混合式培训中教师研修成绩的预测与应用研究
发布时间：2022-07-27 13:57
随着我国教育信息化的快速发展,信息技术应用水平的提高,各种教育数据快速增长,面对教育大数据,如何通过对教育数据进行分析,发现潜在的教育信息及教育规律,催生了学习分析技术及在教育领域进行数据挖掘的研究与应用。从目前的研究现状来看,对教育数据挖掘分析的研究正从概念层面走向分析与应用,在学业成绩预测和评价方面已经做了不少研究工作,但仍面临许多挑战。本研究通过构建基于学习行为的学业成绩预测模型,利用数据挖掘技术分析学习行为数据及学习成绩,为进一步进行优化学习过程提供数据支撑。本文应用数据挖掘的思想,以某地区中小学教师国家级培训计划（2016）-示范性网络研修与校本研修整合培训项目中参与培训的学员相关数据为研究对象,采用决策树,规则归纳,K-近邻,人工神经网络,朴素贝叶斯五种分类算法及线性回归算法构建预测模型,期望能为教师研修参与者及相关管理者提供决策支持。主要研究内容主要包括:（1）学业影响因素的选取,学业成绩影响因素的分析可以从多种视角考虑,比如从整个课程实施角度、学习者角度、教师角度等。在本研究中,主要从学习者角度出发,选取参与教师研修人员在教师研修平台上产生的行为数据及最终成绩构建学业成...
【文章页数】：65 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1. 绪论
1.1 研究背景
1.2 国内外研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 研究目的及意义
1.3.1 理论意义
1.3.2 实践意义
1.4 研究内容及组织结构
1.4.1 研究内容
1.4.2 论文组织结构
1.5 本章小结
2. 相关研究基础
2.1 学习分析技术概述
2.2 教育数据挖掘相关理论
2.2.1 数据挖掘概述
2.2.2 教育数据挖掘
2.2.3 数据挖掘过程
2.3 分类算法
2.3.1 决策树
2.3.2 直接规则归纳算法
2.3.3 K-近邻算法
2.3.4 人工神经网络算法
2.3.5 朴素贝叶斯算法
2.4 教师研修相关概述
2.5 本章小结
3. 教师研修中学习行为的数据采集与分析
3.1 数据采集
3.2 数据统计分析
3.2.1 数据分类
3.2.2 数据描述性统计分析
3.3 学习行为特征选择
3.4 学习行为与成绩相关分析
3.5 本章小结
4. 基于数据挖掘的学业成绩预测模型构建
4.1 基于决策树算法的学业成绩预测模型构建
4.1.1 基于决策树的学业成绩预测模型概述
4.1.2 基于决策树算法学业成绩预测模型构建
4.1.3 运行决策树模型并分析
4.2 基于直接规则归纳算法的学业成绩预测模型构建
4.2.1 基于直接规则归纳算法的学业成绩预测模型概述
4.2.2 基于直接规则归纳算法的学业成绩预测模型构建
4.2.3 运行模型及结果分析
4.3 基于人工神经网络的学业成绩预测模型
4.3.1 基于人工神经网络算法的学业成绩预测模型概述
4.3.2 基于人工神经网络算法的学业成绩预测模型构建
4.3.3 运行模型并分析
4.4 基于朴素贝叶斯算法的学业成绩预测模型
4.4.1 基于朴素贝叶斯算法的学业成绩预测模型概述
4.4.2 基于朴素贝叶斯算法的学业成绩预测模型构建
4.4.3 运行模型流程及结果分析
4.5 基于K近邻算法的学业成绩预测模型
4.5.1 基于K近邻算法的学业成绩预测模型概述
4.5.2 基于K近邻算法的学业成绩预测模型构建
4.5.3 运行模型及结果分析
4.6 基于线性回归算法的学业成绩预测模型构建
4.6.1 线性回归算法概述
4.6.2 基于线性回归算法的学业成绩预测模型构建
4.7 结论与建议
4.8 本章小结
5 学业成绩预测工具的设计与开发
5.1 选择学业成绩预测模型
5.2 成绩预测工具设计
5.3 成绩预测工具开发
5.3.1 开发平台
5.3.2 基于BP算法的人工神经网络python实现
5.3.3 图形用户界面python实现及程序打包发布
5.4 本章小结
6 总结与展望
6.1 论文总结
6.2 研究不足与展望
参考文献
致谢
【参考文献】：
期刊论文
[1]聚类分析在Web日志中的应用[J]. 张日如. 信息与电脑(理论版). 2019(02)
[2]K近邻分类算法的应用研究[J]. 皮亚宸. 通讯世界. 2019(01)
[3]人工神经网络发展历史与训练算法概述[J]. 彭驿茹. 科技传播. 2018(21)
[4]基于决策树模型的概念阐述及算法改进[J]. 曲诺. 中国新通信. 2018(21)
[5]数据挖掘常见分类算法比较分析[J]. 胡栋鹏,曾坚毅. 计算机产品与流通. 2018(08)
[6]基于Web数据挖掘的个性化留学信息推荐系统研究与应用[J]. 何俊,李慧颖. 信息与电脑(理论版). 2018(11)
