面向自主學(xué)習(xí)的學(xué)習(xí)領(lǐng)域知識地圖分類算法研究

郭玲

面向自主學(xué)習(xí)的學(xué)習(xí)領(lǐng)域知識地圖分類算法研究

郭玲

近期，數(shù)據(jù)挖掘吸引了大量自主學(xué)習(xí)領(lǐng)域?qū)W者的注意力。因為數(shù)據(jù)挖掘能夠幫助學(xué)生們在自主學(xué)習(xí)過程中得到個性化的學(xué)習(xí)指導(dǎo)。目前通過數(shù)據(jù)挖掘繪制概念地圖的方法其精準(zhǔn)度和復(fù)雜度均有待進(jìn)一步研究?；诜诸愃惴ɡL制概念地圖，可以顯著降低數(shù)據(jù)挖掘計算復(fù)雜度，同時保持原有的精準(zhǔn)度水平。通過仿真驗證所提算法達(dá)到上述性能。

數(shù)據(jù)挖掘；概念地圖生成；分類過程

章編號：1007-757X(2016)08-0061-04

0 引言

隨著近年來數(shù)據(jù)挖掘在自主學(xué)習(xí)領(lǐng)域中的快速發(fā)展，當(dāng)前已經(jīng)出現(xiàn)了一些可以根據(jù)學(xué)生的興趣和學(xué)習(xí)效果提供定制化課程的電子教學(xué)系統(tǒng)[1-3]。自主學(xué)習(xí)的過程一般涵蓋了自適應(yīng)學(xué)習(xí)內(nèi)容聚合、自適應(yīng)學(xué)習(xí)方向索引（即知識地圖）、自適應(yīng)表述、學(xué)生知識評分計算等內(nèi)容，最終形成適應(yīng)具體學(xué)生的學(xué)習(xí)體驗?zāi)Ｊ健?/p>

知識地圖包含了關(guān)鍵概念和指引知識之間關(guān)系的鏈接，對引導(dǎo)學(xué)生自主地學(xué)習(xí)新知識起到關(guān)鍵作用。并且知識地圖可以用作評估學(xué)生之間對不同概念學(xué)習(xí)和理解的差異。但是，為應(yīng)用于教學(xué)人工制作一幅知識地圖既耗時又費力。因此，有學(xué)者開始嘗試能否自動地繪制知識地圖。Tseng等通過學(xué)生過去的測試成績試圖建立一種二維知識地圖[4]。Bai等人提出基于混沌規(guī)則和學(xué)生測試成績建立一套用于自主學(xué)習(xí)的知識地圖的概念[5]。Lee等提出的算法基于回想構(gòu)建算法試圖建立一個只能對話的系統(tǒng)概念[6]。

衡量知識地圖生成算法質(zhì)量的關(guān)鍵指標(biāo)包括算法的準(zhǔn)確性和執(zhí)行復(fù)雜度。準(zhǔn)確性在知識地圖中十分重要，但是現(xiàn)有的研究并沒有去比較其提出的算法與其他算法在準(zhǔn)確性方面的差異，主要因為目前這方面還沒有形成相應(yīng)的參考標(biāo)準(zhǔn)，并且，也沒有廣泛用于教學(xué)的成型軟件參照。但是，深入對這些研究鉆研能夠發(fā)現(xiàn)，通過引入更適合的計算公式，有可能進(jìn)一步提高這些算法的精度。大部分已有研究僅基于少量的研究數(shù)據(jù)，而文獻(xiàn)[7,8]的作者們嘗試引入更多的數(shù)據(jù)結(jié)果表明其算法的復(fù)雜度驟然提升。

本文提出一種有效的數(shù)據(jù)挖掘算法來實現(xiàn)知識地圖的生成。這種新算法引入了對學(xué)生測試結(jié)果的分類從而實現(xiàn)保持算法精確度同時明顯降低運算復(fù)雜度的目的。第二節(jié)對我們提出的算法進(jìn)行詳細(xì)闡述并分析了傳統(tǒng)知識地圖生成方法的復(fù)雜度和新算法的復(fù)雜度。第三節(jié)運用所提出的算法分析了一個實例來說明算法的復(fù)雜度變化。第四節(jié)總結(jié)本文研究。

1 面向自主學(xué)習(xí)的學(xué)習(xí)領(lǐng)域知識地圖分類算法

1.1 算法總述

本文提出一種面向自主學(xué)習(xí)的學(xué)習(xí)領(lǐng)域知識地圖分類算法（Concept Map Generation with Classification Method，CMGCM）。圖1給出了CMGCM的基本概念，該算法引入學(xué)生測試成績分類的方法來降低數(shù)據(jù)挖掘過程中的計算復(fù)雜度。如圖1所示，分類算法運作于學(xué)生測試成績上，基于事先定義好的學(xué)生學(xué)習(xí)數(shù)據(jù)定義規(guī)則（比如每個學(xué)生的知識水平等），以及教學(xué)數(shù)據(jù)（比如教材中的難易等級等），然后在計算這些知識點的相應(yīng)子集之間的知識關(guān)聯(lián)程度。隨后，所有選取的子集的計算結(jié)果合并，生成概念之間相關(guān)度的結(jié)果集合，這些相關(guān)概念組成了知識地圖。

Research on Concept Map Generation with Classification Method for Adaptive Learning

Guo Ling
(ZhuHai City Polytech ,Zhuhai 519090, China)

Recently, data mining attracts a lot of interests from the area of adaptive learning, because data mining can help students get personal directs in adaptive learning. Currently the means to generate concept map by data mining has to be further researched for its accuracy and efficiency. A concept map generation with classification method is proposed in this paper. The proposed method can lay down the complexity while maintaining the similar accuracy. Evaluation has shown that the proposed method has reached the above target.

Data Mining; Concept Map; Classification Process

TP399

A

郭 玲（1970-），女，湖南長沙，珠海城市職業(yè)技術(shù)學(xué)院，講師，研究方向：計算機(jī)應(yīng)用，教育技術(shù)，珠海，519090