面向微課移動學習的教學資源平臺數據挖掘技術分析

陳雪梅 杜棋東

摘 ?要： 為了解決目前學習平臺中微課資源推送不精準、缺少學習路徑優化推薦功能等問題，文章在分析微課與移動學習的內涵特征的基礎上，重點對數據挖掘技術中的K-means聚類算法和Apriori算法進行分析，并通過數據挖掘技術實現了教學資源平臺微課程資源的智能推送。

關鍵詞： 微課; 移動學習; 教學資源平臺; 數據挖掘; 智能推送

中圖分類號：TP311.13 ? ? ? ? ?文獻標識碼：A ? ? 文章編號：1006-8228（2020）01-62-04

Abstract： In order to solve the problems existing in the current learning platform， including inaccurate pushing of micro course resources， lack of learning path optimization recommendation function， etc.， this paper analyses the connotation and characteristics of micro course and mobile learning， and specially focuses on K-means algorithm and Apriori algorithm in data mining technology， and finally realizes the intelligent push of micro course resources in teaching resources platform by data mining technology.

Key words： micro course; mobile learning; teaching resource platform; data mining; intelligent push

0 引言

現在各種微課學習平臺不斷推出，但是微課存在諸多有待解決的問題，如資源推送不精準、缺少學習路徑優化推薦功能等問題。如何通過平臺從大量的資源數據和學習數據中挖掘相關聯的信息，從而為學習者提供相應的推薦決策參考，以及提供更優質的服務，是實現當前移動學習教學資源平臺建設的難點問題。

1 微課與移動學習的內涵與特征

1.1 微課

“微課”是一種基于信息技術的、以微視頻為主（時長尚未有統一標準）的數字化教學資源，它展示了某個學科知識點，表達了一個精練簡要的教學過程[1]。站在教師的角度，微課革新傳統教學方法，突破傳統教學中重復聽課難、教學問題針對性弱、教學效率低的困境，使教師備課指向性強，教學效率性高，教學反思有據可依;站在學習者的角度，微課能夠精準細化學科知識點，提供個性化學習條件，使學生課前預習、課中學習、課后復習更具主動性與實效性。

1.2 移動學習

移動學習是指計算機技術支持下在移動設備上進行學習的一種學習、探究方式[2]。移動設備作為其基礎支持條件，一方面能夠呈現學習資源，另一方面能夠起到不同角色之間網絡交流的紐帶作用。移動學習創建了一個具有激勵性、和諧性、營養性、可持續發展性的學習生態環境，對學習者自主學習起到很大的促進作用[3]。在移動終端，學習者可以查看學習情況、設置學習進度。基于數據挖掘技術的移動學習終端，學習者還可以獲得個性化信息資源的智能推送和學習路徑的優化建議，提高學習效果和效率。

2 數據挖掘技術分析

數據挖掘是大數據分析的關鍵技術，它能夠根據指定的問題，利用一種或多種算法，分析不同的數據找到關聯的規律，其中，聚類分析、決策樹、神經網絡、關聯規則、回歸等數據挖掘技術較為成熟[4]。針對面向微課移動學習的教學資源平臺，文章闡述K-means算法和Apriori算法。

2.1 K-means聚類算法

聚類算法是指從樣本數據中按照一定的方法或理論劃分出不同的類別或者組合的分析方法。

K-Means算法是一種使用均值聚類數據點的聚類算法，其中，K代表類別數，Means代表均值。通過預設類別以及選擇初始化的質心，然后將相似的數據點進行劃分。K-Means算法的優勢在于它的簡單和快速，只需要計算點和群中心之間的距離。

假設某資源就是待聚類樣本點，目標是需要將樣本點聚類成3個類別。對于每個點，計算其距離所有中心點當中離自己最近的那個中心點，可以將這個點定義為其同一簇。經過一次迭代之后，重新計算每個簇類的中心點，然后為每個點重新找到最接近自身的中心點。就這樣不斷循環，直到前后兩次迭代的簇類不再有變化。算法過程如圖1所示。

