數(shù)據(jù)挖掘技術(shù)在信息可視化教學中的應(yīng)用研究2019年

1、數(shù)據(jù)挖掘技術(shù)在信息可視化教學中的應(yīng)用研究信息時代的來臨讓我們面臨著海量的信息， 于是從這些信息中檢索和分析出我們想要的數(shù)據(jù)就變得越來越困難， 而信息可視化技術(shù)以及數(shù)據(jù)挖掘技術(shù)卻可以幫助我們處理這些洪水般的信息，信息可視化數(shù)據(jù)檢索的優(yōu)勢就在于可以讓用戶直接參與數(shù)據(jù)挖掘的過程。 我們先來看一下數(shù)據(jù)挖掘以及信息可視化的基本概念。1 相關(guān)概念1.1 信息可視化信息可視化是現(xiàn)代計算機技術(shù)中一個迅速發(fā)展起來的領(lǐng)域， 人們可以通過它來進行視覺信息搜索以及相關(guān)的信息探索， 是“以計算機支持的、 交互的用來表現(xiàn)抽象數(shù)據(jù)和擴大認知的視覺表示法” 1 ，信息可視化的信息搜索過程是在可視的界面上進行交互的數(shù)據(jù)瀏覽以及

2、分析， 用戶可以規(guī)定要點或者方向， 如果數(shù)據(jù)信息目標不明確或者信息量少， 就可以成為信息檢索以及數(shù)據(jù)庫查詢的有益補充。1.2 數(shù)據(jù)挖掘的基本概念數(shù)據(jù)挖掘 DM( Data Mining ) ，也可以稱之為數(shù)據(jù)庫中的知識發(fā)現(xiàn)，根據(jù)Usama、 M.Fayyy 等給出的定義就是從大量數(shù)據(jù)中獲取有效的、 新穎的、 潛在有用的、 最終可理解的模式的非平凡 。數(shù)據(jù)挖掘就是在大量的數(shù)據(jù)中提出有用的知識。 2 過程2 數(shù)據(jù)挖掘在信息可視化教學中的應(yīng)用價值而我們由以上信息可視化和數(shù)據(jù)挖掘的定義可以看出， 把數(shù)據(jù)挖掘應(yīng)用于信息可視化的教學活動中，也有著非常重要的價值，其主要可以體現(xiàn)在以下幾個方面。2.1 教材多

3、媒體化利用多媒體技術(shù)展示出可視化的信息， 從而使教學內(nèi)容更具形象化、動態(tài)化以及結(jié)構(gòu)化。教學活動的輔助工具，比如教材、工具書、 電子課件等都呈現(xiàn)出多媒體化的發(fā)展趨勢， 它們不但包含了更為豐富的、 大容量的圖像和文字， 還可以呈現(xiàn)出動畫、 聲音、錄像等， 甚至包括模擬的三維場景。 通常情況下多媒體教材的制作采用的都是二進制的制作、 處理和信息的傳遞， 將相關(guān)信息附加其主體中， 從而為數(shù)據(jù)挖掘提供了實現(xiàn)的可能性； 而與傳統(tǒng)的紙質(zhì)教材相比，多媒體課件涉及到的信息量大、形式多樣，于是數(shù)據(jù)挖掘技術(shù)就應(yīng)運而生， 迎合了多媒體課件中對海量信息進行搜索和分析的功能。2.2 資源全球化可以說網(wǎng)絡(luò)資源是全世界最大的

4、教育資源庫，不僅信息量大，而且資源類型多種多樣。 其教育資源包括各種教育書刊、 大大小小的站、各類虛擬的圖書館、軟件庫等等，方便了教育工作者進行所需教育資源的查詢和應(yīng)用， 但是由于網(wǎng)絡(luò)資源還存在大而無當、 缺乏組織性等現(xiàn)實情況， 導(dǎo)致網(wǎng)絡(luò)信息的利用率相對比因特網(wǎng)每天都會新增上千并且網(wǎng)絡(luò)技術(shù)的發(fā)展越來越快，較低。 萬個文件， 并且平均每8 個月都會增長一倍， 而在全球范圍內(nèi)的服務(wù)器數(shù)量更是每年都成幾何倍數(shù)遞增 3 ，在這種情況下的信 息搜索就如同大海撈針。 以上情況如果利用數(shù)據(jù)挖掘技術(shù)， 就可以將海量信息實現(xiàn)數(shù)據(jù)結(jié)構(gòu)化，從而方便了用戶的搜索和查詢。2.3 教學個性化傳統(tǒng)的教學活動中老師與學生的交