[7]基于教育数据挖掘的学习者聚类分析与研究[J]. 石振强. 电脑知识与技术. 2018(06)
[8]混合式学习中预测学习绩效的教育大数据分析研究[J]. 韩艳敏,郑卫荣,张杨,黄燕青. 教育现代化. 2018(06)
[9]基于教育数据挖掘的在线学习者学业成绩预测建模研究[J]. 陈子健,朱晓亮. 中国电化教育. 2017(12)
[10]基于网络研修环境下的中小学教师培训[J]. 植旭源. 黑龙江教育学院学报. 2017(08)
本文编号：3665578
【文章页数】：65 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1. 绪论
1.1 研究背景
1.2 国内外研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 研究目的及意义
1.3.1 理论意义
1.3.2 实践意义
1.4 研究内容及组织结构
1.4.1 研究内容
1.4.2 论文组织结构
1.5 本章小结
2. 相关研究基础
2.1 学习分析技术概述
2.2 教育数据挖掘相关理论
2.2.1 数据挖掘概述
2.2.2 教育数据挖掘
2.2.3 数据挖掘过程
2.3 分类算法
2.3.1 决策树
2.3.2 直接规则归纳算法
2.3.3 K-近邻算法
2.3.4 人工神经网络算法
2.3.5 朴素贝叶斯算法
2.4 教师研修相关概述
2.5 本章小结
3. 教师研修中学习行为的数据采集与分析
3.1 数据采集
3.2 数据统计分析
3.2.1 数据分类
3.2.2 数据描述性统计分析
3.3 学习行为特征选择
3.4 学习行为与成绩相关分析
3.5 本章小结
4. 基于数据挖掘的学业成绩预测模型构建
4.1 基于决策树算法的学业成绩预测模型构建
4.1.1 基于决策树的学业成绩预测模型概述
4.1.2 基于决策树算法学业成绩预测模型构建
4.1.3 运行决策树模型并分析
4.2 基于直接规则归纳算法的学业成绩预测模型构建
4.2.1 基于直接规则归纳算法的学业成绩预测模型概述
4.2.2 基于直接规则归纳算法的学业成绩预测模型构建
4.2.3 运行模型及结果分析
4.3 基于人工神经网络的学业成绩预测模型
4.3.1 基于人工神经网络算法的学业成绩预测模型概述
4.3.2 基于人工神经网络算法的学业成绩预测模型构建
4.3.3 运行模型并分析
4.4 基于朴素贝叶斯算法的学业成绩预测模型
4.4.1 基于朴素贝叶斯算法的学业成绩预测模型概述
4.4.2 基于朴素贝叶斯算法的学业成绩预测模型构建
4.4.3 运行模型流程及结果分析
4.5 基于K近邻算法的学业成绩预测模型
4.5.1 基于K近邻算法的学业成绩预测模型概述
4.5.2 基于K近邻算法的学业成绩预测模型构建
4.5.3 运行模型及结果分析
4.6 基于线性回归算法的学业成绩预测模型构建
4.6.1 线性回归算法概述
4.6.2 基于线性回归算法的学业成绩预测模型构建
4.7 结论与建议
4.8 本章小结
5 学业成绩预测工具的设计与开发
5.1 选择学业成绩预测模型
5.2 成绩预测工具设计
5.3 成绩预测工具开发
5.3.1 开发平台
5.3.2 基于BP算法的人工神经网络python实现
5.3.3 图形用户界面python实现及程序打包发布
5.4 本章小结
6 总结与展望
6.1 论文总结
6.2 研究不足与展望
参考文献
致谢
【参考文献】：
期刊论文
[1]聚类分析在Web日志中的应用[J]. 张日如. 信息与电脑(理论版). 2019(02)
[2]K近邻分类算法的应用研究[J]. 皮亚宸. 通讯世界. 2019(01)
[3]人工神经网络发展历史与训练算法概述[J]. 彭驿茹. 科技传播. 2018(21)
[4]基于决策树模型的概念阐述及算法改进[J]. 曲诺. 中国新通信. 2018(21)
[5]数据挖掘常见分类算法比较分析[J]. 胡栋鹏,曾坚毅. 计算机产品与流通. 2018(08)
[6]基于Web数据挖掘的个性化留学信息推荐系统研究与应用[J]. 何俊,李慧颖. 信息与电脑(理论版). 2018(11)
[7]基于教育数据挖掘的学习者聚类分析与研究[J]. 石振强. 电脑知识与技术. 2018(06)
[8]混合式学习中预测学习绩效的教育大数据分析研究[J]. 韩艳敏,郑卫荣,张杨,黄燕青. 教育现代化. 2018(06)
[9]基于教育数据挖掘的在线学习者学业成绩预测建模研究[J]. 陈子健,朱晓亮. 中国电化教育. 2017(12)
[10]基于网络研修环境下的中小学教师培训[J]. 植旭源. 黑龙江教育学院学报. 2017(08)
本文编号：3665578
本文链接：https://www.wllwen.com/zhongdengjiaoyulunwen/3665578.html
