面向微課移動(dòng)學(xué)習(xí)的教學(xué)資源平臺(tái)數(shù)據(jù)挖掘技術(shù)分析

陳雪梅 杜棋東

摘 ?要： 為了解決目前學(xué)習(xí)平臺(tái)中微課資源推送不精準(zhǔn)、缺少學(xué)習(xí)路徑優(yōu)化推薦功能等問題，文章在分析微課與移動(dòng)學(xué)習(xí)的內(nèi)涵特征的基礎(chǔ)上，重點(diǎn)對(duì)數(shù)據(jù)挖掘技術(shù)中的K-means聚類算法和Apriori算法進(jìn)行分析，并通過數(shù)據(jù)挖掘技術(shù)實(shí)現(xiàn)了教學(xué)資源平臺(tái)微課程資源的智能推送。

關(guān)鍵詞： 微課; 移動(dòng)學(xué)習(xí); 教學(xué)資源平臺(tái); 數(shù)據(jù)挖掘; 智能推送

中圖分類號(hào)：TP311.13 ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A ? ? 文章編號(hào)：1006-8228（2020）01-62-04

Abstract： In order to solve the problems existing in the current learning platform， including inaccurate pushing of micro course resources， lack of learning path optimization recommendation function， etc.， this paper analyses the connotation and characteristics of micro course and mobile learning， and specially focuses on K-means algorithm and Apriori algorithm in data mining technology， and finally realizes the intelligent push of micro course resources in teaching resources platform by data mining technology.

Key words： micro course; mobile learning; teaching resource platform; data mining; intelligent push

0 引言

現(xiàn)在各種微課學(xué)習(xí)平臺(tái)不斷推出，但是微課存在諸多有待解決的問題，如資源推送不精準(zhǔn)、缺少學(xué)習(xí)路徑優(yōu)化推薦功能等問題。如何通過平臺(tái)從大量的資源數(shù)據(jù)和學(xué)習(xí)數(shù)據(jù)中挖掘相關(guān)聯(lián)的信息，從而為學(xué)習(xí)者提供相應(yīng)的推薦決策參考，以及提供更優(yōu)質(zhì)的服務(wù)，是實(shí)現(xiàn)當(dāng)前移動(dòng)學(xué)習(xí)教學(xué)資源平臺(tái)建設(shè)的難點(diǎn)問題。

1 微課與移動(dòng)學(xué)習(xí)的內(nèi)涵與特征

1.1 微課

“微課”是一種基于信息技術(shù)的、以微視頻為主（時(shí)長(zhǎng)尚未有統(tǒng)一標(biāo)準(zhǔn)）的數(shù)字化教學(xué)資源，它展示了某個(gè)學(xué)科知識(shí)點(diǎn)，表達(dá)了一個(gè)精練簡(jiǎn)要的教學(xué)過程[1]。站在教師的角度，微課革新傳統(tǒng)教學(xué)方法，突破傳統(tǒng)教學(xué)中重復(fù)聽課難、教學(xué)問題針對(duì)性弱、教學(xué)效率低的困境，使教師備課指向性強(qiáng)，教學(xué)效率性高，教學(xué)反思有據(jù)可依;站在學(xué)習(xí)者的角度，微課能夠精準(zhǔn)細(xì)化學(xué)科知識(shí)點(diǎn)，提供個(gè)性化學(xué)習(xí)條件，使學(xué)生課前預(yù)習(xí)、課中學(xué)習(xí)、課后復(fù)習(xí)更具主動(dòng)性與實(shí)效性。

1.2 移動(dòng)學(xué)習(xí)

移動(dòng)學(xué)習(xí)是指計(jì)算機(jī)技術(shù)支持下在移動(dòng)設(shè)備上進(jìn)行學(xué)習(xí)的一種學(xué)習(xí)、探究方式[2]。移動(dòng)設(shè)備作為其基礎(chǔ)支持條件，一方面能夠呈現(xiàn)學(xué)習(xí)資源，另一方面能夠起到不同角色之間網(wǎng)絡(luò)交流的紐帶作用。移動(dòng)學(xué)習(xí)創(chuàng)建了一個(gè)具有激勵(lì)性、和諧性、營(yíng)養(yǎng)性、可持續(xù)發(fā)展性的學(xué)習(xí)生態(tài)環(huán)境，對(duì)學(xué)習(xí)者自主學(xué)習(xí)起到很大的促進(jìn)作用[3]。在移動(dòng)終端，學(xué)習(xí)者可以查看學(xué)習(xí)情況、設(shè)置學(xué)習(xí)進(jìn)度?；跀?shù)據(jù)挖掘技術(shù)的移動(dòng)學(xué)習(xí)終端，學(xué)習(xí)者還可以獲得個(gè)性化信息資源的智能推送和學(xué)習(xí)路徑的優(yōu)化建議，提高學(xué)習(xí)效果和效率。

