基于 BB 平台学习过程数据挖掘与分析的在线教学反思研究论文

SCI论文（www.lunwensci.com）

　　摘 要 ：随着网络和信息技术的飞速发展,传统的教育模式受到了信息化浪潮的强烈冲击。信息技术与教育相结合的教育 信息化建设已成为当今高校改革发展的有机组成部分和动力。本文研究了基于 BB 平台的数据挖掘与分析在线教学方法,在网 络知识库中采用词频分析的知识点聚类方法。测试表明,该系统基本能够满足学习者学习内容的个性化需求,能够及时结合用 户学习行为和知识组织分析,解决学习效果评价、学习路径推荐等关键问题,有效提高学习者的学习效果和体验。

　　关键词：BB平台,数据挖掘,网上教学


　　【Abstract】：With the rapid development of network and information technology, the traditional education model has been strongly impacted by the wave of informatization. The construction of education information combined with information technology and education has become an organic component and driving force for the reform and development of colleges and universities today. This paper studied the online teaching method of data mining and analysis based on BB platform. It used the knowledge point clustering method of word frequency analysis in network knowledge base. A large number of tests show that the system can basically meet the individual needs of learners for learning content. It can timely combine user learning behavior and knowledge organization analysis to solve key problems such as learning effect evaluation and learning path recommendation, and it can effectively improve learners' learning effects and experience.

　　【Key words】：BB platform;data mining;online teaching


　　0 引言

　　近年来,随着互联网和通信技术的发展,网络学习 以其灵活性和开放性吸引了众多教育研究者和学习者。虽 然网络学习是以学习者为中心,打破了时空限制,但它实 现了学习者的自主学习和个性化学习。然而,网络学习的 时空分离限制了师生信息交流的直接性和时效性,教师无 法直接对学习者做出反应。对学习行为特征的观察不利于 教师对学习者及时提供有针对性的指导和帮助。学习分析 技术可以提高在线教学和网络学习的质量,为预测学生的 网络学习效果, 确定影响学习者学习成绩的关键因素提供了一种可行的方法。随着网络学习的发展,学习分析技术 将成为未来教育技术研究的主要内容。BB 教学平台是全 球领先的支持百万用户的教学平台, 整合了内容资源管 理、在线交流、考核管理、系统管理等功能模块,突破了 课堂教学的时间和空间限制。它可以为学生提供更全面、 更广泛的内容,学生可以更好地理解和吸收新知识,也 可以拓展学生的思维空间,激发学生的创新思维和创新 能力,对提高高校教育质量和效率起到不可估量的作用。

　　1 研究现状

　　在网络学习领域, Blackboard 整合了其多年来在数字学习行业的新经验。BB 教育软件由教学管理平台、 资源管理平台、门户社区平台 3 个平台组成,形成了一 个全面完整的解决方案。BB 教学管理平台是一套专门 为加强网络教学、辅助课堂教学、提供互动交流而设计 的在线教学平台。它是市场上唯一一个支持数百万用户 的教学平台。BB 资源管理平台提供了基于网络的文档 管理工具,可以将网络学习领域扩展到课程之外,使用 户可以轻松地交换、重用和共享彼此的工作、教学内容 和其他数字资源 [1]。BB 门户社区平台是一个学校门户 平台,可以整合校内和校外的各种网络服务,提供一致 和通用的环境。通过门户网站服务,为校内和校外的各 种网络服务提供了一套完整的标准化 Web 服务,使 BB 教学管理平台和 BB 资源管理平台更加强大,为其众多 方便的功能创造了可能 [2]。这 3 个平台涵盖了高校信息 化各层次的需求 ：教学过程管理与监控、内容建设与共 享、信息管理与发布、应用系统集成等 [3]。

　　2 方法

　　2.1 蚁群聚类算法

　　基于群体智能的聚类算法起源于对蚁群蚁卵的分 类,它起源于科学家对群体性昆虫的观察和研究,这种 聚类方法最早由 Deneubourg 提出。基于蚁群算法的 聚类方法一般分为 4 种 ：运用蚂蚁觅食的原理,利用 信息素来实现聚类 ;利用蚂蚁自聚合行为作为对象的聚 类模型 ;基于蚂蚁堆的形成原理,实现的蚁群聚类模 型 ;利用蚁巢分类实现的基于蚂蚁化学识别系统的聚 类,以上 4 种方法都有一个合适的应用场景。Lumer 和 Faieta 将 Deneubourg 提出的应用蚁巢分类模型成 功推广应用到聚类分析,并提出 LF 算法。其基本思想 是将被聚集的数据随机分布到一个二维平面中,然后将 虚拟蚂蚁随机分布到这个空间中。同时,蚂蚁以随机的 方式在数据空间中间移动,当蚂蚁在移动过程中遇到集 群数据时,它会获取数据并继续在平面中随机加载数 据,如果运动路径附近的数据与蚂蚁携带的数据的相似 性高于设定的阈值,蚂蚁就会将承载的数据放在该位 置,然后继续随机移动,重复上述数据搬运和卸载处理 过程。通过这种连续迭代的方法,最终实现了相似数据 的聚类,得到了聚类结果。

