隨著我國教育信息化的快速發(fā)展,信息技術(shù)應(yīng)用水平的提高,各種教育數(shù)據(jù)快速增長,面對教育大數(shù)據(jù),如何通過對教育數(shù)據(jù)進行分析,發(fā)現(xiàn)潛在的教育信息及教育規(guī)律,催生了學(xué)習(xí)分析技術(shù)及在教育領(lǐng)域進行數(shù)據(jù)挖掘的研究與應(yīng)用。從目前的研究現(xiàn)狀來看,對教育數(shù)據(jù)挖掘分析的研究正從概念層面走向分析與應(yīng)用,在學(xué)業(yè)成績預(yù)測和評價方面已經(jīng)做了不少研究工作,但仍面臨許多挑戰(zhàn)。本研究通過構(gòu)建基于學(xué)習(xí)行為的學(xué)業(yè)成績預(yù)測模型,利用數(shù)據(jù)挖掘技術(shù)分析學(xué)習(xí)行為數(shù)據(jù)及學(xué)習(xí)成績,為進一步進行優(yōu)化學(xué)習(xí)過程提供數(shù)據(jù)支撐。本文應(yīng)用數(shù)據(jù)挖掘的思想,以某地區(qū)中小學(xué)教師國家級培訓(xùn)計劃（2016）-示范性網(wǎng)絡(luò)研修與校本研修整合培訓(xùn)項目中參與培訓(xùn)的學(xué)員相關(guān)數(shù)據(jù)為研究對象,采用決策樹,規(guī)則歸納,K-近鄰,人工神經(jīng)網(wǎng)絡(luò),樸素貝葉斯五種分類算法及線性回歸算法構(gòu)建預(yù)測模型,期望能為教師研修參與者及相關(guān)管理者提供決策支持。主要研究內(nèi)容主要包括:（1）學(xué)業(yè)影響因素的選取,學(xué)業(yè)成績影響因素的分析可以從多種視角考慮,比如從整個課程實施角度、學(xué)習(xí)者角度、教師角度等。在本研究中,主要從學(xué)習(xí)者角度出發(fā),選取參與教師研修人員在教師研修平臺上產(chǎn)生的行為數(shù)據(jù)及最終成績構(gòu)建學(xué)業(yè)成... 

