文摘
越来越多的应用数据研究科学的思想来代替科学理论研究,包括学校教学质量的监测和评价。为了区分不同类型的学习者通过知识和行为表现,以便更好的提高教师的教学质量,基于知识的数据挖掘模型表达式和计算模式。根据所有关键认知和行为输入参数和认知和行为指标因素,通过人工神经网络的集合,灵敏度分析,数据挖掘和分类回归树,他们分为三种类型的差异,以便更好地与不同类型采用差异化策略的学习者。实验结果还表明,参数的行为远比知识更重要的参数。研究结果表明,该模型有效地支持教师在教育系统工作。
1。介绍
“大数据引发了深刻的革命在地球科学领域”,“从数据,让数据说话”,大数据浪潮的发展,研究科学取代了大数据的应用理论研究科学的想法通过识别数字两者之间的相关关系已经取代了地球科学的研究方法找出事物之间的因果关系,这已经被越来越多的接受和应用地质学家。教育的不断发展,大量的数据积累在教学和管理工作,但是该数据并没有被有效的利用。如果可以充分利用这些数据,可以有效地提高教学的质量。院士赵均指出,“大数据大规模提高了精度和提高预测的准确性1]。与此同时,大数据分析已经从因果分析,相关分析,实现数据分析的可行性。”郭院士华东指出“使用大量数据的相关性可以取代因果关系理论和模型,可以获得新知识和新发现的基础上,数据之间的相关性”。如果这些数据可以充分利用,可以有效提高教学质量的(2]。对于存在的问题,它可以被理解为如何有效地进行数据挖掘,相应。数据挖掘是指挖掘有效的过程,小说,从大数据和潜在的有用的信息,发现潜在的数据库中存在的关系和规则。nonteaching,数据挖掘是一个专业的和客观的研究工具,它可以用于知识培训体系的应用研究3]。根据他们的能力,他们有一个主要目标来节省他们的时间和精力。因此,如何将数据挖掘技术应用到课程是提高教学质量的关键4]。数据挖掘过程的主要目的是找到新鲜的,有趣的,和实际的东西在大规模数据集通过不同的技术手段,包括预测、分析、集群、组合规则挖掘,和序列模式。目前,扩大我国的电网和智能电网行业产品的推广,在电力系统的数据量逐年增加,计算机应用和大数据带来了巨大的挑战和发展5]。这意味着矿业是有效、新颖为潜在的大数据中发现潜在的关系和规则数据库(6]。这种广泛使用的数据挖掘K——聚类算法,可我的客户和分类的用电量数据通过识别不同用户的电力消费模式。传统的K聚类算法则很容易受到数据大量冗余信息,使其计算效率和精度低(7]。今天是一个信息化的时代,也是一个知识经济的时代。作为最活跃和最重要的因素之一,应当高度重视人才,8]。作为培养高级人才的培训基地,人才培养质量为我们社会的各种结构提供高素质人才,实现它。此外,国家之间的竞争变得越来越激烈。竞争的本质是人才的竞争。如果我们国家想要在世界上占据更有利的地位,它需要加强人才的培训(9]。人才的培养离不开教育,教学质量是具有重要意义的质量培训。高校应充分认识到质量的重要性,不仅采取相应措施,提高质量,但也采取相应的措施,监测和评估质量,确保高校的质量满足高校发展的需要(10]。有许多方法来监测和评估教学质量,其中一个更有效的方法,具有较强的实用价值11]。有关人员应进行深入的研究,所以,它可以监测和评价系统中发挥更大的作用,所以中国可以培养高质量人才的人(12]。
本文主要结合了认知行为统计模型由DM使用。学生分为三种不同类型,以便有效地实施不同的教学策略为不同类型的学生。本章的重点是学习策略与学习成绩之间的关系,更好的帮助教师课堂作业通过信息挖掘方法。主要的工作流程如图1。这种现象可以定义接受了六种基本操作参数。作为输入,三个基本操作参数是关键。技术(DM)有助于获取和研究参数,并提出了一个根据307年标记。根据实验应用于C & RT,有两种分类规则(上层、中层和低),主要为,平均法将100%13]。
2。国家的艺术
2.1。数据挖掘技术的概述
