基于粗糙集理論的網(wǎng)絡(luò)評教研究本科學(xué)位論文

黃岡師范學(xué)院本科學(xué)位論文基于粗糙集理論的網(wǎng)絡(luò)評教研究PAGE22PAGE31摘要數(shù)據(jù)的約簡包括屬性約簡和屬性值約簡[1]，現(xiàn)在數(shù)據(jù)約簡的方法很多，粗糙集理論是數(shù)據(jù)約簡和數(shù)據(jù)挖掘的重要工具，數(shù)據(jù)約簡和數(shù)據(jù)挖掘相互聯(lián)系，它們沒有必然的劃分界限，通過粗糙集工具和決策樹工具以及用粗糙集理論建立決策樹的理論可以將數(shù)據(jù)約簡的理論方法加以開發(fā)推廣，本文通過對數(shù)據(jù)約簡理論的發(fā)散研究，結(jié)合現(xiàn)在比較前沿的觀點和實例闡明數(shù)學(xué)工具和方法理論之間的聯(lián)系。首先介紹數(shù)據(jù)約簡工具RoughSets理論應(yīng)用范圍和前景，粗糙集理論歷史，特點以及與粗糙集理論相關(guān)的基本概念和基本的約簡算法（包括A.Skowron提出的分辨矩陣約簡算法和基于可辨識矩陣的啟發(fā)式約簡算法），粗糙集在數(shù)據(jù)挖掘中的應(yīng)用，包括數(shù)據(jù)挖掘的基本概念，數(shù)據(jù)挖掘的基本任務(wù)（重點介紹了現(xiàn)在流行的基于決策樹的數(shù)據(jù)分類算法），并且給出了粗糙集在數(shù)據(jù)挖掘中的應(yīng)用舉例。用粗糙集理論可以建立決策樹，包括決策樹的核心技術(shù)，粗糙集理論構(gòu)造決策樹的方法和決策樹的應(yīng)用介紹，現(xiàn)又新提出的雙論域下粗糙集數(shù)據(jù)約簡方法。然后分析國內(nèi)外網(wǎng)絡(luò)的教學(xué)評估系統(tǒng)的研究成果，并且結(jié)合課堂教學(xué)質(zhì)量評價表，將數(shù)據(jù)約簡理論成功運用于網(wǎng)絡(luò)評教中。關(guān)鍵字：數(shù)據(jù)約簡，RoughSets理論，數(shù)據(jù)挖掘，網(wǎng)絡(luò)的教學(xué)評價，離算化。

AbstractReductionofdata,includingattributereductionandattributevaluereduction[1],datareductionisnowalotofmethods,roughsettheoryisthedatareductionandanimportanttoolfordatamining,datareductionanddatamininginterrelated,theyarenotthedelineationofboundariesisboundthroughtheroughsettoolsanddecisiontreetools,aswellastheestablishmentofroughsettheorywiththetheoryofdecisiontreecouldbethetheoryofdatareductionmethodstopromotethedevelopmentofthispaperthedatareductionofthedivergencetheory,incombinationwithcutting-edgeNowviewsandexamplesofmathematicaltoolsandmethodstoclarifythelinkbetweentheory.FirstdatareductiontoolintroducedRoughSetsTheoryandprospectsofapplications,roughsettheoryofhistory,characteristicsoftheroughsettheoryandbasicconceptsandbasicreductionalgorithm(includingA.SkowronproposedreductionalgorithmtodistinguishMatricesandHeuristicattributereductionbasedondiscernibulitymatrixanditsapplication),roughSetintheapplicationofdatamining,includingthebasicconceptsofdatamining,dataminingofthebasictasks(focusingonthenowpopulardata-baseddecisiontreeclassificationalgorithm),androughsetsaregivenintheapplicationofdatamining,forexample.Roughsettheorywiththetheoryofdecisiontree,includingthecoretechnologydecisiontree,decisiontreestructureofroughsettheorymethodsandtheapplicationofdecisiontreethatisalsothenewdual-domainofroughsettheorydatareductionmethods.Analysisofthenetworkathomeandabroadandthenteachingevaluationsystemofresearchresults,andcombinedwiththequalityofclassroomteachingevaluationform,datareductionwillbesuccessfullyappliedtothetheoryofteachingevaluation.Keywords:Thedatareduction,RoughSetstheory,thedatamining,thenetworkteachingappraisal,tocalculates.目錄摘要 IIAbstract III目錄引言 1引言 2第一章．粗糙集的基本理論 31.1粗糙集歷史 31.2粗糙集特點 41.3粗糙集理論的基本概念 4第二章．基于粗糙集在數(shù)據(jù)挖掘算法研究 122.1數(shù)據(jù)挖掘的概念 122.2數(shù)據(jù)挖掘的基本任務(wù) 122.3應(yīng)用實例 13第三章.基于粗糙集建立決策樹的算法 16第四章．雙論域下粗糙集數(shù)據(jù)約簡方法 174.1變精度粗糙集模型： 174.2雙論域下的粗糙集模型 17第五章．關(guān)于網(wǎng)絡(luò)的教學(xué)評價 185.1教學(xué)評價的定義和網(wǎng)絡(luò)教學(xué)評價的理論指導(dǎo)思想及定義 185.2國外網(wǎng)絡(luò)教學(xué)評價研究成果 195.3國內(nèi)網(wǎng)絡(luò)教學(xué)評價研究分析 215.4網(wǎng)絡(luò)教育教學(xué)評價過程中應(yīng)該注意的問題 23第六章．?dāng)?shù)據(jù)約簡理論在網(wǎng)絡(luò)評教中的應(yīng)用 246.1.數(shù)據(jù)的預(yù)處理 246.2對決策表進行屬性約簡 276.3決策規(guī)則的生成 27第七章總結(jié)與展望 29參考文獻 30致謝 32引言RoughSets理論是1982年由波蘭數(shù)學(xué)家Z.Pawlak提出的對不確定知識進行表示的理論。近年來,粗糙集作為一種新生的處理不確定性知識的數(shù)學(xué)工具，由于其獨特的計算優(yōu)勢，及其在數(shù)據(jù)挖掘、機器學(xué)習(xí)、數(shù)據(jù)庫知識發(fā)現(xiàn)、決策分析、專家系統(tǒng)和決策支持系統(tǒng)等方面的成功應(yīng)用，粗糙集數(shù)據(jù)分析(RSDA)逐漸被公認為人工智能領(lǐng)域最具潛力的五大新興技術(shù)(粗糙集理論、神經(jīng)網(wǎng)絡(luò)、演化計算、模糊系統(tǒng)及混沌系統(tǒng))之一。同時，該理論還在農(nóng)學(xué)、醫(yī)學(xué)、化學(xué)[2]、材料學(xué)、地理學(xué)、管理科學(xué)和金融等其他學(xué)科得到成功應(yīng)用?，F(xiàn)在決策表又在決策表屬性簡化、決策規(guī)則的簡化是粗糙集理論與實際應(yīng)用的主要研究方向之一。約簡是粗集理論的重要內(nèi)容，通過刪除知識庫中多余的屬性集(值)，來保留知識庫中的重要知識，以提高知識的質(zhì)量，方便用戶決策.近年來，許多學(xué)者通過不同的方法從不同的角度對決策規(guī)則獲取(值約簡)做了深入的研究。約簡包括屬性約簡和屬性值約簡，在進行屬性值約簡之前我們必須先進行屬性約簡。目前，靜態(tài)的屬性約簡算法主要有兩類,一類是基于信息熵的算法。另一類是基于可辨識矩陣和可辨識函數(shù)構(gòu)造的屬性約簡算法，下面據(jù)此理論進行發(fā)散研究，并將其成功運用于學(xué)校師生教學(xué)評價管理之中，提升教學(xué)管理水平。

