技术
1.预测目标确定
数据聚类就是根据某种相似性准则将数据或对象的集合划分成不同的类簇,同一类簇的数据尽可能相似,而不同类簇的数据差异性最大.聚类无先验知识可循,是一种无指导的学习（孙吉贵,等,2008）,主要分为划分的方法、层次的方法、基于密度的方法和基于网格的方法等.
总结:该文是关于数据挖掘论文范文，为你的论文写作提供相关论文资料参考。
参考文献：
1、 网络信息安全防范和Web数据挖掘系统的设计和实现 摘 要： 傳统的信息挖掘方法挖掘面窄，扩展性差，无法有效挖掘出网络中的不安全信息。因此，设计并实现了网络信息安全防范与Web数据挖掘系统，其由W。
2、 网络教育信息系统中的信息关联定位挖掘方法 摘 要： 针对网络教育信息系统中信息检索的实时性和准确度不高的问题，提出基于教育信息资源最短路径调度的信息关联定位挖掘方法。构建网络教育信息系统。
3、 基于BP神经网络的高空气象数据挖掘方法 摘 要： 针对传统的高空气象数据挖掘方法中存在的数据挖掘深度问题，提出一种基于BP神经网络技术的高空气象数据挖掘方法。采用BP神经网络技术以及小。
4、 数据挖掘作为交叉学科特点 【摘要】本文主要讲述了数据挖掘的内涵以及作为机器学习，数据仓库，统计学，智能决策等多个学科的交叉学科的特点。【关键词】数据挖掘 机器学习 数据。
5、 数据挖掘在车险欺诈和识别中应用 【摘要】随着我国保险行业的不断发展，针对车险的欺诈问题也日益严峻，使得保险公司每年遭受巨大的损失。为了发现和防止保险中的欺诈，保险公司在不断的寻。