信息将热点问题在计算机和数据库系统的研究和开发。传统的矿业指的是发现隐藏的不寻常的活动,以前未知的、潜在的有价值的信息在数据库中大量的信息系统。数据挖掘是一个重要的商业决策的工具。一般来说,人工智能、机器学习、模式识别、统计学、数据库、可视化和信息方法是通过非常聪明的方法,用于分析业务信息进行归纳和推理,和找到潜在的企业,协助经理市场策略来减少错误和做出合理的决策。这一理论出现在1980年代,主要通过分析大量数据来获取有用的数据。这些数据是很有价值的相关决策者,和宝贵的好处可以利用这些数据生成(14]。早期发展的数据挖掘方法,它主要用于业务,它主要用于全面的数据收集和分析,提供投资方向业务决策者和避免商业风险最大程度(15]。大学管理员使用数据挖掘技术,充分挖掘各种数据与教学质量,然后提取有价值的信息的基础上,深入分析这些数据。简而言之,采矿方法是完全探索隐藏信息,包括趋势、特点、和相关性(16]。当前计算机技术的快速发展,信息挖掘也是一个数码科技获得从大量的隐藏信息不完整和随机提前应用程序信息没有意义。从数据挖掘的基本概念,不难看到有很大的相似性的数据挖掘和知识挖掘在数据库系统中,数据挖掘主要是因为继承信息挖掘的成就的思想和技能,和分配这个想法和方法数据挖掘的基本含义(17]。对于这样的统计数据,但数据挖掘技术的研究成果在商业领域的应用相对比较大,中国仍处于开发的早期阶段在教育领域的数据挖掘技术。特别是,实际使用的教育数据挖掘技术在中国教育部门仍然非常不同于发达国家。根据这些条件,中国有关技术人员有机地结合中国大学教学评价体系,以准确评估中国大学的教学质量,提高教学质量18]。
2.2。数据挖掘方法
相结合的数据挖掘是一个交叉性新兴学科理论和技术等多个领域的数据可视化、数据库技术、高性能计算机、统计、机器学习,模式识别,人工智能。总结了数据挖掘的主要方法如下:预测模型方法,数据分割方法,相关分析方法和偏差分析方法。数据挖掘方法是数据驱动的应用程序方法,也就是说,它不需要一个提前需要完全理解所有的上下文和要解决的问题的各种属性,如汽油清洁,减少硫、辛烷的所有化学性质,并改变法律,但只需要一定的背景知识;然后解决实际问题(19]。减少辛烷值损失汽油清洗,也就是说,执行一个更精确的定量计算的损失辛烷值对应于数据挖掘方法的预测和回归任务(20.]。推动效率的采矿方法解决问题,下面的数据挖掘方法的应用程序进程设计,如图2。
专家们提供了许多不同的数据挖掘方法。因此,根据上面的分数计算公式的缺陷,一个分数使用k - means聚类分析方法提供了方法。结果表明,菌毛的结果是最有效的。因为这个方法是比以前更加合理和科学的总分法,和菌毛的结果还包含更多有用的数据,新菌毛方法也降低了结果的不确定性的随机初始聚类后形成的。针对大学生的不完整的专业知识体系,本文提供了有针对性的教学内容的“数据挖掘”项目经济管理专业的本科生。从实际的效果,这是良好的促进。将数据挖掘技术应用到教育评价,通过以上财务数据的分析,我们可以揭示了大学教师的教学效果之间的相关性和品位,标题,和教育水平的教师。调查当前的教育评价体系,某些技术的智能决策支持系统基于数据挖掘技术的教育评估进行了研究,表明这个系统可以智能地提高教学。这种挖掘技术主要集中在自适应学习、研究的知识解决方案,然后从网上找到最佳方法知识。学习者的认知活动的过程和学生的满意度是特别重要的参与和评估这些项目。 Influenced by various materials, in order to effectively improve teaching, we have provided a data mining mode based on statistical modeling of knowledge and behavior, and defined the basic tasks of learning, more detailed interaction information and learner activities through this information. The change caused by the model is verified by the student category selection experiment.
