數(shù)據(jù)挖掘方法在網(wǎng)絡(luò)學(xué)習(xí)行為研究中的應(yīng)用

蔣雯音 張穎 童亞琴

摘要：隨著網(wǎng)絡(luò)在線教育的普及，網(wǎng)絡(luò)教學(xué)過程中產(chǎn)生了大量數(shù)據(jù)資源。在對數(shù)據(jù)挖掘理論和技術(shù)研究的基礎(chǔ)上，利用SPSS Clementine工具并分別采用關(guān)聯(lián)分析、聚類分析和決策樹分析三種數(shù)據(jù)挖掘方法，對網(wǎng)絡(luò)教學(xué)平臺學(xué)習(xí)者的學(xué)習(xí)行為數(shù)據(jù)進(jìn)行挖掘分析，探究網(wǎng)絡(luò)學(xué)習(xí)行為與學(xué)習(xí)效果的關(guān)聯(lián)、不同類型學(xué)習(xí)群體的學(xué)習(xí)特征、網(wǎng)絡(luò)學(xué)習(xí)行為規(guī)律，最后分析總結(jié)了研究網(wǎng)絡(luò)學(xué)習(xí)行為對于促進(jìn)高效網(wǎng)絡(luò)學(xué)習(xí)、優(yōu)化網(wǎng)絡(luò)教學(xué)策略、輔助網(wǎng)絡(luò)教學(xué)決策方面的現(xiàn)實(shí)意義。

關(guān)鍵詞：數(shù)據(jù)挖掘;網(wǎng)絡(luò)學(xué)習(xí)行為;關(guān)聯(lián)分析;聚類分析;決策樹分析

中圖分類號：G642 ? ? ? ?文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2020）17-0017-05

1 ?引言

隨著移動互聯(lián)網(wǎng)、云計算、大數(shù)據(jù)等新一代信息技術(shù)的發(fā)展及在教育領(lǐng)域中的應(yīng)用，網(wǎng)絡(luò)教學(xué)方式迅速推廣和普及，各大在線教學(xué)平臺推出了慕課（MOOC）、小規(guī)模限制性在線課程（SPOC）新型網(wǎng)絡(luò)學(xué)習(xí)課程。學(xué)習(xí)者在網(wǎng)絡(luò)學(xué)習(xí)過程中，網(wǎng)絡(luò)教學(xué)平臺獲取并存儲了大量與其網(wǎng)絡(luò)學(xué)習(xí)行為相關(guān)的數(shù)據(jù)（如訪問次數(shù)、學(xué)習(xí)時長、學(xué)習(xí)進(jìn)度、作業(yè)及測試情況、參與互動情況等），這些數(shù)據(jù)是分析網(wǎng)上學(xué)習(xí)效果的寶貴資源，然而卻沒有得到足夠的重視。如何將網(wǎng)絡(luò)教學(xué)過程中產(chǎn)生的大量學(xué)習(xí)數(shù)據(jù)資源，轉(zhuǎn)化為對教學(xué)決策有價值的信息，提升網(wǎng)絡(luò)教學(xué)的質(zhì)量和效果，是一個值得探討的問題。因此，對網(wǎng)絡(luò)學(xué)習(xí)行為的分析與研究受到了越來越多的關(guān)注和重視。

數(shù)據(jù)挖掘（Data Mining，簡稱DM）又被稱為數(shù)據(jù)庫知識發(fā)現(xiàn)[1]，一般是指從大量的數(shù)據(jù)中通過算法搜索發(fā)現(xiàn)隱藏于其中具有潛在價值的信息的過程，從而幫助決策者發(fā)現(xiàn)規(guī)律、預(yù)測分類、輔助決策。數(shù)據(jù)挖掘是當(dāng)前數(shù)據(jù)分析領(lǐng)域中最活躍最前沿的地帶，是一種深層次的數(shù)據(jù)分析方法。因此，利用數(shù)據(jù)挖掘方法對學(xué)習(xí)者的網(wǎng)絡(luò)學(xué)習(xí)行為進(jìn)行客觀、科學(xué)的分析和研究，挖掘蘊(yùn)含在數(shù)據(jù)中的豐富價值，為學(xué)習(xí)者、教師及學(xué)校提供精準(zhǔn)的支持服務(wù)，為網(wǎng)絡(luò)教學(xué)提供決策，具有現(xiàn)實(shí)意義和價值。

