基于数据挖掘技术的资源型学习

《基于数据挖掘技术的资源型学习》由会员分享，可在线阅读，更多相关《基于数据挖掘技术的资源型学习（5页珍藏版）》请在金锄头文库上搜索。

1、基于数据挖掘技术的资源型学习 基于数据挖掘技术的资源型学习 西南财经大学现代教育技术中心 CAI 部 庞先伟 成都 610074 摘 要：摘 要：数据挖掘技术是一个正在迅速发展的新兴领域，受到社会各界的重视。再现今的应用中，数据 挖掘技术主要用于商业、军事、工业等领域的决策应用。在本文中，我们将通过对数据挖掘技术、知识发 现、资源型学习的认识来讨论一种基于数据挖掘技术的资源型学习。 关键词关键词：数据挖掘; 知识发现, 资源型学习 随着社会的进步，人类进入到知识爆炸的信息时代。让我们来看一些身边俯拾即是的 现象：纽约时报由 60 年代的 1020 版扩张至现在的 100200 版，最高曾达 1

2、572 版；北京青年报也已是 1640 版；市场营销报已达 100 版。然而在现实中，人均日 阅读时间通常为 3045 分钟，只能浏览一份 24 版的报纸。在互连网 Web 上，有统计数据 表明，在 1999 年 2 月，互连网上大约有 28 万台服务器，存储了近 8 亿个页面，信息量高 达 15 Tb。 在面对信息海洋的学习环境中，传统教与学的方法和模式就明显变的力不从心了。信 息和知识的爆炸性膨胀，任何一个人都必须不断的更新知识，以求跟上时代的进步。纵向 而言，今天的“专家”如果不更新知识，明日以不复为专家。横向而言，人的接受能力、 信息存储量毕竟有限，浸没在知识海洋的人，纵然有象海绵般的

3、吸收能力，能吸入的也只 是汪洋大海的一小瓢。教师不可能再是学科专家向学生提供现成的信息，仅仅以学校模式 中课本为主要信息资源的学习环境已不再存在。现在的学生每天都要接受的大量信息的冲 击。大量信息在给学习带来方便的同时也带来信息过量、难以消化、真假难辨、形式不 一，难以统一处理等问题。人们很早就开始考虑：“如何才能让学生不被信息淹没，而是 从中及时发现有用的知识、提高信息利用率？” 一、 资源型学习（一、 资源型学习（RBL） ） 1、资源型学习 1、资源型学习 常说的资源型学习就是学生借助与各种学习资源进行相互作用来开展学 习。常用 的学习资源有：课本、书、字典、图表（Diagrams）、文

4、件（Documents）、杂志 、海报 （Posters）、图画 、图片、画/复制品（Reproductions）、图集（Atlases）、照片、 展品（Displays ）、玩具、游戏、地图、缩微胶卷、模型、乐器、报纸、人、宠物/动 物、木偶、教具、录音带、幻灯片、电影、动画片、电视节目、录象、CD-ROM 百科全书、 计算机教学软件、多媒体工具包（Multi-Media Kits）、网络等。在学习中学生利用这些 资源获取信息，资源在这里更多成分是信息媒体的作用，强调的是多方面多角度的信息获 取，而不涉及更进一步的信息处理和学生信息素养（Information Literacy）的问题。因

5、此只是成熟的媒体教学观。 2、资源型学习与探究训练教学 2、资源型学习与探究训练教学 资源型学习也与探究训练教学模式密切相关。该模式最先由 Suchman （1962 年）提出。他基于这样一个基本想法：科学家用来解决与探究未知领域得方法应该 教给学生。Suchman 深信，独立学习与主动参与学习是至关重要得学习品质。当学生对所 呈现得问题 抱有极大的兴趣时学习效果最好。这种训练也为学生处理各种发生在日常生 活与工作环境中解决问题作了恰当的准备。 一般说来，在探究式训练中，教师呈现给学生的是一个问题或一个疑难情境，学生必 须对这个问题或疑难情境予以分析。教师只回答“是”或“不是”，对问题不给予直

