數(shù)據(jù)挖掘技術在教學設計前端分析中的應用研究

1、    數(shù)據(jù)挖掘技術在教學設計前端分析中的應用研究    摘要：教學設計前端分析是教學設計的第一步，在教學中起著至關重要的作用。數(shù)據(jù)挖掘技術(dm)是一種信息處理技術。在前端分析數(shù)字化的基礎上，應用dm從中發(fā)現(xiàn)學習者的定量化特征，向決策者提供信息支持，有利于提高教學設計的質(zhì)量水平。本文基于綜合集成(meta-synthesis)方法論，運用dm中的bp神經(jīng)網(wǎng)絡和層次聚類分析法對教學設計前端分析中的認知能力和學習動機做了研究，并對結果做了分析。關鍵詞：教學設計前端分析，數(shù)據(jù)挖掘，綜合集成方法論，bp神經(jīng)網(wǎng)絡，層次聚類教學設計對于教學工作科學化，提高學習者分

2、析問題、解決問題的能力和培養(yǎng)科學思維能力與科學態(tài)度，促進教育技術的實踐與理論的發(fā)展和適應信息社會發(fā)展的需求等方面都有著重要的意義和價值。前端分析，是教學設計的第一步，它是教學設計過程的基礎，有助于理順問題與方法、目的與手段的關系，其設計的好壞直接影響到后面的一系列工作。在不同的教學設計過程模式中，前端分析的內(nèi)容略有不同，但主要包括：學習任務、學習需要、學習者特征和學習環(huán)境等。鑒于本文的研究主要定位于學科課程范圍，學習需要和學習任務由學校學科專業(yè)所規(guī)定，學習環(huán)境一般在具體的情境中由授課教師掌握控制，又由于學習者是教學活動的主體，教學設計的一切活動都是為了學習者的學，學生之間存在著共性，也存在著差

3、異，本文只對學習者特征做主要研究。對學生進行分析的目的是了解影響學生學習的認知能力、學習風格、學習動機。通過對學習者三個方面特征的研究，使得教師更好地把握學習者的情況，從而達到更好地實現(xiàn)因材施教、因風格施教的目的。為了有利于后續(xù)教學設計自動化的探索，本文基于綜合集成(meta-synthesis)方法論，即將專家的知識與經(jīng)驗、統(tǒng)計數(shù)據(jù)和信息資料，以及計算機技術三者有機動態(tài)地結合起來，構成一個高度智能化的人機交互系統(tǒng)，把數(shù)據(jù)挖掘技術應用于數(shù)字化后的教學設計前端分析中，列舉出實驗過程，并對實驗結果進行分析。1一、理論基礎1.數(shù)據(jù)挖掘技術概述數(shù)據(jù)挖掘(data mining，dm)是從大量的、不規(guī)則

4、的、含有噪音的數(shù)據(jù)集中識別出有效的、新穎的、潛在有用的，以及最終可被人理解和利用的模式的高級處理過程。2它包含神經(jīng)網(wǎng)絡、聚類、粗糙集、遺傳算法、決策樹、關聯(lián)規(guī)則等多種技術。它被廣泛應用于各個領域，包括金融業(yè)、零售業(yè)、電信業(yè)及其他科技應用領域。2.bp神經(jīng)網(wǎng)絡方法bp神經(jīng)網(wǎng)絡(誤差反向傳播網(wǎng)絡)是目前使用最廣泛、發(fā)展最成熟的一種經(jīng)典的神經(jīng)網(wǎng)絡模型，它是一種監(jiān)督學習型數(shù)據(jù)挖掘方法。bp神經(jīng)網(wǎng)絡是一種多層前饋神經(jīng)網(wǎng)絡，主要特點是輸入信號前向傳遞，誤差反向傳遞，并且在這個過程中不斷修改權值直到達到目標值。3網(wǎng)絡包括：輸入層，隱層和輸出層。其網(wǎng)絡模型如圖l所示：圖1 bp神經(jīng)網(wǎng)絡模型其中，x1，x2xn

