基于特征聚类的学生自动分组系统的设计与实现

摘要

在全世界数据挖掘技术飞速发展的背景下，很多行业都受益于大数据分析的应用成果。教育领域也迎来了改革发展的新时期，“数据驱动校园，分析变革教育”正在推动教育实践向着更加人性化、个性化的方向迈进。大数据分析技术在教育领域的应用与其他行业相比起步较晚。其中基于计算机技术支持下的协作学习作为计算机科学与教育科学的交叉领域，引起了越来越多研究者的关注。协作学习研究的焦点基本集中在如何寻找一种更加科学、合理、有效的合作学习小组的分组策略。针对此现状，本课题旨在提出一种与学习者的心理学指标相契合，个性化强且易实现的分组方式。
　　本文所研究的内容主要有以下几个方面:
　　首先，提出了基于特征聚类的分组模型。通过对比传统分组方式的优缺点，结合教育心理学的分组原则和方法，提出了基于学习风格和学习成绩的特征聚类分组模型。
　　其次，完成了实验数据的聚类分析。通过在线测试提取实验数据，并根据数据的有效性和完整度测定对其进行规范化处理。用K-means算法对学习者特征进行聚类分析。分析发现学习者学习风格特征在聚类算法中有明显聚类倾向，并将其提炼为四种典型特征分类，为后续分组策略打下基础。
　　最后，实现了基于特征聚类的学生分组系统的设计。根据学习者分组的基本需求，分别提出了针对同质分组、异质分组、综合分组的实现策略，并阐述了实施流程。最后设计实验指标，检验了同质分组、异质分组、综合分组策略对学习者学习效果的影响。
　　在真实教学情景下所采集的实验数据显示，自动分组系统提出的分组策略在异质分组中显示出较传统分组更为理想的评价结果。以上说明本课题的分组策略能够有效的提高教学效果。

目录

声明

摘要

第1章 绪论

1．1 研究背景与意义

1．2 研究内容

1．3 本文的组织结构

第2章 相关研究工作综述

2．1 合作学习相关综述

2．1．1 合作学习的内涵界定

2．1．2 合作学习理论基础

2．1．3 分组教学研究现状

2．2．1 教育数据挖掘

2．2．2 聚类分析

2．3 本章小结

第3章 基于特征聚类的自动分组方法研究

3．1．1 分组方式分析

3．1．2 学习小组形成的一般原则

3．2 学生特征分析

3．3 基于特征聚类的分组模型

3．4 本章小结

第4章 学生特征聚类分析

4．1 聚类分析的数据准备

4．1．1 学习特征要素的确定

4．1．2 确定分析窗口

4．1．3 数据的规范化

4．1．4 学生特征要素提取

4．3．1 聚类准备工作

4．3．2 特征聚类

4．4 本章小结

第5章 系统设计与实现

5．1 系统设计原则

5．2 系统总体设计

5．2．1 系统的层次结构

5．2．2 系统功能结构

5．3 分组模型设计

5．3．1 分组子系统模型

5．3．2 学习成绩等级划分

5．3．3 学习风格特征测量

5．3．4 分组策略

5．4．1 分组功能模块实现

5．4．2 按学习风格的同质分组流程

5．4．3 按学习风格的异质分组流程

5．4．4 按学习风格与成绩的综合异质分组流程

5．5 分组教学实验结果对比分析

5．5．1 检验指标

5．5．2 实验分析

5．6 本章小结

结论

参考文献

攻读硕士学位期间所发表的论文

致谢

个人简历