数据挖掘在教师远程培训中的应用
来源:用户上传
作者:贾海祎 黄敏
摘 要 当今社会已经进入大数据时代，只依靠简单的数据处理和统计技术很难从海量数据中提取有效信息。教师远程培训是提升教师教学能力、个人素养的有效手段。介绍数据挖掘技术概况以及该技术在教师远程培训管理中的应用与探索，并对远程教学质量的提升提出建设性意见。
关键词 数据挖掘;远程培训;教学质量;大数据
中图分类号：G645文献标识码：B
文章编号：1671-489X（2019）12-0034-03
Application of Data Mining in Remote Teacher Training//JIA Haiyi， HUANG Min
Abstract In the context of big data era， it is difficult to extract effec-tive information from mass data only by simple data processing and statistical techniques. Remote teacher training is an effective means to improve teachers’ teaching ability and personal accomplishment. The general situation of data mining technology and its application in the management of remote teacher training are introduced， then some constructive suggestions on the improvement of remote tea-ching quality are put forward.
Key words data mining; remote training; teaching quality; big data
1 前言
随着社会对教育的重视程度逐年增强，教师的远程培训成为促进教师专业发展、提升专业素养的一种有效途径。培训过程中会产生各类素材资源，培训结束后也要对学员数据、学习数据以及学习评价进行处理。对于培训机构来说，有一些亟待解决的问题，例如：课程资源的设置如何满足不同学员的需求？如何调动学员的学习积极性？如何客观评价培训效果？
随着大数据时代的到来，信息即资源，培训机构也开始进行信息化建设，但是这种信息化常常局限于简单的查询、统计。根据培训开始前的问卷调查，对部分课程进行设置;培训结束后评价打分，得到教师对培训效果的评价;根据培训学科人数的基数大小，决定送培送教的学科。这些统计是最基础的，缺乏对数据的分析和探索。本文从数据挖掘技术的角度发现问题，获取数据中隐藏的信息以及存在的规律。因此，客观地发现和解决培训管理过程中出现的问题，切实做出决策，从而增强培训效果。
2 数据挖掘技术简介
数据挖掘技术的概念 数据挖掘是数据库领域的研究热点。该技术可以为决策者做出正确的判断提供依据，是一种对知识进行发现探索的过程。
数据挖掘技术的功能 数据挖掘的功能主要包括概念描述、特征描述、关联分析、分类、聚类和孤立点分析等。概念描述主要用于描述对象的内涵并总结对象的相关特征。特征描述描述了对象的相同特征，并且区别描述了对象的不同特征。关联分析是发现数据库中两个或多个数据项之间的关系并发现数据之间的规则。分类是使用模型对未来或未知对象进行分类，预测未知对象类别。聚类是通过根据相似性将数据库中的数据分类为不同的类别来合并具有更高相似性的数据。孤立点分析（也称为偏差分析）检测数据库中存在的异常记录。
数据挖掘技术的方法 数据挖掘通过各种不同的方法实现数据挖掘功能。Apriori算法主要使用逐层搜索迭代方法来扫描数据库并找到频繁项目集来挖掘关联规则。决策树方法是一种归纳学习方法。贝叶斯分类算法是基于概率和统计知识的统计分类算法。人工神经网络是一种数学模型，应用类似于大脑突触连接结构的信息处理。遗传算法是一种基于仿生学的技术方法，通过参考自然的进化规律演变为随机搜索方法。
数据挖掘技术的过程 数据挖掘的步骤[1]：数据收集，收集需要处理的原始数据;数据预处理，选择、净化、推测、转换和减少数据以形成目标数据;选择挖掘方法，需要选择相应的挖掘实现算法;数据挖掘处理，分析数据以获得知识模型;挖掘结果评估，以确定知识的模型是否有效并获得结果。
数据挖掘技术与培训相结合的成功案例 Wang J[2]开发了一个混合框架，将数据挖掘技术与基于模拟的培训相结合，以提高培训评估的有效性。基于信念的学习概念，从两个维度评估学生的学习成果：知识/技能水平和置信水平。数据挖掘技术用于分析受训者个人数据和基于模拟的培训所产生的数据，以评估学生的表现和学习行为。所提出的方法是以台湾基于模拟的步兵射击训练为例。结果表明，该方法能够准确评估学生的表现和学习行为，并能够发现潜在的知识，以提高学生的学习成果。Bodea C N使用数据挖掘技术进行培训和学习管理，以分析参与在线两年制硕士学位课程管理的学生的表现。系统数据源是收集学生意见、学生记录的操作数据以及电子学习平台记录的学生活动数据的调查数据。
3 数据挖掘技术在教师远程培训中的应用
