姜丹，王美娜，周麗

（1.海軍大連艦艇學(xué)院基礎(chǔ)部，大連　116018；2.海軍大連艦艇學(xué)院海洋測繪系，大連　116018）

?

基于聚類分析技術(shù)的智能型MOOC平臺的研究與設(shè)計(jì)

姜丹1，王美娜2，周麗1

（1.海軍大連艦艇學(xué)院基礎(chǔ)部，大連116018；2.海軍大連艦艇學(xué)院海洋測繪系，大連116018）

摘要：

關(guān)鍵詞：

0　引言

隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展和個(gè)人電腦的普及，在線教育已經(jīng)非常普遍，參與學(xué)習(xí)的人數(shù)劇增，同時(shí)學(xué)習(xí)者的學(xué)習(xí)習(xí)慣也發(fā)生了天翻地覆的變化，于是僅僅是實(shí)際課堂向網(wǎng)絡(luò)課堂平移的傳統(tǒng)在線教育已不能滿足學(xué)習(xí)者的學(xué)習(xí)需求。目前MOOC以一種全新的教育方式，形成了一股教育革命的熱潮，正迅速地席卷全球，眾多的研究者致力于MOOC課程及MOOC平臺的設(shè)計(jì)與實(shí)現(xiàn)，例如課程的設(shè)計(jì)與制作、課程的發(fā)布與管理、MOOC平臺的視頻播放技術(shù)、MOOC平臺的功能結(jié)構(gòu)改進(jìn)等都有重大突破。然而如何對學(xué)習(xí)者的學(xué)習(xí)效果進(jìn)行有效地、科學(xué)地評價(jià)，如何針對學(xué)習(xí)者的個(gè)性特征進(jìn)行有效地互動，及時(shí)地給予針對性的指導(dǎo)，從而提高M(jìn)OOC教學(xué)的互動性，提高M(jìn)OOC平臺的智能性仍是空白，是亟待研究的重要課題。

1　MOOC概述

1.1什么是MOOC？

MOOC是Massive Open Online Courses的縮寫，即大規(guī)模在線開放式課程，具有Open、Online、Massive三大特征。Open表示課程是開放的、免費(fèi)的，凡是感興趣的、想學(xué)習(xí)的都可以參與學(xué)習(xí)；Online表示課程是通過網(wǎng)絡(luò)在線學(xué)習(xí)的，不受時(shí)間和空間的限制，只需要一臺電腦加網(wǎng)絡(luò)，就可以在任何地點(diǎn)任何時(shí)間學(xué)習(xí)這些課程；Massive表示課程不是個(gè)人發(fā)布的一兩門課程，也不是針對一兩個(gè)人，而是眾多參與者發(fā)布的大規(guī)模的課程。MOOC是綜合利用高速網(wǎng)絡(luò)、分布式計(jì)算機(jī)以及多種多媒體技術(shù)，在線展開的，集學(xué)、議、分享為一體的全新的學(xué)習(xí)方式。

1.2MOOC與MOOC平臺的發(fā)展及現(xiàn)狀

MOOC這個(gè)術(shù)語是2008年由加拿大愛德華王子島大學(xué)網(wǎng)絡(luò)傳播與創(chuàng)新的主任與國家人文教育技術(shù)應(yīng)用研究院高級研究員聯(lián)合提出的。從此，大量的教育工作者都采用了這種教育方式，主辦了大規(guī)模的網(wǎng)絡(luò)開放課程，參與者眾多。例如2011年，斯坦福大學(xué)Sebastian Thrun與Peter Norvig聯(lián)合開放的免費(fèi)課程——《人工智能導(dǎo)論》，有來自世界各地的160萬人注冊并學(xué)習(xí)。

支持這種學(xué)習(xí)方式的教學(xué)平臺稱之為MOOC平臺，能夠支持大量的學(xué)生同時(shí)在線學(xué)習(xí)以及多門課程的上傳與管理。自MOOC被提出以來，網(wǎng)絡(luò)上也涌現(xiàn)出很多MOOC學(xué)習(xí)平臺，國內(nèi)外均發(fā)展迅速。成立時(shí)間最早應(yīng)屬斯坦福大學(xué)Sebastian Thrun開設(shè)的Udacity，以計(jì)算機(jī)類課程為主，課程數(shù)量不多，但極為精致。Coursera則是目前發(fā)展最大的MOOC平臺，擁有近500門來自世界各地大學(xué)的課程，門類非常豐富。2012年5月，哈佛大學(xué)與麻省理工學(xué)院共同開發(fā)的edX也非常矚目，課程形式設(shè)計(jì)更加自由靈活，目的是配合校內(nèi)教學(xué)，提高教學(xué)質(zhì)量和推廣網(wǎng)絡(luò)在線教育。

