移动学习中基于数据挖掘的教学资源应用研究

花卉 陈家红 李广水

【摘要】移动学习是一种基于移动终端可以实现随时随地的学习模式。移动学习平台是移动学习环境的支撑，但学习资源是开展移动学习的第一要素，没有内容资源，必将是无源之水。本研究基于课程知识点进行片段式学习资源的设计与开发，根据学习者基于一段时间的移动学习并通过考试系统测试得到了358份成绩样本。随后引入数据挖掘技术对学习者的成绩样本和移动教学资源的使用情况等反馈信息进行了聚类分析，得到了较理想的聚类结果。

【关键词】 移动学习 教学资源 数据挖掘 聚类

在传统的教学方式中，一直是以教师为中心的基本教学方法。这种方式，学生只能感知学习内容，而解决实际问题时，由于缺乏实践经验，他们通常难以完成。

随着智能手机、平板电脑等各种智能移动终端已经得到了非常广泛的发展与关注，随之而来的一种新的学习模式一一移动学习，已经开始为人们所关注。与传统的课堂学习或基于桌面电脑的E-Learning相比，移动学习可以突破时空限制，移动学习者在任何时间、任何地点的“零碎”情境下，只要学习者有学习的意愿，就可以随时随地地进行学习。

本研究将以“Visual Basic程序设计”课程为依托，重点对面向移动学习教学资源的开发和应用两方面展开研究。首先基于课程进行按知识点的移动学习资源设计，一个知识点可以是一个属性介绍，也可以是一个算法实现；同时引入数据挖掘技术，基于学生关于学习资源使用情况和学习效果反馈信息，进行聚类分析，深入探究学习者对不同知识点的掌握程度和学习效果，从而推进和改善移动课程资源设计和教学过程设计。

一、移动教学资源

移动学习资源是指支持开展移动学习的各种信息资源，即移动学习资料、移动学习环境和移动学习支持系统[1]。移动学习资源是移动学习的重要组成部分，是教师组织教学的工具和学习者获得信息的途径[2]。学习资源一直被认为是教育技术学最重要的研究对象之一，并一直受到研究者的重点关注，对学习资源的正确的认识和理解，是开发优质教学资源的前提，也是教育技术研究实践中的一项重要任务。

分析现有的文献资料可以发现国内移动学习资源的研究主要是集中在移动学习资源的学习模式、技术支持、开发与设计等方面，尤其是对于面向移动学习的教学资源的拓展开发以及如何让这为学习者服务等研究还在初步阶段。

二、教学资源设计

课程的内容分解设计直接决定着教学资源的知识内容，它主要指根据课程目标在确保课程内容完整性的同时，如何将课程内容分解成一定粒度容量的知识内容，以适应学习者的碎片化学习需求。

移动学习课程与网络课程相比最大的特点就在于内容的碎片化，将一个多小时的内容拆分成多个独立的知识片段，每个知识片段都会有一个主题，这个知识主题是根据学习者的认知规律和教学方式对元知识点的逻辑重组，这样有助于更清晰完整的表达知识框架；此外，移动学习课程按照知识点模块化组织，当知识点内容发生变化时，移动学习课程也能够实现快速的更新升级，从而避免了重复制作课程[3]。

一般来说，知识点是枯燥、抽象的描述，不容易被学习和理解，那么就需要根据知识点的类型选择合适的方法、步骤和组织形式，综合运用文字、图片、音频和视频等多媒体素材对知识点进行表现，这样才能使其更加贴近学习者，更易于被理解。

2009年张驰等提出的基于课程知识点进行片段式的移动学习资源设计，即将工作或学习内容分割成小块的有用信息，这样人们就可以通过非线性的方式获得这些信息；主要包括两方面内容：①学习内容的微型化②学习形式的微型化[4]。

移动学习资源的研究和开发还有不足之处，忽视了资源知识点之间的内在关联，一定程度上影响了学习者进行持续而系统的有效学习，降低了移动学习效率。

三、数据挖掘在移动学习中的应用

数据挖掘就是从大量的、不完整的数据中，提取隐含在其中有用信息的过程。基于聚类的数据挖掘是一种“无监督学习”的方法，事先不知道将要分成哪些类，采用最大化类内的相似性、最小化类间的相似性原则进行归类，即使得一个簇中的对象具有很高的相似性，而与其他簇中的对象很不相似。聚类分析的目标就是在相似的基础上收集数据来分类[5]。

在教学中，基于聚类的数据挖掘技术可以根据学生的平时及期末考试成绩，挖掘出内在的影响因素，如学生的学习态度、学习习惯、薄弱章节等信息。得到的总结分析应用于指导学生学习及日常教学，既节省了大量的练习时间又能够获得良好的学习效果。