5、是輸入信號，y1，y2yn是輸出信號，wij，wjk代表權值。輸入層輸入信號，輸出層輸出處理結果信號，隱層處理信號，在處理的過程中，根據(jù)來自輸出層的反饋信號，權值不斷被調(diào)整，當輸出層誤差減小到預定值時，學習結束?？梢哉f，bp神經(jīng)網(wǎng)絡學習的實質(zhì)就是權值的改變。3.聚類分析方法聚類分析是一種無監(jiān)督學習型數(shù)據(jù)挖掘方法，其實質(zhì)是建立一種分類方法，它能夠?qū)⒁慌鷺颖緮?shù)據(jù)按照他們在性質(zhì)上的親密程度在沒有先驗知識的情況下自動進行分類。4層次聚類是聚類分析中的一種方法，它是根據(jù)樣本間的親疏程度，將最相似的樣本結合在一起，以逐次聚合的方式分類，直到最后所有的樣本成一類。根據(jù)聚類過程的不同，層次聚類法可分為方向相反

6、的兩大類：分解法(自頂向下)和凝聚法(自底向上)。5本研究采用的是凝聚法，其基本思想是：(1)假定n個樣本各自成一類，計算類間距(等于各樣本之間的距離)；(2)選擇距離最近的兩類并成一個新類；(3)計算新類與其他類間的距離；(4)重復第2步和第3步，這樣每次縮小一類，直到所有樣本都成一類為止。二、學習者特征測量方法學習者特征主要包括認知能力、學習風格、學習動機三個方面。美國著名教育心理學家布魯姆(b.s.bloom)的“教育目標分類”理論把教學目標分為認知、情感和動作技能三個目標領域，其中認知能力的目標按智力活動的復雜程度由低級到高級又可劃分為六個等級：(1)認記記憶或重復以前呈現(xiàn)過的信息的能

7、力，也就是知識保持能力；(2)理解用自己的語言來解釋所獲得的信息的能力；(3)應用將知識(概念、原理或定律)應用于新情況的能力；(4)分析把復雜的知識分解為若干個彼此相關的組成部分的能力；(5)綜合將有關的知識元素綜合起來形成新知識塊或新模式的能力；(6)評價根據(jù)已有知識或給定的標準對事物作出評價和鑒定的能力。6根據(jù)認知能力的評估與測量方法的不同，可以把學生認知能力值測量方法分為兩種：“小組評估法”和“逐步逼近法?！?本研究是根據(jù)“小組評估法”來設計量表測試學生認知能力的。學習動機是指直接推動學生進行學習的一種內(nèi)部動力，是激勵和指引學生進行學習的一種需要。8本文學習動機測量是根據(jù)王迎、彭華茂、

8、黃榮懷等9在遠程學習者學習動機測量工具的編制與應用一文中提出的“遠程學習者學習動機問卷”測量的，該問卷是根據(jù)奧蘇貝爾的學習動機分類理論從三個動機維度，即認知內(nèi)驅(qū)力、自我提高內(nèi)驅(qū)力和附屬內(nèi)驅(qū)力來制定的一種測驗學生學習動機類型和強度的表格。奧蘇貝爾將學習動機劃分為三個方面：即認知內(nèi)驅(qū)力(cognitive drive)、自我提高內(nèi)驅(qū)力(egoenhancement drive)以及附屬內(nèi)驅(qū)力(affiliative drive)。認知內(nèi)驅(qū)力是一種要求了解和理解的需要，要求掌握知識的需要，以及系統(tǒng)地闡述問題并解決問題的需要，這是一種內(nèi)部動機；自我提高內(nèi)驅(qū)力是個體因自己的勝任能力或工作能力而贏得相應地

9、位的需要，這是一種外部動機；附屬內(nèi)驅(qū)力：是個體為了保持長者(家長、教師等)的贊許或認可而表現(xiàn)出來的把學習或工作做好的一種需要，也是一種外部動機。8學習風格(learning style)的概念是由美國學者herbert thelen于1954年首次提出，在今天的教育和技能培訓領域中，學習風格一詞已是研究者最廣泛使用的概念之一，學習風格理論已成為當今教育心理學一個新的領域。10學習風格是學習者持續(xù)一貫的帶有個性特征的學習方式，是學習策略和學習傾向的總和。其測定方法主要有測驗法、行為觀察法、行為評定法和作品分析法。11其中，測驗法是最主要的方法。學習風格的測量在手段上可以分為圖式和量表兩種形式。1