2 ?常用數(shù)據(jù)挖掘方法

2.1 關(guān)聯(lián)分析

2.1.1 關(guān)聯(lián)規(guī)則

關(guān)聯(lián)分析的目的是為了挖掘隱藏在數(shù)據(jù)間的相互關(guān)系，即對于給定的一組項(xiàng)目和一個記錄集，通過對記錄集的分析，得出項(xiàng)目集中的項(xiàng)目之間的相關(guān)性[2]。用關(guān)聯(lián)規(guī)則來描述項(xiàng)目之間的相關(guān)性，一般表示形式為：X→Y（規(guī)則支持度，規(guī)則置信度），其中X和Y分別稱為前項(xiàng)和后項(xiàng)[3]。

關(guān)聯(lián)分析后會產(chǎn)生許多規(guī)則集，判斷規(guī)則有效性的指標(biāo)是規(guī)則支持度（反映規(guī)則普遍性）和規(guī)則置信度（反映規(guī)則的準(zhǔn)確度）。如果一個關(guān)聯(lián)規(guī)則的支持度和置信度均大于設(shè)定的最小支持度和最小置信度閾值，那么就是強(qiáng)規(guī)則，即表示該關(guān)聯(lián)關(guān)系是有意義的，關(guān)聯(lián)分析就是對強(qiáng)規(guī)則的挖掘。

關(guān)聯(lián)規(guī)則挖掘過程分兩步：首先，尋找頻繁項(xiàng)集，即找出那些出現(xiàn)頻率大于等于最小支持度閾值的項(xiàng)集;然后，從頻繁項(xiàng)集中找出滿足最小置信度的關(guān)聯(lián)規(guī)則。

2.1.2 GRI（Generalized Rule Induction）算法

GRI算法是關(guān)聯(lián)規(guī)則的算法之一，它采用深度優(yōu)先搜索策略[3]：先確定一個后項(xiàng)Y進(jìn)行分析，在分析后項(xiàng)Y時，依次分析該后項(xiàng)中包含的各個項(xiàng)目（Y1，Y2…Yn），在分析每個項(xiàng)目Yi時，又逐一分析其前項(xiàng)X所包含的各個項(xiàng)目（X1，X2…Xn），當(dāng)前項(xiàng)中的每個項(xiàng)目Xi分析完，然后再分析下一個后項(xiàng)中的項(xiàng)目Yi，當(dāng)后項(xiàng)中所有項(xiàng)目（Y1，Y2…Yn）全部分析完，就完成了對于一個后項(xiàng)Y的分析，分析完一個后項(xiàng)后再分析下一個后項(xiàng)，直至分析完所有后項(xiàng)。

2.2 聚類分析

2.2.1 聚類分析概述

聚類分析是按照個體特征的相似系數(shù)或者距離將他們分類，讓同一個類別內(nèi)的個體之間具有較高的相似度，不同類別之間具有較大的差異性[4]，它屬于無監(jiān)督學(xué)習(xí)。通過聚類分析，可以了解數(shù)據(jù)的分布、比較分析各類的特征和規(guī)律，它在探索數(shù)據(jù)內(nèi)在結(jié)構(gòu)方面具有全面性和客觀性等特點(diǎn)。

聚類分析中有不同的聚類算法，主要有劃分聚類、層次聚類、基于密度聚類、基于網(wǎng)格聚類等，在實(shí)際應(yīng)用中應(yīng)根據(jù)不同的目標(biāo)選擇相應(yīng)的聚類算法。

2.2.2 ?K-means算法

K-means是一種常用經(jīng)典的劃分聚類算法，它通過反復(fù)迭代調(diào)整類中心來劃分樣本所屬的類，具體聚類過程[4]：

1）取K個初始質(zhì)心：隨機(jī)抽取K個點(diǎn)作為初始聚類的中心，來代表各個類;