第一章．粗糙集的基本理論1.1粗糙集歷史現(xiàn)實生活中有許多含糊現(xiàn)象并不能簡單地用真、假值來表示，如何表示和處理這些現(xiàn)象就成為一個研究領(lǐng)域。早在1904年謂詞邏輯的創(chuàng)始人G.Frege就提出了含糊(Vague)一詞，他把它歸結(jié)到邊界線上，也就是說在全域上存在一些個體既不能在其某個子集上分類，也不能在該子集的補集上分類。1965年，Zadeh提出了模糊集，不少理論計算機科學(xué)家和邏輯學(xué)家試圖通過這一理論解決G.Frege的含糊概念，模糊集在實際中仍有比較廣泛的應(yīng)用，模糊集理論采用隸屬度函數(shù)來處理模糊性，以先驗知識為基礎(chǔ)，正因為建立在可靠的已知知識基礎(chǔ)上，對不確定問題的處理往往會得到很好的結(jié)果。（比如基于模糊技術(shù)的題庫管理系統(tǒng)，基于模糊推理的高校專業(yè)課程體系評價專家系統(tǒng)，基于模糊信息處理的高校選課系統(tǒng)構(gòu)建[3]）。20世紀80年代初，波蘭的Pawlak針對G.Frege的邊界線區(qū)域思想提出了粗糙集（RoughSets），他把那些無法確認的個體都歸屬于邊界線區(qū)域，而這種邊界線區(qū)域被定義為上近似集和下近似集之差集。由于它有確定的數(shù)學(xué)公式描述，完全由數(shù)據(jù)決定，所以更有客觀性。自提出以來，許多計算機科學(xué)家和數(shù)學(xué)家對粗糙集理論及其應(yīng)用進行了堅持不懈的研究，使之在理論上日趨完善，特別是由于20世紀80年代末和90年代初在知識發(fā)現(xiàn)等領(lǐng)域得到了成功的應(yīng)用而越來越受到國際上的廣泛關(guān)注。1991年波蘭數(shù)學(xué)家Pawlak教授的第一本關(guān)于粗糙集的專著《RoughSets:TheoreticalAspectsofReasoningaboutData》和1992年R.Slowinski主編的關(guān)于粗糙集應(yīng)用及其與相關(guān)方法比較研究的論文集的出版，推動了國際上對粗糙集理論與應(yīng)用的深入研究。1992年在波蘭Kiekrz召開了第1屆國際粗糙集討論會。從此每年召開一次與粗糙集理論為主題的國際研討會。2001年5月在重慶召開了“第1屆中國Rough集與軟計算學(xué)術(shù)研討會”，邀請了創(chuàng)始人Z.Pawlak教授做大會報告；2002年10月在蘇州第2屆中國粗糙集與軟計算學(xué)術(shù)研討會；2003年5月在重慶第3屆中國粗糙集與軟計算學(xué)術(shù)研討會；2004年10月中下旬在浙江舟山召開第4屆中國粗糙集與軟計算學(xué)術(shù)研討會；2005年8月1日至5日在鞍山科技大學(xué)召開第五屆中國Rough2006第六屆中國粗糙集與軟計算學(xué)術(shù)研討會在,浙江師范大學(xué)；2007年粗糙集與軟計算、Web智能、粒計算聯(lián)合學(xué)術(shù)會議,山西大學(xué)；2008年第8屆中國粗糙集與軟計算學(xué)術(shù)會議、第2屆中國Web智能學(xué)術(shù)研討會、第2屆中國粒計算學(xué)術(shù)研討會聯(lián)合學(xué)術(shù)會議（CRSSC-CWI-CGrC2008）,河南師范大學(xué)[4].1.2粗糙集特點粗糙集是一種軟計算方法。軟計算的概念是由模糊集創(chuàng)始人Zadeh提出的.軟計算中的主要工具包括粗糙集(RS),模糊邏輯(FuzzyLogic),神經(jīng)網(wǎng)絡(luò)(NN),概率推理(ProbabilityReasoning),信度網(wǎng)絡(luò)(BeliefNetworks),遺傳算法(GA)與其它進化優(yōu)化算法,混沌(Chaos)理論等.傳統(tǒng)的計算方法即所謂的硬計算(hardcomputing),使用精確,固定和不變的算法來表達和解決問題.而軟計算的指導(dǎo)原則是利用所允許的不精確性,不確定性和部分真實性以得到易于處理,魯棒性強和成本較低的解決方案,以便更好地與現(xiàn)實系統(tǒng)相協(xié)調(diào)。1.3粗糙集理論的基本概念人的的分類能力是對人類以及其他物種，事物的認識能力，是一種知識。從認知科學(xué)的觀點來理解知識，知識是基于對對象的分類能力，知識直接與真實或抽象世界有關(guān)的分類模式聯(lián)系在一起，稱為論域U。設(shè)定有一個論域U,對于任何子集XU可成為一個U中的概念或范疇，U的任何概念族稱為U的抽象知識，簡稱知識。關(guān)于U的一個劃分定義為：={}其中XiU,Xi,XiXj=,ij,i,j=1,2,…n,=U.U上的一族劃分稱為關(guān)于U的一個知識庫（knowledgebase）。設(shè)R是U上的一個等價關(guān)系，U/R表示R的所有等價類，或U上的劃分構(gòu)成的集合，[X]R表示包含元素XU的R等價類。一個知識庫就是一個關(guān)系系統(tǒng)K=(U,R),其中U為非空有限集，是論域，R是U上的一族等價關(guān)系。若PR且P,P(P中所有等價關(guān)系的交集)也是一個等價關(guān)系，稱為P上不可區(qū)分關(guān)系（indiscernibility）,記為IND(P),IND(P)=P,且有[X]IND(P)=[X]HHP.U/IND(P)表示等價關(guān)系族（P）的相關(guān)知識，稱為K中關(guān)于U的P基本知識（P為基本集）[5]。1.3.有序?qū)=(U,A),其中U為非空有限集合，稱為全域。A=CD,CD,C表示條件屬性集，D表示決策屬性集。全域U的元素被稱為對象或者實例。下面用表1所示的經(jīng)典天氣決策信息系統(tǒng)為例[6]，表1中,a1,a2,a3,a4是條件屬性,分別代表天氣、溫度、濕度、風(fēng)。d是決策屬性,論域U={x1,x2,…,x14[7]}。1.3.2不可區(qū)分關(guān)系R的非空子集P上的不可區(qū)分關(guān)系為ind(P).稱U/ind(P)為K=(U,R)關(guān)于論域U的P基本知識。稱[x]ind(P)為P的基本概念。Ind(k)=[ind(P)|PR}。例如:空間物體集合U具有“顏色”、“形狀”這兩種屬，“顏色”的屬性值取為紅、黃、綠，“形狀”的屬性值取為方、圓、三角形。從離散數(shù)學(xué)的觀點看，“顏色”、“形狀”構(gòu)成了U上的一族等效關(guān)系。U中的物體，按照“顏色”這一等效關(guān)系，可以劃分為“紅色的物體”、“黃色的物體”、“綠色的物體”等集合；按照“形狀”這一等效關(guān)系，可以劃分為“方的物體”、“圓的物體”、“三角形的物體”等集合；按照“顏色+形狀”這一合成等效關(guān)系，又可以劃分為“紅色的圓物體”、“黃色的方物體”、“綠色的三角形物體”等集合。如果兩個物體同屬于“紅色的圓物體”這一集合，它們之間是不可分辨關(guān)系，因為描述它們的屬性都是“紅”和“圓”。不可分辨關(guān)系的概念是RS理論的基石，它揭示出論域知識的顆粒狀結(jié)構(gòu)。1.3.3上近似，下近似給定知識庫K=(U,R)，對X且XU,一個等價關(guān)系，RInd(K).稱RX={YU/R|YX}為X關(guān)于R的下近似。稱X={YU/R|YX}為X關(guān)于R的上近似。1.3.4粗糙集若RXX則X為R粗糙集。否則稱X為R精確集。