培训对象方面 教师远程培训需要对两组人员进行培训[3]。除了學员，即各学科培训教师，还有一个重要的组成部分，即班级辅导者。班级辅导者通常是骨干教师，由教育局推荐学科带头人或管理能力较强者担任，经过班级辅导者的培训后，负责一定人数的班级，对学员进行网络指导，批改学科作业，开展校本研究。 培训开始前，班级辅导者的相关信息由教育局报送，包括其姓名、性别、年龄、学校、区域、职称、学科、职务等信息。培训过程中会产生很多过程性资料，比如班级辅导者发布的公告、简报、论坛回复、批改作业情况。使用数据挖掘技术，可以处理上述信息以获得有价值的培训和资源信息。可以在分析问题之前假设一些信息之间的关联，比如论坛回复的情况和年龄的关系、简报质量和职称的关系、公告数和性别的关系等;然后通过数据挖掘，利用足够的信息迭代，对之前的假设进行作证，并且修正种种问题，特别是班级辅导员和受训人员的行为和需求及其在培训过程中的指导，它可以为教師培训决策提供科学依据，从而提高教师培训的有效性。
课程设置方面 远程培训中最重要的环节就是课程的设置[4]。远程培训是学员通过观看视频教学来获取所需要的知识，通过学习得到想要的知识，并将其运用到教学和工作中且有改善。但是有时由于学员背景等因素，简单的分数并不能反映课程的合理性。比如课程安排的顺序会对学员的能力提升造成影响，必修课和选修课之间的联系也会对学员的学习造成影响。这些看似没有什么关联的数据，通过数据挖掘，可以发现其中都有潜在的强关联性。可以从数据库中提取大量学员的分数，并且可以使用诸如相关分析和时间序列模式分析的功能来分析和获得与课程之间的规则相关的信息。了解不同课程设置顺序对学员表现的影响，并更合理地安排课程顺序。通过使用关联分析和数据挖掘技术的统计分析功能，可以从数据库中提取选修课程和必修课程的学习。判断每个科目的选修课的偏好及其对最终成绩的影响，培训机构将制定有利于学员的合理选修课程。
将数据挖掘与时间序列分析和相关性分析以及其他相关功能相结合，从这些海量数据信息中挖掘出有用的信息资源，帮助分析这些数据信息之间的回归、相关性等，并绘制一些相关的有价值的信息和规则，在此基础上对课程进行更合理的安排。并且可以进一步认识到设计培训内容的缺点，也可以找到一些意想不到的数据信息，这更有利于后续培训内容的设计。
培训质量评价方面 培训质量评估分为两个方面。培训机构对参与者学习成果的评估并不简单，需要对参与者的各个方面进行全面评估。可以对学员各方面的行为进行统计，建立评分项，利用决策树的挖掘方法将信息分类为一个树状结构，对每项数据进行不同权重的比例分配，如登录次数、登录时长、视频学习时长、论坛发言情况、提问状况、工作坊活动数量、工作坊发起评论数量、资源利用情况、作业成绩等。决策树方法可以帮助预测数据的某些特性，可以用群集算法寻找数据中的自然分组。可以基于数据挖掘方法评估和分析学员的学习成果。
参与者对培训效果和培训管理的评估[5]，其中大部分是通过评估系统和问卷调查完成的。数据挖掘技术可用于优化评估系统并获得满足培训机构实际需求且可操作的评估系统，并对数据进行挖掘和分析，以获取有价值的信息，提高培训质量。在评价方面，不仅要关注总结性评价，还要从多个方面、多个阶段、多个角度关注形成性评价。
鉴于评估系统的多因素、模糊性和多样性，采用数据挖掘技术从教学评估数据中挖掘。分析各种因素之间隐藏的内在联系，如探索教学效果与教师年龄结构、学术结构、职称结构等之间的关系。通过有效地利用这些数据来评估教学质量和教学效果，可以改进和建立适合培训机构的有效评估模型。利用数据挖掘技术，在保证综合评价内容、多种评价方法的基础上，通过分析和其他功能，分析和处理收集的海量数据，包括学员的成绩、学员的行为以及学员对教师的评估数据等，及时了解培训结果，及时纠正培训过程中出现的问题，促进教学质量的提高。如通过对课程选择的聚类分析，可以得出结论，以学员欢迎哪种类型的选修课程作为选择课程的参考。数据挖掘技术使培训机构能够找出影响教学质量的因素以及影响学员学习质量的因素。
4 结语
利用数据挖掘技术应用在教师远程培训中的各个环节，可以更加清晰地掌握学员信息，对学员信息、学习情况等进行宏观把控的同时，找寻有意义的信息，对资源设置、学员个性化培养方案[5]的制订有很大帮助。学员从中获取更多有用的、想要获得的知识，教师从中不断反思和更新自己的教育方式和讲课内容，培训机构也会制订出更加符合学员和教师要求的实施方案，真正意义上确保教师远程培训持续性和有效性。
参考文献
[1]吕海燕，周立军，张杰.大数据背景下教育数据挖掘在学生在线学习行为分析中的应用研究[J].计算技术与自动化，2017，36（1）：136-140.
[2]徐海霞，寇艺儒.数据挖掘技术在教师培训系统中的应用研究[J].软件导刊，2012，11（7）：113-114.
[3]蒋红，朱敏.数据挖掘技术在教师培训需求分析中的应用：以宁波市教师培训项目数据为例[J].宁波教育学院学报，2015，17（3）：73-76.
[4]张琳，李小平，张少刚，等.基于远程教学视点下的大数据挖掘模式问题研究[J].中国电化教育，2018（4）：41-49.
[5]徐鹏飞，郑勤华，陈耀华，等.教育数据挖掘中的学习者建模研究[J].中国远程教育，2018（6）：5-11，79.
[6]李幸，孙力.远程教育个性化学习支持服务研究[J].中国教育信息化，2017（17）：9-12.
转载注明来源:https://www.xzbu.com/9/view-15081269.htm