2）把每個點(diǎn)劃分進(jìn)相應(yīng)類：根據(jù)歐式距離最小原則，把每個點(diǎn)劃進(jìn)距離最近的類中;

3）重新計算質(zhì)心：根據(jù)均值等方法，重新計算每個類的質(zhì)心;

4）迭代計算質(zhì)心：重復(fù)第2）步和第3）步，迭代計算;

5）聚類完成：類中心不再發(fā)生改變。

2.3 決策樹分析

2.3.1 決策樹概述

決策樹算法的目的是通過向數(shù)據(jù)學(xué)習(xí)，實(shí)現(xiàn)對數(shù)據(jù)內(nèi)在規(guī)律的探究和新數(shù)據(jù)對象的分類預(yù)測。決策樹學(xué)習(xí)是已知數(shù)據(jù)類別的一種有監(jiān)督學(xué)習(xí)，采用自頂向下的遞歸方法生成一種樹型結(jié)構(gòu)，樹的最高層節(jié)點(diǎn)為根節(jié)點(diǎn)，中間各層的每個節(jié)點(diǎn)表示對于一個屬性的判斷或測試，每個分支表示一個判斷或測試的輸出，每個葉節(jié)點(diǎn)代表一種分類結(jié)果[5]。

生成決策樹的過程就是不斷分裂產(chǎn)生分支，每次選擇可以得到最優(yōu)分類結(jié)果的屬性進(jìn)行分裂，即經(jīng)過這個屬性的判斷能使分裂后的子集中的記錄盡可能的屬于同一個類別，不斷重復(fù)這一過程，直到達(dá)到停止分裂的條件。決策樹算法的關(guān)鍵是分裂屬性的選擇以及分裂停止的判定。另外，由于異常數(shù)據(jù)等影響剛建立的決策樹會過于復(fù)雜而出現(xiàn)過擬合的情況，導(dǎo)致預(yù)測不準(zhǔn)確，因此需要通過剪枝對決策樹進(jìn)行優(yōu)化[6]。

2.3.2 ?C5.0決策樹

C5.0是一種經(jīng)典的決策樹算法，可生成多分枝的決策樹或規(guī)則集，其目標(biāo)變量為分類變量。C5.0決策樹以信息增益率作為確定最佳分裂屬性的標(biāo)準(zhǔn)，每次選擇信息增益率最大的屬性進(jìn)行分裂拆分樣本，每次拆分后的節(jié)點(diǎn)對應(yīng)的子集繼續(xù)根據(jù)另一個屬性進(jìn)行拆分，重復(fù)這一過程直到所有樣本不能再被拆分為止。最后，從葉節(jié)點(diǎn)向上逐層進(jìn)行剪枝優(yōu)化，修剪掉那些沒有意義的分支和節(jié)點(diǎn)[7]。

3 ?網(wǎng)絡(luò)學(xué)習(xí)行為研究

3.1 研究內(nèi)容

本研究利用職教云課堂平臺上的一門SPOC課程的學(xué)習(xí)者網(wǎng)上學(xué)習(xí)數(shù)據(jù)作為數(shù)據(jù)樣本，借助SPSS Clementine工具利用數(shù)據(jù)挖掘方法對學(xué)習(xí)者的網(wǎng)絡(luò)學(xué)習(xí)行為進(jìn)行研究，主要包括以下幾個方面。

1）關(guān)聯(lián)分析網(wǎng)絡(luò)學(xué)習(xí)行為與學(xué)習(xí)效果關(guān)系

利用關(guān)聯(lián)分析GRI算法對主要網(wǎng)絡(luò)學(xué)習(xí)行為與學(xué)習(xí)效果之間的關(guān)系進(jìn)行分析，探究不同學(xué)習(xí)行為對學(xué)習(xí)效果產(chǎn)生的影響。

2） 聚類分析學(xué)習(xí)者群體特征

利用K-means聚類算法將學(xué)習(xí)者劃分為幾大類型群體，挖掘同一類型群體中學(xué)習(xí)者的行為共性、不同類型群體之間的學(xué)習(xí)行為特性及差異。