1.3.5重要性設(shè)R是一族等價關(guān)系，RR,如果ind(R)=ind(R-{R}),則稱R為R不必要的；否則稱R為R必要的。如果每一個RR都為R必要的，則稱R為獨立的；否則稱R為依賴的。1.3.6屬性約簡對于A的任意子集B,我們把B叫做A的約簡，如果IND(B)=IND(A)，且IND(B?{a})≠IND(A)[8]屬性約簡是粗糙集理論的核心問題之一。1.3.7RS理論中應(yīng)用決策表來描述論域中對象。它是一張二維表格，每一行描述一個對象，每一列描述對象的一種屬性。屬性分為條件屬性和決策屬性，論域中的對象根據(jù)條件屬性的不同，被劃分到具有不同決策屬性的決策類。對于分類來說，并非所有的條件屬性都是必要的，有些是多余的，去除這些屬性不會影響原來的分類效果。約簡定義為不含多余屬性并保證分類正確的最小條件屬性集。一個決策表可能同時存在幾個約簡，這些約簡的交集定義為決策表的核，核中的屬性是影響分類的重要屬性。從另一個角度看，決策表中每一個對象都蘊著一條分類規(guī)則，決策表實際上也是一組邏輯規(guī)則的集合。1.3.8決策表定義決策表可以定義如下：S=(U,A)為一信息系統(tǒng)，且C,DìA是兩個屬性子集，分別稱為條件屬性和決策屬性，且CèD=A，C?D=?，則該信息系統(tǒng)稱為決策表，記作T=(U,A,C,D)或簡稱CD決策表。關(guān)系IND(C)和關(guān)系IND(D)的等價類分別稱為條件類和決策類。1.3.9決策表的分類：當(dāng)且僅當(dāng)CTD，決策表T=(U,A,C,D)是一致的。由命題1，很容易通過計算條件屬性和決策屬性間的依賴程度來檢查一致性。當(dāng)依賴程度等于1時，我們說決策表是一致的，否則不一致[9]。1.3.10決策表的屬性約簡方法一致決策表的約簡步驟如下：對決策表進行條件屬性的約簡，即從決策表中消去某一列；(主要研究點)消去重復(fù)的行；消去每一決策規(guī)則中屬性的冗余值。非一致決策表的約簡：對于一致的決策表比較容易處理，在進行約簡時，只要判斷去掉某個屬性或某個屬性值時是否會導(dǎo)致不一致規(guī)則的產(chǎn)生。而對不一致表進行約簡時就不能再使用這種方法了，一般采用下面的方法：一種是考慮正域的變化，另外一種是將不一致表分成完全一致表和完全不一致表兩個子表。非一致決策表的約簡步驟與一致決策表的約簡步驟類似。1.3.11Skowron的約簡方法決策表屬性約簡的過程就是從決策表信息系統(tǒng)的條件屬性中去掉不必要的條件屬性，已獲得表示更簡單，對決策更有效的決策規(guī)則。屬性約簡的方法有很多，其中A.Skowron提出一種用分辨矩陣表示知識的約簡方法非常著名，另外還有數(shù)據(jù)分析約簡方法，歸納屬性約簡算法，基于互信息的屬性約簡算法，基于特征選擇的屬性約簡算法，基于搜索策略的屬性約簡算法，等等。約簡算法如下：令s=（U,R,V，f）是一個信息系統(tǒng)，U為論域且U={x1,x2,…xn},R=CèD是屬性集合．子集C和D別是條件屬性集和決策屬性集，V=是屬性值的集合，表示屬性值rR的屬性值范圍，即屬性r的值域，f：URV是一個信息函數(shù)，它指定U中每一個對象r的屬性值。r(x)是對象x在屬性r上的值，D(x)是記錄x在D上的值，則可辨識矩陣記為：(Cij)m={rC:r(xi)r(xj)}D(xi)D(xj)=0D(xi)=D(xj)=-1r,r(xi)=(xj)D(xi)D(xj)i,j=1,2,…,n以上公式指出：當(dāng)決策屬性不同且條件屬性也不完全相同時，元素值為互不相同的屬性組合；當(dāng)決策屬性相同時，元素值為0；當(dāng)決策屬性不同而條件屬性完全相同時，元素值為-1，該情況表明數(shù)據(jù)有誤或提供條件屬性不足。一個數(shù)據(jù)集的所有約簡可以通過構(gòu)造分辨矩陣并且化簡由分辨矩陣導(dǎo)出的區(qū)分函數(shù)而得到，在使用吸收律化簡區(qū)分函數(shù)成標準式后，所有的蘊含式包含的屬性就是信息系統(tǒng)的所有約簡集合。根據(jù)分明函數(shù)與約簡的對應(yīng)關(guān)系，A.Skowron提出了計算信息系統(tǒng)S的約簡RED(S)的方法：（1）計算信息系統(tǒng)S的分明矩陣M(S)（2）計算與分明矩陣M(S)對應(yīng)的分明函數(shù)fM(S)（3）計算分明函數(shù)fM(S)的最小析取范式，其中每個析取分量對應(yīng)一個約簡，將所有的析取表達式進行合并，得到一個合取范式。（4）將合取范式改為析取范式。（5）輸出屬性約簡結(jié)果。析取范式中的每個合取項就對應(yīng)一個屬性約簡的結(jié)為每個合取項中所包含的屬性組成約簡后的條件屬性集合[10],[11]。為了對決策表進行約簡，可以采用分明矩陣的方法對條件屬性進行約簡，對決策屬性相同的個體不予比較?？紤]下面的決策表，條件屬性為a,b,c,d，決策屬性為e。表2U/Aabcdeu110210u200121u320210u400222u511210由下面的分明矩陣很容易得到核為{c}，分明函數(shù)fM(S)為c∧(a∨d)，即(a∧c)∨(c∧d)，得到兩個約簡{a,c}和{c,d}表3表2對應(yīng)的分明矩陣uu1u2u3u4u5u1u2a,c,du3a,c,du4a,dca,du5a,b,ca,b,d根據(jù)得到的兩個約簡，表5可以簡化為下列決策表：表4U\Aaceu1120u2011u3220u4022u5120表5U\Acdeu1210u2121u3210u4222u5210所有約簡的計算是NP-hard問題（NP是Non-deterministicPolynomial的縮寫，NP問題就是指其解的正確性可以在多項式時間內(nèi)被檢查的一類問題。比如說數(shù)組求和，得到一個解，這個解對不對呢，顯然是可以在多項式時間內(nèi)驗證的。再比如說SAT，如果得到一個解，也是能在多項式時間內(nèi)驗證正確性的。所以SAT和求和等等都是NP問題。然后呢，有一部分NP問題的解已經(jīng)可以在多項式時間內(nèi)找到，比如數(shù)組求和，這部分問題就是NP中比較簡單的一部分，被命名為P類問題。那么P以外的NP問題，就是目前還不能夠在多項式時間內(nèi)求解的問題了。如果所有NP問題都可以多項式歸約到問題A，那么問題A就是NP-Hard）因此運用啟發(fā)信息來簡化計算以找出最優(yōu)或次優(yōu)約簡是必要的?，F(xiàn)在在求最優(yōu)或次優(yōu)約簡的算法一般都使用核作為計算約簡的出發(fā)點，計算一個最好的或者用戶指定的最小約簡。算法將屬性的重要性作為啟發(fā)規(guī)則，按照屬性的重要度從大到小逐個加入屬性，直到該集合是一個約簡為止。行的約簡：對決策表中的重復(fù)的行要刪除，因為它們的條件屬性和決策屬性都相同，都表示同一條決策規(guī)則。另外，決策規(guī)則的列表順序不是本質(zhì)性的，所以表4、表5都可進行約簡，如表6可簡化為下表：表6U\Aaceu1120u1011u3220u4022對于決策表而言，屬性值的約簡就是決策規(guī)則的約簡。決策規(guī)則的約簡是利用決策邏輯消去每個決策規(guī)則的不必要條件，它不是整體上約簡屬性，而是針對每個決策規(guī)則，去掉表達該規(guī)則時的冗余屬性值，即要計算每條決策規(guī)則的核與約簡。1.3.12基于可辨識矩陣的啟發(fā)式約簡算法輸入：決策表(U,An7ppfnt)，其中A=i=1..n。輸出：約簡：reduct。步驟：<1)令約簡后得到的屬性集臺等干條件屬性集臺，即reduct=R;(2)計算可辨識矩陣M，并找出所有不包含核屬性的屬性組合S;(3)將所有不包含核屬性的屬性組合表示析取范式的形式．即P=ai,k:i=1,…s,k=1,…,m};(4)將P轉(zhuǎn)化為析取范式的形式．并按照公式(2)計算屬性的重要性。(5)選擇其中重要性最小的屬性a，使得reduct,reduct，{a}；(6)判斷約簡操作是否成立，若成立．刪除因條件屬性約簡而引入的冗余樣本和不相容樣本，i=i+1，轉(zhuǎn)(5)；否則恢復(fù)約簡該屬性前的樣本數(shù)據(jù)，結(jié)束約簡。第(6)步中的判斷條件為P1/Po<a式中P0為執(zhí)行本次約簡操作前知識表中樣本的數(shù)量,p1為執(zhí)行約簡后引入的不相容樣本數(shù)。a為閾值，根據(jù)實際需要確定，通常取a=5％[12]。1.3.13“約簡”和“核”概念的重要性“約簡”和“核”這兩個概念很重要，是RS方法的精華。RS理論提供了搜索約簡和核的方法。計算約簡的復(fù)雜性隨著決策表的增大呈指數(shù)增長，是一個典型的NP完全問題，當(dāng)然實際中沒有必要求出所有的約簡。引人啟發(fā)式的搜索方法有助于找到較優(yōu)的約簡，即所含條件屬性最少的約簡[13]。