3所示。方法
3.1。认知计算模型
许多专家探讨了认知任务模型。然而,考虑到心理能力、精神意识数据和参数将反映在总体目标的理论信念,欲望,和意图)也将应用作为一个认知模型。BDI模式目前所使用的代理主要是根据科恩的意图模式设计和桑德琳。正常的模态逻辑的逻辑模式计算了饶Georgeff BDI,即关注的正式描述信仰,希望,和意图,或者BDI。作为显示在图3认知计算的影响结果的因素主要包括8个主要因素。
3.1.1。表现分
基于优秀的类的数目,相对良好的类的数量,和无缺陷的类的数目,学生的表现分计算根据学生的回答这个问题。
在上面的公式中,是j等无关紧要的话题,是谁提供了出色的答案j主题的问题,会做的人提供了一般的答案j类型主题的问题,会的人提供了可怜的答案呢j类型主题问题,是学生提供优秀的答案的重量值,avg学生的体重值提供平均答案,然后呢b学生的体重值提供贫穷的答案。
在这个问题上,它假定= 0.4,avg= 0.15,b= 0.45。当b需要一个更高的价值,公式起着消极的作用。
3.1.2。性能重量(困难)
乘通过d,这是相关问题的难度,和表现分重量(困难)定义如下:
在上面的公式中,的表现分重量和困难吗d根据困难的重量值确定困难的水平。
3.1.3。能力
能力值反映了有多少人能够回答的问题。这是下列公式所示:
在上面的公式中,是一个参数用于计算程度的意愿,是选择性重量值为学生提供优秀的答案,是为学生提供通用的答案,是选择性的重量值提供贫困学生的答案。
在这个问题上,它假定= 0.4,avg= 0.15,b= 0.4。当党卫军,b需要一个更高的价值,它起着消极的作用公式。
3.1.4。的意愿
它描述了学生回答问题的意愿。意愿被定义为下面的公式:
3.1.5。取向
学生的方向选择问题中起着重要的作用,对它与决心。方向被定义为下面的公式:
在这个问题上,它假定= 0.4,avg= 0.15,b= 0.45,当b需要一个更高的价值,它起着消极的作用公式。
3.1.6。的决心
决心表达学生的承诺完成一些问题,计算基于选择(意愿)和取向。解决定义如下:
3.1.7。承诺
这意味着绑定自己的行动。承诺将如下:
3.1.8中。认知指数因子(CIF)
基于学生的认知指数因子计算的承诺和能力。感知指数因子定义如下:
3.2。行为的计算模型
人类行为的计算模型的多维理解和数据主要是指每个人的工作和社会关系在一段时间和日常行为特征的统计模型,以准确预测的轨迹时空基准地位的活动。
3.2.1之上。快乐
一般来说,“幸福”这个词代表着幸福的生活状态和self-enjoyment的感觉。在这种状态下,它指的是一个强大的文化活动的兴趣。
3.2.2。疲劳
疲劳是一个非常疲惫的状态,可以观察通过观察他们的面部动作。当被问及多次,他们通常不能回答他们所有人。
3.2.3。失真
通过拉或扭曲,形状变化。这是用来定义一个行为的参数。
3.2.4。行为表达指数因子(BEIF)
学生可以选择特定的问题的帮助下行为表现指数因子,计算基于快乐,疲劳,和失真,并被定义为下面的公式:
在上面的公式中,
形式表1,将加权指数因子j主题,意味着学生们回答j令人高兴的是,问题意味着我类型的学生回答j类型的问题绞尽脑汁,意味着学生们回答j类型的问题被歪曲地,请耐心意味着学生们高兴地回答,fatig权重因子为学生提供答案与疲劳,和wdist权重因子被歪曲地为学生提供答案。
3.3。数据存储模型
为了实现目标特征信息的数据挖掘智能推荐系统,目标特征数据的分布式存储模型信息的智能推荐系统设计根据分布式链接融合的原则。分布式存储主要解决如何在多个机器上存储数据,和地址的问题提供可用性、可靠性和一致性。协会的数据分布设置的信息存储空间了x(t)。常见的邻居的数量如下:习=f(一个)×x(t)。的公式,f(一个)是一个邻居活动参数识别模型。邻居节点的活动特征分析方法用于获取目标的语义相关的信息组件数据信息的智能推荐系统,并给出了计算节点之间的歧义点集,在多源信息传播模型中,集群交叉项的目标特征信息的智能推荐系统。根据两块之间的相互作用的强度信息,路径变化融合和内容进化聚类方法用于构造目标特征数据的存储结构模型信息智能推荐系统,如图4。结合数据结构分析,数据挖掘算法的设计。
在图4奈拉N0,分别代表10节点目标特征数据的存储模型和10节点形成一个数据存储网络。
3.4。学生指数因子
学生指数因子(SIF):在学生的帮助下,指数因素,不同类别的学生可以选择特定的问题。它基于认知计算,SIF可以控制的α,一般0 <α< 1。
