大數(shù)據(jù)背景下基于K-means聚類算法的在線學(xué)習(xí)行為路徑分析與研究

◆王婷

大數(shù)據(jù)背景下基于K-means聚類算法的在線學(xué)習(xí)行為路徑分析與研究

◆王婷

（吉林建筑科技學(xué)院 吉林 130114）

本文主要就K-means聚類算法特點，研究其在線學(xué)習(xí)行為路徑中的應(yīng)用方法，即通過對學(xué)生在線學(xué)習(xí)行為路徑采集數(shù)據(jù)做聚類分析，獲取學(xué)生在線學(xué)習(xí)的行為路徑，創(chuàng)建學(xué)生在線學(xué)習(xí)行為模型與行為分析平臺，并以學(xué)生在線學(xué)習(xí)行為模式作為數(shù)據(jù)來源，分析學(xué)生在線學(xué)習(xí)行為特點，總結(jié)在線學(xué)習(xí)行為規(guī)律，為混合式教學(xué)提供更好的數(shù)據(jù)指導(dǎo)，達到更好的教學(xué)效果。

K-means聚類算法；在線學(xué)習(xí)行為；數(shù)據(jù)挖掘

在信息技術(shù)快速更新發(fā)展的背景下，現(xiàn)在網(wǎng)絡(luò)技術(shù)已經(jīng)被越來越廣泛的應(yīng)用到混合式教學(xué)中，以“互聯(lián)網(wǎng)+”為載體，通過K-means聚類算法對學(xué)生學(xué)習(xí)行為進行預(yù)測分析，分析學(xué)生在線學(xué)習(xí)行為特點，對傳統(tǒng)教學(xué)模式進行調(diào)整優(yōu)化，能夠進一步提高教學(xué)質(zhì)量和學(xué)習(xí)效率。

1 大數(shù)據(jù)下K-means聚類算法分析

信息化時代背景下，對傳統(tǒng)教學(xué)模式進行改革創(chuàng)新已經(jīng)勢在必行。以信息技術(shù)與網(wǎng)絡(luò)技術(shù)作為支持，建立網(wǎng)絡(luò)化、個性化、數(shù)字化以及終身化的教育體系，打破以往學(xué)習(xí)中時間、空間帶來的限制，這對于培養(yǎng)更多創(chuàng)新人才至關(guān)重要[1]?，F(xiàn)在有越來越多的學(xué)生選擇線上學(xué)習(xí)，相比日常課堂學(xué)習(xí)通過線上學(xué)習(xí)的方式能夠獲取更多更全面的知識信息。但是面對網(wǎng)絡(luò)上海量的信息，每位學(xué)生均有不同的學(xué)習(xí)習(xí)慣與偏好，如果可以掌握這一情況，對于教師制定教學(xué)計劃具有巨大意義。

大數(shù)據(jù)已經(jīng)成了重要的發(fā)展資源，其具有數(shù)據(jù)量大、種類多、實時性強、價值高以及真實性強等多項特點，將其應(yīng)用到信息化教學(xué)中，對學(xué)生在線學(xué)習(xí)行為數(shù)據(jù)進行收集整理、歸納分析，挖掘數(shù)據(jù)之間的關(guān)聯(lián)性，掌握學(xué)生在線學(xué)習(xí)行為習(xí)慣，來為教師備課設(shè)計教學(xué)提供十分有利的參考數(shù)據(jù)。目前，數(shù)據(jù)挖掘與聚類分析在混合式教學(xué)的在線學(xué)習(xí)行為分析中應(yīng)用還比較少，對學(xué)生在線學(xué)習(xí)行為數(shù)據(jù)的挖掘分析還需要做進一步的研究，爭取完成學(xué)生在線學(xué)習(xí)時間、學(xué)習(xí)方向、學(xué)習(xí)行為路徑、作業(yè)完成度以及在線測試成績等多方面因素的數(shù)據(jù)分析，為教師課堂教學(xué)設(shè)計提供輔助支持[2]。其中，K-means聚類算法的應(yīng)用優(yōu)勢較大，簡單來講就是對各類數(shù)據(jù)的分類，通過將具有一定相似性的特征值聚集在一起進行分類。通過K-means聚類算法得到的結(jié)論與判定，這樣就能夠進一步了解學(xué)生在線學(xué)習(xí)行為路徑與學(xué)習(xí)效果，確保教師教學(xué)設(shè)計做到“因材施教”。

基于K-means聚類算法來進行學(xué)生在線學(xué)習(xí)行為路徑的研究，首先就需要對算法進行改進，分析確定每個點之間的差異，對原空間元素進行秩序化管理，明確初始中心值選擇的規(guī)則要求[2]。假設(shè)存在一個結(jié)合X={x1，x2，…xn}，先按照維度對數(shù)據(jù)集X做從小到大的重新分布，例如對某一維x1，…xir，…xnr，從小到大排列，最終排列的結(jié)果便是每一個維度上數(shù)據(jù)全部為從小到大的方式分布，然后對排列好的集合分割得到k個區(qū)間，找到每小段中處于中間位置的元素，將其指定為中心。此種存取中心值的算法是遵循規(guī)劃原始數(shù)據(jù)集的原則，按照一定秩序來排列原始數(shù)據(jù)，并按照秩序排列規(guī)則選擇適當?shù)某跏贾行腫3]。K-means聚類算法流程為：