第二章．基于粗糙集在數(shù)據(jù)挖掘算法研究2.1數(shù)據(jù)挖掘的概念數(shù)據(jù)挖掘（DataMining）意在從大量的不完全的，有噪聲的，模糊的，隨機的數(shù)據(jù)中，提取隱含在其中的，人們事先不知道的，但又是潛在有用的信息和知識。還有很多和這一術(shù)語相近似的術(shù)語，如從數(shù)據(jù)庫中發(fā)現(xiàn)知識（KDD）、數(shù)據(jù)分析、數(shù)據(jù)融合（DataFusion）以及決策支持等[14]。2.2數(shù)據(jù)挖掘的基本任務(wù)數(shù)據(jù)挖掘的主要任務(wù)是關(guān)聯(lián)分析、聚類分析、分類、預(yù)測、時序模式和偏差分析等。1）關(guān)聯(lián)分析（associationanalysis）關(guān)聯(lián)規(guī)則挖掘由RakeshApwal等人首先提出。兩個或兩個以上變量的取值之間存在的規(guī)律性稱為關(guān)聯(lián)。數(shù)據(jù)關(guān)聯(lián)是數(shù)據(jù)庫中存在的一類重要的，可被發(fā)現(xiàn)的知識。關(guān)聯(lián)分為簡單關(guān)聯(lián)，時序關(guān)聯(lián)和因果關(guān)聯(lián)。關(guān)聯(lián)分析的目的是找出數(shù)據(jù)庫中隱藏的關(guān)聯(lián)網(wǎng)。一般用支持度和可信度兩個閥值來度量關(guān)聯(lián)規(guī)則的相關(guān)性，還不斷引入興趣度，相關(guān)性等參數(shù)，使得所挖掘的規(guī)則更符合需求。2）聚類分析（clustering）聚類是把數(shù)據(jù)按照相性歸納成若干類別，同一類中的數(shù)據(jù)彼此相似，不同類中的數(shù)據(jù)相異。聚類分析可以建立宏觀的概念，發(fā)現(xiàn)數(shù)據(jù)的分布模式，以及可能的數(shù)據(jù)屬性之間的相互關(guān)系。3）分類（classification）分類就是找出一個類別的概念描述，并用這種描述來構(gòu)造模型，一般用規(guī)則或決策樹模式表示。分類是利用訓(xùn)練數(shù)據(jù)集通過一定得算法而求得分類規(guī)則。分類可被用于規(guī)則描述和預(yù)測。分類可描述如下：輸入數(shù)據(jù)，或稱訓(xùn)練集(trainingset)是一條條記錄組成的。每一條記錄包含若干條屬性(attribute)，組成一個特征向量。訓(xùn)練集的每條記錄還有一個特定的類標簽(類標簽)與之對應(yīng)。該類標簽是系統(tǒng)的輸入，通常是以往的一些經(jīng)驗數(shù)據(jù)。一個具體樣本的形式可為樣本向量：(v1,v2,…,…vn:c)。在這里vi表示字段值，c表示類別。分類的目的是：分析輸入數(shù)據(jù)，通過在訓(xùn)練集中的數(shù)據(jù)表現(xiàn)出來的特性，為每一個類找到一種準確的描述或者模型。這種描述常常用謂詞表示。由此生成的類描述用來對未來的測試數(shù)據(jù)進行分類。盡管這些未來的測試數(shù)據(jù)的類標簽是未知的，我們?nèi)钥梢杂纱祟A(yù)測這些新數(shù)據(jù)所屬的類。注意是預(yù)測，而不能肯定。我們也可以由此對數(shù)據(jù)中的每一個類有更好的理解。也就是說：我們獲得了對這個類的知識。分類技術(shù)有很多，如決策樹、貝葉斯網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)、遺傳算法、關(guān)聯(lián)規(guī)則等。基于決策樹的數(shù)據(jù)分類算法主要有ID3和C4.5算法。Quinlan提出的著名的ID3學(xué)習(xí)算法是較早的經(jīng)典算法。它通過選擇窗口來形成決策樹，是利用信息論中的互信息尋找訓(xùn)練集具有最大信息量的屬性字段，建立決策樹的一個節(jié)點，再根據(jù)該屬性字段的不同取值建立樹的分支；在每個分支子集中重復(fù)建立樹的下層節(jié)點和分支過程。C4.5算法和ID3算法相似，它是對ID3算法的一種改進，它是根據(jù)信息增益(InformationGain)值選擇作為分裂結(jié)點的屬性及標準,按照此標準將訓(xùn)練集分成若干個子集。這兩中種方法的優(yōu)點是描述簡單，分類速度快，分類較準確特別適合大規(guī)模的數(shù)據(jù)處理。但這兩種算法是借用信息論中的互信息或信息增益作為單一屬性能力的度量，試圖減少樹的平均深度，忽略了葉子數(shù)目的研究，其啟發(fā)式函數(shù)并不是最優(yōu)的，存在的主要問題還有：(1)抗噪性差，訓(xùn)練例子中正例和反例較難控制。(2)在構(gòu)造樹的過程中,需要對數(shù)據(jù)集進行多次的順序掃描和排序,因而導(dǎo)致算法的低效。(3)這兩種算法只適合于能夠駐留于內(nèi)存的數(shù)據(jù)集使用,當(dāng)訓(xùn)練集大得無法在內(nèi)存容納時程序無法運行。4）預(yù)測（predication）預(yù)測是利用歷史數(shù)據(jù)找出變化規(guī)律，建立模型，并由此模型對未來數(shù)據(jù)的種類及特征進行預(yù)測。預(yù)測關(guān)心的是精度和不確定性，通常用預(yù)測方差來度量。5）時序模式（time-seriespattern）。時序模式是指通過時間序列搜索出的重復(fù)發(fā)生概率較高的模式。與回歸一樣，他也是用已知的數(shù)據(jù)預(yù)測未來的值，但這些數(shù)據(jù)的區(qū)別是變量所處時間的不同。6）偏差分析（deviation）在偏差中包括很多有用的知識，數(shù)據(jù)庫中的數(shù)據(jù)存在很多異常情況，發(fā)現(xiàn)數(shù)據(jù)庫中數(shù)據(jù)存在的異常情況是非常重要的。偏差檢測的基本方法就是尋找觀察與參照之間的差別。數(shù)據(jù)挖掘的基本技術(shù)包括統(tǒng)計學(xué)，聚類分析和模式識別，決策樹分類技術(shù)，人工神經(jīng)網(wǎng)絡(luò)和遺傳基因算法，規(guī)則歸納，可視化技術(shù)。2.3應(yīng)用實例粗糙集理論運用病例得出規(guī)則，幫助醫(yī)生做出診斷：信息系統(tǒng)如下：表7一知識信息系統(tǒng)條件屬性決策屬性患者頭疼肌肉疼體溫感冒e1是是正常否e2是是高是e3是是很高是e4否是正常否e5否否高否e6否是很高是e7否否高是e8否是很高否上系統(tǒng)描述了8個患者的癥狀，U={e1,e2,e3,e4,e5,e6,e7,e8},C={頭疼，肌肉疼，體溫}，D={感冒}。根據(jù)定義計算知c的d約簡為{體溫，感冒}，核也為{體溫，感冒}。U/C={x1,x2,x3,x4,x5,x6},其中x1={e1},x2={e2},x3={e3},x4={e4},x5={e5,e7},x6={e6,e8}.U/D={Y1,Y2}.其中，y1={e2,e3,e6,e7},Y2={e1,e4,e5,e8}.確定性規(guī)則有如下幾種。R12:IF(頭疼，是)且（體溫，正常）THEN（感冒，否）。