6、接的 解释。学生根据问题收集资料信息，并找出问题的答案，在材料收集的基础上对信息加以 分析与解释，然后提交讨论。探究训练主要强调的是过程，但知识内容的同化也是预期的 结果之一。这种观点强调的是独立自主的学习方式。 Gunter 等人（1995 年）指出，在进行探究式训练中，可以采用求同法或求异法。在 求同过程中，教师引导学生由问题得出一个预定的答案。例如，学生需要知道植物是如何 利用光来制造食物的。此时会有很多资料能用来解释光合作用的过程，但这个问题只有一 个基本答案。如果呈现给学生的问题能够导致几种合理的答案，这就表明教师采用的是一个求异的过程。例如，在学习了光合作用后，呈现给学生一张图片，

7、图片上是某种类的植 物在黑暗中生长，这个疑难情境中提供的新信息将引发学生重新评价原有的假设。当学生 寻求答案是，可能会对这一新现象作出几种解释。在开始的时候用求同过程，随着学生对 这一过程的不断适应，再采用累进的求异过程是很有效的。探究型资源学习引导学生经过 一个探究的过程，强调运用丰富多彩的资源去解决问题，已经开始注意培养学生使用资源 的方法。但是在信息时代，这种资源型学习模式也不能使教学立即变的容易起来，因为那 时的资料不仅仅是有某种类的植物在黑暗中生长这个疑难情境，甚至还有不需要 CO2存在 都可以生活的各种细菌等等其他影响学生找出正确结果的因素。 3、资源型学习与信息素养(Inform

8、ation Literacy) 3、资源型学习与信息素养(Information Literacy) 要取得资源学习的真正成功，教师重在教给学生如何查找、收集、分析和交流信息的 能力。学校培养学生的不仅仅是读写算的基本技能，而是培养其终身学习的技能，这种技 能就是信息素养，即是学生必须能够确定何时需要信息，并且具有检索、评价和有效使用 所需要信息的能力。 达到培养信息时代学生和多种信息资源进行交互学习能力的途径之一就是运用资源型 学习。当学生使用大量资料进行探究他们课程上规定的问题时，他们的学习变的更加积极 且效果显著。教师们和图书管理员在学习的过程中是成为督促者和服务人员， 并且提供 起始的

9、题目促使学生寻求信息并且有创造性的去解答问题。培养学生信息素养资源型学习 的特征是： （1）让学生积极接触多种资源(书,刊物,报纸,多媒体,网,社区,人等)，使学生们 能获得自己感兴趣探究题目。 （2）学生必须从大量的资源中进行寻找、归类、处理等工作找到问题的解决方 案。 （3）学会在哪儿寻找信息。 （4）学会怎样作笔记记录信息。 （5）学会怎么评估信息。 （6）学会怎么用信息查找过程评定他们的成功。 （7）鼓励和指导学生进行信息查找，增加了学生对信息的把握能力， 当完成一个 目标时，要强化收集信息模式的学习。 （8）学习的目的是形成学生使用信息工具解决问题够建知识的能力。 （9）学生们的信息

10、素养要在从资源中寻求答案的过程中得到锻炼。 从以上信息时代资源型学习的特征可以看出，在这里更多的要求学生对信息技术的学 习，要对信息处理过程有较高的要求才能掌握和使用好资源型学习方法。新的资源型学习 是学生主动型学习，学生始终主动探索、主动思考、主动选择运用信息工具与信息资源。 学生从广泛的信息资源中获取资源，然后按任务要求利用信息工具分析处理这些，最终通 过协作，交流、讨论来解决问题，完成学习。贯穿这一过程的重点就是信息处理技术的运 用，尤其是在大量资源淹没的环境中，对数据信息处理的能力将直接影响学习的效果。在 下面，我们将关注一种近年来广受计算机专家和教育学家关注的技术数据开采和知识 发现

11、（DMKD），讨论它的出现对我们资源型学习的帮助和影响。 二、 知识发现(KDD)和数据挖掘（DM）知识发现(KDD)和数据挖掘（DM） 1、数据挖掘的产生 1、数据挖掘的产生 随着数据库技术的迅速发展以及数据库管理系统的广泛应用，人们积累 的数据 越来越多。激增的数据背后隐藏着许多重要的信息，目前的数据库系统可以高效地实现数 据的录入、查询、统计等功能，但无法发现数据中存在的关系和规则，无法根据现有的数 据预测未来的发展趋势。缺乏挖掘数据背后隐藏的知识的手段，导致了“数据爆炸但知识 贫乏“的现象。用数据库管理系统来存储数据，用机器学习的方法来分析数据，挖掘大量 数据背后的知识，这两者的结合促

