论文部分内容阅读
【摘要】远程网络培训在给学员学习便利的同时，也给教学质量评估带来了难题。数据挖掘技术是在海量的数据中提取有用信息的有效手段，将Web挖掘技术用于远程培训教学质量的评估中，可以为网上教学质量提供有价值的参考数据，从而真正发挥远程培训的优势。
【关键词】Web挖掘 远程培训 教学质量
一、引言
作为一种全新的不同于传统现场授课的培训方式，远程网络教学突破了传统的时空限制，利用各种多媒体手段提高培训质量，降低培训成本，为员工提供个性化培训，是满足员工职业发展的需要和构筑终身学习体系的重要手段，目前已经在电力系统的企业培训中得到广泛的应用。
目前大多数远程培训系统只是实现了远程视频课件观看、网上答疑讨论、作业管理和考试测评等简单的功能，由于培训内容较多，无法对每个用户的访问行为进行详细记录和统计。因此，跟踪学员的网络学习行为模式，分析教学内容的访问频度等信息，对于促进远程培训的发展具有重要的意义。
二、数据挖掘技术的优势
数据挖掘是一种决策支持过程，它是从大量不完全的、有噪声的、模糊随机的实际应用数据中，提取出隐含在其中的但又是潜在有用的信息和知识的过程。它涉及到对数据库中的大量数据进行抽取、转换、分析以及模型化处理，从中提取辅助决策的关键性数据。通过数据挖掘，可以帮助决策者寻找规律，发现被忽略的要素，预测趋势，进行决策。
由于远程教学质量跟踪具有学员在线学习行为的复杂性、动态性、多因素性和模糊性等特点，难以用传统的统计学评价模型进行科学地计算处理。采用数据挖掘技术，在远程网络培训系统中设计教学质量评估模块，挖掘学员的学习行为特征数据，处理学习行为特征数据，得出反馈处理结果，进行学习预警提示和教学控制或进行表扬。
三、远程教学质量评估模块的设计
在远程教学质量跟踪模块中，Web挖掘的目的是尽可能了解学员网络学习行为特征数据所体现出来的意义，将无规则的Web数据信息重构成结构化数据，并使用挖掘算法进行分析。
（一）确定数据源
远程教学质量跟踪模块主要是对学员的网络学习行为进行实时跟踪，需要采集的特征信息主要由：在线学习的时间长度、每次教学活动中的出勤率、发言或发帖的次数、教学课件的点播时间、下载次数，作业的提交时间和完成情况，参与讨论答疑的情况，知识点学习完成进度，各类测试成绩体现出来的知识点掌握情况等数据。这些数据主要来源于Web服务器端日志、客户端日志和数据库服务器日志等。也就是说要尽可能发现学员在系统上所有可能被记录下来的行为。
（二）Web日志挖掘处理
选择知识库是Web数据挖掘的核心，它是一个规则集合，根据不同的要求来选择最有效的挖掘算法。随着应用的深入，知识库可以不断融入新的规则，从而增加系统的智能性。在WEB数据挖掘过程当中，对原始数据进行预处理是其重要的一环，去除与挖掘目标无关的信息。数据预处理是对数据进行清理、过滤和重新组合的过程，一般包括数据清洗、用户识别、会话识别、事务识别、路径完善等几个步骤。
（1）数据清洗
清除服务器日志中的无关条目是各类Web使用记录挖掘的重要阶段。通常，学员的每个HTML页面请求都会产生几条日志记录，包括一些图片或索引等，只有学员请求的HTML页面才真正代表学员的信息。因此，可以删除扩展名为jpg、gif、map、CSS等资源信息，cgi结尾的脚本文件以及学员请求失败的记录，从而得到与学员学习紧密相关的记录信息。
（2）用户识别
数据清洗结束后进行用户识别工作，即从清洗过的Web服务器访问日志所获得的中间文件中，识别出每个用户。IP地址相同，用户使用的浏览器或操作系统不同，则判定是不同的用户。
（3）会话识别
在一个日志中，用户有可能多次访问某站点，因此对于一个用户的所有访问必须先分成不同的会话，将用户的访问记录分成多个独立的访问序列会话。
（4）事务识别