10、2大多數(shù)研究者采用量表方式來測定學習風格。學習風格的測量工具可以分為七種：場獨立一場依存類型測量工具、榮格個性類型測量工具、感知覺類型測量工具、社會互動類型測量工具、多元智能類型測量工具、基于經(jīng)驗的學習風格測量量表、基于三維模型的學習風格測量量表。13，14所羅門學習風格量表屬于多元智能類型測量工具。多元智力理論是由加德納提出的，但他并未開發(fā)測量工具。15所羅門學習風格量表(也稱felder-silverman量表)是由felder和soloman于1997年開發(fā)的一種用來測量學生學習風格類型的量表，是教育領域比較有權威的學習風格量表。所羅門(barbara a.soloman)從信息加工、感

11、知、輸入、理解四個方面將學習風格分為4個組對8種類型，它們是：活躍型與沉思型、感悟型與直覺型、視覺型與言語型、序列型與綜合型，比較全面地反映了學習者的學習風格，且具有很強的操作性，可以較好地進行學習風格的測試。因此，本文中學習風格測量選用“所羅門學習風格量表”測量。三、調(diào)查問卷結果本研究的調(diào)查對象是云南大學2008屆職業(yè)與繼續(xù)教育學院市場營銷和財會專業(yè)現(xiàn)代教育技術學課程的89名本科生的認知能力、學習動機和學習風格。調(diào)查問卷共89份，經(jīng)篩選整理后，有效問卷為89份。表1、2、3為問卷處理后的部分數(shù)據(jù)。表1 認知能力云南大學本科生認知能力學生代碼認記理解應用分析綜合評價a1818269786546

12、a2696865727253a3799256677861表2 學習動機云南大學本科生學習動機學生代碼認知內(nèi)驅(qū)力自我提高內(nèi)驅(qū)力附屬內(nèi)驅(qū)力a1727072a28572.570a382.59075表3 學習風格云南大學本科生學習風格學生代碼活躍型/沉思型感悟型/直覺型視覺型/言語型序列型/綜合型a15b7a7a5aa23b9a5a7aa35a5a1a3a四、層次聚類方法分類利用spss軟件，用層次聚類分析法對上述問卷數(shù)據(jù)進行聚類得到分類結果，然后把結果反饋給被調(diào)查者，再由被調(diào)查者和專家對結果進行核實、探討，取得共識，接下來對可疑或不合理的數(shù)據(jù)進行相應的調(diào)整，如此反復修改，最后形成用于接下來的實驗研究

13、中的學生特征分類結果。其中，把認知能力分為較強和一般兩類，學習動機分為較強、中等和較弱三類。學習風格的測量結果可以直接用于描述學習者，故不做進一步研究。五、認知能力數(shù)據(jù)分析預測1.bp網(wǎng)絡設計首先，需要獲得網(wǎng)絡的輸入和目標樣本。根據(jù)上面得到的學生特征分類結果，選取其中30組作為訓練樣本，樣本被分為較強組和一般組。接下來確定網(wǎng)絡結構，根據(jù)kolmogorov定理，采用一個n×(2n+1)×m的3層bp網(wǎng)絡作為狀態(tài)分類器。其中，n表示輸入特征向量的分量數(shù)，m表示輸出狀態(tài)類別總數(shù)。對于本例，n=6。為了簡化網(wǎng)絡，用(1，1)表示較強狀態(tài)，(1，0)表示一般狀態(tài)。這樣一來，就可以在

14、網(wǎng)絡中只設計兩個輸入神經(jīng)元表示這兩種狀態(tài)類別。由此可得，該bp網(wǎng)絡結構為：輸入層有6個神經(jīng)元，中間層有13個神經(jīng)元，輸出層有2個神經(jīng)元。按照一般的設計方案，中間層神經(jīng)元的傳遞函數(shù)為s型正切函數(shù)，輸出層神經(jīng)元的傳遞函數(shù)為s型對數(shù)函數(shù)，是因為該函數(shù)為0-1函數(shù)(后面我們必須將樣本數(shù)據(jù)歸一化到0-1內(nèi))，正好滿足狀態(tài)類別的輸出要求。令p表示網(wǎng)絡的輸入樣本向量，t表示網(wǎng)絡的目標向量，由上表可得p=81 82 69 78 65 46；69 68 65 72 72 53；79 92 56 67 78 61；79 60 62 69 81 60；82 85 70 82 80 62；66 84 69 63 85