　　基于蚁群算法的聚类分析算法的基本过程如下 ：初 始化蚁群中的每一个蚂蚁个体。蚂蚁的蚁群数量被标 记为 N,迭代的最大数量的整个蚁群算法被标记为 m, 集的边缘长度计算的局部区域相似性数据对象被标记为 s,然后给其他参数值计算蚁群的聚类算法。将要聚集 的所有数据对象投影到平面上给定的范围内,即将每个数据对象随机分配到二维平面上的一个点上,坐标位置 为 (x, y),每个初始蚂蚁不装载任何数据对象,现在在 平面范围内随机选择一个数据对象,计算数据对象的平 均相似度。

　　2.2 概率传递函数的计算算法

　　所谓的概率转换函数实际上是f(oi) 的函数,它可以 将数据对象的平均相似度的计算转化为拾取概率或跌落 概率的计算。转换函数的原则是,较小的平均数据对象 之间的相似性和周边社区,就越不可能是数据对象属于 这附近,所以拾起对象的概率越高,和删除数据对象的 概率越低,事实正好相反。根据这一原理,选择对称函 数 Sigmoid 作为概率变换的函数。如式 (1) 所示定义了随机移动蚂蚁拾取无负载数据对象的概率。


　　s 函数是自然指数的形式。由式 (3) 可知,如果参 数 c 越大,曲线饱和度越快,算法的收敛速度越快。特 别需要注意的是,在集群数据对象的过程中,离群值对 象不能与其他对象相似。当蚂蚁拾起它们的时候,越快 把它们放下就越困难,所以算法收敛的速度会对人们产 生很大的影响。建议在算法后期增加 c 的值,并尽快隔 离孤立点。其次,蚂蚁的数量也会影响聚类的性能。因 为蚂蚁的数量太小,所以主动算法的收敛速度会慢,但 由于数据处理的载体数量减少,收敛速度也可能较慢。 如果蚂蚁的数量太大,可能会导致收敛性能变得非常差, 因为当数据对象被拾取或移动时,无法决定将其放在何 处。在这个时候,情况就像“悬在空中”,在计算平均 相似度时,它的邻域就不能考虑它。如果蚂蚁数量过多, 那么“悬在空中”的物体数量就会相应增加,最终导致 算法聚合的结果不够精确。因此,与之前设置的参数值 一样,实际蚂蚁的数量应该根据经验或估计来设置。

　　2.3 基于 Blackboard 平台的 BP 神经网络学习算法及其改进

　　BP 神经网络的本质是多层感知器,采用 BP 学习 算法,称为 BP 神经网络。误差梯度下降法使总误差向 减小方向变化, BP 网络学习训练常采用误差梯度下降 法,当训练 BP 网络时,给定的连接权值和阈值是随机 数。网络训练的响应函数一般采用 s 型函数,具有一定 的阈值特征,可以连续引导。根据 Sigmoid 函数可以得到输出层单元和隐藏层单元的误差,最后得到调整后 的连接权值和阈值。BP 算法是神经网络训练中常用的 一种算法, 它是最成熟的神经网络训练算法之一。BP 算法具有算法简单、计算量小、操作方便、并行性强等 优点。

　　改进 BP 神经网络学习算法的方法很多。首先是误 差函数改进方法。在标准 BP 算法的训练过程中,出现 了不能完全训练的瘫痪现象。在这方面, Baum 等人在 1988 年提出了一个修正的误差函数,这个函数的发散 有助于克服瘫痪现象。其次是改进优化算法。采用梯度 下降法实现了标准 BP 算法的权值调整。它很容易陷入 局部最小,收敛速度慢。因此,出现了牛顿法、拟牛顿 法、L-M 算法、高斯—牛顿法、共轭梯度法等改进算法。 它们有自己的优点,但是计算量大,不适合大规模数据 处理。之后,还有其他改进,比如 LMBP 算法减少了 计算量 ;模拟退火算法结合 BP 算法对算法进行优化 ; 优化 BP 算法的标定启发式算法 BP 网络引入了一种随 机搜索算法。神经网络结合人工智能算法、进化计算、 遗传算法、蚁群算法等新型智能算法,提出了一些混合 智能算法。然后对网络结构进行优化, 确定 BP 网络结 构的参数目前尚无系统理论。常用的方法是基于经验选 择,输入层和输出层中的节点数可以根据实际解决问题 的性质和要求确定。优化神经网络结构的关键在于选择 隐藏层的层数和隐藏节点数。连续函数的映射只要一个 隐藏层的 BP 网络就可以实现,学习不连续函数时,需 要两个隐藏层。目前,级联关联算法和资源分配网络方 法是比较著名的神经网络构造方法,加权衰减法和灵敏 度计算法是最常用的剪枝方法。

