基于数据挖掘的肿瘤学课程计算机辅助教学系统设计

2022-05-11谢蕊

微型电脑应用 2022年4期

谢蕊

(哈尔滨医科大学附属肿瘤医院，黑龙江，哈尔滨 150081)

0 引言

传统课堂教学与计算机辅助教学技术相结合，师生互动性较差，学生的学习主动性受限，学习内容缺少针对性与个性化[1]。因此，有必要设计一种个性化的计算机辅助教学系统。当前，有学者[2]提出基于.net平台构建交互式计算机辅助教学系统，由用户界面层、业务选择层和数据管理层3层结构体系构成硬件结构，利用交互性的在线教学实现计算机辅助教学系统的设计。还有学者[3]提出利用深度学习构建智能教学系统，进行成绩预测和在线学习行为规律分析，据此得到学生学习行为特征提取，完成教师的辅助教学。但现有的计算机辅助教学系统个性化与智能化性能有所欠缺，且未对特定课程教学进行分类拓展，导致针对性不强。

我国肿瘤学课程涉及知识面较广，对专业人才队伍建设与学科发展形成制约。因此，本文面向肿瘤学课程，构建出一种基于数据挖掘的计算机辅助教学系统。通过挖掘学生学习能力与聚类学生学习特征，实现教学模式个性化服务，通过因材施教来优化学习方法，提升学习效率。

1 基于数据挖掘的肿瘤学课程计算机辅助教学系统

1.1 计算机辅助教学系统数据挖掘效用

1.1.1 学生学习能力挖掘

利用由输入层、输出层、隐藏层组成的BP(Back Propagation，反向传播)神经网络[4]，具体架构如图1所示。本文用它来挖掘学生学习水平与认知能力，获取其知识点掌握度。其中，BP神经网络的输入层、输出层结点与资源学习程度、知识点理解程度一一对应，隐藏层间为全互联连接形式。

图1 BP神经网络框架图

利用布鲁姆目标分类策略，划分学生认知能力分为6个等级，设定输入项X={X1,X2,…,Xn}为认知能力的评估值、作业情况、测试结果以及学习效率等多个变量，输出项Y={Y1,Y2,Y3}是关于概念、技能、应用的学生掌握度。假设变量个数是n，则任意知识点理解程度从n维到三维空间的非线性映射量化表达式为

(1)

式中，认知能力6个等级的评估值为X1～X6，作业情况、考试情况等信息为X7～Xn。

肿瘤学课程学生的学习导航流程如图2所示。以学生知识点掌握程度与学习目标为基础，展开学习导航，将合适的学习资源与建议针对性地推荐给学生。

图2 学习导航流程图

1.1.2 学生学习特征分类

根据学生知识点掌握情况，利用k-means算法[5-6]聚类分析学生特征，将各类别学生标记作为因材施教参考依据。假设输入项为数据集合Li，所含对象个数是l，输出项为聚类中心Zj与对应聚类数据集合Cj，聚类个数是K，则学生学习特征分类算法流程描述如下。

(1)聚类中心Zj初始化。

(2)利用式(2)求解数据与中心之间的距离：

D(Li,Zj)=|Li-Zj|

(2)

其中，i=1,2,…,l，j=1,2,…,k。

(3)当间距D(Li,Zj)满足下列等式时，有Li∈Cj，进行类别划分：

D(Li,Zj)=min{D(Li,Zj)}

(3)

(4)若l=1，则有下列表达式：

(4)

当下列等式成立时，需重置聚类中心，并返回第一步进行重新分类：

(5)

1.2 计算机辅助教学系统框架

计算机辅助教学系统主要由教学界面模块、教学子系统、教学规则库与学生信息库、教学资源库架构而成，具体架构如图3所示。系统整体框架中的关键模块是教学子系统，组成模块分别为用户数据的预处理与采集[7-9]、数据分析、信息调度。

图3 肿瘤学课程计算机辅助教学系统整体框架图

1.3 计算机辅助教学系统功能

按照用户权限可将系统功能角色分成管理员、教师、学生。建立肿瘤学课程计算机辅助教学系统功能结构，设定管理员角色职责为维护、管理系统信息、用户信息以及用户权限；教师在管理教学资源的同时，还需通过挖掘学生信息，分析、评估对应学生的学习行为，并对教学策略作出合理调整；而学生只能在学习界面中执行对应指令。具体的结构如图4所示。

1.4 计算机辅助教学系统数据库

数据库对系统快速、便捷、精准地调用、管理所需数据具有决定性作用，同时也是评价系统运行质量的一个关键指标。采用DBMS(Database Management System，数据库管理系统)体系结构[10]，有效结合应用程序与DBMS，保证数据库数据录入准确。系统通过Access[11]建立一个星状数据仓库，结构如图5所示。该数据库的事实表内容主要包括学生信息维表主键、教师信息维表主键、课程信息维表主键、练习与考试数据。

图5 数据库示意图

2 计算机辅助教学系统实际案例分析

2.1 实验环境

采用如下运行环境搭建系统内部网络平台：apache 1.3.43 Web服务器软件；MySQL 3.16.52数据库服务器；Windows XP操作系统；4 GB内存；3.2 GHz CPU；Java development tools开发工具。

2.2 学生学习特征聚类性能

选取10名学生知识掌握情况，整理、统计其分析数据，具体信息如表1所示。

表1 学生知识掌握具体信息

以表1数据为分类依据，按照优、一般、欠佳3个等级，获取学生聚类结果，如表2所示。由此可以看出，本文系统根据用户数据采集模块采集得到的各知识点掌握情况，利用数据分析模块、BP神经网络算法以及k-means聚类算法，准确划分了学生学习特征与学生等级，为后续教学策略调整与教学内容推荐奠定了良好的数据基础。

表2 学生学习特征聚类结果

2.3 动态信息检测

动态测试是通过执行程序测试计算机错误，一般采用黑白盒测试方法。黑盒测试的是系统功能，当发现程序错误后，利用白盒测试法挖掘错误根源并进行修正。从某大学参与肿瘤学课程学习的学生中任选50名，展开教学系统测试实验，系统主要模块的测试结果如下，其中，登录模块检测结果如表3所示，在线考试模块检测结果如表4所示，课程资源提交模块检测结果如表5所示。根据各模块检测结果可以看出，本文系统均呈现出理想的检测结果，具有较好的有效性与可行性以及体现了较好的个性化功能。

表3 登录模块检测结果

表4 在线考试模块检测结果

表5 课程资源提交模块检测结果

2.4 不同用户并发数对系统吞吐量影响

分别选取50、100、150、200个用户并发数，探索不同用户并发数与系统吞吐量之间的关系，具体结果如图6所示。通过图6所示的系统吞吐量曲线图可以看出，系统吞吐量随着用户并发数的增加而上升，但当并发数达到一定数量后，吞吐量不增反降。这是因为本文系统通过Access建立了一个星状数据仓库，所以需对用户并发数设定界限，以获取系统的最佳吞吐量。