15、 59；80 90 75 78 79 51；90 93 63 88 77 59；69 78 60 76 83 57；t=1 1， 1 1， 1 1，1 1；1 1；1 1； 1 1，1 1；1 1，1 1， 1 1， 1 1；1 1，1 1， 1 1；1 0，1 0， 1 0， 1 0，1 0，1 0，1 0，1 0， 1 0， 1 0， 1 0， 1 0， 1 0， 1 0， 1 0利用如下代碼建立一個符合以上要求的bp網(wǎng)絡。網(wǎng)絡的訓練函數(shù)為trainlm，學習函數(shù)取默認值learngdm，性能函數(shù)取默認值mse。其中函數(shù)minmax設定了輸入向量元素的閾值范圍。net=newff(minm

16、ax(p)，13,2，'tansig','logsig'，trainlm')；2.網(wǎng)絡訓練net=train(net,p,t)訓練結果為：trainlm，epoch 0/50，mse 0.730893/0.00 1，gradient 1.60962/1e-010trainlm，epoch 7/50，mse 0.000444178/0.001，gradient 0.0902879/1e-010trainlm，performance goal met.可見，經(jīng)過7次訓練后，網(wǎng)絡誤差達到了設定的最小值，結果如圖2所示。圖2 網(wǎng)絡訓練結果3.網(wǎng)絡測試與運用網(wǎng)絡測

17、試的目的是為了確定網(wǎng)絡是否滿足實際應用的需求。選取7組“較強”狀態(tài)數(shù)據(jù)和3組“一般”狀態(tài)數(shù)據(jù)作為測試數(shù)據(jù)。利用上面設計的網(wǎng)絡，判別它們分別屬于哪一種狀態(tài)。運行結果如圖3所示：圖3 測試結果由此可見，前7組數(shù)據(jù)預測其為“較強”狀態(tài)，后3組數(shù)據(jù)預測其為“一般”狀態(tài)，這與實際情況相符合，說明所設計的網(wǎng)絡是合理的，可以投入運用。六、學習動機數(shù)據(jù)分析預測學習動機在bp網(wǎng)絡設計、網(wǎng)絡訓練、網(wǎng)絡測試與應用上的方法與認知能力相似，故不再贅述。在此只給出網(wǎng)絡的目標樣本t、訓練的結果圖(圖4)、測試樣本(表4)和測試結果(圖5)。目標樣本為：圖4 訓練結果圖表4 學習動機測試樣本樣本序號樣本輸入數(shù)據(jù)類別190 9

18、3 951287 87.5 801379 65 52.52475 63 512585 40 253665 60 373圖5 測試結果由此可見，前2組數(shù)據(jù)預測其為“較強”狀態(tài)，第3組數(shù)據(jù)預測其為“中等”狀態(tài)，第4組不能判斷其狀態(tài)情況，第5組數(shù)據(jù)預測其為“中等”狀態(tài)，第6組數(shù)據(jù)預測其為“較弱”狀態(tài)，其中，第1、2、3、6組數(shù)據(jù)預測結果與實際相符合，第4、5組預測結果與實際情況不符合，故神經(jīng)網(wǎng)絡預測成功率為66.7%，基本可以使用。七、小結教學設計前端分析是一個復雜的問題，本文以從定性到定量綜合集成方法為主，在大量實驗數(shù)據(jù)的基礎上，選用數(shù)據(jù)挖掘技術中的bp神經(jīng)網(wǎng)絡和層次聚類分析對教學設計前端分析中的認知能力和學習動機做了研究，系統(tǒng)預測成功率較高，這對于進一步開展后續(xù)的教學設計研究及實現(xiàn)教學設計自動化的研究起著很好的鋪墊作用。參考文獻：1于景元，涂元季.從定性到定量綜合集成方法案例研究j.系