挖掘特色文化资源的方法范文

关键词：大数据；信息化导学平台；教育数据挖掘；登陆行为；资源浏览行为

中图分类号：TP311文献标识码：ADOI：10.3969/j.issn.10036199.2017.01.027

“稻萸动学校，分析变革教育”的大数据时代已经来临，利用教育数据挖掘技术和学习分析技术，构建教育领域相关模型，探索教育变量之间的相关关系，为教育教学决策提供有效支持将成为未来教育的发展趋势。“大数据”的出现，将掀起人类教与学的又一次变革。

1教育数据挖掘及其价值

教育数据挖掘是一个将来自各种教育系统的原始数据转换为有用信息的过程，这些有用信息可为教师、学生及其家长、教育研究人员以及教育软件系统开发人员所利用。[1]教育数据挖掘也可被看作是嵌入已有教育系统的一个新的模块，并与教育系统中的各种要素产生良性互动，最终实现改进教学的目的。[1]教育数据挖掘对于我们教育工作者来讲，教育数据挖掘的作用主要是向我们提供更多更客观的反馈信息，使我们能够更好地调整和优化教学策略、改进教学过程、完善课程开发，基于学习者的学习情况来实现教学内容组织、创新以及构建教学模式等。[2]根据数据挖掘的应用领域，可以将教育数据挖掘分为ELearning（教学）数据挖掘、EManagement（管理）数据挖掘和EResearch（科研）数据挖掘。而在ELearning（教学）数据挖掘领域.[3]本文，主要是从ELearning（教学）数据挖掘应用出发，基于我院的信息化导学平台日志数据，对学员的学习行为进行分析。

2学生在线学习行为分析教育数据挖掘模式构建

学习者在线学习行为分析主要是基于网络教学平台对师生学习过程的记录数据，针对行为主体（教师、学生）的行为方式（登陆、浏览资源、在线交流等）、行为客体（各类资源、网路课程模块等）的被使用情况以及行为发生时间进行统计、可视化和各类挖掘，并结合师生的特征数据对影响在线学习行为的因素进行挖据。

教育数据挖掘模式为完成特定挖掘任务而建，是多种数据挖掘工具和算法的集成应用。

教育数据挖掘模式由“数据挖掘工作”“工具与算法”以及“数据”三要素构成。[4]“工具与算法”为数据挖掘工作提供支撑，并产生相应的“数据”，如图1所示。这三个要素在时间上的展开将分别形成数据挖掘工作流、工具与算法流以及数据流。其中数据挖掘工作流包括数据收集、数据预处理、数据挖掘、模式解释评价与应用等环节。其中，学习过程数据挖掘模式用于学习过程及学习行为分析，其挖掘模式如图2所示。

其中，在数据挖掘工作流的核心环节，主要的数据挖掘任务有学习者登陆行为分析、学习资源浏览模式分析、学生行为影响因素分析等。

3基于信息化导学平台的学生学习行为影响因素分析

计算机基础课程信息化导学平台，是我院自行开发并已广泛投入使用的计算机类基础课程在线自主学习平台。该平台具有较强的交互性、开放性、跟踪性、反馈型，教学资源丰富多样[5]。学员通过该平台进行自主学习过程中会产生大量的各种日志数据，如学员的登陆行为数据信息、学员对各种资源的浏览情况的数据记录等。本文主要采用网络日志分析这一非反应性研究方法及相关分析、差异检验、聚类分析等数据挖掘方法，对学员的在线学习网络日志进行细致深入的分析，以探索学员在线学习行为的内在影响因素。

3.1数据采集与预处理

以15级学员为主，选取了学员的基本信息数据和在使用信息化导学平台时产生的登陆、资源浏览、学习体验等日志数据，以及学员在使用形成性考试平台时产生的考试数据，共四份数据。将这些数据导入数据库，形成四张数据表。这四张数据表的关联通过“学号”这一字段来建立。如图3所示。经过联合查询，对这四张数据表进行交集运算，取得这四张表中共有的学员，共1265名。然后将这1265名学员对应的基本信息数据、登陆数据、资源浏览数据和形成性测验数据作为分析对象，进行统计分析和数据挖掘。