MOOC這種全新的學(xué)習(xí)方式不但引發(fā)了全球教育方式的重大變革，也推動了國內(nèi)的教育教學(xué)改革，我國眾多高校及機(jī)構(gòu)也紛紛開設(shè)大型的網(wǎng)絡(luò)開放課程。學(xué)堂在線是清華大學(xué)于2013年10月10日推出的MOOC平臺，面向全球提供在線課程。慕課網(wǎng)則是由北京慕課科技中心成立的，是國內(nèi)慕課先驅(qū)者之一，是互聯(lián)網(wǎng)、IT技術(shù)免費(fèi)學(xué)習(xí)平臺，現(xiàn)設(shè)有Java開發(fā)、PHP開發(fā)、Android開發(fā)等課程，專注于服務(wù)互聯(lián)網(wǎng)工程師快速成為技術(shù)高手。酷學(xué)習(xí)是上海首個(gè)推出基礎(chǔ)教育慕課的公益免費(fèi)視頻網(wǎng)站，酷學(xué)習(xí)所倡導(dǎo)的價(jià)值觀就是免費(fèi)、分享、合作。

1.3MOOC平臺的特點(diǎn)

MOOC進(jìn)行自主的學(xué)習(xí)的人數(shù)眾多，MOOC平臺的首要特點(diǎn)就是支持大量的學(xué)習(xí)者同時(shí)在線學(xué)習(xí)，這也就要求課程視頻必須能大量的同時(shí)正常播放。如何高效、穩(wěn)定地傳輸大流量的視頻文件是關(guān)鍵技術(shù)，現(xiàn)階段主要采用專業(yè)的視頻服務(wù)器——流媒體服務(wù)器來實(shí)現(xiàn)，目前比較流行的流媒體視頻服務(wù)器有Red5、Helix Server、xmoov Stream等。

其次，MOOC突破了傳統(tǒng)課堂在時(shí)間和空間上的限制，也突破了人數(shù)限制，受眾面非常廣，學(xué)習(xí)者的學(xué)習(xí)能力也千差萬別，所以MOOC平臺的第二大特點(diǎn)就是能夠在給學(xué)習(xí)者提供自主學(xué)習(xí)機(jī)會的同時(shí)也提供有效、科學(xué)的學(xué)習(xí)指導(dǎo)和幫助，保證在較高入學(xué)率的前提下也能夠有較高的通過率，這樣的MOOC學(xué)習(xí)才是有意義的學(xué)習(xí)，這樣的MOOC平臺才是智能的學(xué)習(xí)平臺。

如果采用客觀的、自動化的線上評價(jià)系統(tǒng)對學(xué)習(xí)者的學(xué)習(xí)效果進(jìn)行檢測，然后根據(jù)測試的成績進(jìn)行個(gè)性化研究，給出個(gè)性化的針對性的學(xué)習(xí)建議，則可以大大提高M(jìn)OOC平臺的智能性，從而大大提高學(xué)習(xí)者的學(xué)習(xí)效果。聚類分析技術(shù)是數(shù)據(jù)挖掘的主要任務(wù)之一，可以運(yùn)用聚類分析技術(shù)對學(xué)習(xí)者的測試成績進(jìn)行分析，從而實(shí)現(xiàn)這一目標(biāo)。

2　聚類分析技術(shù)

2.1聚類分析的概念與方法

聚類分析技術(shù)分成兩部分——聚類、分析?！熬垲悺本褪恰拔镆灶惥邸保瑢颖緮?shù)據(jù)根據(jù)相似性進(jìn)行劃分，越是相似的數(shù)據(jù)對象越盡可能地劃分在一個(gè)類中，越是相異的數(shù)據(jù)對象越盡可能地劃分在不同的類中，從而形成若干個(gè)“簇”；“分析”則表示進(jìn)一步分析每一簇?cái)?shù)據(jù)的特征，從中得到有價(jià)值的信息。聚類分析是知識發(fā)現(xiàn)的重要技術(shù)手段，在數(shù)學(xué)、計(jì)算機(jī)科學(xué)、統(tǒng)計(jì)學(xué)、生物學(xué)和經(jīng)濟(jì)學(xué)等很多領(lǐng)域都有非常廣泛地應(yīng)用。

聚類分析的定義如下：給定數(shù)據(jù)集合V｛vi|i=1，2，…，n｝，vi為數(shù)據(jù)對象，根據(jù)數(shù)據(jù)對象vi間的相似度或者相異度，將數(shù)據(jù)集合V｛vi|i=1，2，…，n｝分成k組Cj（j= 1，2，…，k），并滿足：