3.1数据收集与数据转换

1） 数据准备

以《Visual Basic程序设计第四版》（龚沛曾著）教材中的第四章“基本控制结构”部分知识点为例，制作移动学习课件，课件时长基本控制在5至30分钟的范围内。5分钟的课件涉及一个较细的知识点，如IIF（）函数的使用方法；10分钟的课件涉及一个较大的知识点，如IF条件语句的语法结构；30分钟的课件中讲授一个更大的知识点或多个紧密关联的小知识点，如具体算法的实现。

组织学生一段时间的移动学习后，从金陵科技学院“土木工程”、“机械设计与自动化”和“动物科学”三个专业获取成绩样本数358份，并根据每个学生各个知识点的得分情况，计算出每个知识点的“成绩绩点”（成绩绩点=所有学习者该知识点的得分均值/该知识点的分值），如某知识点考核的总分为10分，学生得分为9分，则该项相应的成绩绩点为0.9。

2） 数据转换。

为了使数据变换成适于数据挖掘的形式，也便于维度信息的表述，我们对数据各维度上的信息进行数值化和量化。如：根据长年教授VB课程教师的多年经验，将各个知识点按照难易度进行了划分，并将“难”、“中”、“易”分别转换成3、2和1；课件时长的属性维度上的信息：将5 分钟左右、10分钟左右、30分钟左右，分别转换为1、2、3；同时对每个学生每个知识点点击学习的次数、性别和成绩绩点分别进行相应的转换。将经过转换后的样本信息建成数据挖掘的样本数据库，具体的信息维度设计与量化情况见表1。

具体的数据统计形式如表2，其中每条数据实体为一位学生一个知识点的学习情况。

3.2聚类过程

本文所用的聚类分析方法是K-means算法。这一种得到最广泛使用的聚类算法，它是将各个聚类子集内的所有数据样本的均值作为该聚类的代表点，算法的主要思想是通过迭代过程把数据集划分为不同的类别，使得评价聚类性能的准则函数达到最优，从而使生成的每个聚类内紧凑，类间独立。这一算法不适合处理离散型属性，但是对于连续型具有较好的聚类效果。主要包括以下步骤：

1）随机取k个元素作为各个簇的中心。

2）根据每个对象与各个簇中心的欧式距离，分配给最近的簇。欧式距离公式为：

4）根据各个簇元素的平均值，重新计算新的簇的中心，然后转（2）。这个过程不断重复直到误差平方和最小。

（三）算法结果分析

根据K-means算法对转换后的数据分别进行了2、3、4类归类后，发现3类的归类效果较好。并对3类归类后的数据进行了统计，统计信息如表3。

从表3的统计结果可以看出：类别一中涉及知识点难度较为简单，即使在点击次数不多的情况下，但是成绩绩点还是相对要高；类别二中涉及的知识点较难，但学习者在多次点击学习的情况下，还是得到了不错的绩点；类别三中涉及的知识点相对是最难的，但是可以发现学习者的点击次数明显下降，最终的学习绩点也很不理想，同时有趣的发现女生在该类别中所占的比例是明显多于男生。

通过以上分析可以看出一些难易程度适中的知识点，学生通过一段时间的自学是能够掌握的很好的。同时，哪些知识点还存在问题，教师可以根据学生的学习情况有的放矢地进行教学，并给出学习建议和指导，同时修改组卷参数以给出符合学生学习水平和特性的试题；学生也可以根据分析结果进行有针对性的学习从而提高了教学和学习效率。

通过本次挖掘结果，学生也意识到要提高自己的学习效率，就要努力改变自己的学习习惯和学习态度；同时教师可以根据不同章节的难易度，适当让学生自学，以提升学生自我学习的能力。

四、结论

本研究首先依据移动学习资源的特点，对课程学习资源进行了设计与制作，随后引入数据挖掘技术对学生的成绩样本进行了聚类分析，得到了较理想的聚类结果。

移动学习有助于丰富学生的思维方式，有助于培育学生深度学习的学习品质。

同时移动教学资源充分开发与利用，使学习内容借助资源的具体性与形象性，帮助学生理解掌握抽象的学习内容。

参 考 文 献

[1]李瑞，陈新，袁晓斌.移动学习资源建设策略探讨[J].现代教育科学，2007，（6）.

[2]方晶，陈章其.移动学习资源的开发初探[J].现代教育技术，2007，17（7）.

[3]唐江炜.基于知识点的课件制作平台的设计与实现[D].苏州：苏州大学硕士学位论文，2008

[4]张驰，陈刚. 移动学习中片段式学习资源的设计研究[J].开放教育研究，2009，（3）：67-72.

[5]何清.模糊聚类分析理论与应用研究进展[J] . 模糊系统与数学：1998，12（2）：89-97.