3.2学员学习登陆行为描述与影响因素分析

在登陆行为数据表中，学生学号和登陆时间是两个主要字段。本文不以学生的登陆次数为计数单位，而是以某个时间单位的登陆人数来统计。如果以登陆次数来统计可能会由于个别学员的反复登陆而造成学员学习强大的假象。因此，本文主要以登陆时间“周”为分类字段统计学员的登陆率（登陆平台的人数除以学员总数）；以学号为字段统计每个学员的登陆天数。本文以2015年10月11日课程开学日所在周为第一周，该课程的持续周数15周。

（1）以时间段“周”为单位统计，发现学员群体学习的周期

对于学员个体而言，学习周期是不确定的。但是从教学这的角度来说，需要了解整个学员群体的学习周期，即通过登陆平台的记录，分析统计多长时间内整个学生群体都会登陆参与学习，以衡量群体在线学习开展的速度。作为教学者，需要了解，随着学习时间的推移，有多少学生不再来学习了，以衡量群体在线学习终止的速度。通过对每周累计登陆率的统计分析得到学员的学习周期，如图4所示。

可以看出，到第5周，有40%的学员参与了在线学习；第6周开始急剧增加；到最后一周，所有学员全部参与了在线学习。这说明，学员整体开展在线学习的速度是慢的，提醒教学者应该加以干预，如在第2周就应该督促学员登陆导学平台参与学习。作为教学者，也可以此为参考对教学资源在时间上进行合理分配。

（2）影响学员登陆行为的影响因素分析

Microsoft决策树算法由MicrosoftSQLServerAnalysisServices提供的分类和回归算法，用于对离散和连续属性进行预测性建模。对于离散属性，该算法根据数据集中输入列之间的关系进行预测。决策树根据向特定结果发展的趋势进行预测。对于连续属性，该算法使用线性回归确定决策树的拆分位置。该算法原理是：通过在树中创建一系列拆分来生成数据挖掘模型。这些拆分以“节点”来表示。每当发现输入列与可预测列密切相关时，该算法便会向该模型中添加一个节点。该算法确定拆分的方式不同，主要取决于它预测的是连续列还是离散列。为了提高效率，微软决策树采用了两层结构，在建树算法和数据库直接设立了一个数据挖掘中间件，如图5所示。

综合考虑学员的层次（本科、飞行员、士官）、专业、性别三种因素，本文采用Microsoft决策树算法构建挖掘结构和挖掘模型，对学员的登陆行为（以天数为衡量单位）影响因素进行分析。以层次、专业、性别为输入值，以登陆天数为预测值，建立如下图6所示的决策树。

其中的比例比为登陆天数“不少于5天”的学员与“少于5天”的学员的比例。通过分析结果可以看出，层次、专业、性别对登陆天数的影响程度是不一样的。层次影响最强，其次是专业，最后是性别。其中，飞行员、士官层次学员的登陆天数明显低于本科层次学员；飞行员和士官层次之间，飞行员的登陆天数要高于士官层次学员；而在某个层次内，如本科层次，不同的专业之间学员的登陆天数差别也有明显区别（由于保密原因，这里不便明确具体专业信息），而性别对登陆天数的影响最小。依据这些分析结果，教学者可以对不同层次、专业的学员在线学习行为进行合理的引导和调整。如对于本科层次内，不同专业之间的登陆行为之所以有较大差别，是因为不同的专业由不同的学员队进行管理、其专业指向性也有所不同，因此学员的学风有较大差别。学员管理者可以依据分析结果，对相应的学员队进行有针对性的加强管理，以提高其学习效果。

3.3学员资源浏览行为描述与影响因素分析

计算机基础课程信息化导学平台中的学习资源丰富多样。其中，课程包含了我院计算机基础类的所有通识课程，主要有《大学计算机基础》、《计算机程序设计》和《计算机硬件基础》三门课程；课程的教学资源一般按照案例、章节和知识点进行编排，资源类型有操作视频演示、Flas交互操作、类型丰富多样的测试题等。通过学员对各门课程以及课程中相应资源模块的浏览日志进行统计分析，以找到影响学员浏览行为的因素。统计分析结果如表1所示。

可以看出，从各资源模块的被使用程度和被学员的关注程度来看（主要通过“浏览频次”和“学生参与率”反映），由高到低依次是课程各章节案例库、视频资源区、Flas交互区、问题库、辅助资料库、常用软件工具库，这些恰好是这些资源模块在课程首页由上而下呈现的顺序。这说明各课程模块首页的布局反映了学员的学习习惯，也可能是这种布局对各资源模块的被使用程度产生了影响。对课程资源模块设计的指导意义在于，要使某种资源得到学员的关注，应将其置于相应课程模块首页的显著位置。