5、流是面對面的， 老師憑借著經(jīng)驗對學生做出個性特點以及接受能力的判斷。 而信息化教學則是將學生相關(guān)信息的采集活動由人工的形式轉(zhuǎn)向自動化， 智能系統(tǒng)將輸入的學生相關(guān)信息進行分析，從而為教學活動提供幫助。但是系統(tǒng)畢竟是根據(jù)一定的程序規(guī)則編寫的， 因此給出的信息是僅僅是在一定規(guī)則下形成的， 很多時候還是無法判斷其是否準確。這種情況下就可以借助數(shù)據(jù)挖掘技術(shù)， 將大量的可視化信息進行深入挖掘，而后提取分析，從而得出更為準確的信息資料。2.4 活動合作化團隊合作能力是現(xiàn)代社會中必不可少的一項基本能力， 而合作學習的形式也多種多樣， 比如借助計算機進行網(wǎng)上合作學習， 或者將計算機當做合作伙伴進行合作學習等等。

6、 但是不管哪種合作學習形式， 都有大量的信息需要接受或者反饋， 才能及時的做出判斷達到提高能力的目的。 如果信息處理不及時或者不妥當， 那么面對“泛濫”的信息反而會有信息“匱乏”之感，因此在這種情況下運用數(shù)據(jù)挖掘技術(shù)可以將海量的數(shù)據(jù)信息進行有效的整合及傳輸。 2.5 管理自動化計算機管理教學系統(tǒng)朝著在網(wǎng)絡(luò)中建立電子學檔功能的趨勢發(fā)展，電子學檔包括了學生的活動記錄、身份信息、電子作品以及評價信息等各個模塊。電子學檔可以幫助改革教學評價模式，實現(xiàn)評價活動面向?qū)W習全過程的目標。 但是實際設(shè)計開發(fā)中這種做法非常有難度。 主要有 3 點原因： 首先是系統(tǒng)分析處理的特性與學生進行事物處理的特性不同。 一個

7、計算機教育系統(tǒng)則相對要復(fù)雜， 因此就要用到數(shù)據(jù)挖掘組件將處于同一環(huán)境中的兩種應(yīng)用進行協(xié)調(diào)處理；其次，一般計算機教育系統(tǒng)中的數(shù)據(jù)相對分散，對于信息的采集和分析都比較不利。 這時就可以利用數(shù)據(jù)挖掘技術(shù)將這些數(shù)據(jù)集成、 整合， 并根據(jù)學生對信息的反饋進行及時的動態(tài)更新，最終將這些信息反饋給老師；最后，現(xiàn)在很多計算機教育系統(tǒng)對于歷史數(shù)據(jù)的利用率不高， 因此如要老師要想在大量的歷史數(shù)據(jù)中找出教學線索是非常困難的，并且適時數(shù)據(jù)與歷史數(shù)據(jù)相比較才可以反映出學生的變化情況。因此數(shù)據(jù)發(fā)掘技術(shù)的運用就變得非常有必要。3 數(shù)據(jù)挖掘在信息化教學中的應(yīng)用難點第一， 數(shù)據(jù)挖掘還僅僅只是一種信息工具， 其作用是通過歷史數(shù)據(jù)

8、來預(yù)測出學習者未來的行為， 但很多時候其實學習者自身都無法規(guī)劃下一步具體要做什么， 因此， 這樣的預(yù)測只能說一是種概率；第二，數(shù)據(jù)挖掘技術(shù)即使可以預(yù)測到學生將來的行為，即學生為什么會出現(xiàn)這樣的行為但并不顯示預(yù)測的依據(jù)和過程，等， 比如一個課堂上很認真聽講的學生成績卻很差等等， 這其中的根本原因無法通過數(shù)據(jù)挖掘來實現(xiàn)； 第三， 數(shù)據(jù)挖掘在信息化教學中的應(yīng)用還處在發(fā)展中階段，并且數(shù)據(jù)挖掘包含神經(jīng)網(wǎng)絡(luò)、人工智能、模糊理論、數(shù)理統(tǒng)計等多項技術(shù)。另外，學生的學習過程、學習特征和學習結(jié)果很多時候都無法用數(shù)量的方式表達，所以相對來說要進行數(shù)據(jù)挖掘的開發(fā)有一定的難度； 第四， 學生的特征需要利用數(shù)據(jù)挖掘技術(shù)來

