基于数据挖掘的计算机辅助课堂教学系统设计

来源:用户上传      作者:

　　摘  要： 针对现有计算机辅助教学模式中普遍存在的信息利用率差，智能性、个性化较低等问题，设计一种基于数据挖掘的计算机辅助课堂教学系统。该系统模块设计采用三层B/S结构。利用信息收集模块实现学生信息数据的收集与存储;用户信息预处理模块将信息数据进行预处理后，作为个性化数据分析模块中个性化数据源的数据。通过个性化数据分析模型，采用数据挖掘并行化技术，通过K?means聚类算法和Map Reduce并行计算框架更新数据聚类中心，将聚类性能指标最小化，对个性化数据源内的数据进行有效挖掘分析，对分析后的结论进行规则化生成教学规则，通过人机交互呈现给学生，以提升教学系统的智能化与个性化。实验结果表明，该系统能够有效提升学生学习效率，资源占用率降低32.4%以上。
　　关键词： 数据挖掘; 计算机辅助教学; 课堂教学; 信息收集; 数据分析; 教学规则
　　中图分类号： TN919?34; TP311.52               文献标识码： A                      文章编号： 1004?373X（2020）02?0084?03
　　Design of computer?aided classroom teaching system based on data mining
　　ZHOU Junping
　　Abstract： As for the problems of poor information utilization， low intelligence and individuality in the current computer?aided teaching mode， a computer?aided classroom teaching system based on data mining is designed. The three?layer B/S structure is used in the module design of the system. The students′ information data is collected and stored with the information collection module， which is taken as data of the personalized data source in the personalized data analysis module after the information data is preprocessed with the user information preprocessing module. In the personalized data analysis model， the data clustering center is updated with the data mining parallelization technology by means of the K?means clustering algorithm and Map Reduce parallel computing framework. The clustering performance indexes are minimized to effectively mine and analyze data in the personalized data sources， the conclusion is regularized to generate teaching rules， and presented to students by means of the human?computer interaction， so as to promote the intelligence and personalization of the teaching system. The experimental results show that the system can effectively improve students′learning efficiency and reduce the occupancy rate of its resources by more than 32.4%.
　　Keywords： data mining; computer?aided teaching; classroom teaching; information collection; data analysis; teaching rule
　　在教育系统中，旧式纯课堂教学模式受到了强烈冲击，无法满足当前社会对高等人才培养的全新要求，人们越来越重视教学模式的革新。在此大环境下，现代教学模式逐渐取代旧式教学模式[1]。计算机网络同教育教学相结合的模式是具有代表性的现代教学模式，该教学模式以计算机作为教学辅助手段，将网络作为知识传播的主要途径之一，具有教学资源共享、师生交互性增强、学习空间不受限制、因材施教等优势[2]。
　　现有的计算机辅助教学模式中普遍存在信息利用率差，智能性、个性化较低等问题[3]。作为数据库技术开发与研究的结果，数据挖掘技术能够在大量信息存储器内挖掘潜在有用信息，其本质为数据增值过程。将数据挖掘技术应用在计算机辅助教学模式中，设计基于数据挖掘的計算机辅助课堂教学系统，提升信息利用率、提供教学资源下载、网络交互、成绩管理等服务，对教育系统中的“教”和“学”均具有较大的积极意义。 　　1  计算机辅助课堂教学系统
　　1.1  系统整体结构设计
　　本文参考相关教育专家的研究结果[4]，将模块结构设计为三层B/S结构，如图1所示。
　　教学界面层的主要任务是针对各用户提供人机交互界面。教学应用层包括四个主要模块，即信息收集模块、信息预处理模块、个性化分析模块及信息调度模块。通过这些模块实现系统个性化功能。系统资源层的主要功能是存储教学规则、教学资源以及用户信息等。
　　1.2  硬件设计
　　1.2.1  信息收集模块
