基于决策树的在线学习分析

发布时间：2017-05-12 23:02

  本文关键词：基于决策树的在线学习分析，由笔耕文化传播整理发布。

【摘要】： 随着在线学习的普及和应用,学习者的非智力因素和在线学习行为表现对学习效果的影响应予以重视和深入分析研究,以提供给教学者教学设计和进度安排的依据,为教师优化教学和调整策略提供支持和参照。为了分析这些因素对在线学习效果的作用,并将现存的大量的数据信息和系统记录利用起来,本研究利用决策树的方法对这些数据进行分类分析和挖掘,构建出基于学习者“非智力因素”和“在线学习行为表现”的预测模型,并进一步将这两方面整合得到在线学习效果的预测机制,为教师优化教学和改善教法提供了辅助和支持。 本研究发现,一方面,在线学习效果受到学习者自我效能感、学习兴趣、对不确定性的忍受力及学习者的上网条件等非智力因素的影响;另一方面,学习者完成作业、参与讨论和查阅通知等行为对在线学习效果也有直接的作用。结合这两方面本研究构建出一个双重维度的整合机制。该机制包括了课前的摸底预测(根据学习者非智力因素进行的预测),和课中的实时反馈(根据学习者的在线行为表现进行的预测)两部分,不但可以辅助教师预测出学习者可能产生的学习效果,还可以在应用实践中与相应的教学策略关联起来,进一步实现教学效果的优化。
【关键词】：在线学习行为 决策树 在线学习效果 ID3 C4.5 在线学习活动
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2009
【分类号】：G434
【目录】：

• 致谢5-6
• 中文摘要6-7
• ABSTRACT7-14
• 1 引言14-23
• 1.1 研究背景14-15
• 1.2 研究意义15-16
• 1.3 研究目的16-17
• 1.4 论文结构17-18
• 1.5 数据挖掘技术在教育领域的应用现状18-21
• 1.5.1 国内应用现状18-20
• 1.5.2 国外应用现状20-21
• 1.6 在线学习的相关理论研究现状21-23
• 1.6.1 国内研究现状21-22
• 1.6.2 国外研究现状22-23
• 2 文献研究23-36
• 2.1 在线学习的相关理论23-24
• 2.1.1 在线学习活动的定义23
• 2.1.2 在线学习活动的影响因素23-24
• 2.2 在线学习效果评价维度分析24-25
• 2.2.1 基于测验成绩的评价维度24
• 2.2.2 基于其他相关因素的评价维度24
• 2.2.3 构建评价量表24-25
• 2.3 非智力因素的相关分析与探讨25-29
• 2.3.1 学习者的自身影响因素(内在因素)25-27
• 2.3.2 外界环境等影响因素(外部因素)27-29
• 2.4 在线学习行为的相关理论分析与探讨29-31
• 2.4.1 在线学习行为的定义29
• 2.4.2 在线学习行为的分类29-30
• 2.4.3 在线学习行为的特性30-31
• 2.5 决策树的相关研究31-36
• 2.5.1 数据挖掘与分类技术31-32
• 2.5.2 决策树技术的概念界定及相关探讨32-34
• 2.5.3 决策树构建与修剪的算法34-36
• 3 研究流程与方法36-44
• 3.1 研究流程36-39
• 3.1.1 数据采集37
• 3.1.2 数据预处理37
• 3.1.3 数据量化37-38
• 3.1.4 决策树构建38
• 3.1.5 决策树剪枝和评测38-39
• 3.1.6 规则和结论39
• 3.2 研究对象39-41
• 3.2.1 课程基本信息39-40
• 3.2.2 课程知识结构40-41
• 3.2.3 在线学习行为数据采集信息41
• 3.3 研究工具41-44
• 3.3.1 在线学习效果评价维度的处理41-42
• 3.3.2 构造决策树的工具—Alphaminer42-44
• 4 变量分析与训练样本的处理44-55
• 4.1 变量的定义和描述44-48
• 4.1.1 问卷的设计44-45
• 4.1.2 系统数据库的数据定义和描述45-46
• 4.1.3 训练样本与转换变量的对应关系46-48
• 4.2 训练样本数据采集和处理48-55
• 4.2.1 问卷回收和处理48-51
• 4.2.2 系统日志的提取和处理51-55
• 5 数据分析结果与讨论55-71
• 5.1 确立在线学习效果的评价等级55-61
• 5.1.1 相关系数方法分析各变量与“成绩排名”的关系56
• 5.1.2 数据透视表描述各因素与“成绩排名”的关系56-59
• 5.1.3 协方差分析各因素的权重系数59-60
• 5.1.4 得到在线学习效果的“优良中差”等级划分60-61
• 5.2 “非智力因素”—问卷数据生成决策树的规则61-65
• 5.2.1 决策树的事前修剪61
• 5.2.2 决策树的事后修剪61
• 5.2.3 规则推演和结论描述61-65
• 5.3 “在线学习行为表现”—系统日志生成决策树的规则65-67
• 5.3.1 决策树的事后修剪65-66
• 5.3.2 规则推演和结论描述66-67
• 5.4 结论检验和分析67-69
• 5.4.1 “非智力因素”决策树模型的检验67-68
• 5.4.2 “在线学习行为”决策树模型的检验68-69
• 5.4.3 检验结果与评价69
• 5.5 决策规则的归纳和预测机制的构建69-71
• 5.5.1 基于学习者非智力因素的课前评测69-70
• 5.5.2 实时的在线学习行为反馈70
• 5.5.3 对在线教学的辅助和支持作用70-71
• 6 总结与展望71-75
• 6.1 非智力因素对在线学习效果的预测作用71-72
• 6.2 在线学习行为表现对学习效果的预测作用72
• 6.3 研究贡献72-73
• 6.3.1 分析出非智力因素与在线学习效果之间的关系72-73
• 6.3.2 分析出在线学习行为表现与学习效果之间的关系73
• 6.3.3 建立辅助教师教学的预测机制73
• 6.4 局限性和不足73-74
• 6.4.1 分析结果的适用性73
• 6.4.2 分析机制的应用对象73-74
• 6.5 研究建议及未来的研究方向74-75
• 6.5.1 扩展研究范围74
• 6.5.2 构建CAI教学辅助数据库74-75
• 参考文献75-78
• 附录A78-81
• 附录B81-82
• 附录C82-84
• 附录D84-88
• 附录E88-92
• 学位论文数据集92

【引证文献】

中国硕士学位论文全文数据库 前3条

1 惠娜;近红外光谱分析技术在党参及复方丹参片质量控制中的应用[D];兰州大学;2011年

2 伍菲;面向主题型的网页分类技术的研究与实现[D];华中科技大学;2011年

3 张蔷;提高大学生在线学习参与度的策略研究[D];浙江师范大学;2011年

  本文关键词：基于决策树的在线学习分析，，由笔耕文化传播整理发布。

本文编号：361011