9、提取，這就會涉及到文化背景、社會環(huán)境以及價值理念等各個方面， 因此對于該項技術(shù)的開發(fā)和應(yīng)用都有一定的影響。4 數(shù)據(jù)挖掘在信息可視化教學中的應(yīng)用范圍4.1 教學管理學生的知識結(jié)構(gòu)和學習風格是在校學生的基本特征。 其中， 學生正在學以及將要學的知識的掌握構(gòu)建了學生的知識結(jié)構(gòu)， 主要包括學生的基礎(chǔ)技能、 當前技能以及目標技能三個方面； 而學習風格則更側(cè)重于學生的社會特征、 心理特征以及生理特征等。 數(shù)據(jù)挖掘技術(shù)可以通過對學生狀態(tài)的掌握以及學生特征的分析， 達到幫助學生修正學習行為的目的。 將學生的特征分析結(jié)果與行為目標標準做比較， 學生根據(jù)比較的結(jié)果進行學習行為的修正， 完善人格、 提高能力。 并且

10、計算機在教學管理方面的應(yīng)用越來越廣泛，老師以及學生的各種信息，比如工作、學習、處罰以及獎勵等都被儲存在教學管理數(shù)據(jù)庫中。 所以利用數(shù)據(jù)挖掘的演變分從而可以在數(shù)據(jù)庫中挖掘出更有價值的數(shù)據(jù)，析以及關(guān)聯(lián)分析，分析學生的日常行為，找出行為之間的內(nèi)在聯(lián)系。4.2 教學評價教學評價的過程，就是根據(jù)教學的一般規(guī)律和教學大綱中制定的目標要求， 通過系統(tǒng)收集相關(guān)信息， 對教學活動和教學結(jié)果進行價值的判斷。其主要內(nèi)容是對學生“學”的評價以及老師“教” 的評價。 現(xiàn)在我國高等院校的評價指標主要以學生的課堂教學評價指標以及綜合測評指標為主， 但是卻無法準確的判斷出各指標的重要程度、 它們之間的關(guān)聯(lián)性以及指標的存在是否

11、合理等情況。 如果將數(shù)據(jù)挖掘中的關(guān)聯(lián)規(guī)則模型以及粗糙集理論用于評價系統(tǒng)中，就可以對指標進行約簡、排序，優(yōu)化評價指標，從而找出更為簡單易行的、科學的評價方法5 。此外，學習評價也屬于老師的重要職責， 對學生的學習行為進行科學評價， 既可以激發(fā)學生的學習動機， 又可以通過學生所反饋的信息檢查教學程序、課程計劃等。利用數(shù)據(jù)挖掘技術(shù)對學生的行為記錄、學習成績、 獎勵處罰等各個數(shù)據(jù)庫的信息進行處理分析， 及時得出對學生的評價結(jié)果， 如有偏差做出及時的糾正， 還可以克服人為評價中不客觀、不公正的缺點。4.3 課程設(shè)置高校的課程設(shè)置一般都是遵循“先基礎(chǔ)、后專業(yè)”的規(guī)律，進行循序漸進的學習。 不過即使一般規(guī)律

12、是特定的， 每個學期的課程也不能一成不變， 因此要合理的設(shè)置每學期的課程， 既要使比如同一課又要符合學生的實際情況。其遵循一般的教學規(guī)律，程由不同專業(yè)的學生學習時， 其總體成績會相差較大。 這時可以將教學數(shù)據(jù)庫中存放的歷史成績， 利用數(shù)據(jù)挖掘的時間序列以及關(guān)聯(lián)分析功能， 從歷史數(shù)據(jù)中挖掘出相關(guān)信息， 并分析其中的回歸性、相關(guān)性，從而找出具有價值的信息以及規(guī)則，最終得出影響學生成績的真正原因 6 。4.4 教學過程與教學方法在一門課程的教學活動中， 老師一般會利用多種教學方法實現(xiàn)教學目標，比如案例法、實驗對比法、討論法、參觀學習法、調(diào)查法以及多媒體輔助法等。 這些教學方法經(jīng)過大量學生、 多個班級