Input：待聚類分析的數(shù)據(jù)集合X、聚類的數(shù)目k。

Output：k個初始的聚類中心。

步驟：

①按照維度秩序來對數(shù)據(jù)集合進行重新分布，保證每一個維度上的數(shù)據(jù)全部是按照從小到大的方式排列，形成新的集合mia；②對數(shù)據(jù)集mia進行分割得到k個區(qū)間；③對每個區(qū)間的中心值在區(qū)間內(nèi)位置或序號進行計算；④取出中間序號所對應(yīng)的數(shù)據(jù)，確定其為初始化聚類中心；⑤利用每一個分組中的所有數(shù)據(jù)計算初始中心：

其中，表示中心值序號；表示數(shù)據(jù)集合的總個數(shù)；表示類簇的總個數(shù)；表示某一個類的序號[4]。

2 學(xué)生在線學(xué)習(xí)行為路徑分析

2.1 在線學(xué)習(xí)行為數(shù)據(jù)采集與預(yù)處理

混合式教學(xué)模式下，對于不同學(xué)歷的學(xué)生在進行線上學(xué)習(xí)的過程中所表現(xiàn)出的學(xué)習(xí)行為習(xí)慣具有較大的差異性，本次研究主要是選擇本校學(xué)生作為數(shù)據(jù)訓(xùn)練樣本，通過聚類工具對學(xué)生在線學(xué)習(xí)時長、學(xué)習(xí)資源種類、學(xué)生年級、學(xué)習(xí)行為路徑、學(xué)生專業(yè)類別、作業(yè)完成度以及在線測試成績等方面的數(shù)據(jù)進行收集和預(yù)處理分析。以最近一年的數(shù)據(jù)記錄作樣本，去除重復(fù)記錄以及完全相等的行為，制作“學(xué)生線上學(xué)習(xí)行為表”數(shù)據(jù)集[5]。

在線學(xué)習(xí)行為路徑部分數(shù)據(jù)樣本，如表1。

表1 學(xué)生學(xué)習(xí)行為數(shù)據(jù)樣本

學(xué)號姓名性別專業(yè)任務(wù)完成率課堂討論數(shù)作業(yè)完成度章節(jié)測試 190240301高靜楠女網(wǎng)絡(luò)工程80%1060%及格 190240302沈南南女網(wǎng)絡(luò)工程90%16100%優(yōu)秀 190240303畢微女網(wǎng)絡(luò)工程78%1255%中等 190240304侯菁菁女網(wǎng)絡(luò)工程88%1580%中等 190240305鄭卓男網(wǎng)絡(luò)工程93%1990%及格 190240306劉佳宇男網(wǎng)絡(luò)工程93%1990%優(yōu)秀

在線學(xué)習(xí)行為路徑指標樣本，如下表2。

表2 在線學(xué)習(xí)行為指標

序號學(xué)號在線學(xué)習(xí)步驟1步驟2步驟3步驟4步驟5步驟6 1190240301觀看視頻課件閱讀課堂討論作業(yè)考核趣味問答課堂測試 2190240302趣味問答作業(yè)考核課件閱讀觀看視頻課堂測試課堂討論 3190240303課件閱讀觀看視頻課堂討論作業(yè)考核趣味問答課堂測試 4190240304觀看視頻課堂討論課件閱讀課堂測試作業(yè)考核趣味問答 5190240305作業(yè)考核課堂討論課堂測試課件閱讀趣味問答觀看視頻 6190240306課堂討論觀看視頻趣味問答作業(yè)考核課堂測試課件閱讀

通過采集學(xué)生在線學(xué)習(xí)行為路徑數(shù)據(jù)可以發(fā)現(xiàn)，其中的每一個環(huán)節(jié)在執(zhí)行過程中均存在較大的可能中斷，同時也存在隨時可繼續(xù)的可能。為了更好用K-means聚類算法進行數(shù)值化分析，本次以數(shù)值來代替所有樣本學(xué)生行為表達格式的字符串，將數(shù)據(jù)冗余的樣本去除后再次采集，爭取可以更好獲得聚類分析的初始中心理想值[6]。

2.2 建立學(xué)習(xí)行為路徑的聚類

通過數(shù)據(jù)樣本可以獲得大量不同在線學(xué)習(xí)平臺的基礎(chǔ)數(shù)據(jù)，應(yīng)用K-means聚類算法來對基礎(chǔ)數(shù)據(jù)單獨聚類可以實現(xiàn)一定的數(shù)據(jù)有效性?；贙-means聚類算法對學(xué)生在線學(xué)習(xí)行為路徑的聚類流程圖見圖1。