R21:IF(頭疼，是)且（體溫，高）THEN（感冒，是）。R31:IF(頭疼，是)且（體溫，很高）THEN（感冒，是）。R42:IF(頭疼，否)且（體溫，正常）THEN（感冒，否）。不確定規(guī)則有：R51:IF(頭疼，否)且（體溫，高）THEN（感冒，是）。規(guī)則的確定性因子為0.5。R52:IF(頭疼，否)且（體溫，高）THEN（感冒，否）。規(guī)則的確定性因子為0.5。R61:IF(頭疼，否)且（體溫，很高）THEN（感冒，否）。規(guī)則的確定性因子為0.5。R51:IF(頭疼，否)且（體溫，很高）THEN（感冒，是）。規(guī)則的確定性因子為0.5。患者5和患者7，患者6和患者8，癥狀相同，但有個是感冒另一個卻不是，這種情況稱為不一致（inconsistent）另外在文獻[10]中提出了一種粗糙集屬性約簡的啟發(fā)式算法本算法的存儲空間主要是用于排序，空間復(fù)雜度是O（|C|），而傳統(tǒng)的算法用分辨矩陣計算約減屬性的核，空間復(fù)雜度是O(|C|2),空間復(fù)雜度降低了許多，最后得到的決策規(guī)則為：規(guī)則1(a1,晴)∧(a3,高)→(d,N).規(guī)則2(a1,多云)→(d,P).規(guī)則3(a1,雨)∧(a4,否)→(d,P).規(guī)則4(a1,雨)∧(a4,真)→(d,N).規(guī)則5(a1,晴)∧(a3,正常)→(d,P)高效約簡算法，大數(shù)據(jù)集，并行計算以及混合計算等問題是粗糙集在數(shù)據(jù)挖掘中需進一步研究的問題。

第三章.基于粗糙集建立決策樹的算法建立決策樹的目標是通過訓(xùn)練樣本集，建立目標變量關(guān)于各輸人變量的分類預(yù)測模型，全面實現(xiàn)輸入變量和目標變量不同取值下的數(shù)據(jù)分組，進而用于對新數(shù)據(jù)對象的分類和預(yù)測。當(dāng)利用所建決策樹對一個新數(shù)據(jù)對象進行分析時，決策樹能夠依據(jù)該數(shù)據(jù)輸入變量的取值，推斷出相應(yīng)目標變量的分類或取值。決策樹技術(shù)中有各種各樣的算法，這些算法都存在各自的優(yōu)勢和不足。目前，從事機器學(xué)習(xí)的專家學(xué)者們?nèi)栽跐撔膶ΜF(xiàn)有算法的改進，或研究更有效的新算法?？偨Y(jié)起來，決策樹算法主要圍繞兩大核心問題展開:第一，決策樹的生長問題，即利用訓(xùn)練樣本集，完成決策樹的建立過程。第二，決策樹的剪枝問題，即利用檢驗樣本集，對形成的決策樹進行優(yōu)化處理[15]。在數(shù)據(jù)挖掘中，分類是一個很重要的問題，有很多流行的分類器可以創(chuàng)建決策樹來產(chǎn)生類模型。文獻[16]提出了一種基于粗糙集理論構(gòu)造單變量決策樹的優(yōu)化算法，文獻[17]介紹了通過信息增益或熵的比較來構(gòu)造一棵決策樹的數(shù)據(jù)挖掘算法思想，給出了用粗糙集理論構(gòu)造決策樹的一種方法，并用曲面造型方面的實例說明了決策樹的生成過程。通過與ID3方法的比較，該種方法可以降低決策樹的復(fù)雜性，優(yōu)化決策樹的結(jié)構(gòu)，能挖掘較好的規(guī)則信息。決策樹方法是一種逼近離散之間函數(shù)的方法，對噪聲數(shù)據(jù)具有很好的健壯性。決策樹方法具有速度快、精度高、生成的模式簡單等優(yōu)點，在數(shù)據(jù)挖掘中受到許多研究者的關(guān)注。決策樹的算法很多，1986年J.RossQuinlan提出了著名的決策樹歸納算法ID3版本，引起了很大的反響。在此基礎(chǔ)上，他又對ID3算法進行了補充和改進，于1993年提出了非常流行的C4.5算法，以后又出現(xiàn)了C4.5的商業(yè)改進版C5.0算法。此外還有一些可伸縮算法如SLIQ、SPRINT和雨林算法等也有相當(dāng)廣泛的應(yīng)用。在數(shù)據(jù)挖掘的決策樹算法中，主要技術(shù)難點在于如何選擇一個好的分支取值，用信息熵的增益率作為屬性選擇標準，可以加快決策樹的生長速度。決策樹技術(shù)的應(yīng)用很廣泛,目前，尤其在金融、貿(mào)易、電信等方面應(yīng)用的研究很熱點,,體育教學(xué)質(zhì)量評價的公平、合理、高效離不開決策樹技術(shù)的支持。從目前查閱大量資料來看,決策樹技術(shù)應(yīng)用于體育教學(xué)質(zhì)量評價的研究,已引起體育教育管理部門部分專家的關(guān)注,目前雖然沒有成功的應(yīng)用系統(tǒng),當(dāng)然,這將成為體育學(xué)術(shù)界不容忽視的研究方向，但理論的研究已趨成熟,并不斷得到完善。文獻[18]中指出決策樹在教學(xué)評估中運用正確的實例，我們看到：數(shù)據(jù)挖掘技術(shù)在教育層面上應(yīng)用早已開始。

第四章．雙論域下粗糙集數(shù)據(jù)約簡方法4.1變精度粗糙集模型：Ziarko等人提出的變精度粗糙集(VariablePrecisionRoughSet簡稱VPRS)模型是對Pawlak的粗糙集(RoughSet簡稱RS)模型的一種擴展。VPRS通過設(shè)置閾值參數(shù)β，放松了RS理論對近似邊界的嚴格定義，0.5<β<≤1。當(dāng)β=1時，VPRS模型就變成了RS模型，因此RS模型是VPRS模型的一個特例。隨著β增加，VPRS模型的近似邊界區(qū)域變窄，即變精度粗糙集意義下的不確定區(qū)域變小。因此，VPRS模型對數(shù)據(jù)不一致性有一定的容忍度。VPRS模型有利于解決屬性間無函數(shù)或不確定關(guān)系的數(shù)據(jù)分類問題[19]。4.2雙論域下的粗糙集模型文獻[20]將粗糙集模型推廣到了兩個不同但相關(guān)的論域。文獻[21]中將變精度粗糙集理論與關(guān)系數(shù)據(jù)庫理論相結(jié)合提出了較新穎的計算方法。在傳統(tǒng)的粗糙集數(shù)據(jù)約簡算法中，被約簡的對象往往都是單一的信息系統(tǒng)，但是在將屬性約簡算法應(yīng)用到數(shù)據(jù)挖掘?qū)嵺`中去的時候，數(shù)據(jù)約簡的對象往往是關(guān)系模型數(shù)據(jù)庫，這種情況下對某一問題進行分析時，往往對應(yīng)數(shù)據(jù)庫中兩個以上的表（關(guān)系）；大多數(shù)情況下，可以采用以下兩種方法來對數(shù)據(jù)進行處理：（1）通過對兩個表進行連接運算，然后將連接后的表按照單一信息系統(tǒng)的約簡方法處理。但（2）將兩個表的數(shù)據(jù)合并在一起，即求兩個表的外部并，在某些極端情況下可能要計算兩個表的笛卡爾積。雙論域粗糙集模型在數(shù)據(jù)庫中得到了較成功的應(yīng)用，該理論還有待繼續(xù)擴展[22]。

第五章．關(guān)于網(wǎng)絡(luò)的教學(xué)評價5.1教學(xué)評價的定義和網(wǎng)絡(luò)教學(xué)評價的理論指導(dǎo)思想及定義隨著網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，網(wǎng)絡(luò)教學(xué)已成為一種重要的教學(xué)手段，并受到了眾多教育工作者的關(guān)注與研究。在校期間，學(xué)校的網(wǎng)絡(luò)教學(xué)評價不但完善，我們作為學(xué)生也能深深感覺到網(wǎng)絡(luò)教學(xué)評價的方便和準確性，我們首先對網(wǎng)絡(luò)教學(xué)評價做一下分析。5.1.1.教學(xué)評價的定義教學(xué)評價是指根據(jù)教學(xué)目標對學(xué)生通過教學(xué)產(chǎn)生的行為變化作出價值判斷，為改善和優(yōu)化教學(xué)提供依據(jù)的過程。教育評價從不同的角度，可以分成不同的類別。按評價的功能可以劃分為形成性評價、終結(jié)性評價和診斷性評價三種。診斷性評價是指教學(xué)前為了使新課程、新教材適合不同學(xué)生的情況和需要，以實現(xiàn)因材施教。終結(jié)性評價指在一門學(xué)科的整個教學(xué)結(jié)束時，對學(xué)生的學(xué)習(xí)效果及成績所進行的全面的評價。其主要目的是評定學(xué)生成績，為學(xué)生具有某種能力或資格作證明。本文所討論的形成性評價是在教學(xué)過程中使用的一種教學(xué)評價，主要用于監(jiān)控、調(diào)節(jié)教學(xué)過程、提高教學(xué)質(zhì)量。它強調(diào)的是改進教學(xué)，而不是給學(xué)生評定等級。這種評價的基本特征是把一個學(xué)年或?qū)W期的教學(xué)過程看作由一系列連續(xù)的教學(xué)單元所組成的整體，在每個重要的教學(xué)單元結(jié)束后，對學(xué)生的掌握情況進行適時的評價[23]。