从学员对课程各资源模块的学习情况来看（主要通过“单个资源人均浏览频次”），由高到低依次是Flas交互区、问题库、课程各章节案例库、视频资源库、常用软件工具库、辅助资料库。学员对Flas交互区的学习程度最高的原因主要是，该模块采用动画以交互的方式让学员学会相应的操作，更能激发学员的学习兴趣，吸引学员反复学习。学员访问程度次高的是问题库，说明学员有较强的通过常见问题库来解答学习过程中各种疑问的需求。今后应该进一步丰富问题库，并将问题库的检索区域置于课程首页的显著位置，以便及时方便地解答学员的各种疑惑，帮助学员完成相应课程的学习。

4结论

本文通过对15级学员基于计算机基础信息化导学平台进行在线学习时产生的登录数据和资源浏览数据进行统计、挖掘分析，发现了学员在线学习行为的一些基本特点及其影响因素。从群体角度看，在线学习行为在时间的分布上相对均衡，以周为时间段第6、7周的学员登录率最高；从个体角度看，学员在线学习时间相对较少；影响学员在线学习时间投入的内在因素有层次、专业及性别等因素，其中层次因素是最重要的因素。相同层次的学员，不同专业之间的学员在线学习投入的主要影响因素是其专业，而这与其专业特点和所在学员管理队有较大关系；学员对不同资源的学习程度的不同主要取决于资源在课程页面上的分布、学习资源的特色及学员的自身需求，若想要某一类型的资源引起学员的足够重视，可以首先将其置于课程首页的显著位置，同时要基于学员的兴趣改进资源的特色等。

参考文献

[1]洪雪峰.教育数据挖掘下的学习效果探析[J].长沙铁道学院学报：社会科学版，2014（5）：196-198.

[2]BIENKOWSKIM，FENGM，MEANSB.EnhancingTeachingandLearningthroughEducationalDataMiningandLearningAnalytics：AnIssueBrief[M].Washington，D.C，2012.

[3]BAKERRSJ.DataMiningforEducation.InternationalEncyclopediaofEducation[M].3rded.Oxford，UK：Elsevier，2011.

[4]RAMASWAMIM，BHASKARAN，CHAIDRA.BasedPerformancePredictionModelinEducationalDataMining[J].IJCSIInternationalJournalofComputerScienceIssues，2010（1）：10-18.

[5]魏Q.基于“信息化导学平台”的翻转课堂教学模式[J].计算机教育，2016（2）：73-78.

挖掘特色文化资源的方法范文

阴山山脉横亘于我国内蒙古自治区中部，是内蒙古高原的腹地，阴山山脉座落于呼和浩特到包头一线北面。东西长1200多公里，南北宽50―100公里。由色狼山、色尔腾山、乌拉山、大青山、灰腾梁、桦山和大马群山等山体构成。对于阴山南靠黄河，北邻草原。相对内侧有河套平原、土默川平原。阴山区域自古以来就是北方游牧民族的发祥地，更是中华文化的北方源头。历史上先后有十几个少数民族在此繁衍生息。是北方黄河文明的重要支流。具有丰富的原生态文化渊源。

（一）阴山文化资源基础性价值的挖掘

当前“经济搭台，文化唱戏”。由此一些地方旗县的文化建设搞得轰轰烈烈。其根源就是围绕阴山本源文化的变向挖掘或整理。有一种文化本性自觉。其一，阴山区域文化是县域文化建设的“思想座”与“资源库”。西汉司马迁在《史记》中提到“北破林胡，楼兰。筑长城自代并阴山下，至高阙为塞”。阴山作为中原王朝和北方游牧民族政权的天然屏障，文人墨客由此吟咏的各种题材的作品，由此登上历史文化舞台。阴山区域文化由此开始辐射、衍生。汉乐府《饮马长城窟》写出了“驱马陟阴山，山高马不前，往问阴山侯，劲虏在燕然”。反映了阴山行军的艰难和为国杀敌立功的抱负。唐代诗人杨素在《出塞》诗中咏到“树塞偏易古，草衰恒不春。交河明月夜，阴山苦雾辰”。隋朝诗人虞世基在《出塞》诗中咏到：“穷秋塞草腓，塞外胡尘飞，征兵广武至，候骑阴山归”写出了边塞诗中戌边艰苦。由此可见，阴山区域文化，从源与流上是黄河文明的重要组成部分，更是当地历史百姓生活的文化基础，也是区域文化的源头活水。