算法的步驟

step1： 選定要聚類的類別數目k（如上例的k=3類），選擇k個中心點。

step2： 尋找距離中心點最近的樣本點并將其歸類，距離同一個中心點最近的所有點表示一個類，這樣就算完成一次聚類了。

step3： 判斷聚類前后的樣本點的類別情況是否相同，如果相同，則算法終止，否則進入step4。

step4： 針對每個類別中的樣本點，計算這些樣本點的中心點，當做該類的新的中心點，繼續step2。

Step5： 直到聚類結果不在變化，得到K個聚類。

k-means算法數據之間距離越小，表示樣本A跟B越相似，差異度越小;距離越大，樣本A跟B越不相似，差異度越大。根據距離的長短進行聚類成指定的類別數K，為下一步智能推送奠定數據基礎。常用的歐式距離公式為：

2.2 Apriori算法

關聯分析是一種無監督學習算法，主要是從大量交易數據中查找隱藏的對象關聯關系[5-6]。

Apriori算法是用于挖掘關聯規則的頻繁項集算法。頻繁項集是指經常出現在一起的項的集合，關聯規則表明這兩個項之間可能存在密切關系[7]。假設有4門微課程：微課程0，微課程1，微課程2，微課程3。圖4顯示了課程之間所有可能的組合，最上面的集合表示不包含任何課程的空集（?），課程集合之間的連線表示可以組合兩個或更多個集合以形成更大的集合。目標是找到經常在一起瀏覽的課程集合，這里使用集合的支持度來度量其出現的頻率。

如果某個項集是頻繁項集，那么它的所有子集也是頻繁的。即假設{0，1}是頻繁的，那么{0}，{1}也一定是頻繁的。如圖2所示，圖中給出了所有的可能項集，其中非頻繁項集用黑色表示。黑色項集{2，3}屬于非頻繁的，那么項集{0，2，3}、{1，2，3}以及{0，1，2，3}也都是非頻繁的。由此可見，如果計算出了{2，3}的支持度，得知它是非頻繁項，就可不再需要計算其他非頻繁項的支持度。

支持度（Support）可理解為支持的程度[8]，假設某平臺一共有100000個ID用戶，其中30000個用戶瀏覽了對象A，那么對象A的支持度為P（A）=30%（30000/100000）。在所有項集中同時出現A跟B的概率，即P（AB）。假設A跟B一起出現的概率非常大，那么就說明A跟B是相關聯的。設A的訪問次數是X，B的訪問次數是Y，支持度的公式可表示為：

置信度（Confidence）表明了當A出現時，B是否一定會出現，如果出現則其概率為多少，即P（A|B）。假設置信度為100%，則說明A出現時B一定會出現。

3 數據挖掘技術在微課教學資源平臺的應用

3.1 平臺總體架構設計

在平臺總體架構中，教師通過訪問用戶界面來上傳和管理微課資源，教師也還可訪問移動終端來獲取學生的反饋結果和管理測試等。而學生則通過移動終端觀看微課資源，同時，平臺利用聚類分析和關聯分析中技術，結合XMPP傳輸協議智能地將類似的微課程資源推送到學習者界面，幫助學習者有效地發現有價值的微課程視頻。如果在學習過程中遇到問題，可以在平臺中對微課資源進行提問和評價等。教師收到學生提問后，在系統互動平臺進行分析解答。這時基礎數據庫會將微課資源的訪問量和評價情況進行分析統計并將結果展示于學習者界面，如圖3所示。

3.2 數據挖掘算法在平臺中的實現

以某學校現有的微課平臺瀏覽記錄為例，用K-means算法進行課程聚類，最后用Python3代碼來實現，發現瀏覽微課最多的人群均集中在年紀為大二的學生。對計算機技術感興趣的同學一般會對傳媒也有興趣。專業是計算機應用、機械制造、道路橋梁等的瀏覽者人群大多數為男生。機械制造、道路橋梁、車載危機檢修與故障診斷三類微課聯系比較密切，原因是該校是一所以軌道交通類為背景的學校，所以學生大多會同時瀏覽這幾類微課。