3）決策樹分析網(wǎng)絡(luò)學(xué)習(xí)行為規(guī)律

利用決策樹C5.0算法挖掘網(wǎng)絡(luò)學(xué)習(xí)行為規(guī)律，構(gòu)建決策樹模型預(yù)測不同網(wǎng)絡(luò)學(xué)習(xí)行為可能產(chǎn)生的學(xué)習(xí)效果，同時可以將學(xué)生分成不同層次，進(jìn)而分析不同層次學(xué)生的網(wǎng)絡(luò)學(xué)習(xí)行為特點(diǎn)。

3.2 數(shù)據(jù)挖掘方法應(yīng)用

3.2.1 學(xué)習(xí)行為重要性分析

通過對云課堂平臺上獲取到的學(xué)習(xí)者學(xué)習(xí)數(shù)據(jù)的前期數(shù)據(jù)預(yù)處理后，共有456條樣本作為分析對象。以各種學(xué)習(xí)行為作為輸入變量，學(xué)習(xí)者的期末考核成績作為輸出變量，先找到對輸出變量影響較大的輸入變量，便于后續(xù)建模，因?yàn)檫^多的輸入變量會產(chǎn)生共線性問題，篩選出有效的輸入變量既可以提高模型穩(wěn)定性，也能提高模型精確度。

利用“建模-特征選擇”節(jié)點(diǎn)，分析出對輸出變量有顯著意義的輸入變量如圖1所示，可以看出對學(xué)習(xí)者的學(xué)習(xí)效果即期末考試成績有重要影響的學(xué)習(xí)行為有：對學(xué)習(xí)資源的各種交互（包括問答、評價、筆記、糾錯）、在線學(xué)習(xí)中的參與次數(shù)（包括提問、討論、投票、頭腦風(fēng)暴、測驗(yàn)、課前課后參與、評價、總結(jié)等）、課堂表現(xiàn)（各類線上活動得分）、作業(yè)、學(xué)習(xí)時長。其他變量（如學(xué)習(xí)進(jìn)度、考勤、訪問次數(shù)等）在本樣本中的標(biāo)準(zhǔn)差極小，即這些學(xué)習(xí)行為差異性非常小，因此不作為后續(xù)建模的輸入變量。

3.2.2 網(wǎng)絡(luò)學(xué)習(xí)行為與學(xué)習(xí)效果的關(guān)聯(lián)分析

通過對各種學(xué)習(xí)行為重要性分析，選入8類學(xué)習(xí)行為作為建立關(guān)聯(lián)模型的輸入變量，由于這些輸入變量都是數(shù)值型變量，因此選用關(guān)聯(lián)分析中的GRI算法，對不同學(xué)習(xí)行為和學(xué)習(xí)效果進(jìn)行關(guān)聯(lián)分析。

1）關(guān)聯(lián)分析建模

利用“建模-GRI”節(jié)點(diǎn)構(gòu)建關(guān)聯(lián)分析模型，選擇自行指定建模變量，其中關(guān)聯(lián)規(guī)則的前項(xiàng)為8類關(guān)鍵學(xué)習(xí)行為對應(yīng)的8個變量，后項(xiàng)為考試成績等級，這里將考試成績分成A-優(yōu)秀、B-良好、C-及格、D-不及格四個等級。

關(guān)聯(lián)分析中，需要設(shè)定兩個閾值即最小置信度和最小支持度，這里把最小支持度設(shè)定為10%，最小置信度設(shè)定為80%，分析后得到的置信度和支持度均大于給定閾值的關(guān)聯(lián)規(guī)則即為強(qiáng)規(guī)則。另外，為防止關(guān)聯(lián)規(guī)則過于復(fù)雜，指定前項(xiàng)中包含的最大項(xiàng)目數(shù)為4，生成關(guān)聯(lián)規(guī)則的最大數(shù)目為10，GRI算法的參數(shù)設(shè)置如圖2所示。