事务识别主要是把大事务分成小事务，或把多个小事务合并成一个大事务，把事务集转换成适合挖掘任务的事务集。
通过预处理，采用具体的Web挖掘算法来进行模式识别。Web挖掘用到的技术主要有：统计分析、聚类分析、关联规则、序列模式等。由于记录了学员访问某个资源页的时间，可以通过相邻两次资源页访问的时间差来计算学员在某页面的停留时间，从而推算出学员进行某项学习所花的时间，另外学员在某段持续时间内有一个访问序列，因此，我们采用统计分析和序列模式相结合的方式来挖掘。
发现新的模式之后，通过选择和观察将发现的规则、模式和统计值转化为知识，再经过模式分析得到有价值的模式。模式分析是整个Web挖掘过程的最后一步，其作用是排除模式发现过程中所产生无价值的规则和模式。
（三）系统预警反馈
针对学员的具体学习情况，对WEB挖掘结果生成报表，得到所需的各种评估指标，并据此衡量学员在学习过程中的表现，据此生成相应的激励或预警信息。学员的表现优于系统设定值发出激励，如比系统设定值差则发出预警提示。系统自动预警反馈机制能够对学员能起到激励和督促作用，有利于提高远程培训的教学质量。
（四）模块总体结构
远程培训教学质量评估模块体系结构分为三层，底层为行为特征数据库，通过对Web日志等进行数据预处理提取出系统需要的数据信息。中间层为Web挖掘技术层，即从数据仓库中构建选择挖掘算法，并进行处理分析。第三层为前端系统反馈模块层，生成报表，反馈结果。
四、总结
远程网络培训教学带来的是信息量的急剧增长和对信息提取的更高要求，采用数据挖掘技术可以发现数据中隐藏的规律或模式，为远程培训教学质量评估提供科学依据及更有效的支持。本文将Web日志挖掘应用于教学质量评估中，实践证明取得了较理想的效果。
参考文献
[1]王风琦等.网络教学评价体系的特征、模型及过程[J]现代远程教育研究，2006.
[2]黎孟雄.基于Web挖掘的远程教学质量跟踪系统设计[J].河南科技大学学报（自然科学版），2007.
[3]杨清莲等.Web挖掘技术及其在网络教学评价中的应用[J].南京工业大学学报，2005.
【关键词】Web挖掘 远程培训 教学质量
一、引言
作为一种全新的不同于传统现场授课的培训方式，远程网络教学突破了传统的时空限制，利用各种多媒体手段提高培训质量，降低培训成本，为员工提供个性化培训，是满足员工职业发展的需要和构筑终身学习体系的重要手段，目前已经在电力系统的企业培训中得到广泛的应用。
目前大多数远程培训系统只是实现了远程视频课件观看、网上答疑讨论、作业管理和考试测评等简单的功能，由于培训内容较多，无法对每个用户的访问行为进行详细记录和统计。因此，跟踪学员的网络学习行为模式，分析教学内容的访问频度等信息，对于促进远程培训的发展具有重要的意义。
二、数据挖掘技术的优势
数据挖掘是一种决策支持过程，它是从大量不完全的、有噪声的、模糊随机的实际应用数据中，提取出隐含在其中的但又是潜在有用的信息和知识的过程。它涉及到对数据库中的大量数据进行抽取、转换、分析以及模型化处理，从中提取辅助决策的关键性数据。通过数据挖掘，可以帮助决策者寻找规律，发现被忽略的要素，预测趋势，进行决策。
由于远程教学质量跟踪具有学员在线学习行为的复杂性、动态性、多因素性和模糊性等特点，难以用传统的统计学评价模型进行科学地计算处理。采用数据挖掘技术，在远程网络培训系统中设计教学质量评估模块，挖掘学员的学习行为特征数据，处理学习行为特征数据，得出反馈处理结果，进行学习预警提示和教学控制或进行表扬。
三、远程教学质量评估模块的设计
在远程教学质量跟踪模块中，Web挖掘的目的是尽可能了解学员网络学习行为特征数据所体现出来的意义，将无规则的Web数据信息重构成结构化数据，并使用挖掘算法进行分析。
（一）确定数据源