5.1.2.網(wǎng)絡(luò)這一信息時代的產(chǎn)物，已經(jīng)超出了技術(shù)產(chǎn)品的本身的內(nèi)涵，而向社會生活的各個領(lǐng)域擴展，并逐漸形成了具有鮮明時代特色的文化。學(xué)習(xí)作為延續(xù)人類已有物質(zhì)文化成果、并在原有知識基礎(chǔ)上創(chuàng)造出前所未有的活動，已從傳統(tǒng)的基于課堂的“教師講授—學(xué)生接受”的。模式轉(zhuǎn)變?yōu)橥ㄟ^多種途徑來實現(xiàn)。網(wǎng)絡(luò)突破了時間與空間的限制，給予學(xué)習(xí)者更加靈活的學(xué)習(xí)方式—網(wǎng)絡(luò)教學(xué)。目前，網(wǎng)絡(luò)教學(xué)已作為我國教育改革與發(fā)展的新生事物，但能否取得成就最終還將取決于其教學(xué)質(zhì)量和教學(xué)水平。因此，從網(wǎng)絡(luò)教學(xué)的發(fā)展來看，建立一整套從教學(xué)到管理、監(jiān)控和評估的質(zhì)量保證體系已經(jīng)是當(dāng)務(wù)之急。而網(wǎng)絡(luò)教學(xué)是一種完全不同于傳統(tǒng)教學(xué)的新型教學(xué)模式，其理論指導(dǎo)是建構(gòu)主義學(xué)習(xí)理論，建構(gòu)主義學(xué)習(xí)理論提倡以學(xué)習(xí)者為中心，強調(diào)學(xué)習(xí)者的認知主體作用，所以教學(xué)評價的對象，必然從教師轉(zhuǎn)向?qū)W習(xí)者，評價學(xué)習(xí)者的學(xué)習(xí)。在此指導(dǎo)思想下，教學(xué)評價的主要對象是學(xué)生，當(dāng)然也對教師進行評價，但評價的出發(fā)點從教改變成是否有利于學(xué)生的學(xué)，是否為學(xué)生創(chuàng)設(shè)了有利于學(xué)習(xí)的環(huán)境及是否能引導(dǎo)學(xué)生自主地學(xué)習(xí)等，顯而易見，對教師的評價標準是圍繞著學(xué)習(xí)者制定的。因此，網(wǎng)絡(luò)教學(xué)評價表現(xiàn)出其獨特的特點如注重過程性評價，強調(diào)對網(wǎng)絡(luò)教學(xué)的過程進行實時的監(jiān)控;關(guān)注全方位評價，網(wǎng)絡(luò)教學(xué)評價不僅對運用教育技術(shù)實施智能教學(xué)以及對利用探索、發(fā)現(xiàn)、競爭、協(xié)作、角色扮演等一系列策略教學(xué)的效果進行有效的評價;還對學(xué)生在學(xué)習(xí)中的主動性、自控性、學(xué)習(xí)的效果進行評價。5.2國外網(wǎng)絡(luò)教學(xué)評價研究成果1．《線學(xué)習(xí)的認證標準》(E-LeanringCertificationStandards)E-LeanringCertificationStandards是由以LynetteGillis博士為主創(chuàng)者的著名教學(xué)設(shè)計與適用專業(yè)委員會建立的認證標準，這是一種被評價專家認為是確定合格最可靠的標準參照法之一，因為它是基于命題專家們的綜合判斷。其要求專家審閱每一項，確定每一項指標的得分概率。這些概率的平均值乘以項目總數(shù)，其結(jié)果就是最低限度的得分。最終的合格線是基于這種綜合判斷和平均標準誤差的計算。最后，對每項得分計算各種分析和可靠性指數(shù)。這一標準草案從三個方面旨在對在線學(xué)習(xí)進行評價，分別為可用性、技術(shù)性和教學(xué)性。2.《虛擬學(xué)習(xí)環(huán)境的教育評價框架》(AFrameworkforPedagogicalEvaluationofVirtualLearningEnvironments)虛擬學(xué)習(xí)環(huán)境的教育評價框架是由英國Wales-Bangor大學(xué)的SandyBritain和OlegLiber共同完成的。該框架從評價策略的角度介紹了兩種不同的模型。一種是Laurilard提出的會話模型(TheConversationalFramework)，主要把教師和學(xué)生、學(xué)生之間及學(xué)生與環(huán)境通過媒體進行交互的活動情況作為評價對象，從所提供的各種學(xué)習(xí)工具的交互性上考察一個虛擬環(huán)境的優(yōu)劣。另一種是控制論模型，主要依據(jù)StaffordBeer的管理控制論中的可視化系統(tǒng)模型而改造成教育領(lǐng)域中應(yīng)用的模型。3.《在線學(xué)習(xí)質(zhì)量》(QualityOnTheLine)在線學(xué)習(xí)質(zhì)量是由美國國家教育協(xié)會和黑板公司聯(lián)合發(fā)布的基于互聯(lián)網(wǎng)的遠程學(xué)習(xí)評價標準。這一標準包括:體系結(jié)構(gòu)、課程開發(fā)、教學(xué)與學(xué)習(xí)、課程結(jié)構(gòu)、學(xué)生支持系統(tǒng)、教師支持系統(tǒng)、評價與評估系統(tǒng)等七個方面，并將這七個方面細化為24個必要的核心子指標項和21個非必要的可選子指標項，同時提供了采用這一標準評價六所學(xué)院的網(wǎng)絡(luò)課程的案例。當(dāng)然，這一套教學(xué)模式除、完整的知識體系、有效的作業(yè)和練習(xí)、合理的評價方式以外，還有一些與網(wǎng)絡(luò)相關(guān)的特點：突出教與學(xué)交互的重要性，重視網(wǎng)絡(luò)學(xué)習(xí)環(huán)境的創(chuàng)設(shè)，強調(diào)管理與支持評價內(nèi)容的重要性等。5.3國內(nèi)網(wǎng)絡(luò)教學(xué)評價研究分析5.3.1網(wǎng)絡(luò)教學(xué)評價體系1.對學(xué)習(xí)者的評價網(wǎng)絡(luò)教學(xué)以學(xué)習(xí)者為中心，它的目的是向?qū)W習(xí)者提供學(xué)習(xí)的途徑、資源和方法，使學(xué)生獲得知識與技能，培養(yǎng)學(xué)生的認知和元認知策略，最終獲得發(fā)展。因此，在網(wǎng)絡(luò)教學(xué)中，對學(xué)生的評價是網(wǎng)絡(luò)教學(xué)評價的主體內(nèi)容。學(xué)生學(xué)習(xí)評價作為教育評價的一部分，它是依據(jù)學(xué)校教育目標，根據(jù)學(xué)生從事學(xué)習(xí)的具體情況，運用科學(xué)的方法、手段，對學(xué)生的學(xué)習(xí)過程與學(xué)習(xí)效果所進行的一種評判。2.對網(wǎng)絡(luò)教師的評價在網(wǎng)絡(luò)教學(xué)環(huán)境中，由于教師和學(xué)生間時空距離的存在，相對于傳統(tǒng)教學(xué)對教師的要求更高。要組織成功的網(wǎng)絡(luò)教學(xué)，教師必須提供有效的學(xué)習(xí)資源，并依據(jù)教學(xué)目標，采取相應(yīng)的教學(xué)策略和手段，對學(xué)生遠程學(xué)習(xí)過程進行組織。由于網(wǎng)絡(luò)教學(xué)的過程是一個不斷改進和提高的過程，因此對教師的工作只有不斷地提出改進意見，不斷調(diào)整和提高教學(xué)的質(zhì)量，網(wǎng)絡(luò)教學(xué)才能獲得持續(xù)的發(fā)展。3.對學(xué)習(xí)資源的評價學(xué)習(xí)資源是整個網(wǎng)絡(luò)教學(xué)活動過程的主線，學(xué)習(xí)過程就是對學(xué)習(xí)資源的利用，加工和再加工的過程。學(xué)習(xí)資源的利用程度直接關(guān)系到教學(xué)的效果，因此學(xué)習(xí)資源的質(zhì)量直接關(guān)系到教學(xué)的質(zhì)量，直接影響學(xué)生的發(fā)展。學(xué)習(xí)資源主要是指網(wǎng)絡(luò)信息資源中有益于學(xué)習(xí)者學(xué)習(xí)的信息，是作為學(xué)習(xí)者開展基于網(wǎng)絡(luò)學(xué)習(xí)活動的基礎(chǔ)資源。