论文E—Learning环境下学习者建模和数据挖掘策略是适合不知如何写数据挖掘方面的相关专业大学硕士和本科毕业论文以及关于数据挖掘论文开题报告范文和相关职称论文写作参考文献资料下载。
摘 要：随着教育信息化的快速发展,基于网络的在线学习已经被越来越多地应用到各类学习情境之中.同时,数据挖掘技术在教育领域的应用也逐渐成为当下研究的热点之一.文章利用网络内容分析法对国内近十年来E-Learning数据挖掘领域的124篇相关期刊文献进行量的统计与质的分析,梳理了E-Learning数据挖掘领域的研究现状,基于此提出E-Learn-mg环境下的学习者模型及其对数据挖掘研究的补充,最后分析了该领域的研究发展趋势.文章力求丰富教育数据挖掘相关研究,以期对E-Learning数据挖掘的良性发展有所裨益.
关键词：E-Learning；数据挖掘；学习者建模
新一轮课改政策的发布使得教育个性化发展逐渐成为未来趋势,同时,“在线学习”被明确写入全国.教育发展的内部需求和外部环境带给E-Learning无限曙光,也对E-Learn-ing学习系统提出了更高要求,比如对学习者的学习行为进行准确的预测,这就有赖于在现有基础上将学习者模型进一步完善,构成学习者模型的数据进一步充实,与其同时发生变化的是数据挖掘,数据挖掘对象有待扩大,数据挖掘技术有待丰富.
1研究综述
教育数据挖掘是综合运用数学统计、机器学习和数据挖掘的技术和方法,对教育大数据进行处理和分析,通过数据建模,我们能进一步探索学习者学习结果与学习内容、学习资源和教学行为等变量间的相关关系,借此来预测学习者未来的学习趋势.
以“教育数据挖掘”为主题词在中国知网（CNKI）进行全文检索,共得到相关文献1118篇.论文篇数一直随着年份推移而递增,则说明教育数据挖掘研究可谓当今一大趋势.
但是在高级检索中,将主题词更改为“数据挖掘”与“E-Learning”进行二次精检索之后,共搜到参考文献124篇,研究数量的减少一定程度上说明了该研究层次中对“E-Learning”的研究还留有一席之地.其研究领域大致可分为两类：一类是以工程技术为主题的研究,文章内容多为在线学习系统数据挖掘的搭建、优化,以及数据挖掘工具的开发等技术性内容,其数据挖掘平台已经在使用当中,可以为后续学者的研究提供相应的数据来源,数据挖掘的工具在实践中不断经受着检验.例如：陶漪在《基于E-Learning的数据挖掘系统的改进设计与实现》中提出的包括E-Learning编辑服务器和数据处理体系,E-Learning编辑服务器由准备模块、展示模块和生成模块构成的基于E-Learning衍生的数据挖掘系统.
另一类是以评述为主的文献研究,多运用内容分析法在知网或资料中心限定一定时间区间,根据关键词的搜索对文献进行分析和评析,以揭示研究现状并预测发展趋势,教育数据挖掘的趋势已经从“工具开发”向“系统优化”方向进行偏移.例如：刘冰、赵君丽在2015年对教育数据挖掘方法使用的分析中提出“神经网络技术”在教育数据挖掘中使用还不多,主要使用的是聚类、关联规则、决策树,以及指出许多理论研究团队与系统开发团队合作与交流不够充分；丁波在其研究中提出了四点趋势,分别是：开发专门的教育数据挖掘工具、在教育环境中集成教育数据挖掘工具、将教育数据挖掘数据及模型标准化、研究特定的教育数据挖掘的技巧.
另外,笔者发现,对学习者建模的研究文献还相对较少,且发表年份多集中在2010年前后,其构建的模型主要为知识模型、认知模型、情感模型与学习行为模型,在这四个部分中对学习者的知识模型研究最多,例如：赵德芳等学者在《可演化的个人知识图建构及认知评估模型研究》中指出,“在自规律在线学习系统中要构建出学习者的显性知识模型和隐性知识模型,利用两个模型指导系统呈现给学习者知识的方式.”笔者在各类文献研究中发现,学习者的知识模型的研究重点更多聚焦于知识本身,是较为独立的知识,而非与学习者结合的内化知识.独立的知识模型具有较强的可复制性,但其研究对后期学习者行为的预测也将出现较大偏差.
2E-Learning环境下的学习者模型
学习者模型是用于描述学习者认知、情感、学习行为等方面的特征的表示,主要包括知识模型、认知模型、情感模型和学习行为模型四个方面.分析和表示学习者模型的过程称为学习者建模.
现阶段的E-Learning具有大众化与个性化、快速性与一致性、高效率与低成本、可跟踪和可管理的鲜明特点,而针对传统学习模式的学习者模型无法完全满足E-Eearning的特点需求.
从E-Learning教育数据挖掘的角度出发进行思考,本文将对学习者建模进行三方面的扩展,意在构建更具个人学习特点的学习者模型,运用扩展后的模型进行数据挖掘分析,可以对学习者的学习行为进行更精确的预测,以重新组织不同的知识来展现,施以不同的教学策略,从而使自适应的个性化学习与学习者更加匹配,进而提高学习绩效.
1）学习者知识水平建模
学习者知识水平是何克抗先生在《“学习分析技术”在我国的新发展》一文中提出的,现在将这一概念引入教育数据挖掘领域,借此来丰富所构建的学习者模型的数据.此处的知识水平不局限于学习者对课程学习是否具有专业的课程性知识,而是指人具有的各方面的知识.学习者知识水平应该存在于学习者进入学习系统之前所搭建出来的一个数据模型之中.
能够在网上进行自主学习活动的学习者,其知识水平已经达到一定层次,但是对于同一内容的学习,不同学习者的知识水平层次不一,这便影响了学习活动的进行速率.例如,在网络视频课程的开发过程中,我们倘若只按照教学行为的速度安排教学内容的呈现速率,将使得不同层次的学习者接受与理解的结果产生很大差异.
在知识水平维度我们按照何克抗先生对“知识水平”层次的分类一一“初学者、初级、中级、高级、非常高级”五个层次进行速率的设计.同时,不应只着眼于单一知识点检测数據的抽取,而是将知识点、知识单元、课程等多个层面进行数据抽取；另外,我们也不应只着眼于结果性的测试数据,而应加人课程前的测试和课程进行中的测试.通过多方数据进行学习者知识模型的搭建,我们可以将这一模型纳入到学习者建模中,以体现学习者的过程性知识和高阶思维能力.
总结:这篇数据挖掘论文范文为免费优秀学术论文范文,可用于相关写作参考。
参考文献：
1、 国外智库数据搜集策略其在大数据环境下挑战 摘 要：数据搜集作为智库数据价值链的首要环节，在智库研究中承担着重要作用。文章选取《2015全球智库排名》中具有参考价值的十余家智库机构，通过网。
2、 E—science环境下数字图书馆知识交流模式 摘要：E-science环境下数字图书馆知识交流具有高效性、共享性、协同性、开放性的特征，知识交流的具体流程主要有知识输入、知识吸收、知识输出和。
3、 高校SPOC环境下学习者行为序列的差异性分析 摘要：由于教学方式的灵活性与学习的可控性，小规模限制性在线课程（small Private Online Course，SPOC）在高等教育学府。
4、 云计算环境下的大规模图数据处理技术 摘 要 本文简要分析了云计算的概念，论述云计算图数据储存的方法、分割的原理，建立相关的计算模型。关键词 云计算；大规模图数据；处理技术中图分。
5、 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。
6、 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。