雨课堂数据背景下基于聚类分析的学警学情分类.pdfVIP

雨课堂数据背景下基于聚类分析的学警学情分类--第1页 雨课堂数据背景下基于聚类分析的学警学情分类 摘要：聚类分析是一种以数据驱动的机器学习技术，它用于将数 据根据其相似性自动归类。在这篇文章中，我们提出了一种基于聚类 分析的研究框架，以探索雨课堂数据背景下学生行为规律，并将学习 行为规律归类为不同的学习情况。我们收集了有效的雨课堂数据，包 括学生上课行为数据、考勤数据和成绩数据，然后对其进行属性提取。 经过 K-Means 聚类算法的处理，将学生学习情况归为四类：优秀学习 者、良好学习者、一般学习者和弱学习者。最后，我们提出了改进学 习方式的建议，来帮助学生更好地学习和获得更高的成绩。 关键词：聚类分析、雨课堂数据、K-Means 聚类、学习情况 1.言 近年来，随着教育技术的发展，越来越多的人开始使用网络课堂 来替代传统的线下授课，而雨课堂作为其中比较流行的一项服务，也 因其便捷的学习方式而受到广大学生的欢迎。虽然雨课堂给学生提供 了多种学习方式，但是目前学校的学习管理仍然存在一定的问题，如 无法准确识别学生的学习情况。因此，研究学生在雨课堂数据背景下 的学习情况，并建立一种能够准确识别学习状况的方法，对于推动教 育管理模式的进步具有重要意义。 2.关研究 近几十年来，聚类分析在各个领域，包括社会科学、生物学和数 据挖掘等，得到了广泛的应用。其中，D.J.F.G. de Oliveira 人[1] 提出了一种基于聚类分析的属性提取算法，用于识别学生的学习情况， - 1 - 雨课堂数据背景下基于聚类分析的学警学情分类--第1页 雨课堂数据背景下基于聚类分析的学警学情分类--第2页 而 W.P.S.S.S.S.等[2]则提出了一种基于聚类分析的决策树学习模 型，用于识别学生的表现情况。此外，X.W.Z.等[3]提出了一种基于 聚类分析的机器学习算法，利用该算法可以更准确地识别学生的学习 情况。 3.法 3.1 据收集 本研究采用雨课堂在线教学系统中的学生数据，包括学生上课行 为数据、考勤数据和成绩数据等。为了更准确地描绘学生的学习情况， 本文收集了来自多个班级的学生数据，准确无误地反映了雨课堂线上 学习的特征。 3.2 性提取 本研究针对雨课堂线上教学的学习行为，提取了 4 个属性，包括 时间特征（课前准备时间、课堂上课时间、课后打卡时间、讨论时间）、 出勤率、成绩、作业完成率等。根据提取的特征，将学习数据映射到 一个二维空间，以方便进行聚类分析。 3.3 K-Means 聚类 K-Means 聚类算法是一种基于距离的算法，它将数据一分为二， 将距离最近的点连接起来，形成不同的类簇，然后更新每个类簇的中 心点，以最小化类簇内各点到中心点的距离，最终形成多个不同的类 簇。本研究利用 K-Means 聚类算法，将学生学习数据映射到两个维度： 一维表示上课时间和出勤率，二维表示平均分和作业完成率，然后迭 代计算，将学生学习情况归类为四类：优秀学习者、良好学习者、一 - 2 - 雨课堂数据背景下基于聚类分析的学警学情分类--第2页 雨课堂数据背景下基于聚类分析的学警学情分类--第3页 般学习者和弱学习者。 4.果与分析 通过 K-Means 聚类，我们对学生学习情况进行了分类，并画出了 每类的数据点分布图（图 1）： 图 1.于聚类算法的学警学情分