該過程稱為聚類分析，Cj（j=1，2，…，k）稱為簇（類）［1-2］。

聚類分析方法有很多種，大概可以劃分為五大類：層次聚類（hierarchical method）、劃分方法（partitioning method）、基于網(wǎng)格聚類方法（grid-based method）、基于密度聚類方法（density-based method）、基于模型的方法（model-based method）。層次聚類主要是對給定的數(shù)據(jù)集合進(jìn)行層次性的分解，直到滿足某種條件終止。密度聚類是根據(jù)密度閾值將數(shù)據(jù)空間分成高密度區(qū)域和低密度區(qū)域，簇是由高密度且連通的區(qū)域構(gòu)成。網(wǎng)格聚類采用多分辨率的網(wǎng)格結(jié)構(gòu)，將樣本空間量化為有限個(gè)網(wǎng)格單元，然后對網(wǎng)格單元進(jìn)行操作，從而形成簇。模型聚類是預(yù)先為每個(gè)簇假定一個(gè)模型，然后尋找數(shù)據(jù)對象針對給定模型的最佳擬合。劃分聚類是先假設(shè)數(shù)據(jù)集上有若干個(gè)簇，然后按照一定的規(guī)則將數(shù)據(jù)對象劃分到對應(yīng)的簇中。每一類聚類方法都有多種聚類算法，每種聚類算法都有各自的優(yōu)缺點(diǎn)及適用范圍，在使用過程中需要根據(jù)樣本數(shù)據(jù)的特點(diǎn)以及聚類的實(shí)際需求來選擇最適合的聚類分析方法。

其中K-means算法由于其簡單、快速的優(yōu)點(diǎn)應(yīng)用范圍非常廣泛。K-means算法是一種基于劃分的聚類算法，其基本思想是：首先隨機(jī)選取k個(gè)點(diǎn)作為初始聚類中心，然后計(jì)算數(shù)據(jù)對象到初始聚類中心的距離，按照就近的原則將數(shù)據(jù)劃分到最近的簇中，接著重新計(jì)算簇的聚類中心以及數(shù)據(jù)到聚類中心的距離，然后重新分配數(shù)據(jù)，重復(fù)上述過程直到聚類中心不再變化或者滿足終止條件為止。

K-means算法是一種基于距離的算法，算法簡單、快速，可伸縮性強(qiáng)，適用于處理大樣本數(shù)據(jù)，但是算法的第一步“隨機(jī)選取k個(gè)點(diǎn)作為初始聚類中心”存在兩個(gè)非常大的缺陷，一是“隨機(jī)”，二是“k個(gè)”。首先隨機(jī)選取的初始聚類中心對于算法的聚類結(jié)果影響較大，一旦初始聚類中心選擇不當(dāng)，可能無法得到有效的聚類結(jié)果；算法中的k需人為事先預(yù)估來確定，而在聚類前，簇的個(gè)數(shù)k是非常難以估計(jì)的。

2.2改進(jìn)的聚類分析算法

針對K-means聚類算法的這兩個(gè)缺點(diǎn)，提出一種改進(jìn)的聚類分析算法——GBKM算法。算法的基本思想是［3］：首先對樣本空間進(jìn)行劃分，形成網(wǎng)格單元結(jié)構(gòu)；計(jì)算每個(gè)網(wǎng)格單元的密度，區(qū)分高密度網(wǎng)格單元和低密度網(wǎng)格單元，將相鄰的高密度網(wǎng)格單元合并形成簇，稱為“中間聚類”，將低密度網(wǎng)格單元中的數(shù)據(jù)對象標(biāo)記為“自由數(shù)據(jù)”；處理自由數(shù)據(jù)，計(jì)算每個(gè)簇的質(zhì)心及自由數(shù)據(jù)到簇的距離，將自由數(shù)據(jù)分配到最近的簇中去，重復(fù)此過程，直到聚類中心不再移動為止。算法的具體流程如圖2所示。

GBKM算法首先得到若干個(gè)密集單元，然后合并相鄰的密集單元，形成的初始聚類能夠很好地捕獲樣本數(shù)據(jù)的初始形狀，可以自動確定簇的個(gè)數(shù)k及初始聚類中心，克服了人為確定k值以及隨機(jī)選擇初始聚類中心對聚類結(jié)果造成的影響和不穩(wěn)定性。參考文獻(xiàn)［3］通過理論分析及實(shí)驗(yàn)證明驗(yàn)證了該算法的優(yōu)越性，在此不一一贅述。