2 數(shù)據(jù)挖掘技術(shù)分析

數(shù)據(jù)挖掘是大數(shù)據(jù)分析的關(guān)鍵技術(shù)，它能夠根據(jù)指定的問題，利用一種或多種算法，分析不同的數(shù)據(jù)找到關(guān)聯(lián)的規(guī)律，其中，聚類分析、決策樹、神經(jīng)網(wǎng)絡(luò)、關(guān)聯(lián)規(guī)則、回歸等數(shù)據(jù)挖掘技術(shù)較為成熟[4]。針對(duì)面向微課移動(dòng)學(xué)習(xí)的教學(xué)資源平臺(tái)，文章闡述K-means算法和Apriori算法。

2.1 K-means聚類算法

聚類算法是指從樣本數(shù)據(jù)中按照一定的方法或理論劃分出不同的類別或者組合的分析方法。

K-Means算法是一種使用均值聚類數(shù)據(jù)點(diǎn)的聚類算法，其中，K代表類別數(shù)，Means代表均值。通過預(yù)設(shè)類別以及選擇初始化的質(zhì)心，然后將相似的數(shù)據(jù)點(diǎn)進(jìn)行劃分。K-Means算法的優(yōu)勢(shì)在于它的簡(jiǎn)單和快速，只需要計(jì)算點(diǎn)和群中心之間的距離。

假設(shè)某資源就是待聚類樣本點(diǎn)，目標(biāo)是需要將樣本點(diǎn)聚類成3個(gè)類別。對(duì)于每個(gè)點(diǎn)，計(jì)算其距離所有中心點(diǎn)當(dāng)中離自己最近的那個(gè)中心點(diǎn)，可以將這個(gè)點(diǎn)定義為其同一簇。經(jīng)過一次迭代之后，重新計(jì)算每個(gè)簇類的中心點(diǎn)，然后為每個(gè)點(diǎn)重新找到最接近自身的中心點(diǎn)。就這樣不斷循環(huán)，直到前后兩次迭代的簇類不再有變化。算法過程如圖1所示。

算法的步驟

step1： 選定要聚類的類別數(shù)目k（如上例的k=3類），選擇k個(gè)中心點(diǎn)。

step2： 尋找距離中心點(diǎn)最近的樣本點(diǎn)并將其歸類，距離同一個(gè)中心點(diǎn)最近的所有點(diǎn)表示一個(gè)類，這樣就算完成一次聚類了。

step3： 判斷聚類前后的樣本點(diǎn)的類別情況是否相同，如果相同，則算法終止，否則進(jìn)入step4。

step4： 針對(duì)每個(gè)類別中的樣本點(diǎn)，計(jì)算這些樣本點(diǎn)的中心點(diǎn)，當(dāng)做該類的新的中心點(diǎn)，繼續(xù)step2。

Step5： 直到聚類結(jié)果不在變化，得到K個(gè)聚類。

k-means算法數(shù)據(jù)之間距離越小，表示樣本A跟B越相似，差異度越小;距離越大，樣本A跟B越不相似，差異度越大。根據(jù)距離的長(zhǎng)短進(jìn)行聚類成指定的類別數(shù)K，為下一步智能推送奠定數(shù)據(jù)基礎(chǔ)。常用的歐式距離公式為：

2.2 Apriori算法

關(guān)聯(lián)分析是一種無監(jiān)督學(xué)習(xí)算法，主要是從大量交易數(shù)據(jù)中查找隱藏的對(duì)象關(guān)聯(lián)關(guān)系[5-6]。

Apriori算法是用于挖掘關(guān)聯(lián)規(guī)則的頻繁項(xiàng)集算法。頻繁項(xiàng)集是指經(jīng)常出現(xiàn)在一起的項(xiàng)的集合，關(guān)聯(lián)規(guī)則表明這兩個(gè)項(xiàng)之間可能存在密切關(guān)系[7]。假設(shè)有4門微課程：微課程0，微課程1，微課程2，微課程3。圖4顯示了課程之間所有可能的組合，最上面的集合表示不包含任何課程的空集（?），課程集合之間的連線表示可以組合兩個(gè)或更多個(gè)集合以形成更大的集合。目標(biāo)是找到經(jīng)常在一起瀏覽的課程集合，這里使用集合的支持度來度量其出現(xiàn)的頻率。