（二）阴山区域文化和长城文化的交融

公元前212年，秦始皇派蒙恬率众北筑长城，在阴山山脉上修筑了秦长城。由此秦汉两代在阴山区域上演了惊天地泣鬼神的历史大剧。秦汉文化由此与匈奴文化进行交融互通。司马迁在《史记》中写到“治狱吏不直者，筑长城”。司马迁后来又说“蒙恬所为秦筑长城亭障，堑山堙谷，通直道，固轻百姓力矣”。长城修筑，人力物力财力的投入加强了中原文明的输出，促进了阴山地区的经济文化的发展，从而促进了社会文化融合。

今天，座落于包头市固阳县地区的长城遗迹明显可见。生活于其中的百姓，领略着“秦砖汉瓦”的容颜。唐边塞诗人王昌龄《出塞》“秦时明月汉时关，万里长征人未还。但使龙城飞将在，不教胡马度阴山”此时真实记录了唐代阴山地区山水人文情怀。北朝民歌《敕勒歌》曰：“敕勒川，阴山下，天似穹庐，笼盖四野，天苍苍，野茫茫，风吹草低现牛羊”。出色地描绘出阴山脚下辽阔的草原上水草丰美、牛羊遍野的丰足景象。映射着阴山区域文明的清新明快。由此可见，从秦汉以来，阴山地区正是多民族融合的地区，是农业文明与畜牧业文明的交汇地带，阴山地区长期以来是中原王朝与匈奴政权的交汇地。有“单于天将”“单于和亲”“千秋万岁”的作证。充分体现出阴山文化的源与流。阴山文化元素根植于百姓心中。

二、阴山文化资源的整理

如何挖掘整理阴山区域文化资源，从三个方面入手。

（一）了解调研。围绕阴山区域各旗县特点，由市一级政府牵头，组织文化部门调研。对旗县文化资源进行摸底、登记、归档、管理、整理。把当地文化资源，全部登记造册。做好文化资源的详尽记录。

（二）整理分类。在了解文化资源基础上，对阴山文化资源进行鉴别分类。比如分为物质文化资源和非物质文化资源。物质文化资源是静态化的，以物化状态作为存在方式。比如包头地区五当召，秦长城。非物质文化资源是动态化的，不是以固定的物化形态存在于世的文化资源。比如：土默川的二人台，蒙古民族的呼麦、马头琴，博客等。

（三）大力保护。阴山文化资源保护，一要明确主体，二要加大投入，三要制定法律法规，一定要以政府为保护主体，激发阴山文化的活跃因子。要加大人力、物力、财力投入，以更大的投入换取阴山文化资源文化保护及再生性。当地政府要制定相应的法律法规，完善制度保护政策。

三：阴山文化的利用

整合利用好阴山文化资源是一种再创造。笔者认为从以下方面参考：

（一）从阴山文化寻找地域特色。阴山文化有其精髓，但河套地区，土默川平原地区，固阳等地区有共同文化基础，又有不同小地区文化特色。阴山文化的整合利用要集思广益，发动能人，尤其是非物质文化传承人。又要注意寻找阴山文明自己具有鲜明地域特色和个性特点的文化形象。避免出现“千人一面”的局面。

挖掘特色文化资源的方法范文篇3

网络信息的数据挖掘不仅包括对网页内容本身的挖掘，也包括其链接模式，以及用户访问、存取、浏览、、操作等操作行为、访问行为所产生的信息的挖掘。有效地研究、挖掘、利用网络信息可以增强网站的吸引力，有的放矢地吸引用户群，更有效地利用网络资源。

一、网络信息资源及其特点

网络信息资源是指放置在英特网上能满足人们信息需求的信息集合。网络信息资源极其丰富，包罗万象，其内容涉及农业、生物、化学、数学、天文学、航天、气象、地理、计算机、医疗和保险、历史、法律、音乐和电影等几乎所有专业领域，是知识、信息的巨大集合，是人类的资源宝库。网络信息资源是一种新型数字化资源，与传统文献相比有较大的差别。网络信息资源具有一下特点：