網(wǎng)絡(luò)教學(xué)中的學(xué)習(xí)資源不僅指教師提供的網(wǎng)絡(luò)課件、網(wǎng)絡(luò)課程，還包括教師提供的其它學(xué)習(xí)資源以及來自互聯(lián)網(wǎng)的巨大資源。對網(wǎng)絡(luò)課件、網(wǎng)絡(luò)課程的評價包括課件、課程的內(nèi)容是否符合網(wǎng)絡(luò)學(xué)習(xí)的要求、結(jié)構(gòu)與導(dǎo)航是否合理、練習(xí)與反饋是否對教學(xué)提供有利的支持、以及內(nèi)容呈現(xiàn)的技術(shù)性、交互性等多個方面。4.對網(wǎng)絡(luò)教學(xué)支撐平臺的評價在網(wǎng)絡(luò)教學(xué)環(huán)境中，教學(xué)信息的傳遞是通過網(wǎng)絡(luò)這個媒介進行的。為了有效組織網(wǎng)絡(luò)教學(xué)活動，網(wǎng)絡(luò)教學(xué)的實施通常在網(wǎng)絡(luò)教學(xué)支撐平臺下進行。網(wǎng)絡(luò)教學(xué)支撐平臺包括技術(shù)系統(tǒng)和教學(xué)系統(tǒng)兩部分，技術(shù)系統(tǒng)是指網(wǎng)絡(luò)系統(tǒng)本身，是教學(xué)活動的技術(shù)平臺;教學(xué)系統(tǒng)是指能夠提供實現(xiàn)自主學(xué)習(xí)、協(xié)作學(xué)習(xí)、探究式學(xué)習(xí)的策略支持系統(tǒng)。5.對學(xué)習(xí)支持與服務(wù)系統(tǒng)的評價網(wǎng)絡(luò)教學(xué)過程中的學(xué)習(xí)支持是網(wǎng)絡(luò)教育機構(gòu)為解決學(xué)生在網(wǎng)絡(luò)學(xué)習(xí)中遇到的困難，提供的學(xué)術(shù)性或非學(xué)術(shù)性幫助。在網(wǎng)絡(luò)教學(xué)過程中，學(xué)習(xí)者常常會遇到諸如學(xué)習(xí)技能方面的困難、與遠程機構(gòu)交互的困難和個人方面的困難。對于網(wǎng)絡(luò)教學(xué)來說，學(xué)習(xí)支持與服務(wù)系統(tǒng)對網(wǎng)絡(luò)教學(xué)的影響是非直接的，但它在很大程度上起到保證網(wǎng)絡(luò)教學(xué)順利進行的作用，它對于學(xué)生順利完成學(xué)習(xí)常常起到了關(guān)鍵性的作用。5.3.2網(wǎng)絡(luò)教學(xué)評價系統(tǒng)針對以上對網(wǎng)絡(luò)教學(xué)評價體系的分析，結(jié)合現(xiàn)有的網(wǎng)絡(luò)技術(shù)，目前可實現(xiàn)的網(wǎng)絡(luò)教學(xué)評價系統(tǒng)有以下幾種：1.網(wǎng)絡(luò)實時評價系統(tǒng)網(wǎng)絡(luò)實時評價系統(tǒng)是一個基于Intenret的網(wǎng)上虛擬評價環(huán)境的模型。學(xué)習(xí)者可以不受時間、空間的限制，通過公共通信手段，進行文字、圖像、視頻和音頻的異地實時交流。這種評價系統(tǒng)體現(xiàn)了網(wǎng)絡(luò)教學(xué)快捷、靈活的特性，可以為學(xué)習(xí)提供及時的反饋，有效地監(jiān)控、管理學(xué)習(xí)過程，提高學(xué)習(xí)效率，增強學(xué)習(xí)的控制度。2.網(wǎng)絡(luò)考試系統(tǒng)網(wǎng)絡(luò)考試系統(tǒng)是一個基于數(shù)據(jù)庫和Internet的遠程在線實時測試系統(tǒng)，包括學(xué)生考試系統(tǒng)，自動批閱系統(tǒng)和題庫管理系統(tǒng)等。該系統(tǒng)可以在任何地點、任何時間進行實時考試，試卷的難易程度可控制，支持自動批卷功能，而且數(shù)據(jù)的統(tǒng)計分析方便快捷。該系統(tǒng)中的所有考試信息都以數(shù)據(jù)庫記錄的形式存儲。用戶可以用登錄的方式從數(shù)據(jù)庫中隨機抽取試卷，進行階段測試和綜合測試。信息量大，效率高，管理方便也是網(wǎng)絡(luò)考試系統(tǒng)的優(yōu)點，教學(xué)者能很容易地從評價結(jié)果中獲得更深層的信息。3.網(wǎng)絡(luò)答疑系統(tǒng)目前網(wǎng)絡(luò)答疑系統(tǒng)主要有在線討論和互動交流兩種形式。在網(wǎng)絡(luò)答疑系統(tǒng)的數(shù)據(jù)庫中存儲了大量的疑問和解答信息，教師可以對這些信息加以匯總和分析，從中發(fā)現(xiàn)教學(xué)的問題，并及時調(diào)整教學(xué)方法和策略，改進教學(xué)效果。網(wǎng)絡(luò)答疑系統(tǒng)還提供了搜索引擎的數(shù)據(jù)庫系統(tǒng)，學(xué)習(xí)者可以通過關(guān)鍵字匹配，問題勾連技術(shù)，全文檢索等技術(shù)快速得到問題的答案。4.網(wǎng)絡(luò)多媒體考試系統(tǒng)網(wǎng)絡(luò)多媒體系統(tǒng)是基于Web、多媒體技術(shù)和虛擬現(xiàn)實技術(shù)的評價模式。在該模式下，服務(wù)器和客戶端可實現(xiàn)對多種對象的評價。在傳統(tǒng)文本型考試的基礎(chǔ)上，增加了音頻、視頻、圖形等多媒體數(shù)據(jù)，并可運用虛擬現(xiàn)實技術(shù)組建虛擬考試環(huán)境，使各種各樣的測評方式得以實施。例如口語測試、技能實驗、情感交流等。網(wǎng)絡(luò)多媒體考試系統(tǒng)以寬帶技術(shù)、流媒體技術(shù)、AG技術(shù)為技術(shù)支撐[24]。5.4網(wǎng)絡(luò)教育教學(xué)評價過程中應(yīng)該注意的問題教學(xué)評價是對非量化的教學(xué)過程或者某個對象進行定量調(diào)查，得出定性結(jié)論的一個過程。從非量化的事物中提出數(shù)據(jù)轉(zhuǎn)化成定量和定性的結(jié)論的過程中，必須建立一個相對準確的模型。對于不確定的因素，只能用相對準確的數(shù)據(jù)來描述，這樣必然會帶來一定的誤差。因此要注意以下一些因素帶來的誤差，使教學(xué)評價的結(jié)論盡量接近于真實情況。5.4.1教學(xué)評價的目的和相應(yīng)評價對象標準的確定在評價的過程中，應(yīng)該根據(jù)當(dāng)前教學(xué)的實際情況，確定評價的目的。首先不應(yīng)該過分提高需要達到的目的和要求，因為這樣很可能得出的數(shù)據(jù)達不到預(yù)先的要求，從而出現(xiàn)錯誤的結(jié)論，影響正常的教學(xué)過程，出現(xiàn)“拔苗助長”的惡劣影響；然而過分降低需要達到的目的和要求，又有可能因為得出的結(jié)論輕易達到或者超過預(yù)定要求，而掩蓋了教學(xué)中的隱患，使本次教學(xué)評價的可信度大大降低，同時也不利于教學(xué)過程的改進和教學(xué)質(zhì)量的提高。5.4.2教學(xué)評價系統(tǒng)的可信度教學(xué)評價系統(tǒng)在進行信息收集、信息處理等各個方面或多或少會使用一定的模型，采用模型必然會影響到數(shù)據(jù)結(jié)論的可信度。在對調(diào)查結(jié)果中同一個問題的不同選項的進行分析整理的時候，應(yīng)該對各種不同的選項采取相應(yīng)的權(quán)重。采用的權(quán)重會直接影響最終結(jié)論。人為地確定權(quán)重，就會對結(jié)果產(chǎn)生相應(yīng)的誤差。即使采用國際通用的分析方法，分析方法本身就允許一定的誤差存在。因此，我們必須降低各項因素的不確定性，以提高教學(xué)評價系統(tǒng)的可信度。網(wǎng)絡(luò)技術(shù)在教育中的應(yīng)用日益廣泛和深入，特別是Internet與校園網(wǎng)的接軌，為各類教育提供了豐富的資源，使網(wǎng)絡(luò)教學(xué)真正成為現(xiàn)實，同時也為各種教育開辟了廣闊的前景。開展網(wǎng)絡(luò)教學(xué)模式研究的重要理論基礎(chǔ)之一就是網(wǎng)絡(luò)教學(xué)的評價。所以，如何保證網(wǎng)絡(luò)教學(xué)的質(zhì)量，建立一個行之有效的網(wǎng)絡(luò)教學(xué)評價模型，已成為網(wǎng)絡(luò)教學(xué)研究的一個重要課題。