Apriori算法中的頻繁項集是指那些經常出現在一起的課程，同樣以某學校現有的微課平臺ID用戶瀏覽記錄為例，如表1所示。表中的數據顯示經常被瀏覽的課程是{“計算機基礎”，“VIS視覺設計”，“office案例應用”}，從數據集中也可以找到“計算機基礎”->“VIS視覺設計”的關聯規則，這意味著有人看了“計算機基礎”的課程，那很有可能他也會看“VIS視覺設計”課程。關聯規則由支持度和置信度來定義。

支持度：表1中數據集總數為5，“office案例應用”這門課程被瀏覽的次數為4，因此算出“office案例應用”這門課程的支持度為4/5，同樣，{“office案例應用”，“計算機基礎”}兩門課程同時出現的數據集為3，代入支持度的公式⑵算出{“office案例應用”，“計算機基礎”}的支持度為3/5。

可信度（置信度）：由支持度的計算公式⑵算出{“計算機基礎”，“VIS視覺設計”}的支持度為3/5，“計算機基礎”的支持度為4/5，這時代入可信度的公式⑶算出{“計算機基礎”->“VIS視覺設計與制作”}的可信度為3/4=0.75，這意味著“計算機基礎”的瀏覽記錄中，找出了75%瀏覽者都適用的規則。

通過Apriori算法進行關聯性分析發現，75.2%的學生瀏覽了“計算機基礎”之后，還瀏覽了“網絡工程技術”“網絡安全”這兩門微課;有62.3%的學生瀏覽了“Photoshop視頻教程”后，還瀏覽了“CorelDRAW視頻教程”;有80.5%的同學在瀏覽了“列車日常事務辦理”后，還瀏覽了“運輸阻礙與事故處理”這門微課。

根據學習者學習記錄，通過K-means算法和Apriori算法智能判斷學習者學習行為，并將相關的微課程資源推送到學習者界面，達到精準服務學習者的目的。

4 結束語

本文闡述了K-means算法和Apriori算法在微課教學資源平臺的應用，解決了教學資源平臺微課資源推送不精準的問題，不僅給學習者創造了積極主動學習的氛圍，而且使獲取信息資源的途徑有一定的智能性，對設計與開發面向微課移動學習的教學資源平臺有一定的參考價值。下一步將研究相關算法，實現學習者個性化微課資源學習路徑的優化推薦。

參考文獻（References）：

[1] 胡鐵生."微課"：區域教育信息資源發展的新趨勢[J].電化教育研究，2011.10：61-65

[2] 溫川雪，周洪建.面向智能手機與Web平臺的微課移動教學系統的設計[J].中國遠程教育，2014.12：60-66

[3] 杜棋東.職業教育微視頻課程知識元的深度聚合與實踐應用[J].中國教育信息化，2018.4：32-35

[4] 馬如義.Apriori算法在詞性標注規則獲取中的應用[J].計算機時代，2016.10：32-35

[5] 劉迎春，朱旭，謝年春，李佳.基于數據挖掘的專業可信回答者個性化推薦——以Stack Overflow問答社區為例[J].現代教育技術，2019.29（5）：78-84

[6] 李澎林，郟莉，李偉.一種基于數據挖掘的圖書薦購模型研究[J].浙江工業大學學報，2019.47（1）：80-85

[7] 薄洪光，李煥之，張慧琳.面向智能制造應用型人才培養的生產管理實踐教學微課平臺模式構建[J].實驗室研究與探索， 2018.37（8）：191-196

[8] 張波，李舸.基于改進聚類算法的Web異常數據挖掘軟件設計[J].現代電子技術，2019.42（8）：73-76，81