12、成了数据库中的知识发现（KDD：Knowledge Discovery in Databases）的产生。 2、数据挖掘的定义及含义 2、数据挖掘的定义及含义 数据挖掘（Data Mining）就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的 过程。与数据挖掘相近的同义词有数据融合、数据分析和决策支持等。数据挖掘实际是一 种新的信息处理技术，其主要特点是对数据库中的大量数据进行抽取、转换、分析和其他 模型化处理，从中提取辅助决策的关键性数据。简而言之，数据挖掘其实是深层次的数据 信息分析方法。 3、数据挖掘与传统分

13、析方法的区别3、数据挖掘与传统分析方法的区别 数据挖掘与传统的数据分析(如查询、报表、联机应用分析)的本质区别是 数据挖掘是在没有明确假设的前提下去挖掘信息、发现知识。数据挖掘所得到 的信息应具有先未知,有效和可实用三个特征，先前未知的信息是指该信息是预 先未曾预料到的。数据挖掘是要发现那些不能靠直觉发现的信息或知识,甚至是 违背直觉的信息或知识,挖掘出的信息越是出乎意料,就可能越有价值。在商业应用中最典 型的例子就是一家连锁店通过数据挖掘发现了小孩尿布和啤酒之间有着惊人的联系。 4、数据挖掘常用技术 4、数据挖掘常用技术 神经网络：仿照生理神经网络结构的非线性预测模型，通过学习进行模式识别。

14、 决策树：代表着决策集的树形结构。 遗传算法：基于进化理论，并采用遗传结合、遗传变异、以及自然选择等设计方法的优化 技术。 近邻算法：将数据集合中每一个记录进行分类的方法。 规则推导：从统计意义上对数据中的“如果-那么”规则进行寻找和推导。 采用上述技术的某些专门的分析工具已经发展了大约十年的历史，不过这些工具所面 对的数据量通常较小。而现在这些技术已经被直接集成到许多大型的工业标准的数据仓库 和联机分析系统中去了。 5、数据挖掘的流程 5、数据挖掘的流程 据挖掘基本过程和主要步骤内容如下: 数据挖掘过程的步骤 A.明确目的数据挖掘过程的步骤 A.明确目的 在进行数据挖掘工作前，要清楚地知道数

15、据挖掘的目标。事先明确挖掘的业务目标， 确定达到目标的评价方法，这将大大减少挖掘工作的难度和挖掘量，否则，就很难获得数 据挖掘的利益。 B.选择数据 B.选择数据 建立了挖掘目标后，为实现这个目标选择数据。这些数据可能是数据仓库或数据市场 的子集，也可能是各个联机事务处理系统中的数据。数据可能存在重名、错误、格式不一 致等问题，因此在挖掘前要增强数据的质量，以保证给数据挖掘工具提供正确的数据。 在选择数据的时候，要围绕目标仔细的确定数据范围，数据分割的范围要尽可能的利 于进行挖掘 。数据量不能过大，但又要丰富。而且数据要能准确的反应原来的数据的属 性。 C.准备数据 C.准备数据 逻辑 数据

16、库逻辑 数据 库 被选 择的 数据被选 择的 数据 被转 换的 数据被转 换的 数据被抽取 的信 息被抽取 的信 息 被同 化的 知识被同 化的 知识 选择选择 预处理预处理 转换转换 挖掘挖掘 分析同化分析同化 预处预处 理后理后 的数的数 据据 分析数据要将不同数据转换成适合分析的格式。将收集到大量数据用合适的工具将其 格式换成适用的格式。并考虑建立用户数据库输入接口。用以补充数据、修改数据、删除 数据、过滤数据。 D.审计数据 D.审计数据 分析数据结构是否适合挖掘，以及适合挖掘的工具。数据的质量和被组织的结构对知 识发现的结果有致命的影响，因此在挖掘之前应对自己已有的数据有一个全面深刻的理 解。 E.选择工具 E.选择工具 根据你的挖掘目的和你的数据结构选择适当的数据开采工具，有时两者都支持选择的 同一工具，这最好。但更多的时候，他们支持不同的工具，这时需要权衡数据范畴、操作 平台支持 ODBC 等因素选择。在挖