　　信息收集模块实现学生信息数据的收集与存储，支持OLTP数据、OLAP数据、日志数据等不同源数据格式[5]，包含数据库实时同步、Socket消息同步等多种数据同步方式。该模块采用模板化设计方式，实现新数据的模板与元数据配置，完成不同信息数据统一收集与规约。信息收集模块设计图如图2所示。
　　1.2.2  个性化分析模块
　　个性化分析模块划分为个性化数据源与个性化数据分析模型两部分[6]。用户信息预处理模块将信息收集模块获取的信息数据进行预处理后，作为个性化数据源的数据;选取K?means聚类算法和Map Reduce并行计算框架，对个性化数据源内的数据实施挖掘分析，分析后进行规则化生成教学规则，并存储至教学规则库，同时将个性化信息传输至信息调度模块内，通过人机交互呈现给学生，以提升教学系统的智能化与个性化。
　　1.3  软件设计
　　1.3.1  数据挖掘并行化技术
　　数据挖掘并行化技术是系统个性化分析模块提供的基础算法之一，包括数据挖掘算法能够并行和相应的并行策略选取等[7]。利用K?means聚类算法和Map Reduce并行计算框架提升个性化数据源中数据挖掘效率与质量。
　　K?means聚类算法内的聚类准则函数为聚类集内各本点与此类簇中心点间距离的平方和，同时将其最小化，即：任意选取[d]个目标，各目标均表示一个数据簇的初始均值与中心;依照剩余各目标与各簇的均值距离，将剩余各目标分配至相似度最高的簇内;确定各簇的新均值;循环上述过程至准则函数收敛。一般情况下，以平方误差准则为准则函数，表达式如下：
　　 [U=i=1dp∈Cip-bi2]                 （1）
　　式中：[U]和[p]分別表示数据集内全部对象的平方误差和给定对象;[Ci]表示簇;[bi]是其均值[8]。任意初始化[d]个聚类中心后，执行一次新的任务就表示更新一次当前[d]个聚类中心。映射过程中，用[Rs]表示样本，针对各[Rs]需确定与其距离最近的聚类中心，用[Ri0≤i≤d-1]表示，获取[i，Rs]键值对。在Map Reduce并行计算框架内根据聚集的样本可再次获取[d]个数据聚类中心：
　　[Ri=j=1nRjn]               （2）
　　通过上述过程结束一轮Map Reduce后，即可得到新数据聚类中心，对比新数据聚类中心与上一轮聚类中心就能判断算法是否收敛来提升数据挖掘效率与质量。
　　2  实验分析
　　2.1  系统功能测试
　　实验为测试本文设计的基于数据挖掘的计算机辅助课堂教学系统功能，对其实施相关功能性检测，通过期望结果与测试结果是否一致判断本文系统功能有效性，如表1所示。由表1得到，本文系统功能性测试的结果与期望结果完全一致，表明本文系统功能的有效性。
　　2.2  教学效果对比
　　以某高校124名学生为实验对象，将其分为未使用本文系统对照组和使用本文系统实验组，每组62人，由一名教师进行授课。对比对照组与实验组期末平均成绩，结果如表2所示。
　　用柱形图形式描述表2中的数据，结果如图4所示。
　　由表2和图3能够得到，在期末考试平均成绩中，实验组不及格分数段与高于90分数段中的人数分别是2人和16人，在80～89分数段的学生人数最多，占总人数40.32%;对照组中不及格分数段与高于90分数段中的人数分别是13人和3人，在60～69分数段的学生人数最多，占总人数38.71%。实验结果表明，此次期末考试中，使用本文系统的学生成绩明显高于未使用本文系统，说明本文系统能够有效提升学习成绩。
　　2.3  资源占用率对比
　　实验为测试本文系统的资源占用率，分别从人机交互、信息收集、信息预处理等方面对比本文系统、基于移动终端的辅助课堂教学系统和C/S多媒体辅助课堂教学系统的CUP及内存占用率，结果如表3所示。
　　分析表3可知，使用本文系统进行计算机辅助教学时CPU占用率总值为35.7%，与其他两个系统相比，分别降低了50.8%和37.7%;本文系统内存占用率总值为18.6%，相比其他两个系统分别降低了51.8%和32.4%。实验结果表明使用本文系统进行计算机辅助教学时资源占用率较低。
　　3  结  论
　　本文将数据挖掘技术应用在计算机辅助教学模式中，设计基于数据挖掘的计算机辅助课堂教学系统，利用信息收集模块收集学生信息，通过个性化数据分析模块分析预处理后的学生信息，采用数据挖掘并行化技术，通过K?means聚类算法和Map Reduce并行计算框架聚类分析预处理后的数据，生成教学规则，同时将个性化信息传输至信息调度模块内，实现个性化教学。实验结果表明本文系统能够有效提升学生学习成绩。
　　参考文献
　　[1] 孔邵颖，薛丽敏，曹莉.现代远程教育泛在学习模式的研究与实践[J].中国成人教育，2018（14）：9?13.
　　[2] 梁小帆，赵冬梅，庞元博.现代教学理念视域下的高效课堂教学探析[J].教学与管理，2018（30）：105?107.
　　[3] 赵新宪.多媒体技术在计算机辅助教学中的应用：评《计算机辅助教学多媒体课件设计制作与应用》[J].中国教育学刊，2017（2）：151.
　　[4] 路玥.基于数据挖掘的英语教师教学能力评价研究[J].现代电子技术，2018，41（11）：161?164.
　　[5] 钟若武，王惠平.基于数据挖掘的高校云计算管理系统中特定数据查询技术[J].现代电子技术，2018，41（2）：130?132.
　　[6] 柴艳妹，雷陈芳.基于数据挖掘技术的在线学习行为研究综述[J].计算机应用研究，2018，35（5）：1287?1293.
　　[7] 王新刚，吴颖，张垠.基于数据挖掘的智能电能表在线监测方法[J].电测与仪表，2016，53（13）：65?69.
　　[8] 张延芳，袁浩.网络数据库访问路径关联特征分析查询优化[J].计算机仿真，2015，32（9）：437?440.
　　[9] 李丽萍，孟小丰，刘立辉.基于代码自动生成的计算机辅助系统设计与实现[J].航天控制，2015，33（4）：68?72.
　　[10] 朱利鹏，陆超，孙元章，等.基于数据挖掘的区域暂态电压稳定评估[J].电网技术，2015，39（4）：1026?1032.
　　作者简介：周俊萍（1982—），女，陕西西安人，硕士，讲师，研究方向为计算机应用技术、英语教育技术。
转载注明来源:https://www.xzbu.com/8/view-15122229.htm