基于教育数据挖掘的在线学习者学业成绩预测建模,这是一篇与数据挖掘论文范文相关的免费优秀学术论文范文资料,为你的论文写作提供参考。
数据挖掘论文参考文献：
摘 要：该文采用数据挖掘和机器学习的方法,研究从教育数据中挖掘影响在线学习者学业成绩的因素并构建分类预测模型.首先,通过计算所有单个数据属性和学业成绩类别之间的相关系数和计算所有属性的信息增益率两种方法共同确定学业成绩的影响因素.然后,提出采用集成学习的方法构建集成式学业成绩分类预测模型,并比较多种算法构建的单一分类模型和集成分类模型的性能.最后,进一步采用嵌套集成学习的方法构建在线学习者学业成绩分类预测模型,并对模型的性能进行评估.研究成果可以为在线学习者学业成绩影响因素研究和预测建模研究提供借鉴,也有助于推进在线学习学业预警、学业成绩预测和评价的实践.
关键词：教育数据挖掘；机器学习；预测建模；学业成绩；在線学习
一、引言
在线教育已经逐渐被人们认可和接受,特别是在K12教育、语言类教育和职业技能培训领域发展迅速.截至2016年12月,中国在线教育用户规模达1.38亿,较2015年底增加2750万人,年增长率为25.0%.不同于面对面的课堂教学情境,在线学习中师生处于分离状态,且学习者数量庞大.如何对在线学习者的学业成绩进行预测,依据预测结果实施学业预警,并为教学决策提供依据,是在线教育需要解决的一个问题.利用教育数据挖掘技术,通过数据驱动的方式构建在线学习者学业成绩预测模型,即从数据中自动学习预测模型是目前研究的热点.然而,采用决策树、人工神经网络等算法训练的单一预测模型性能不稳定,对数据变化比较敏感.针对上述问题,本文基于“集体决策优于个体决策”的假设,尝试采用集成学习（EnsembleLearning）方法构建集式模型.在实验验证的基础上,进一步采用嵌套集成学习方法构建在线学习者学业成绩分类预测模型,并对模型的性能进行评估分析.
二、概念界定及相关研究
(一)概念界定与分析
教育数据挖掘（Edueational Data Mining,EDM）是数据挖掘技术在教育领域的应用.根据国际教育数据挖掘工作组网站的定义,教育数据挖掘是指运用不断发展的方法和技术,探索特定教育环境中的各类数据,挖掘出有价值的信息,以帮助教师更好地理解学生,并改善他们所学习的环境,为教育者、学习者、管理者等教育工作者提供服务.EDM与学习分析（Learning Analytics,LA）交叉,但是两者又存在差异：（1）EDM强调自动发现,侧重建立模型和发现模式,多采用机器学习和数据挖掘技术；LA尽管也强调自动发现,但同时还需要人为干预,多采用统计分析技术.（2）EDM起源于智能辅导领域,强调预测学习者的学业成绩和关注预测建模；LA也包括这些要素,但它更强调系统干预,注重个性化和自适应.（3）LA侧重于描述已发生的事件或其结果,而EDM侧重于发现新知识与新模型.
预测建模（Predictive Modeling）是指根据现有数据先建立一个模型,利用模型可以对未来的数据进行预测.本研究中的学业成绩预测建模主要是利用已知学生学业成绩类别的训练数据训练得到一个分类函数或分类模型（即分类器）,并评估模型的性能.学业成绩预测的目的是将学习者在学习过程中的相关数据输入预测模型,预测学习者在学习结束时可能的成绩类别,为是否进行学业预警和调整教学策略提供依据.
(二)相关研究
教育数据量的急剧增长、数据类型的多样性、数据的可获取性以及数据挖掘技术的发展等多种因素共同推动了教育数据研究的发展.学习者模型、学业成绩预测、行为模式发现、学习反馈与评价等是当前教育数据研究的主要热点,已有的学业成绩预测相关研究,根据其研究的侧重点大致可以分为三类.