1、数量大，类型多传播范围广。网络信息类型多样，有文本、数据、图像、图形、声频、视频信息、多媒体信息等；内容既有高质量的信息，也有有害信息和虚假信息，有个人信息也有在政府信息。最为特殊的是各种非正式信息被广泛生产与传播。

2、网络信息资源没有统一的管理机制，信息安全缺乏保障。黑客攻击、计算机病毒和色情泛滥成为网络的三大痼疾。为防止有害信息耗费了大量的社会资源。

3、网络信息资源分布零乱无序，信息更新快，寿命短，管理相对困难。信息自由，来源广泛，内容混杂，质量不一，控制也比较困难。

4、以网站为信息活动的单位，以网页为信息和收集的单元。

5、信息利用水平取决于网站软硬件的技术水平和服务能力，网络信息提供方式是以网站为基点并可在网站间灵活链接的信息服务网。

6、网络创造了多层次的信息交流模式，全面反应了社会生活的各个领域，形成了百科全书式的知识网络和传播功能。

二、数据挖掘的语言

数据挖掘语言有助于数据挖掘系统平台的标准化，推动数据挖掘应用的发展。数据挖掘语言根据功能和侧重点的不同，可分为三种类型：数据挖掘查询语言、数据挖掘建模语言、通用数据挖掘语言。

（一）数据挖掘查询语言dmql

数据挖掘查询语言dmql由数据挖掘原语组成。数据挖掘原语用来定义一个数据挖掘任务，通过查询的方式实现与数据挖掘系统通信，获得所需信息。数据挖掘查询语言dmql主要有五种基本的数据挖掘原语定义：任务相关数据原语、被挖掘的知识的种类原语、背景知识原语、兴趣度测量原语、被发现模式的表示和可视化原语。dmql是基于这五种数据挖掘原语设计的查询式语言，类似于sql语言的语法，因此很容易与sql关系查询语言集成，很容易从关系数据库中挖掘知识信息。msql是另一个数据挖掘查询语言，由imielinski和virmani提出。它使用了类似于sql的语法和sql原语，为了规范规则产生和规则选择，提出了被称作getrule和selctrule的原语。

（二）数据挖掘建模语言pmml

数据挖掘建模语言pmml全称预言模型标记语言（predictivemodelmarkuplanguage），是对数据挖掘模型进行描述和定义的语言，使数据挖掘系统在模型定义和描述方面有法可依，各种数据挖掘系统可以共享模型，又可以在应用程序系统中间嵌套数据挖掘模型，不需要独自开发，就能使数据挖掘达到深度挖掘的目的。预言模型标记语言pmml是一种基于xml的数据挖掘建模语言，利用xml描述和存储数据挖掘模型，使用标准的xml解析器对pmml解析，可以得到预计的输入和输出数据类型。pmml2.0主要由：标题（header）、数据字典（datadictionary）、数据流（dataflow）、挖掘模型（miningschema）、数据转换（derivedvalues、statistics、taxonomy、normalization）、预言模型（treemodel、naivebayes、generalregression、regressionmodel、sequences、generalstructure、asscocationrules、neuralnetwork、centeranddistributionbasedclustering）、模型组合定义（ensemblesofmodels）、选择和联合模型和模型组合的规则（rulesforselectingandcombiningmodelsandensemblesofmodels）、异常处理的规则（rulesforexceptionhandling）等九个部分组成。对于复杂的数据挖掘任务，由多个数据源和数据挖掘模块，需要在各个模块之间交换结果，预言模型标记语言pmml的主要组成部分拥有这种灵活的模型交换能力和数据格式转换能力，并实现模型与数据和工具部分分离。因pmml是基于xml的数据挖掘建模语言，适合部分学习、元学习、分布式学习的数据挖掘应用程序。

（三）通用数据挖掘语言oledbfordm

通用数据挖掘语言oledbfordm是2000年3月微软公司推出的一个数据挖掘语言，目的是为数据挖掘行业提供一个业界标准。oledbfordm综合了数据挖掘查询语言dmql和数据挖掘建模语言pmml的特点，既能定义模型，又能作为查询语言与数据挖掘系统通信，进行交互的和特殊的数据挖掘，实现了数据与模型真正分离。oledbfordm是一种基于sql预言的协议，扩充了sql语言语法，可以轻松地与关系型数据库集成，可以将不同的数据挖掘算法嵌入数据挖掘应用程序。oledbfordm为了更接近关系型数据库结构，定义了几个重要的概念。