2）分析結(jié)果

通過GRI算法關(guān)聯(lián)分析，我們得到了關(guān)于后項(xiàng)成績?yōu)锳即優(yōu)秀的10條關(guān)聯(lián)規(guī)則，如圖3所示。這些規(guī)則的置信度基本都達(dá)到了100%，說明規(guī)則的準(zhǔn)確性較高;最大的頻繁項(xiàng)集大小是3;提升度都大于1，反映了前項(xiàng)中的學(xué)習(xí)行為對后項(xiàng)中的學(xué)習(xí)效果有促進(jìn)作用。

可利用關(guān)聯(lián)規(guī)則考察分析哪些學(xué)習(xí)行為符合哪條關(guān)聯(lián)規(guī)律，如規(guī)則1反映了“問答>197.5、參與>53.5”的學(xué)習(xí)行為與“等級=A”有關(guān)聯(lián)關(guān)系，由此可認(rèn)為具有這些學(xué)習(xí)行為表現(xiàn)的學(xué)習(xí)者成績傾向于優(yōu)秀的可能性較高。從分析得到的其他關(guān)聯(lián)規(guī)則中，還可以發(fā)現(xiàn)各種不同的學(xué)習(xí)行為與“等級=A”之間的關(guān)聯(lián)性。關(guān)聯(lián)規(guī)則是對樣本隱含規(guī)律的一種歸納和總結(jié)，這些規(guī)律體現(xiàn)了大部分學(xué)習(xí)者學(xué)習(xí)行為和學(xué)習(xí)效果的相互關(guān)系和影響，但值得注意的是，這些關(guān)聯(lián)規(guī)則是基于特定訓(xùn)練樣本集得出的，同時，由于關(guān)聯(lián)規(guī)則本身并沒有關(guān)于預(yù)測精度和誤差的評價指標(biāo)，因此通常不直接用于預(yù)測[3]。

3.2.3 網(wǎng)絡(luò)學(xué)習(xí)行為聚類分析

根據(jù)已有網(wǎng)絡(luò)學(xué)習(xí)行為數(shù)據(jù)類型特點(diǎn)，我們采用K-means聚類分析研究不同學(xué)習(xí)群體的學(xué)習(xí)行為特征。

1）聚類分析建模

利用“建模-K-Means”節(jié)點(diǎn)建立聚類模型，指定聚類數(shù)目為4類，同時輸出各樣本與所屬類中心點(diǎn)的距離以及各個類中心點(diǎn)間的距離。以“聚類-1”這種字符后加數(shù)字形式表示聚類后的各類名稱。選擇“簡單”模式即默認(rèn)的參數(shù)進(jìn)行聚類，聚類的迭代次數(shù)20，容忍度為0表示當(dāng)最大的類中心偏移量小于0時停止聚類，滿足兩個條件中的一個即停止聚類。集合編碼值可對分類型變量重新編碼后調(diào)整其權(quán)重，由于分析的變量都是數(shù)值型，這里就不用設(shè)置，模型的參數(shù)設(shè)置如圖4所示。

2）分析結(jié)果

聚類結(jié)果如圖5所示，其中顯示了四類包含的樣本量、各變量的均值和標(biāo)準(zhǔn)差以及各類中心與其他類中心的距離，可以看出聚類-1和聚類-4之間的距離短，即兩類較相似，而聚類-2和聚類-3較相似。

可以把聚類分析得到的四類結(jié)果看成四類學(xué)習(xí)群體，利用“圖形-網(wǎng)格”節(jié)點(diǎn)，生成成績等級和四類群體的關(guān)系如圖6所示，保留強(qiáng)關(guān)系后發(fā)現(xiàn)，群體2和群體3中成績優(yōu)秀較多，群體1和群體4中成績良好的較多，這也符合上面得到的各類之間的相似度。

以圖形矩陣的形式顯示各類中各變量的特征如圖7所示，最后一列紅色五邊形表示八種學(xué)習(xí)行為在各類之間存在顯著差異，從圖中可以更直觀地反映不同學(xué)習(xí)群體的學(xué)習(xí)行為特征，從而分析挖掘同一類型群體中學(xué)習(xí)者的行為共性、不同類型群體之間的學(xué)習(xí)行為特性及差異。如成績優(yōu)秀比例較高的群體2和群體3的學(xué)習(xí)行為主要特征是學(xué)習(xí)過程中對于學(xué)習(xí)資料的筆記、評價、問答等較多，而學(xué)習(xí)時長相比較群體1則較少，說明學(xué)習(xí)中的思考、互動對于學(xué)習(xí)效果有一定促進(jìn)作用。