如果某個(gè)項(xiàng)集是頻繁項(xiàng)集，那么它的所有子集也是頻繁的。即假設(shè){0，1}是頻繁的，那么{0}，{1}也一定是頻繁的。如圖2所示，圖中給出了所有的可能項(xiàng)集，其中非頻繁項(xiàng)集用黑色表示。黑色項(xiàng)集{2，3}屬于非頻繁的，那么項(xiàng)集{0，2，3}、{1，2，3}以及{0，1，2，3}也都是非頻繁的。由此可見，如果計(jì)算出了{(lán)2，3}的支持度，得知它是非頻繁項(xiàng)，就可不再需要計(jì)算其他非頻繁項(xiàng)的支持度。

支持度（Support）可理解為支持的程度[8]，假設(shè)某平臺(tái)一共有100000個(gè)ID用戶，其中30000個(gè)用戶瀏覽了對(duì)象A，那么對(duì)象A的支持度為P（A）=30%（30000/100000）。在所有項(xiàng)集中同時(shí)出現(xiàn)A跟B的概率，即P（AB）。假設(shè)A跟B一起出現(xiàn)的概率非常大，那么就說明A跟B是相關(guān)聯(lián)的。設(shè)A的訪問次數(shù)是X，B的訪問次數(shù)是Y，支持度的公式可表示為：

置信度（Confidence）表明了當(dāng)A出現(xiàn)時(shí)，B是否一定會(huì)出現(xiàn)，如果出現(xiàn)則其概率為多少，即P（A|B）。假設(shè)置信度為100%，則說明A出現(xiàn)時(shí)B一定會(huì)出現(xiàn)。

3 數(shù)據(jù)挖掘技術(shù)在微課教學(xué)資源平臺(tái)的應(yīng)用

3.1 平臺(tái)總體架構(gòu)設(shè)計(jì)

在平臺(tái)總體架構(gòu)中，教師通過訪問用戶界面來上傳和管理微課資源，教師也還可訪問移動(dòng)終端來獲取學(xué)生的反饋結(jié)果和管理測(cè)試等。而學(xué)生則通過移動(dòng)終端觀看微課資源，同時(shí)，平臺(tái)利用聚類分析和關(guān)聯(lián)分析中技術(shù)，結(jié)合XMPP傳輸協(xié)議智能地將類似的微課程資源推送到學(xué)習(xí)者界面，幫助學(xué)習(xí)者有效地發(fā)現(xiàn)有價(jià)值的微課程視頻。如果在學(xué)習(xí)過程中遇到問題，可以在平臺(tái)中對(duì)微課資源進(jìn)行提問和評(píng)價(jià)等。教師收到學(xué)生提問后，在系統(tǒng)互動(dòng)平臺(tái)進(jìn)行分析解答。這時(shí)基礎(chǔ)數(shù)據(jù)庫會(huì)將微課資源的訪問量和評(píng)價(jià)情況進(jìn)行分析統(tǒng)計(jì)并將結(jié)果展示于學(xué)習(xí)者界面，如圖3所示。

3.2 數(shù)據(jù)挖掘算法在平臺(tái)中的實(shí)現(xiàn)

以某學(xué)校現(xiàn)有的微課平臺(tái)瀏覽記錄為例，用K-means算法進(jìn)行課程聚類，最后用Python3代碼來實(shí)現(xiàn)，發(fā)現(xiàn)瀏覽微課最多的人群均集中在年紀(jì)為大二的學(xué)生。對(duì)計(jì)算機(jī)技術(shù)感興趣的同學(xué)一般會(huì)對(duì)傳媒也有興趣。專業(yè)是計(jì)算機(jī)應(yīng)用、機(jī)械制造、道路橋梁等的瀏覽者人群大多數(shù)為男生。機(jī)械制造、道路橋梁、車載危機(jī)檢修與故障診斷三類微課聯(lián)系比較密切，原因是該校是一所以軌道交通類為背景的學(xué)校，所以學(xué)生大多會(huì)同時(shí)瀏覽這幾類微課。

Apriori算法中的頻繁項(xiàng)集是指那些經(jīng)常出現(xiàn)在一起的課程，同樣以某學(xué)?，F(xiàn)有的微課平臺(tái)ID用戶瀏覽記錄為例，如表1所示。表中的數(shù)據(jù)顯示經(jīng)常被瀏覽的課程是{“計(jì)算機(jī)基礎(chǔ)”，“VIS視覺設(shè)計(jì)”，“office案例應(yīng)用”}，從數(shù)據(jù)集中也可以找到“計(jì)算機(jī)基礎(chǔ)”->“VIS視覺設(shè)計(jì)”的關(guān)聯(lián)規(guī)則，這意味著有人看了“計(jì)算機(jī)基礎(chǔ)”的課程，那很有可能他也會(huì)看“VIS視覺設(shè)計(jì)”課程。關(guān)聯(lián)規(guī)則由支持度和置信度來定義。