3.5。数据挖掘模型建设
根据以上的研究,考虑到需要更全面的研究方法和容易实现,建立一个全新的学生模型的基础上知识统计模型和统计模型的行为。
在这个模型中,介绍了认知模型的组件。在完成每个单元的练习和测试,使统计的知识能力值来判断后续学习内容的难度和调整的顺序掌握知识要点。同时,行为心理因素(如情感)也被调查。基于心理影响因素的分类学习,只有一个简短的定性的了解心理因素对学习者的影响。只有学习热情,面部表情和行为参数时解决问题。根据知识统计模型和统计模型的行为,本文中给出的数据挖掘模型可以用来计算能力指数因素,知识指数因素,影响学生的表现,和行为指标因素和判断指数影响因素的影响程度学生知识参数和行为参数。在中国的传统教育,如果每种类型的学校采用同样的教育策略,一些学校只会是有益的。采用本文给出的数据挖掘模型后,学校可分为不同类型根据学习的影响因素。教师还可以让学生选择不同的教学策略,并有很强的针对性。上面描述的数据结构说明了学生模型的静态结构,同时说明了一个。 The dynamic structure reveals such relationship for four ones that affect students' modeling in the whole teaching process, and its impact on the whole educational decision-making. We can find that student modeling is a dynamic structure. Through the analysis of students' learning activities, we can track students' learning activities, record, and adjust their knowledge, ability, and behavior, and describe the process information of their personalized characteristics. This paper puts forward a new teaching strategy, which takes data mining method as the core and involves the management of data base system, the generation of information, and the management of decision-making questions.
从图可以看出5在整体建模,大规模数据资源挖掘和计算(如决策树和人工神经网络)的关键技术。整个过程包括以下:步骤1:通过统计建模方法的认知功能和行为能力的统计模型,表的认知能力和行为能力表建立了描述每个学习者的情绪、行为、欲望、价值取向,将承诺,幸福,疲劳,情绪扭曲等。第二步:让学生回顾偏差的统计知识能力表和错误类型列表。步骤3:学生的复习时间是由专家统计数据库。第四步:根据认知能力表,表行为能力,认知的进步,和认知偏差,学生获得六个认知数据和三个行为数据,然后通过数据挖掘获取学生知识基础的方法学习策略的基础。第五步:把学习内容、表示方法,教学方法,获得一个学习评价形式结合每个学习活动。第六步:学生分为各种类型通过学术评估表,统计模型的行动能力和认知能力的统计模型,以及影响因素的不同类型的行动能力和认知能力进行了研究。通过这种方式,教师可以进行不同的教学策略为不同类型的孩子,可以显著提高教学质量与前面的教学方法。
3.6。决策树方法
决策树是一种决策分析方法,特别是对于潜在的挑战或价值。我们试着考虑特定属性的值通过数据挖掘的谈判。决策树算法也是一个简单和容易掌握的选择决策分析方法,如数值图表或统计概率。因为决策树是适应性的,这意味着它可以变成更有效的信息来表达自己,甚至可以改变到更有效的新方法来改变原来的计划。
3.7。人工神经网络方法
人工神经网络(ANN)模型的快速方法,动态方法和径向基函数网络(RBFN)。方法产生较小的隐层速度,更快的训练速度和更好的生成效果。动态方法生成初始拓扑,拓扑可以调节添加或删除隐藏的细胞在实践阶段。RBFN还使用一个类似的K——聚类方法分析信息根据目标的价值。与上述三种方法相比,动态方法提供了更精确的状态描述,和高于其他两种方法的训练精度。算法产生较小的隐藏层,更快的训练速度和更好的生成效果。速度的方法,有六个输入参数,每个参数有一定的价值。六个方法,每个方法分为三个阶段。因此,对于每一个绝对值与三个阶段,有三种类型的神经元。因此,神经元的数量在整个神经网络的输入层(3×6 = 18)。所有组合的人工神经网络模型如表所示2。