3.2.4 網(wǎng)絡(luò)學(xué)習(xí)行為決策樹分析

下面通過構(gòu)建基于C5.0算法的決策樹模型來挖掘網(wǎng)絡(luò)學(xué)習(xí)行為規(guī)律，預(yù)測不同網(wǎng)絡(luò)學(xué)習(xí)行為可能產(chǎn)生的學(xué)習(xí)效果。

1）決策樹分析建模

建立模型前，利用“字段選項(xiàng)-分區(qū)”節(jié)點(diǎn)先把樣本集隨機(jī)分割成訓(xùn)練集和測試集兩部分，訓(xùn)練集用于建立和訓(xùn)練模型，測試集用于估計模型的誤差。

利用“建模-C5.0”節(jié)點(diǎn)構(gòu)建決策樹模型，C5.0算法能生成決策樹，還可以生成推理規(guī)則集，使用推進(jìn)方式即boosting 技術(shù)和交叉驗(yàn)證法建立模型，以提高模型預(yù)測精度和穩(wěn)健性。C5.0決策樹模型參數(shù)設(shè)置如圖8所示。

2）模型結(jié)果

構(gòu)建C5.0決策樹模型的結(jié)果如圖9所示，左圖是從決策樹上直接獲得的推理規(guī)則，可以看到每個節(jié)點(diǎn)所包含的樣本量及置信度;右圖是生成的9層深度決策樹（取部分），樹的第一個最佳分組變量是評價，并以此形成二叉樹，到下一層分別以學(xué)習(xí)時長和作業(yè)為分組變量繼續(xù)往下生長。

從模型結(jié)果，我們發(fā)現(xiàn)學(xué)習(xí)者在評價、作業(yè)、課堂表現(xiàn)方面越突出以及學(xué)習(xí)時長越長，成績?yōu)锳優(yōu)秀的置信度達(dá)到94%以上;而對于評價和學(xué)習(xí)時長方面表現(xiàn)較差的學(xué)習(xí)者，成績?yōu)镃合格的置信度為100%。將模型結(jié)果連到數(shù)據(jù)流中，并用“表”節(jié)點(diǎn)查看預(yù)測結(jié)果如圖10所示，可以查看各樣本的預(yù)測值（$C-等級）和預(yù)測置信度（$CC-等級），因此，通過決策樹模型可以預(yù)測不同網(wǎng)絡(luò)學(xué)習(xí)行為可能產(chǎn)生的學(xué)習(xí)效果。

4 小結(jié)

利用數(shù)據(jù)挖掘方法對學(xué)習(xí)者的網(wǎng)絡(luò)學(xué)習(xí)行為進(jìn)行分析和研究，挖掘蘊(yùn)含在數(shù)據(jù)中的豐富價值，可以幫助我們找到網(wǎng)絡(luò)學(xué)習(xí)行為與學(xué)習(xí)效果的關(guān)聯(lián)，了解各類學(xué)生的學(xué)習(xí)特征，掌握網(wǎng)絡(luò)學(xué)習(xí)行為規(guī)律，從而為學(xué)習(xí)者、教師及學(xué)校提供精準(zhǔn)的支持服務(wù)，為網(wǎng)絡(luò)教學(xué)提供決策，具有現(xiàn)實(shí)的應(yīng)用價值。

4.1 有利于學(xué)習(xí)者調(diào)整學(xué)習(xí)狀態(tài)、改善學(xué)習(xí)習(xí)慣，促進(jìn)高效的網(wǎng)絡(luò)學(xué)習(xí)

