郭玲

面向自主學(xué)習(xí)的學(xué)習(xí)領(lǐng)域知識(shí)地圖分類算法研究

郭玲

近期，數(shù)據(jù)挖掘吸引了大量自主學(xué)習(xí)領(lǐng)域?qū)W者的注意力。因?yàn)閿?shù)據(jù)挖掘能夠幫助學(xué)生們?cè)谧灾鲗W(xué)習(xí)過程中得到個(gè)性化的學(xué)習(xí)指導(dǎo)。目前通過數(shù)據(jù)挖掘繪制概念地圖的方法其精準(zhǔn)度和復(fù)雜度均有待進(jìn)一步研究?；诜诸愃惴ɡL制概念地圖，可以顯著降低數(shù)據(jù)挖掘計(jì)算復(fù)雜度，同時(shí)保持原有的精準(zhǔn)度水平。通過仿真驗(yàn)證所提算法達(dá)到上述性能。

數(shù)據(jù)挖掘；概念地圖生成；分類過程

章編號(hào)：1007-757X(2016)08-0061-04

0 引言

隨著近年來數(shù)據(jù)挖掘在自主學(xué)習(xí)領(lǐng)域中的快速發(fā)展，當(dāng)前已經(jīng)出現(xiàn)了一些可以根據(jù)學(xué)生的興趣和學(xué)習(xí)效果提供定制化課程的電子教學(xué)系統(tǒng)[1-3]。自主學(xué)習(xí)的過程一般涵蓋了自適應(yīng)學(xué)習(xí)內(nèi)容聚合、自適應(yīng)學(xué)習(xí)方向索引（即知識(shí)地圖）、自適應(yīng)表述、學(xué)生知識(shí)評(píng)分計(jì)算等內(nèi)容，最終形成適應(yīng)具體學(xué)生的學(xué)習(xí)體驗(yàn)?zāi)Ｊ健?/p>

知識(shí)地圖包含了關(guān)鍵概念和指引知識(shí)之間關(guān)系的鏈接，對(duì)引導(dǎo)學(xué)生自主地學(xué)習(xí)新知識(shí)起到關(guān)鍵作用。并且知識(shí)地圖可以用作評(píng)估學(xué)生之間對(duì)不同概念學(xué)習(xí)和理解的差異。但是，為應(yīng)用于教學(xué)人工制作一幅知識(shí)地圖既耗時(shí)又費(fèi)力。因此，有學(xué)者開始嘗試能否自動(dòng)地繪制知識(shí)地圖。Tseng等通過學(xué)生過去的測(cè)試成績(jī)?cè)噲D建立一種二維知識(shí)地圖[4]。Bai等人提出基于混沌規(guī)則和學(xué)生測(cè)試成績(jī)建立一套用于自主學(xué)習(xí)的知識(shí)地圖的概念[5]。Lee等提出的算法基于回想構(gòu)建算法試圖建立一個(gè)只能對(duì)話的系統(tǒng)概念[6]。

衡量知識(shí)地圖生成算法質(zhì)量的關(guān)鍵指標(biāo)包括算法的準(zhǔn)確性和執(zhí)行復(fù)雜度。準(zhǔn)確性在知識(shí)地圖中十分重要，但是現(xiàn)有的研究并沒有去比較其提出的算法與其他算法在準(zhǔn)確性方面的差異，主要因?yàn)槟壳斑@方面還沒有形成相應(yīng)的參考標(biāo)準(zhǔn)，并且，也沒有廣泛用于教學(xué)的成型軟件參照。但是，深入對(duì)這些研究鉆研能夠發(fā)現(xiàn)，通過引入更適合的計(jì)算公式，有可能進(jìn)一步提高這些算法的精度。大部分已有研究?jī)H基于少量的研究數(shù)據(jù)，而文獻(xiàn)[7,8]的作者們嘗試引入更多的數(shù)據(jù)結(jié)果表明其算法的復(fù)雜度驟然提升。

本文提出一種有效的數(shù)據(jù)挖掘算法來實(shí)現(xiàn)知識(shí)地圖的生成。這種新算法引入了對(duì)學(xué)生測(cè)試結(jié)果的分類從而實(shí)現(xiàn)保持算法精確度同時(shí)明顯降低運(yùn)算復(fù)雜度的目的。第二節(jié)對(duì)我們提出的算法進(jìn)行詳細(xì)闡述并分析了傳統(tǒng)知識(shí)地圖生成方法的復(fù)雜度和新算法的復(fù)雜度。第三節(jié)運(yùn)用所提出的算法分析了一個(gè)實(shí)例來說明算法的復(fù)雜度變化。第四節(jié)總結(jié)本文研究。

1 面向自主學(xué)習(xí)的學(xué)習(xí)領(lǐng)域知識(shí)地圖分類算法

1.1 算法總述

本文提出一種面向自主學(xué)習(xí)的學(xué)習(xí)領(lǐng)域知識(shí)地圖分類算法（Concept Map Generation with Classification Method，CMGCM）。圖1給出了CMGCM的基本概念，該算法引入學(xué)生測(cè)試成績(jī)分類的方法來降低數(shù)據(jù)挖掘過程中的計(jì)算復(fù)雜度。如圖1所示，分類算法運(yùn)作于學(xué)生測(cè)試成績(jī)上，基于事先定義好的學(xué)生學(xué)習(xí)數(shù)據(jù)定義規(guī)則（比如每個(gè)學(xué)生的知識(shí)水平等），以及教學(xué)數(shù)據(jù)（比如教材中的難易等級(jí)等），然后在計(jì)算這些知識(shí)點(diǎn)的相應(yīng)子集之間的知識(shí)關(guān)聯(lián)程度。隨后，所有選取的子集的計(jì)算結(jié)果合并，生成概念之間相關(guān)度的結(jié)果集合，這些相關(guān)概念組成了知識(shí)地圖。

Research on Concept Map Generation with Classification Method for Adaptive Learning

Guo Ling
(ZhuHai City Polytech ,Zhuhai 519090, China)

Recently, data mining attracts a lot of interests from the area of adaptive learning, because data mining can help students get personal directs in adaptive learning. Currently the means to generate concept map by data mining has to be further researched for its accuracy and efficiency. A concept map generation with classification method is proposed in this paper. The proposed method can lay down the complexity while maintaining the similar accuracy. Evaluation has shown that the proposed method has reached the above target.

Data Mining; Concept Map; Classification Process

TP399

A

郭 玲（1970-），女，湖南長(zhǎng)沙，珠海城市職業(yè)技術(shù)學(xué)院，講師，研究方向：計(jì)算機(jī)應(yīng)用，教育技術(shù)，珠海，519090