论文系统聚类法在网络学习行为分析中的应用是关于聚类方面的论文题目、论文提纲、聚类论文开题报告、文献综述、参考文献的相关大学硕士和本科毕业论文。
摘 要：网络对人类的学习方式已经产生了巨大影响,网络学习在今后的教育变革中将会是一个必然的趋势.尽管网络学习地位日趋显赫,但网络学习也将同时面临种种问题和挑战.如何针对网络学习行为相关数据有效地开展网络学习行为分析就是目前面临的一大挑战,本研究从统计学角度,提出将系统聚类分析方法运用在网络学习行为分析上,以期挑选出具有相似学习行为特征的学习者,为开展个性化教学和协作式教学提供充分的依据,最终实现网络学习更好的发展.
关键词：网络学习；统计学；系统聚类分析；网络学习行为
中图分类号：G434 文献标志码：A 文章编号：1673-8454（2016）08-0090-04
主席2015年在致国际教育信息化大会的贺信中明确提出推动教育变革和创新并构建网络化、数字化、个性化、终身化的教育体系是人类共同面临的重大课题[1].伴随互联网、云计算以及大数据等现代信息技术手段对人类思维和学习方式的影响,网络化、个性化的数字化学习方式在今后的教育变革中将会是一个必然的趋势.尽管网络化学习地位日益得到重视,但网络学习也面临着难以实时掌握学习者学习情况的困境,教师也就不能针对性地为学习者提供个性化服务干预,也无法真正地促进教与学.本研究旨在解决网络学习中遇到的以上问题,针对网络学习平台中学习者的相关学习行为数据进行数据挖掘并展开网络学习行为分析,从统计学视角提出系统聚类分析方法,根据不同学习者的相似特性对学习者进行聚类分析,最终分析出具有相似学习行为的学习者,为教师开展个性化教学以及协作式学习和研究型学习小组的划分提供依据,以期促进个性化网络学习更好的发展.
一、网络学习行为分析
关于网络学习行为的界定,不同研究学者对其有不同的理解,彭文辉等对网络学习行为做出以下定义：网络学习行为是指学习者在由现代信息技术所创设的、具有全新沟通机制与丰富资源的学习环境中开展的远程自主学习行为.网络学习行为活动主要依靠学习者自己控制,以学习者具备一定的信息技术能力为前提,同时受学习者内部心理因素和外部环境因素共同影响,通过充分利用网络环境进行学习和教学的一种活动[2].网络学习行为在网络环境下发生完成,由学习者利用计算机和网络资源进行自我控制、自主学习,学习者可以根据自身内部条件和外部环境条件来自行决定学习时间、学习时长、学习频次、参与互动频次以及完成作业情况等.为促使网络学习能够真正实现个性化学习,我们需要对学习者的网络学习行为数据进一步挖掘和分析,以学习者的学习时间、学习时长、学习频次、参与互动频次以及完成作业情况等为衡量指标,展开对学习者网络学习行为的分析,以期促进网络学习更好地实现个性化发展.
二、系统聚类分析法
“物以类聚,人以群分”,为了进一步认识和研究对象,我们往往需要将事物按照各种属性和特征分成若干类别.聚类就是按照事物之间的相似性将其区分并加以分类,聚类分析是一种对事物对象进行定量分类的探索性多元统计分析方法.聚类分析一般常用来找出具有相似性质的一类群组,首先必须明确其兴趣特点,确定一个有效的衡量对象主题之间相似性和距离的措施,然后再选择一个能够将个体进行聚集并定义集群的算法[3].
聚类分析方法经过长时间发展,已经逐渐形成了一套完整的方法体系.在聚类分析方法体系中,有比较经典的非层次聚类分析法和层次聚类分析法,以及近年来发展的一系列智能聚类分析方法,在如此众多的聚类方法中挑选出一种适合的聚类分析方法就显得尤为重要.聚类分析是一种探索性数据分析方法,针对不同的数据就有不同的适用方法,可以从聚类对象的类型、聚类的数据量的多少以及聚类的变量类型等角度考虑聚类分析方法的最佳选择[4].鉴于本研究是针对云南大学网络与信息中心现代教育技术专业25名硕士生的网络学习行为进行聚类分析,综合考虑以上各种因素,本研究采用最为适合的系统聚类分析方法.