對于學(xué)習(xí)者，可以根據(jù)學(xué)習(xí)行為的分析結(jié)果，與其他學(xué)習(xí)者的比較，檢查自己的學(xué)習(xí)情況，更全面清楚地了解自身的優(yōu)勢和不足，并調(diào)整下一步的學(xué)習(xí)計劃和策略、改善學(xué)習(xí)習(xí)慣，從而進(jìn)行更高效的網(wǎng)上學(xué)習(xí)活動。

4.2 有利于教師優(yōu)化教學(xué)策略、開展個性化教學(xué)和實(shí)施科學(xué)的學(xué)習(xí)評價

對于教師，能準(zhǔn)確掌握學(xué)習(xí)者的學(xué)習(xí)狀態(tài)、學(xué)習(xí)風(fēng)格和偏好、知識掌握程度等信息，從而采取有效的教學(xué)策略，引導(dǎo)、幫助學(xué)習(xí)者學(xué)習(xí)。同時，教師可根據(jù)不同類型學(xué)習(xí)者的網(wǎng)絡(luò)學(xué)習(xí)行為特征，為各類學(xué)習(xí)者制定不同的學(xué)習(xí)計劃和教學(xué)策略，提供的個性化學(xué)習(xí)資源以及不同類型的教學(xué)服務(wù)。另外，對學(xué)習(xí)者的網(wǎng)絡(luò)學(xué)習(xí)行為進(jìn)行跟蹤、記錄、分析和可視化，使學(xué)習(xí)評價更全面、真實(shí)和科學(xué)。

4.3 有利于指導(dǎo)網(wǎng)絡(luò)學(xué)習(xí)資源開發(fā)和網(wǎng)絡(luò)教學(xué)平臺的建設(shè)和改進(jìn)

對網(wǎng)絡(luò)學(xué)習(xí)行為數(shù)據(jù)的挖掘分析能深入了解學(xué)習(xí)者使用學(xué)習(xí)資源的行為方式和習(xí)慣，幫助資源設(shè)計者開發(fā)出符合學(xué)習(xí)者學(xué)習(xí)方式和習(xí)慣的網(wǎng)絡(luò)學(xué)習(xí)資源，為學(xué)習(xí)者提供更多資源獲取渠道、多種處理和使用資源的方法。同時，通過了解學(xué)習(xí)者使用平臺的方式，有助于平臺設(shè)計者改進(jìn)、健全網(wǎng)絡(luò)教學(xué)平臺，提高平臺的個性化和智能化。

本文對數(shù)據(jù)挖掘方法應(yīng)用于網(wǎng)絡(luò)教學(xué)進(jìn)行了初步研究，尚存在有待改進(jìn)的地方，今后將會繼續(xù)深入數(shù)據(jù)挖掘技術(shù)在教育教學(xué)方面的研究與應(yīng)用，為促進(jìn)信息技術(shù)與教學(xué)深度融合，探索建立信息化教學(xué)模式，構(gòu)建和實(shí)施智慧課堂等方面提供借鑒和參考。

參考文獻(xiàn)：

[1] Bing Liu. Web 數(shù)據(jù)挖掘（第2版）[M].北京：清華大學(xué)出版社，2012.

[2] 趙子江.數(shù)據(jù)庫原理與SQL SERVER應(yīng)用[M].北京：機(jī)械工業(yè)出版社，2006.

[3] 薛薇，陳歡歌.Clementine數(shù)據(jù)挖掘方法及應(yīng)用[M].北京：電子工業(yè)出版社，2012.

[4] 數(shù)據(jù)挖掘-聚類分析總結(jié)[EB/OL].[2018-10-27].https：//www.cnblogs.com/rix-yb/p/9851514.html.

[5] 第3章_分類與決策樹[EB/OL].[2017-08-09].https：//max.book118.com/html/2015/0709/20732251.shtm.

[6] 陳萍. 數(shù)據(jù)挖掘技術(shù)在網(wǎng)絡(luò)教學(xué)中的應(yīng)用研究[D].廣州：廣東技術(shù)師范學(xué)院，2015（5）：12-14.

[7] 李慶香. 數(shù)據(jù)挖掘技術(shù)在高校學(xué)生成績分析中的應(yīng)用研究[D].西南大學(xué)，2009.

【通聯(lián)編輯：王力】