　　接下来,定义自适应误差信号。标准 BP 算法的输 出层和隐含层的误差信号如式 (3)、式 (4) 所示,均包 含 s 型函数的导数 A。当输出层和隐含层节点的输出趋 于 0 或 1 时,对应的误差信号趋于 0.则 BP 网络权值 的调整量变得非常慢,训练进入饱和区域,网络收敛速 度缓慢。寻找世界上最好的东西的能力是有限的,如果 对激励函数的导数进行修改,就会自动调整误差信号, 避免训练进入饱和区域的现象,从而加快算法的收敛速 度,提高全局收敛能力。这是本文提出的自适应误差信 号的改进 BP 算法,具体改正量如式 (4)、式 (5) 所示 ：


　　3 结果分析与讨论

　　本文将该算法引入到一套在线测试教学系统中。本 模块的功能需求分为 3 个部分,在线题库的构建、用户 的在线章节测试、用户学习效果的评估。这里有两个功 能,在线测试和学习评估。测试场景和使用示例如下 ： 测试用户的在线章节。测试计划是,进入学习一章后, 点击链接“我已经完成了学习这一章”→ “开始测试”。 在知道问题答案的情况下,在同一个部分做 5 次测试。 前 4 个测试的答案分为 4 个等级,优秀、优秀、及格和 不及格。第 5 次考试在试卷完成后不提交试卷。当考试 时间结束时,系统会自动结束并得分。测试用例是系统 测试问题、系统批处理测试和系统滚动测试。对于学习 效果的评估,测试计划与在线测试相同,在不同级别提 交多个测试响应。系统将给出评价水平和知识点,掌握 统计信息。测试用例是系统评级测试和回答摘要测试。

　　本阶段的测试方法基于用户实时更新的个人兴趣数 据,计算了推荐算法的性能指标,如果用户刚刚开始学 习,则使用初始兴趣数据作为标准。如表 1 所示显示了 当参与者数量不同时,基于内容推荐的性能数据。


　　基于内容推荐,不考虑用户对推荐结果的打分,只 计算用户兴趣数据与课程内容分布向量的相似性,并向 用户推荐相似度最高的科目。根据表 1 中的数据,比较 两种推荐方法在不同参与者数量下的准确率、召回率和 F1 值。基于内容的推荐在系统运行的早期阶段具有很 大的优势。但随着用户数量的增加,准确率逐渐稳定在 5.7% 左右,混合推荐的准确率随着用户数量的增加而 快速增长。这是因为随着用户数量的增长,基于用户的 协同过滤生成的邻居用户数量也在持续增长。在系统运 行的初始阶段,基于内容的推荐确实可以为用户推荐相对高质量的项目,而混合推荐的邻居太少,推荐的准确 率不够或者无法为用户推荐。该项目导致召回率大幅下 降。邻居数量开始稳步增长后,召回率开始迅速上升, 基于内容的推荐召回率保持了相对稳定的下降趋势。F1 值是综合准确率和召回率的性能指标。F1 值的趋势与 召回率相似,这说明在用户和项目众多的推荐系统中, 基于用户 ( 项目 ) 的协同过滤推荐或混合推荐优于基于 内容的推荐。然而,基于内容的推荐不受冷启动或数据 细化的影响。当协同过滤推荐不能发挥其优势时,它可 以为用户提供更准确的推荐,这本身就有很多优势。同 时,在不同用户的评分数据显示出其价值后,如何保证 数据的真实性?如何检测用户恶意行为?这些是系统将 不得不面对的新问题。


　　4 结论

　　随着网络教育平台用户数量的增加,用户之间的个 体差异越来越明显。用户越来越个性化,网络教育的发 展成为不可阻挡的趋势。本文基于 BB 平台数据挖掘和 分析的在线教学反思研究的学习过程,做了一个系统、 完整的聚类分析,包括聚类的概念、聚类算法、算法的 定量和定性分析的质量以及聚类在其他领域的应用。然后,从网络知识库中抓取不同学科的知识内容,分析内 容主题,提出了一种基于网络知识库词频分析的知识点 聚类方法,该方法用于聚合主题和主题相关内容构建了 一个知识地图的层次结构。最后,通过分析用户的学习 行为,为用户提供学科和学习路径推荐服务。同时,结 合系统的实际需求和不同推荐算法的优缺点,在不同的 情况下使用不同的推荐。测试表明,该系统能够基本满 足学习者对学习内容的个性化需求,能够结合用户的学 习行为和知识组织分析,解决学习效果评估、学习路径 推荐等关键问题。

　　参考文献

　　[1] 常静,朱子江,刘东,等.基于Blackboard平台的网络课程构 建策略研究[J].西南农业大学学报(社会科学版),2012.10(9): 215-217.

　　[2] 王瑞祥.抛锚式教学在中医院校数据挖掘实验教学中的应用 [J].西部中医药,2017.30(4):54-55.

　　[3] 余海燕.教育大数据价值挖掘对教学改革的启示[J].价值工 程,2016.35(25):241-242.
 
 
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！

文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/55683.html