3　智能型MOOC平臺的研究與設(shè)計(jì)

3.1MOOC平臺的研究與設(shè)計(jì)

MOOC平臺的總體目標(biāo)是支持大規(guī)模在線開放式課程的學(xué)習(xí)，首先能夠支持大量的學(xué)習(xí)者進(jìn)入在線平臺進(jìn)行學(xué)習(xí)，教師可以發(fā)布不同的課程并對課程進(jìn)行管理，同時(shí)為了保證MOOC平臺正常、高效地運(yùn)轉(zhuǎn)，還需要對學(xué)習(xí)者、教師、課程等大量數(shù)據(jù)進(jìn)行管理?；谏鲜龇治?，將MOOC平臺涉及到的用戶定義為三種角色：學(xué)生、教師、管理員。

圖1　GBKM算法流程

學(xué)生的行為包括：注冊、登錄、查看課程、選課、學(xué)習(xí)、測試、提問、分享、考核等。其中選課可以選擇免費(fèi)課程，也可以購買付費(fèi)課程；MOOC學(xué)習(xí)完全是一種自發(fā)的、自主學(xué)習(xí)行為，所以學(xué)習(xí)行為是否有效其實(shí)很難界定，這里設(shè)計(jì)“簽到”功能來保證學(xué)習(xí)者進(jìn)行有效學(xué)習(xí)，也可以視之為一種鼓勵(lì)；測試是學(xué)習(xí)行為的一部分，在學(xué)習(xí)完某章或者某節(jié)之后，可以進(jìn)行階段性的測試以檢驗(yàn)學(xué)習(xí)效果，幫助學(xué)習(xí)，也可以在學(xué)習(xí)完整門課程后進(jìn)行整個(gè)課程的測試，檢驗(yàn)對課程知識的把握程度，以保障順利通過考核；提問是學(xué)生與教師之間的互動，學(xué)生可以發(fā)問，也可以對自己的問題進(jìn)行集中地查看和管理；分享是學(xué)生與學(xué)生之間的互動，學(xué)生可以針對某個(gè)知識點(diǎn)、某個(gè)話題進(jìn)行溝通交流，互通有無，相互學(xué)習(xí)、相互促進(jìn)。

教師的行為包括：發(fā)布并管理課程、上傳視頻、出題、答疑解惑等。一個(gè)教師可發(fā)布并管理多門課程，包括課程簡介、課程公告、課程大綱、考核標(biāo)準(zhǔn)等內(nèi)容；按照課程大綱的設(shè)置，分章節(jié)上傳視頻，按照考核標(biāo)準(zhǔn)針對知識點(diǎn)進(jìn)行出題；對學(xué)生提出的問題進(jìn)行在線答疑。

管理員的行為包括：管理學(xué)生、教師、課程的基本數(shù)據(jù)、發(fā)布平臺公告、對平臺用戶進(jìn)行權(quán)限設(shè)置等。

根據(jù)上述分析可以得出MOOC平臺的功能，對這些功能進(jìn)行分解、整合，將MOOC平臺分成六大功能模塊：平臺數(shù)據(jù)管理、課程管理、學(xué)習(xí)系統(tǒng)、在線測試系統(tǒng)、智能輔導(dǎo)系統(tǒng)、互動平臺系統(tǒng)等，每個(gè)模塊又可細(xì)分成若干個(gè)子模塊，具體如圖2所示。

3.2聚類分析技術(shù)在MOOC平臺中的應(yīng)用

該MOOC平臺的智能性則體現(xiàn)在“智能輔導(dǎo)系統(tǒng)”這一模塊上，其基本思想：首先利用改進(jìn)的聚類分析算法GBKM算法對學(xué)習(xí)者的測試成績進(jìn)行聚類，然后通過對聚類結(jié)果進(jìn)一步分析，得出該類學(xué)習(xí)者的整體學(xué)習(xí)特征，并結(jié)合該學(xué)習(xí)者自身的個(gè)性特征給出輔導(dǎo)意見，包括三方面信息，一是測試時(shí)需要手動輸入的組卷的難度系數(shù)，用以控制自動生成的試卷更加適合該學(xué)習(xí)者，使得試卷的難度更加有針對性；二是組卷參數(shù)，通過后臺傳遞給組卷系統(tǒng)，用來設(shè)置學(xué)習(xí)者在下次測試時(shí)試卷內(nèi)容的難點(diǎn)、側(cè)重點(diǎn)，使得試卷的題目更加有針對性；三是學(xué)習(xí)策略，通過頁面直接反饋給學(xué)習(xí)者，使得學(xué)習(xí)者對自己的學(xué)習(xí)效果有個(gè)全局的、總體的把握和認(rèn)識，具體流程如圖3所示。