圖1 在線學(xué)習(xí)行為路徑聚類流程圖

2.3 實驗結(jié)果分析

通過Spss Tatistics工具完成聚類訓(xùn)練過程，以在線學(xué)習(xí)行為為變量，分別為表2中的步驟1-6。隨機選出500條行為路徑進行分析，以此來構(gòu)成500個學(xué)習(xí)行為路徑最接近的學(xué)生在線學(xué)習(xí)類簇，采用迭代與分類的方法，設(shè)置聚類數(shù)為4，聚類最大迭代次數(shù)為10次，表3、表4分別為迭代計算結(jié)束后獲取的初始聚類中心和迭代歷史記錄，在10次迭代過程中聚類處理6個步驟，表5為最終聚類中心的案例數(shù)結(jié)果，表明在線學(xué)習(xí)的首要目的在于知識的擴展學(xué)習(xí)。

在500個學(xué)生登錄學(xué)生平臺后，觀看視頻資源學(xué)習(xí)行為的有376條，對知識進行擴展加深。參加課堂討論的有320條，參與問答提問的有246條，在這些學(xué)習(xí)行為路徑中觀看視頻-課堂討論-趣味問答-課件閱讀-課堂測試-作業(yè)考核行為較為集中，其中觀看視頻和課堂討論為主要在線學(xué)習(xí)行為路徑[7]。

表3 初始聚類中心

學(xué)習(xí)步驟聚類 16316 26210 31161 46010 56610 66060

表4 迭代記錄

迭代次數(shù)聚類中心更改 15.6463.4124.1835.017 20.1020.0150.0130.033 30.0030.1160.1130.065 40.1520.0860.0330.099 50.2100.0550.0670.058 60.1520.0850.1410.013 70.1340.0690.1380.067 80.1260.1150.1470.058 90.1870.1030.1590.091 100.1510.0750.1620.082

表5 最終聚類中心

學(xué)習(xí)步驟聚類 13425 22253 34252 43334 53324 65623

采取此種迭代算法來對學(xué)生在線學(xué)習(xí)行為路徑聚類分析，可以為教師提供更加直觀的聚類結(jié)果，以此來對教學(xué)設(shè)計提供數(shù)據(jù)支持，不斷來提高線下教學(xué)質(zhì)量，有效彌補線上自主學(xué)習(xí)的不完整性以及碎片化知識的有效整合。其中，對抽象的類簇記錄詳細的行為，在面對不同專業(yè)類別與年級的學(xué)生，均可以獲得一定的教學(xué)依據(jù)。

3 結(jié)束語

大數(shù)據(jù)技術(shù)已經(jīng)成為分析混合式教學(xué)過程的有效手段，采用K-means聚類算法進行研究，可以更加深入掌握學(xué)生線上學(xué)習(xí)的行為特點，為線上線下混合式教學(xué)模式提供重要依據(jù)，K-means聚類算法能夠深度提煉學(xué)生在線學(xué)習(xí)過程中的操作及線上使用數(shù)據(jù)信息，更好的優(yōu)化課程及資源組織方式，為教師線下教學(xué)設(shè)計提供數(shù)據(jù)支持，彌補學(xué)生線上自主學(xué)習(xí)存在的不足，是實現(xiàn)線上線下混合式教學(xué)的有效手段。

[1]郭玉棟，左金平，王溢琴.K-Means聚類算法在線上學(xué)習(xí)效果測評中的應(yīng)用[J].晉中學(xué)院學(xué)報，2020，37（03）：63-67.

[2]張海華，李楠楠.基于大數(shù)據(jù)K-means聚類算法的在線學(xué)習(xí)行為路徑的研究[J].電子設(shè)計工程，2020，28（12）：17-20+25.

[3]王通博.K-means算法新發(fā)展[D].海南大學(xué)，2020.

[4]景源，郝金山.基于期望最大化的K-Means聚類算法[J].遼寧大學(xué)學(xué)報（自然科學(xué)版），2020，47（02）：106-111.

[5]劉思宏，余飛.基于大數(shù)據(jù)下K-means聚類算法的在線學(xué)習(xí)行為路徑應(yīng)用研究[J].蘭州文理學(xué)院學(xué)報（自然科學(xué)版），2019，33（01）：70-74.

[6]劉訓(xùn)星.基于K-means聚類算法的在線學(xué)習(xí)行為分析[J].湖南科技學(xué)院學(xué)報，2017，38（06）：7-9.

[7]藺小清.大數(shù)據(jù)時代K-means聚類算法應(yīng)用于在線學(xué)習(xí)行為研究[J].電子設(shè)計工程，2021，29（18）：181-184+193.

吉林建筑科技學(xué)院2020年校級科研項目（?？谱諿2020]036號）