基于聚類分析的網絡慕課結構化數據建模研究

仲英濟

（山東大學機械工程學院 山東·濟南 250061）

0 引言

慕課作為一種新型教育手段，已經日益受到重視。隨著慕課應用的發展，其不足之處也日益明顯。慕課開展過程中在線學生數量的增加會導致教師與學生人數的比例失衡、師生交互受限、個性化輔導不及時、慕課效率不高等一系列的問題[1]。傳統的改進措施是加強線下課程互動的比重，完善線下答疑制度，從而利用線下的方式緩解慕課系統互動性不足的矛盾[2][3]。但是，這種方法有悖于慕課的初衷，隨著慕課的大規模應用越來越明顯，這種線上線下結合的方式會大大降低授課效果。

慕課數據建?？梢詫⒔虒W理論與慕課技術有機結合，通過技術研發、教學實踐對慕課的各個功能模塊進行連接，使得課程的基本原理和概念能夠在慕課技術的支撐下轉化成具體的工程經驗[4]。

本文基于大數據分析理論和數據聚合分析原理，研究慕課技術模型和課程建模原理，深入分析慕課結構化數據的建模問題，為推動高等院校人工智能類慕課技術的發展提供理論依據和實踐方法。

1 慕課數據聚類分析的方法

由于慕課內容的多樣性，慕課數據的離散性特征非常明顯[5]。系統數據聚類分析技術可以較好的解決系統數據分散、數據特征不明顯、數據分類難以把握等問題。借助聚類分析技術優化慕課數據時，需要針對具體的慕課教學目標、課程內容、考試大綱等，構建慕課系統基本模型。具體而言，需要完成以下幾方面的工作：

（1）提取各種慕課數據的基本特征。針對慕課內容所涉及的各種數據類型，分別建立數據空間子集和功能子集，進而合成綜合數據集。使用數據聚類分析算法，生成課程數據特征子空間。根據課程具體內容對特征子空間進行組合，并滿足慕課的具體需求；

（2）基于慕課內容的可度量性對數據特征子空間進行選取?；谀秸n平臺中的具體數據，對能夠直接表征出課程知識框架的數據進行智能標識，形成知識框架數據子空間。采用數據篩選的方法來獲取機構化數據的特征向量，并基于數據聚類分析技術，形成數據匯聚趨勢圖。然后，結合數據匯聚趨勢圖對數據的可預測性進行計算，進而形成數據預測子空間；

（3）構建慕課數據聚類空間。針對慕課數據形態的復雜性，完善自動識別課程特征變量的機制，構建課程知識圖譜的基本模型。然后，將課程知識圖譜的基本模型嵌入數據預測子空間中，依據具體的課程內容調整該子空間不同維度的指標權重，進一步完善課程的數據應用。

以上各方面的工作完成之后，我們可以設置數據建模流程，將整套流程劃分為確定數據建模目標、明確數據類型、提取數據特征向量、結構化數據分層、數據初步建模、特征向量驗證、數據模型優化等幾個步驟。在確定數據建模目標、明確數據類型、提取數據特征向量這幾個步驟中，可以充分整合數據挖掘和數據聚類分析的優勢來搭建數據模型的雛形，將數據建模所需要的各個功能模塊進行歸納和提煉，突破單一數據建模主體力量不足的限制，解決單一數據建模結構單一、適用性差的問題。

2 結構化數據建模原理

基于以上的方法，我們可以借助結構化數據的特征對課程具體內容進行分析。

首先，我們利用慕課的具體知識框架搭建跨學科慕課技術體系，通過結構化數據分析的結果實現課程功能模塊之間的推理，進而實現慕課內容結構的重構。然后，基于結構化數據的特征向量提升慕課各個功能模塊的工作效率。通過課程數據模型和學科領域本體對慕課知識可能存在疑問的主題進行自動識別，完善數據的結構化特征。最后，明確慕課知識體系中的重要知識點與結構化數據之間的關系?；跀祿Ｋ碚鞒龅臄祿顟B空間特征，優化慕課各個功能模塊的工作流程和運行規律，構建結構化數據理論模型和慕課功能模塊應用模型，結合聚類分析方法為慕課的系統級優化方案提供理論支持。

