基于蚁群聚类算法的MOOC作业互评系统的分组研究

摘要

MOOC(massive open online courses)，即大型开放式网络课程，MOOC平台一般都是面向全球或者某个特定范围群体，通过MOOC网络平台向学生传授知识正如火如荼、在全球范围内迅猛发展。具有优质的师资、优质的课程内容的结构体系是其主要特征。但MOOC平台也存在许多不可忽视的问题，比如学生资源的差异，学生的来源、学习工作背景、学习环境的差异等等，这些差异会直接导致学生在MOOC平台学习效果的差异。为促进MOOC环境下学生的学习质量，提升总体教学质量，实行学生间的作业互评是一项有效的措施。通过学生间的作业互评不仅可以有效的加深学生对课程内容的理解，对促进学生学习效果的共同提高具有良好的效果;并对解决MOOC环境下教师不可能对学生作业逐一批改的困境给出了一种有效的解决方法。
　　学生间的作业互评如何分组？学生间如何进行互评？一种方式是随机的指定两名学生进行互评，但这种方式由于网络环境下学生彼此间的差异太大，可能导致出现不够理想的互评结果，学生互评成绩与实际成绩相差很大。
　　本文提出一种基于学生背景大致相同情况下的作业互评模式，即进行互评学生的学习成绩、所在地域、学习环境等大致相同。解决问题的基本思路是将所有学生首先进行分组，也就是将背景大致相同的学生分成一组，然后在组内进行学生互评。这种作业互评分组模式虽然存在缺陷，但仍然不失为一种实际应用中可供参考的作业互评分组模式。在一定范围内，这种作业互评分配模式会使得学生所得成绩尽可能的接近学生的真实成绩。
　　本文首先简要介绍了研究背景，和所运用方法的必要性。接着介绍了MOOC平台与蚁群聚类算法的相关基本理论知识及数学模型，第4章是本文重点，主要阐述了具体使用蚁群聚类算法来对学生进行分组;其中包括学生分组的问题，以及蚁群聚类算法的可行性，和具体分组实现等。第5章以某高校为例，给出了一个轻型MOOC平台的设计框架，以及学生作业互评信息系统的设计思路。最后给出了结论与建议。
　　本文对MOOC平台下的学生作业分组研究具有实际应用价值;此外，在聚类过程中所给出的多值离散型属性的距离计算方法，使得离散属性量化后距离具有较高的均衡性，也是具有一定的实际应用意义。

目录

声明

摘要

第1章 绪论

1．1 研究背景和意义

1．2 国内外研究现状

1．2．1 MOOC研究

1．2．2 聚类分析研究

1．3 本文研究的主要内容

1．4 论文的安排

第2章 理论基础

2．1 MOOC概述

2．1．2 MOOC的理论基础

2．2 聚类算法

2．2．1 聚类分析概述及其数据类型

2．2．2 主要聚类方法

第3章 蚁群聚类算法

3．1 蚁群算法

3．1．1 蚁群算法原理与特点

3．1．2 蚁群算法的数学模型

3．2 蚁群聚类算法概述

3．3 平均相似性的计算

3．4 概率转换函数的计算

第4章 学生作业互评的分组研究

4．1 学生作业互评分组问题概述

4．1．1 学生作业互评分组问题

4．1．2 学生作业互评分组目标

4．2 学生作业互评分组参数的选择

4．2．1 参数的选择及数据预处理

4．2．2 离散属性的量化

4．2．3 相似性的计算

4．3 学生作业互评分组中的蚁群聚类算法应用

4．3．1 主成分分析

4．3．2 相似度计算

4．3．3 移动策略

4．3．4 算法步骤

4．4 应用示例——某校MOOC学生作业互评的分组

4．4．1 调查问卷的设计

4．4．2 数据的收集与预处理

4．4．3 学生作业互评分组实验设计

4．4．4 学生作业互评分组分析处理

第5章 学生作业互评系统的设计

5．1 轻量型MOOC平台的搭建

5．2 学生作业互评系统的概念设计

5．3 学生作业互评系统功能设计

5．4 总结与展望

致谢

参考文献

攻读学位期间取得学术成果

附录