4所示。结果和分析
4.1。敏感性分析
灵敏度分析方法(SA)是一个灵敏度算法用于分析和描述数据在不同条件下的分布模型。通过删除一些变量对网络训练,很少或没有影响的敏感性分析方法可以减少网络结构的复杂性和理解每个变量如何使用网络功能。灵敏度越高,影响越大人工神经网络的输出。精度分析,检测结果节点可以识别最关键的地区一些输出。这可以获得更快和更有效的算法,需要更少的预测,实现更好,更容易掌握。敏感性分析,检测结果节点可以识别域,在特定的计算尤为重要。ANN方法主要包括三种类型:快速,具有某些特征的相对重要性的输入。这是一个在桌子上3。
4.2。特征选择的DM
在这种模式下,克莱门泰11.1软件的特征选择节点可以用来确定每个域。成百上千的预测,它可能是最关键的选择,安排,并确定这些预测。最后,它将会更快和更有效的方式完成,需要更少的时间来预测,更快的操作,和容易掌握。主要参数的测试结果如表所示4。
4.3。执行结果
在这项研究中,我们还研究了机器学习系统,可以使用web页面执行上述计算。执行结果如表所示5。
它可以从表中找到5的因素SIF最好的学生指数为49.375。就像信仰一样,平均每个孩子CIF非常低。通过公式(10),我们可以得出结论,SIF的指标因素的信念是学生的行为,而认知指标因素CIF可以省略。因此,通过上述结论的解释,我们可以看到,动作参数比认知更重要参数的分类性能。因此,教师应提高不同的性能提高教学质量和学生通过各种类型的学生的行为表现,如快乐,疲劳,和扭曲。
4.4。策略和建议
4.1.1。进一步修改教师教学工作评价方法和评价指标的性能
修正措施的评价教师教学工作表现,评估机构和工作职责进一步澄清,和所有全职类教师在整个医院都包含在评估的范围,统一标准评价。在教育方面性能评价指标体系,应该突出科学性和全面性,应包括各个阶段的特点和类别的教育工作。除了指定范围的教育任务,它还应该加强教育内容、方法、管理手段、课程建设、教学效果、教学研究能力。在教学改革、学科建设等,它有具体和详细的规定和要求,这是高度可操作的。评估强调活动和反射的性能信息,并以交流为主要目的的评估,以促进教师的学科发展和质量培训,实现质量改进,并达到最终的目的进行的绩效评估教师的教学工作。
10/24/11。建立教学质量管理平台为教学提供一个平台和数据支持诊断
一方面,改变传统的教学质量管理体系,让数据和信息网上“运行”,通过这个平台,实现信息的及时反馈结果指标转换成流程管理和评估、监控教学状态实时通过平台从学校层面和部门层面,并把评估从一个线下线上和线下的结合,使教学管理工作更加方便和多样化,以及评估更科学有效;另一方面,各种各样的数据收集平台,形成一个信息周报,每月信息报告反馈给老师,以便老师能理解他们的教学工作的具体情况,促进教师改进教学,提高自己,促进教学和改革通过大数据分析诊断。
4.4.3。加强过程管理,注重实际结果的评估,和促进教学质量的提高
为学校水平,规范各种指标和评价体系,加强教学管理,注重扩展反馈,并实现高水平的标准,严格要求部门和教学和研究部门。它将被应用到各种类型的评价和推广,如职称评价和建议,这将扮演一个好的角色在肯定和鼓励,并达到良好的效果与评价“促进建设和促进改革与评价”,真正提高教学质量。
5。结论
为了正确地组织和分类每个学生,学校将数据挖掘技术应用到每一个学生的数据分析基于学生的重要知识和行为的输入参数。通过人工神经网络、灵敏度分析、统计发现,和分类和回归树计算,输入问题的重要性分类定义根据神经网络模式(高速、动态和RBFN),和每个学生分为三个不同的类别。实验结果表明,学生的指数因素主要取决于行为表达指数因素,而感知指数因素可以忽略不计。我们应该认为操作参数是更重要的比认知数据质疑学生的类型。他们采取不同的教学策略来提高性能的不同的类和提高质量由于他们的幸福,疲劳,和扭曲。在未来,基于人工神经网络的数据挖掘方法将被应用到其他信息收集、修改原设置的数据,进行大量的实验,找到更多的有意义的数据,以有效地帮助教师教育体系的研究。
数据可用性
标签数据集用于支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。