1.学业成绩预测与评价的理论模型研究
美国佛罗里达农工大学的Ohia博士在Nichol的五步模型的基础上,提出了采集学业成绩相关数据并进行评价的六步模型一FAMOUS,模型名称由六个关键步聚的首字母组成.蔚莹等对QFD（质量功能展开）模型进行适当的调整,提出基于QFD的学生学习能力评估理论模型.张涛等参考Kirkpatrick评估模型建立了翻转课堂环境下的学习绩效评价理论模型.武法提等基于学习行为分析模型和学习结果分类理论设计了学业成绩预测框架,包括学习内容分析、学习行为分析和学习预测分析三个模块.金义富等在讨论学业预警系统设计框架的基础上,提出了课程、课堂、课外“三位一体”预警信息发现与生成模型LAOMA.
2.学业成绩影响因素研究
Carmel McNaught等关注香港高校中e-Learning学习过程和学业成绩预测,探索学习设计,特别是学习设计中的策略设计与学习环境设计,与学业成绩之间的关系.Galbraith,Craig S调查116门课程的学生评教与学生学业成绩的相关数据,研究学生评教与学业成绩和教学效能之间有无相关性.Gary Pike等使用美国“全国大学生学习参与度调查”（NSSE）数据,并引入学生特征和院系特征,调查教育支出、学习参与度和学生自我报告学业成绩之间的联系.J.Fredericks Volkwein等通过40个机构的203个工程项目的数据,研究评价标准与学生经历和学业成绩的关系.赵艳等运用相关分析、多元回归分析方法得出了影响中小学教师远程培训效果的主要因素.赵慧琼等利用多元回归分析法分析学习者在线学习行为数据,判定影响学业成绩的预警因素.刘铭、马小强等采用质性研究方法,通过访谈、现场观察和实物收集等手段,从学习者的视角挖掘了学习者参与云教室学习并取得绩效的影响因素.傅钢善等以陕西师范大学“现代教育技术”网络课程为例,探讨学习者的行为特征与学业成绩的关系.吴青等选择远程教学平台的学习行为数据,采用关联规则算法挖掘学习风格、学习行为和学习成就之间的内在规律.
3.学业成绩预测和评价的数学建模
LC Duque等采用问卷收集数据,利用象限分析、ANOVA测试和结构方程模型组成的多重方法研究学业成绩和满意度的建模.Arsad等使用人工神经网络方法建模,预测马来西亚玛拉工业大学工程学专业学生的学业成绩.模型以学习者的基础课程的学分积点作为输入,以学分积点的平均值作为输出.陆柳生等提出基于离群点检测的学生学习状态分析方法,对学生考试成绩数据进行挖掘,判定学生学习状态是否异常.施俭等在分析教育数据挖掘技术及应用的基础上,建立以关联规则挖掘和聚类分析为核心的网络学习过程监管的数据挖掘模型,可以从学习数据中判定学生网络学习效果.舒忠梅等利用神经网络算法建立17个输入节点,7个隐藏节点,1个输出节点的三层神经网络模型对学生的学业成绩进行预测.
结论：关于对不知道怎么写数据挖掘论文范文课题研究的大学硕士、相关本科毕业论文数据挖掘论文开题报告范文和文献综述及职称论文的作为参考文献资料下载。
大数据环境下在线教育交互的应用
摘要：随着科学技术的飞速发展，在线教育交互已成为在线教育研究的重要方向。因此重点分析了基于大数据的在线教育交互平台模型，并通过研究电大学生在线教。
教育数据挖掘综述
摘 要：随着信息技术的迅猛发展，大数据也无声无息地逐步地深入到我们的现实生活和工作学习中。教育大数据挖掘就是将大量的零碎的教育信息转化为对于我们。
基于数据挖掘战略管理会计若干问题
摘要：随着信息技术的快速发展，企业要保持竞争优势必须对企业发展过程中的内外部信息全面及时的掌握，并制定出全面、准确的竞争战略，而其实现需建立在以。
论数据挖掘在财务领域中应用
摘要：随着我国市场经济的不断发展，企业之间的竞争越来越激烈，为了能够更好的应对激烈的市场竞争，企业管理者开始加强对内部管理的重视。财务管理作为企。