13、以及不同教學任務(wù)的實踐后， 儲存在教學數(shù)據(jù)庫中。 可以利用數(shù)據(jù)挖掘技術(shù)， 對數(shù)據(jù)庫中的相關(guān)數(shù)據(jù)進行深入挖掘和分析， 從而找出對應(yīng)專業(yè)可以采取何種教學方法， 可以更好的滿足教學要求。 這種方法可以幫助學生有效的吸收和理解相關(guān)專業(yè)知識。 當課程結(jié)束以后， 再把每個學生的成績結(jié)合教學方法的評價， 運用數(shù)據(jù)挖掘中的關(guān)聯(lián)規(guī)則以及回歸線性分析做出判斷， 這種方法對于分層教學、分類教學都有著非常重要的指導(dǎo)意義和推廣意義。5 數(shù)據(jù)挖掘在信息可視化教學中的具體應(yīng)用我們以數(shù)據(jù)挖掘技術(shù)在信息可視化教學中的教學評價為例， 來說明其具體應(yīng)用。5.1 采集數(shù)據(jù)數(shù)據(jù)集成 5.1.1把來自多個不同數(shù)據(jù)源的數(shù)據(jù)進行集成合并，

14、將數(shù)據(jù)采集所得 到的多個不同的數(shù)據(jù)庫文件， 利用相關(guān)的數(shù)據(jù)庫技術(shù)生成分析學 生成績信息的基本數(shù)據(jù)庫。5.1.2 數(shù)據(jù)清理數(shù)據(jù)清理最主要的工作， 就是對遺漏的數(shù)據(jù)值進行補充。 由于學生的成績信息基本數(shù)據(jù)庫中很有可能缺乏我們所需要的、 對研究有所幫助的屬性值， 所以， 我們可以利用數(shù)據(jù)清理技術(shù)來補充這些空缺。5.1.3 數(shù)據(jù)轉(zhuǎn)換數(shù)據(jù)轉(zhuǎn)換是針對數(shù)據(jù)做規(guī)格化的操作。 因為除了個別的連續(xù)值屬性外， 大部分均為離散值屬性， 因此要把連續(xù)值屬性作離散化處理?？梢圆捎酶拍罘謱蛹夹g(shù)，把連續(xù)值屬性離散化。直方圖分析法是一種相對比較簡單的離散方法， 其分為等深分箱以及等寬分箱兩種。5.1.4 數(shù)據(jù)消減數(shù)據(jù)消減的主要

15、目的就是縮小挖掘的數(shù)據(jù)規(guī)模， 但對挖掘結(jié)果卻不會造成影響。 可以利用消減維數(shù)法， 從初始的特征屬性中搜尋有用的特征屬性， 從而減少挖掘時需要考慮的變量個數(shù)或者特征屬性。5.2 數(shù)據(jù)分類挖掘其目是就是為進一步建立成績分析決策樹的模型而做。通常ID3 或者 C4.5 在訓練集相對較小的情況下， 分類挖掘可以采用算法，本文采用 ID3 算法。5.2.2 ID3 算法該算法從決策樹的根節(jié)點的訓練樣本開始， 選擇一個屬性對這些樣本進行區(qū)分， 每一個屬性值都產(chǎn)生一個分支， 再把分支屬性值的相關(guān)樣本子集移至新生的子節(jié)點。 這種算法遞歸的應(yīng)用于各個子節(jié)點，直至一個節(jié)點中所有的樣本都被分配至某類中。 ID3算法采用的是由上至下、分而治之的遞歸方法構(gòu)建決策樹。5.2.3 屬性的選擇可以采用信息增益的辦法來選擇屬性。 通常選擇有最高信息增益的屬性， 作為當前的節(jié)點測試屬性， 從而保證了在對訓練樣本子集分類時的