第六章．?dāng)?shù)據(jù)約簡理論在網(wǎng)絡(luò)評教中的應(yīng)用學(xué)校為了提高教學(xué)質(zhì)量會采多種措施，教學(xué)評價就是其中的措施之一。我們學(xué)校教務(wù)處在線系統(tǒng)比較多，功能比較齊全，比如說教務(wù)管理系統(tǒng)，網(wǎng)上選課系統(tǒng)，成績查詢系統(tǒng)，網(wǎng)上評教系統(tǒng)等[25]。比如我們學(xué)校教務(wù)處期末前些天在網(wǎng)上評教系統(tǒng)中將教師教學(xué)質(zhì)量評估表發(fā)給學(xué)生，學(xué)生根據(jù)評估表中的項目對教師進行打分，經(jīng)統(tǒng)計后根據(jù)評分結(jié)果確定該教師教學(xué)質(zhì)量考核等級。這種教學(xué)質(zhì)量評估活動對于學(xué)校的教學(xué)改革和教學(xué)質(zhì)量的提高起到了相當(dāng)?shù)淖饔?。但不能對教學(xué)評價數(shù)據(jù)進行分析，不能發(fā)揮教學(xué)評價對教學(xué)的指導(dǎo)作用。在教學(xué)過程中，影響教學(xué)質(zhì)量的因素是多方面的，利用數(shù)據(jù)約簡理論能夠從大量的教學(xué)評價數(shù)據(jù)中發(fā)現(xiàn)影響教學(xué)質(zhì)量的關(guān)鍵因素分析教師教學(xué)行為和教學(xué)成果之間的關(guān)系。6.1.數(shù)據(jù)的預(yù)處理數(shù)據(jù)的預(yù)處理主要包括數(shù)據(jù)的清洗和積成。在運用roughset理論處理決策表時，要確定條件屬性或決策屬性的值域，得到相關(guān)的條件屬性和決策屬性字段后，對屬性值進行離算化[26]，下圖是一課堂教學(xué)質(zhì)量評價表：表8.課堂教學(xué)質(zhì)量評價表課堂教學(xué)質(zhì)量評價表（學(xué)生用表）評價內(nèi)容評價等級一級指標二級指標優(yōu)(5)良(4)中(3)一教學(xué)態(tài)度1工作責(zé)任心強，按時上下課，不隨意調(diào)課、停課ABC2適量布置作業(yè)并認真批改，耐心輔導(dǎo)答疑ABC3為人師表，重視課堂紀律，以理服人，關(guān)心并嚴格要求學(xué)生ABC二教學(xué)基本要求4選用適當(dāng)、先進、近期出版教材ABC5準備充分，有講稿、教學(xué)大綱、教學(xué)周歷、教案等ABC6用普通話講課，語言準確、流利，板書工整規(guī)范ABC三教學(xué)內(nèi)容及水平7講授熟練，概念準確，條理清楚，邏輯性強，舉例恰當(dāng)ABC8突出重點，講清難點，進度適中，有深度和廣度ABC9理論聯(lián)系實際，吸收最新研究成果，反映學(xué)科前沿ABC四教學(xué)方法及手段10因材施教，突出課程特點，講授方法得當(dāng)A~C11注重啟發(fā)式教學(xué)，引導(dǎo)學(xué)生思考、創(chuàng)新，重視能力培養(yǎng)A~C12注重課堂討論和演示，采用現(xiàn)代化教學(xué)手段A~C五教學(xué)效果及藝術(shù)13教師有自己的風(fēng)格，講授受到歡迎，學(xué)生學(xué)習(xí)有興趣ABC14授課內(nèi)容易于接受和掌握；通過學(xué)習(xí)，能力得以提高ABC15師生互動，教師的教學(xué)有助于學(xué)生的做人和治學(xué)ABC六開放性評價欄首先對屬性進行編號，列出字段表表9.屬性編號字段表屬性編號屬性含義屬性編號屬性含義a1教學(xué)態(tài)度a5教學(xué)效果及藝術(shù)a2教學(xué)基本要求a6開放性評價專欄a3教學(xué)內(nèi)容及水平D綜合評價a4教學(xué)方法及手段離算化后各屬性的含義如下：a1（教學(xué)態(tài)度）：3—優(yōu)（80—100），2—良（60-80），3（60分以下）；a2（教學(xué)基本要求）：3—優(yōu)（80—100），2—良（60-80），3（60分以下）；a3（教學(xué)內(nèi)容及水平）：3—優(yōu)（80—100），2—良（60-80），3（60分以下）；a4（教學(xué)方法及手段）：3—優(yōu)（80—100），2—良（60-80），3（60分以下）；a5（教學(xué)效果及藝術(shù)）：3—優(yōu)（70—100），2—中（70分以下）；a6（開放性評價專欄）：3—優(yōu)（80—100），2—良（60-80），3（60分以下）；d（綜合評價）：3—優(yōu)（80—100），2—良（60-80），3（60分以下）。假如經(jīng)過大量的教學(xué)質(zhì)量考評，然后求平均得分得到以下二維表：S=<U,R,V,F>,設(shè)論域為整個樣本，R=CD,U={1,2,3,4,5,6,7,8,9,10},條件屬性C={教學(xué)態(tài)度,教學(xué)基本要求,教學(xué)內(nèi)容及水平,教學(xué)方法及手段,教學(xué)效果及藝術(shù),開放性評價專欄},決策屬性D={綜合評價}。表10.離散化之后的教學(xué)質(zhì)量評估表編號教學(xué)態(tài)度教學(xué)基本要求教學(xué)內(nèi)容及水平教學(xué)方法及手段教學(xué)效果及藝術(shù)開放性評價專欄綜合評價1良優(yōu)良優(yōu)優(yōu)優(yōu)優(yōu)2優(yōu)良優(yōu)優(yōu)優(yōu)良優(yōu)3優(yōu)良優(yōu)中優(yōu)良優(yōu)4優(yōu)優(yōu)良中優(yōu)良優(yōu)5中中優(yōu)優(yōu)優(yōu)良良6良良優(yōu)中良良良7優(yōu)優(yōu)優(yōu)中中良良8中中中中優(yōu)良中9良中優(yōu)中中良中10優(yōu)優(yōu)良優(yōu)中良良按照上面離算方法將上表離散之后得到教師質(zhì)量評測的決策表：表11.離散化之后的教學(xué)質(zhì)量評估表編號a1a2a3a4a5a6a71232133323231323332303234332032351131322622302227333012281110321921301211033211226.2對決策表進行屬性約簡利用RIDAS中基于分明矩陣的屬性約簡算法對決策表約簡[12][27]，約簡之后決策表如下所示：表12.約簡之后的決策表編號a1a3a5D122332333333333432335133262322733128113192311103212通過分析可知，通過對教學(xué)評價決策表約簡，得到影響教學(xué)評價的關(guān)鍵因素，分別是教學(xué)態(tài)度，教學(xué)內(nèi)容及水平，教學(xué)效果及藝術(shù)，這三個因素對教學(xué)平價結(jié)果起著關(guān)鍵作用，對其他三個屬性進行了約簡，他們只是不起決定作用，因此要對關(guān)鍵屬性加強控制，有助于教學(xué)質(zhì)量的提高。6.3決策規(guī)則的生成具體算法如下：對經(jīng)過屬性約簡后的信息系統(tǒng)的每個實例刪除多余的條件屬性值，從而得到該實例的值核；又得到的值核求出最小約簡；根據(jù)最小約簡，得到信息系統(tǒng)決策規(guī)則。對上述約簡之后的決策表進行屬性值約簡，采用啟發(fā)式值約簡，標記值核和刪除無用的記錄后得到下面決策表：表13.屬性值約簡之后的決策表編號a1a3a5D1*23323*33513*26**2273*128*1*192*11根據(jù)上述決策表導(dǎo)出提取規(guī)則：規(guī)則1：IF(a3=2)AND(a5=3)THENd=3規(guī)則2：IF(a1=3)AND(a5=3)THENd=3規(guī)則3:IF(a1=1)AND(a3=3)THENd=2規(guī)則4:IF(a5=2)THEN