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1. 緒論
    1.1 研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
    1.3 研究目的及意義
        1.3.1 理論意義
        1.3.2 實踐意義
    1.4 研究內(nèi)容及組織結(jié)構(gòu)
        1.4.1 研究內(nèi)容
        1.4.2 論文組織結(jié)構(gòu)
    1.5 本章小結(jié)
2. 相關(guān)研究基礎(chǔ)
    2.1 學(xué)習(xí)分析技術(shù)概述
    2.2 教育數(shù)據(jù)挖掘相關(guān)理論
        2.2.1 數(shù)據(jù)挖掘概述
        2.2.2 教育數(shù)據(jù)挖掘
        2.2.3 數(shù)據(jù)挖掘過程
    2.3 分類算法
        2.3.1 決策樹
        2.3.2 直接規(guī)則歸納算法
        2.3.3 K-近鄰算法
        2.3.4 人工神經(jīng)網(wǎng)絡(luò)算法
        2.3.5 樸素貝葉斯算法
    2.4 教師研修相關(guān)概述
    2.5 本章小結(jié)
3. 教師研修中學(xué)習(xí)行為的數(shù)據(jù)采集與分析
    3.1 數(shù)據(jù)采集
    3.2 數(shù)據(jù)統(tǒng)計分析
        3.2.1 數(shù)據(jù)分類
        3.2.2 數(shù)據(jù)描述性統(tǒng)計分析
    3.3 學(xué)習(xí)行為特征選擇
    3.4 學(xué)習(xí)行為與成績相關(guān)分析
    3.5 本章小結(jié)
4. 基于數(shù)據(jù)挖掘的學(xué)業(yè)成績預(yù)測模型構(gòu)建
    4.1 基于決策樹算法的學(xué)業(yè)成績預(yù)測模型構(gòu)建
        4.1.1 基于決策樹的學(xué)業(yè)成績預(yù)測模型概述
        4.1.2 基于決策樹算法學(xué)業(yè)成績預(yù)測模型構(gòu)建
        4.1.3 運行決策樹模型并分析
    4.2 基于直接規(guī)則歸納算法的學(xué)業(yè)成績預(yù)測模型構(gòu)建
        4.2.1 基于直接規(guī)則歸納算法的學(xué)業(yè)成績預(yù)測模型概述
        4.2.2 基于直接規(guī)則歸納算法的學(xué)業(yè)成績預(yù)測模型構(gòu)建
        4.2.3 運行模型及結(jié)果分析
    4.3 基于人工神經(jīng)網(wǎng)絡(luò)的學(xué)業(yè)成績預(yù)測模型
        4.3.1 基于人工神經(jīng)網(wǎng)絡(luò)算法的學(xué)業(yè)成績預(yù)測模型概述
        4.3.2 基于人工神經(jīng)網(wǎng)絡(luò)算法的學(xué)業(yè)成績預(yù)測模型構(gòu)建
        4.3.3 運行模型并分析
    4.4 基于樸素貝葉斯算法的學(xué)業(yè)成績預(yù)測模型
        4.4.1 基于樸素貝葉斯算法的學(xué)業(yè)成績預(yù)測模型概述
        4.4.2 基于樸素貝葉斯算法的學(xué)業(yè)成績預(yù)測模型構(gòu)建
        4.4.3 運行模型流程及結(jié)果分析
    4.5 基于K近鄰算法的學(xué)業(yè)成績預(yù)測模型
        4.5.1 基于K近鄰算法的學(xué)業(yè)成績預(yù)測模型概述
        4.5.2 基于K近鄰算法的學(xué)業(yè)成績預(yù)測模型構(gòu)建
        4.5.3 運行模型及結(jié)果分析
    4.6 基于線性回歸算法的學(xué)業(yè)成績預(yù)測模型構(gòu)建
        4.6.1 線性回歸算法概述
        4.6.2 基于線性回歸算法的學(xué)業(yè)成績預(yù)測模型構(gòu)建
    4.7 結(jié)論與建議
    4.8 本章小結(jié)
5 學(xué)業(yè)成績預(yù)測工具的設(shè)計與開發(fā)
    5.1 選擇學(xué)業(yè)成績預(yù)測模型
    5.2 成績預(yù)測工具設(shè)計
    5.3 成績預(yù)測工具開發(fā)
        5.3.1 開發(fā)平臺
        5.3.2 基于BP算法的人工神經(jīng)網(wǎng)絡(luò)python實現(xiàn)
        5.3.3 圖形用戶界面python實現(xiàn)及程序打包發(fā)布
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 研究不足與展望
參考文獻
致謝


【參考文獻】：
期刊論文
[1]聚類分析在Web日志中的應(yīng)用[J]. 張日如.  信息與電腦(理論版). 2019(02)
[2]K近鄰分類算法的應(yīng)用研究[J]. 皮亞宸.  通訊世界. 2019(01)
[3]人工神經(jīng)網(wǎng)絡(luò)發(fā)展歷史與訓(xùn)練算法概述[J]. 彭驛茹.  科技傳播. 2018(21)
[4]基于決策樹模型的概念闡述及算法改進[J]. 曲諾.  中國新通信. 2018(21)
[5]數(shù)據(jù)挖掘常見分類算法比較分析[J]. 胡棟鵬,曾堅毅.  計算機產(chǎn)品與流通. 2018(08)
[6]基于Web數(shù)據(jù)挖掘的個性化留學(xué)信息推薦系統(tǒng)研究與應(yīng)用[J]. 何俊,李慧穎.  信息與電腦(理論版). 2018(11)
[7]基于教育數(shù)據(jù)挖掘的學(xué)習(xí)者聚類分析與研究[J]. 石振強.  電腦知識與技術(shù). 2018(06)
[8]混合式學(xué)習(xí)中預(yù)測學(xué)習(xí)績效的教育大數(shù)據(jù)分析研究[J]. 韓艷敏,鄭衛(wèi)榮,張楊,黃燕青.  教育現(xiàn)代化. 2018(06)
[9]基于教育數(shù)據(jù)挖掘的在線學(xué)習(xí)者學(xué)業(yè)成績預(yù)測建模研究[J]. 陳子健,朱曉亮.  中國電化教育. 2017(12)
[10]基于網(wǎng)絡(luò)研修環(huán)境下的中小學(xué)教師培訓(xùn)[J]. 植旭源.  黑龍江教育學(xué)院學(xué)報. 2017(08)



本文編號：3665578