圖2　智能型MOOC平臺整體功能模塊

盡管實(shí)際課堂受到了空間、時(shí)間等等的限制，但是實(shí)際課堂最大的優(yōu)點(diǎn)則是授課教師可以實(shí)時(shí)關(guān)注學(xué)生的學(xué)習(xí)動態(tài)，進(jìn)行有針對性的輔導(dǎo)，而這也恰恰是網(wǎng)絡(luò)學(xué)習(xí)中無法突破的難點(diǎn)，使用聚類分析技術(shù)來設(shè)計(jì)智能輔導(dǎo)系統(tǒng)則能解決這一難題。該MOOC平臺不僅僅是提供了一個(gè)學(xué)習(xí)平臺，還可以幫助學(xué)習(xí)者更好地完成自主學(xué)習(xí)，使得學(xué)習(xí)者的學(xué)習(xí)不再是盲目的，如同有個(gè)智能機(jī)器人教師在一旁輔導(dǎo)一般，大大提高了MOOC平臺對于學(xué)習(xí)者的引導(dǎo)性和幫助性。

圖3　智能型MOOC平臺的學(xué)習(xí)流程

4　結(jié)語

本文在深入研究MOOC及MOOC平臺的發(fā)展和特點(diǎn)后，將聚類分析技術(shù)應(yīng)用于MOOC平臺的設(shè)計(jì)，大大提高了MOOC平臺的智能性，有助于提高M(jìn)OOC學(xué)習(xí)者的自主學(xué)習(xí)效果。下一步工作是將MOOC平臺應(yīng)用于實(shí)際，并進(jìn)一步逐步完善、改進(jìn)智能型MOOC平臺。

參考文獻(xiàn)：

［1］張?jiān)茲?，龔玲．?dāng)?shù)據(jù)挖掘原理與技術(shù)［M］．北京：電子工業(yè)出版社，2004.

［2］Anil K.Jain，RichardC，Dubes．Algorithms for Clustering Data［M］. N.J:Prentice Hall，1988.

［3］姜丹，周麗，唐紅杰．聚類分析技術(shù)在教學(xué)指導(dǎo)中的應(yīng)用研究．湖北：軟件導(dǎo)刊［J］，2014.10.

Research and Design of the Intelligent MOOC Platform Based on the Clustering Analysis Technology

JIANG Dan1，WANG Mei-na2，ZHOU Li1
（1. Department of Basic Science，Dalian Naval Academyof the PLA，Dalian 116018；2. Department of Marine Surveying and Mapping，Dalian Naval Academy of the PLA，Dalian 116018）

Abstract：

Keywords：

在深入研究MOOC及MOOC平臺的本質(zhì)及特點(diǎn)后，針對目前MOOC平臺的應(yīng)用現(xiàn)狀和問題，結(jié)合聚類分析技術(shù)，設(shè)計(jì)出智能型MOOC平臺，實(shí)現(xiàn)MOOC教學(xué)過程中高效地、有效地教學(xué)互動，提高M(jìn)OOC平臺的智能性，有效提升MOOC學(xué)習(xí)者的自主學(xué)習(xí)效果。

慕課；聚類分析；K-means聚類算法

基金項(xiàng)目：

中國人民解放軍海軍大連艦艇學(xué)院2015年學(xué)院科研發(fā)展基金資助項(xiàng)目（No.DJYKYKT2015-03）

文章編號：1007-1423（2016）13-0076-05

DOI：10.3969/j.issn.1007-1423.2016.13.020

作者簡介：

姜丹（1982-），女，黑龍江五常人，講師，碩士研究生，研究方向?yàn)閿?shù)據(jù)挖掘、聚類分析

王美娜（1981-），女，黑龍江齊齊哈爾人，碩士，講師，研究方向?yàn)楹５罍y量數(shù)據(jù)處理

周麗（1981-），山東萊陽人，碩士，實(shí)驗(yàn)師，研究方向?yàn)榇髮W(xué)物理實(shí)驗(yàn)教學(xué)及研究

收稿日期：2016-03-03修稿日期：2016-04-16

After the in-depth study of the MOOC and MOOC platform’s nature and characteristics，aims at the MOOC platform’s application status and problems，studies the clustering analysis technology，designs an intelligent MOOC platform，and implements the efficiently teaching and learning interaction，in order to improve the MOOC platform’s intelligent，and the MOOC learners' autonomous learning effect.

MOOC；Clustering Algorithm；K-means Clustering Method