支持度：表1中數(shù)據(jù)集總數(shù)為5，“office案例應(yīng)用”這門課程被瀏覽的次數(shù)為4，因此算出“office案例應(yīng)用”這門課程的支持度為4/5，同樣，{“office案例應(yīng)用”，“計(jì)算機(jī)基礎(chǔ)”}兩門課程同時(shí)出現(xiàn)的數(shù)據(jù)集為3，代入支持度的公式⑵算出{“office案例應(yīng)用”，“計(jì)算機(jī)基礎(chǔ)”}的支持度為3/5。

可信度（置信度）：由支持度的計(jì)算公式⑵算出{“計(jì)算機(jī)基礎(chǔ)”，“VIS視覺設(shè)計(jì)”}的支持度為3/5，“計(jì)算機(jī)基礎(chǔ)”的支持度為4/5，這時(shí)代入可信度的公式⑶算出{“計(jì)算機(jī)基礎(chǔ)”->“VIS視覺設(shè)計(jì)與制作”}的可信度為3/4=0.75，這意味著“計(jì)算機(jī)基礎(chǔ)”的瀏覽記錄中，找出了75%瀏覽者都適用的規(guī)則。

通過Apriori算法進(jìn)行關(guān)聯(lián)性分析發(fā)現(xiàn)，75.2%的學(xué)生瀏覽了“計(jì)算機(jī)基礎(chǔ)”之后，還瀏覽了“網(wǎng)絡(luò)工程技術(shù)”“網(wǎng)絡(luò)安全”這兩門微課;有62.3%的學(xué)生瀏覽了“Photoshop視頻教程”后，還瀏覽了“CorelDRAW視頻教程”;有80.5%的同學(xué)在瀏覽了“列車日常事務(wù)辦理”后，還瀏覽了“運(yùn)輸阻礙與事故處理”這門微課。

根據(jù)學(xué)習(xí)者學(xué)習(xí)記錄，通過K-means算法和Apriori算法智能判斷學(xué)習(xí)者學(xué)習(xí)行為，并將相關(guān)的微課程資源推送到學(xué)習(xí)者界面，達(dá)到精準(zhǔn)服務(wù)學(xué)習(xí)者的目的。

4 結(jié)束語

本文闡述了K-means算法和Apriori算法在微課教學(xué)資源平臺(tái)的應(yīng)用，解決了教學(xué)資源平臺(tái)微課資源推送不精準(zhǔn)的問題，不僅給學(xué)習(xí)者創(chuàng)造了積極主動(dòng)學(xué)習(xí)的氛圍，而且使獲取信息資源的途徑有一定的智能性，對(duì)設(shè)計(jì)與開發(fā)面向微課移動(dòng)學(xué)習(xí)的教學(xué)資源平臺(tái)有一定的參考價(jià)值。下一步將研究相關(guān)算法，實(shí)現(xiàn)學(xué)習(xí)者個(gè)性化微課資源學(xué)習(xí)路徑的優(yōu)化推薦。

參考文獻(xiàn)（References）：

[1] 胡鐵生."微課"：區(qū)域教育信息資源發(fā)展的新趨勢(shì)[J].電化教育研究，2011.10：61-65

[2] 溫川雪，周洪建.面向智能手機(jī)與Web平臺(tái)的微課移動(dòng)教學(xué)系統(tǒng)的設(shè)計(jì)[J].中國(guó)遠(yuǎn)程教育，2014.12：60-66

[3] 杜棋東.職業(yè)教育微視頻課程知識(shí)元的深度聚合與實(shí)踐應(yīng)用[J].中國(guó)教育信息化，2018.4：32-35

[4] 馬如義.Apriori算法在詞性標(biāo)注規(guī)則獲取中的應(yīng)用[J].計(jì)算機(jī)時(shí)代，2016.10：32-35

[5] 劉迎春，朱旭，謝年春，李佳.基于數(shù)據(jù)挖掘的專業(yè)可信回答者個(gè)性化推薦——以Stack Overflow問答社區(qū)為例[J].現(xiàn)代教育技術(shù)，2019.29（5）：78-84

[6] 李澎林，郟莉，李偉.一種基于數(shù)據(jù)挖掘的圖書薦購模型研究[J].浙江工業(yè)大學(xué)學(xué)報(bào)，2019.47（1）：80-85

[7] 薄洪光，李煥之，張慧琳.面向智能制造應(yīng)用型人才培養(yǎng)的生產(chǎn)管理實(shí)踐教學(xué)微課平臺(tái)模式構(gòu)建[J].實(shí)驗(yàn)室研究與探索， 2018.37（8）：191-196

[8] 張波，李舸.基于改進(jìn)聚類算法的Web異常數(shù)據(jù)挖掘軟件設(shè)計(jì)[J].現(xiàn)代電子技術(shù)，2019.42（8）：73-76，81