1.系统聚类分析概述
系统聚类分析方法就是根据样本之间的距离对样本进行分类的聚类方法[5].系统聚类法根据其类与类之间距离的计算方法不同可以分为最短距离法、最长距离法、中间距离法、重心法、类平均法、可变类平均法、可变法以及离差平方和法.在众多方法中,与类平均法相比较,最短距离法、重心法使空间浓缩,最长距离法、离差平方和法使空间扩张.过于浓缩的方法不够灵敏,过于扩张的方法容易失真.类平均法既不太浓缩又不过于扩张,显得比较适中且聚类效果更好[6].本研究采用类平均法进行系统聚类分析.
2.系统聚类分析过程
系统聚类分析法的基本思路是,首先将n个需要聚类的样本（或m个指标变量）均各自划分成一类,然后规定并计算样本间的距离（或变量间的相似系数）以及类与类之间的距离（或相似系数）.初始状态下,每个样本（或变量）即为一类,此时类之间的距离（或相似系数）和样本之间的距离（或变量间相似系数）是等价的.接下来合并距离最小的两类（或相似系数最大的两类）为一新类,并计算新类与当前其它各类之间的距离（或相似系数）,构成新的距离（或相似系数）矩阵,再次将距离最小的两类（或相似系数最大的两类）合并成新类.每进行一次合并,类就相应的减少一个,如此重复并类,直至达到所有样本均合并为一类为止[7].系统聚类分析流程见图1.
由图1可知,在系统聚类分析过程中,需要规定样本间距离,本研究采用的样本间距离是欧式距离（二阶Minkowski距离）,欧式距离是空间中两个样本点（如样本点i和j）在m维指标变量上差值平方和的平方根,其计算过程中运用了空间点上所有的数据信息,因此反应灵敏,是聚类分析中较为常用的距离,其计算公式可以表示为：
系统聚类分析中,各类之间的距离采用的是类平均法（组间联接法）,其聚类效果表现最为优异.类平均法是用两个类别间各数据点两两之间的平均平方距离来表示两类间距离的平方,其公式可以表示为：
总结:本文关于聚类论文范文,可以做为相关论文参考文献,与写作提纲思路参考。
参考文献：
1、 聚类分析法在辽宁省物流服务体系建设中的应用 摘 要：根据区域物流服务指标体系的基本原则和基本方法建立了体现物流企业发展情况、物流行业需求、物流设施设备运行能力、物流信息平台水平等诸多方面的。
2、 基于目标客户聚类营销系统设计 摘 要：在市场经济发展过程中，如果企业想占据更大的市场份额，就需要具有稳定的客户群，并且不断地开拓新的客户，这也是企业获得经济效益的基础和前提。。
3、 滞后序列分析法在学习行为分析中的应用 摘要：学习分析技术的出现为实现高阶的个性化在线学习提供了新的解决思路。学习行为分析是学习分析的重要组成部分，通过对学习过程中记录下来的相关行为数。
4、 基于聚类的二阶段无线传感网络SweepCoverage机制 摘 要：作为WSN网络覆盖中的热点问题之一，Sweep Coverage旨在以较少的传感节点覆盖所有的兴趣点（POIs）。针对现有Sweep C。
5、 大型办公建筑照明插座系统电耗逐时率聚类分析 摘要：逐时使用率对于预测办公建筑照明与插座系统电耗，以及核定节能改造的节能量有十分重要的意义。选取重庆17幢办公建筑作为研究对象，根据建筑全年。
6、 基于数据分析民办高校大学生网络学习行为 [摘 要] 以问卷调查数据为基础，对民办高校大学生的学习态度，学习内容，学校支持，学习动机，学习时长这五个方面进行相关分析。基于这些影响因素的分。