远程教学质量跟踪模块主要是对学员的网络学习行为进行实时跟踪，需要采集的特征信息主要由：在线学习的时间长度、每次教学活动中的出勤率、发言或发帖的次数、教学课件的点播时间、下载次数，作业的提交时间和完成情况，参与讨论答疑的情况，知识点学习完成进度，各类测试成绩体现出来的知识点掌握情况等数据。这些数据主要来源于Web服务器端日志、客户端日志和数据库服务器日志等。也就是说要尽可能发现学员在系统上所有可能被记录下来的行为。
（二）Web日志挖掘处理
选择知识库是Web数据挖掘的核心，它是一个规则集合，根据不同的要求来选择最有效的挖掘算法。随着应用的深入，知识库可以不断融入新的规则，从而增加系统的智能性。在WEB数据挖掘过程当中，对原始数据进行预处理是其重要的一环，去除与挖掘目标无关的信息。数据预处理是对数据进行清理、过滤和重新组合的过程，一般包括数据清洗、用户识别、会话识别、事务识别、路径完善等几个步骤。
（1）数据清洗
清除服务器日志中的无关条目是各类Web使用记录挖掘的重要阶段。通常，学员的每个HTML页面请求都会产生几条日志记录，包括一些图片或索引等，只有学员请求的HTML页面才真正代表学员的信息。因此，可以删除扩展名为jpg、gif、map、CSS等资源信息，cgi结尾的脚本文件以及学员请求失败的记录，从而得到与学员学习紧密相关的记录信息。
（2）用户识别
数据清洗结束后进行用户识别工作，即从清洗过的Web服务器访问日志所获得的中间文件中，识别出每个用户。IP地址相同，用户使用的浏览器或操作系统不同，则判定是不同的用户。
（3）会话识别
在一个日志中，用户有可能多次访问某站点，因此对于一个用户的所有访问必须先分成不同的会话，将用户的访问记录分成多个独立的访问序列会话。
（4）事务识别
事务识别主要是把大事务分成小事务，或把多个小事务合并成一个大事务，把事务集转换成适合挖掘任务的事务集。
通过预处理，采用具体的Web挖掘算法来进行模式识别。Web挖掘用到的技术主要有：统计分析、聚类分析、关联规则、序列模式等。由于记录了学员访问某个资源页的时间，可以通过相邻两次资源页访问的时间差来计算学员在某页面的停留时间，从而推算出学员进行某项学习所花的时间，另外学员在某段持续时间内有一个访问序列，因此，我们采用统计分析和序列模式相结合的方式来挖掘。
发现新的模式之后，通过选择和观察将发现的规则、模式和统计值转化为知识，再经过模式分析得到有价值的模式。模式分析是整个Web挖掘过程的最后一步，其作用是排除模式发现过程中所产生无价值的规则和模式。
（三）系统预警反馈
针对学员的具体学习情况，对WEB挖掘结果生成报表，得到所需的各种评估指标，并据此衡量学员在学习过程中的表现，据此生成相应的激励或预警信息。学员的表现优于系统设定值发出激励，如比系统设定值差则发出预警提示。系统自动预警反馈机制能够对学员能起到激励和督促作用，有利于提高远程培训的教学质量。
（四）模块总体结构
远程培训教学质量评估模块体系结构分为三层，底层为行为特征数据库，通过对Web日志等进行数据预处理提取出系统需要的数据信息。中间层为Web挖掘技术层，即从数据仓库中构建选择挖掘算法，并进行处理分析。第三层为前端系统反馈模块层，生成报表，反馈结果。
四、总结
远程网络培训教学带来的是信息量的急剧增长和对信息提取的更高要求，采用数据挖掘技术可以发现数据中隐藏的规律或模式，为远程培训教学质量评估提供科学依据及更有效的支持。本文将Web日志挖掘应用于教学质量评估中，实践证明取得了较理想的效果。
参考文献
[1]王风琦等.网络教学评价体系的特征、模型及过程[J]现代远程教育研究，2006.
[2]黎孟雄.基于Web挖掘的远程教学质量跟踪系统设计[J].河南科技大学学报（自然科学版），2007.
[3]杨清莲等.Web挖掘技术及其在网络教学评价中的应用[J].南京工业大学学报，2005.