需要注意的一點是，并非所有的慕課功能模塊都需要結構化數據模型的支持，因為在慕課系統的運行過程中，會有一部分數據是以非結構化數據的形態存在的。換言之，并非所有的慕課功能都可以通過結構化的優化流程來完善。但是，在高等院校所開設的慕課中，課程結構化數據所占比重較大，對相關數據進行聚類分析，并篩選出那些需要優化的模塊對于慕課平臺的平穩運行非常重要。

我們可以從慕課技術體系的過程數據入手，設計慕課運行預警系統。然后通過采集學生的行為數據，借助學科知識重點來判斷學生的知識掌握情況。具體問言，這種方法是基于慕課考試分數、答題正確率、分值百分比等標準化指標來進行慕課功能模塊綜合評價。

除了借助課程標準化指標，還可以通過慕課技術體系的數據相關性特征來明確慕課數據分類和課程內容側重點之間的關系，并對某一個聚類空間中的重點數據進行相關性運算，以實現數據空間特征的提取和慕課業務矢量聚合的目的。

為了達到實現數據空間特征的提取和慕課業務矢量聚合的目標，本文構建基于聚類分析的結構化數據模型。參照慕課數據聚類分析的基本方法，本文所構建的結構化數據模型由兩部分組成：模型核心控制部分和模型知識體系部分。前者主要包括課程原理、概念及其相關屬性，后者主要包括原理、概念之間的各種數學相關性的表征。慕課內容的核心原理與概念是以慕課教材及教學大綱為依據，由授課主體依據教學過程進行獨立標注。然后，將標注的課程數據進行分析和比較，重點針對數據特征不一致的部分進行分析和判斷，計算出數據間的相關性，為數據的歸一化提供數學指導。對于那些處于非核心位置上的數據對象，可以借助知識框架的基本結構對其各個組成部分進行標注，最終完善課程的整套知識體系。

慕課結構化數據建模的具體過程可以分解為如下三個步驟：

第一步，基于慕課知識體系中的所有知識主體，構建結構化數據的基礎分析體系，實現從數據聚類到知識聚類的轉變。選擇與知識重點相關性最大的那部分結構化數據搭建數據模型的底層邏輯，借助大數據分析平臺對所選擇的結構化數據進行預處理，形成重點知識數據子空間。

第二步，基于慕課體系中的非重點數據的形態和特點，完善系統的后臺支撐數據庫，并優化系統的整體數據處理能力。對整體數據做融合處理，借助數據融合所產生的非線性參數對知識框架進行分層建模，將分層后的結果反饋給慕課系統的相關功能模塊，實現慕課系統的非線性優化。

第三步，基于實際的慕課運行場景，抓取需要處理的課程主題數據類型，再借助知識框架分層模型的數據識別和處理優勢來進行課程綜合知識的專項建模與優化，最后構建起系統級的結構化數據模型。

通過以上三個步驟，我們可以構建起基于聚類分析的網絡慕課結構化數據模型，高校教師可以借助此模型優化慕課技術體系的分層結構，增強慕課系統業務數據的識別精確度，改進慕課系統的交互式性能，并提升慕課系統的工作效率。

3 結論與展望

慕課在高等教育中的應用，始于對高等教育教學發展規律的把握，終于對教師與學生互動性的建模和慕課技術體系的完善。若想達到這種層次，我們需要基于多學科的聯合研究，構建起清晰的慕課業務數據分類與預測路線圖，進而完善慕課的知識框架與理論體系?；跀祿垲惙治龅木W絡慕課結構化數據建模是實現這一目標的最佳選擇。本文所提出的新型基于數據聚類分析的網絡慕課結構化數據模型構建方法，可以顯著優化慕課技術體系的分層結構，有效增強慕課系統業務數據的識別精確度，改進慕課系統的交互式性能，并很好的提升慕課系統的工作效率。對該模型的充分使用，能夠有效提升我國高等教育教學慕課平臺的國際競爭力。