改进的聚类算法在现代教育技术混合式教学中的应用_宗春梅.pdf

第 43 卷 第 2 期 高 师 理 科 学 刊 Vol.43 No.2 2023 年 2 月 Journal of Science of Teachers College and University Feb.2023 文章编号：1007-9831（2023）02-0080-05 改进的聚类算法在现代教育技术 混合式教学中的应用 宗春梅，赵青杉，郝耀军，裴春琴（忻州师范学院 计算机系，山西 忻州 034000）摘要：混合式教学打破了教学中空间上的限制，在教学中发挥着重大作用将成熟的线下教学流程通过网络资源建设形成同等教学效果的线上课程资源的可拓展、易获取、复观摩等特性将使课程资源更适合学生进行自驱式研究学习，强化学生知识获取能力以研究线上线下混合式教改效果为目的，在深入研究聚类算法的基础上，提出一种改进的 k-means 算法，并将其运用到现代教育技术课程的教学方法改进中在大数据的环境下，通过实验对学生学习行为模式进行挖掘，从而及时详细地理解学生的学习状态，准确判断学生的学习行为，从而优化教学，以此对改进后的教学做出评价及建议数据分析结果可根据学习行为习惯划分出不同类型的学生，从而指导教师进行更有针对性地改进教学方案，提高教学质量，有利于混合式教学的长远发展 关键词：现代教育技术课程；改进的 k-means 算法；混合式教学；数据挖掘 中图分类号：TP391G642.0 文献标识码：A doi：10.3969/j.issn.1007-9831.2023.02.017 Application of improved clustering algorithm in blended teaching of modern educational technology course ZONG Chunmei，ZHAO Qingshan，HAO Yaojun，PEI Chunqin（Department of Computer，Xinzhou Teachers University，Xinzhou 034000，China）AbstractAbstract：Blended teaching breaks the space limitation and plays an important role in teachingThe mature offline teaching process will be formed into an online course with the same teaching effect through the construction of network resources The characteristics of expand ability，easy access and repeated observation of resources will make the course resources more suitable for students to conduct self driven research and learning，and strengthen students knowledge acquisition abilityIn order to study the effect of online and offline hybrid teaching reform，an improved k-means algorithm is proposed and applied to the improvement of teaching methods based on the in-depth study of clustering algorithm of modern educational technology courseIn the environment of big data，students learning behavior patterns are mined through experiments，so as to understand students learning status in time and in detail，accurately judge students learning behavior and optimize teaching，so as to make evaluation and suggestions on teachers improved teachingThe results of data analysis can be divided into different types of students according to their learning habits，so as to guide teachers to improve more targeted teaching programs and improve teaching quality，which is conducive to the long-term development of hybrid teaching 收稿日期：2022-07-17 基金项目：2021 年山西省高等学校教学改革创新项目（J2021567）；2021 年忻州师范学院教学改革创新项目（JGYB202127）作者简介：宗春梅（1977-），女，山西忻州人，副教授，硕士，从事深度学习及教学方法研究E-mail： 第 2 期 宗春梅，等：改进的聚类算法在现代教育技术混合式教学中的应用 81 Key wordsKey words：modern educational technology course；improved k-means algorithm；blended teaching；data mining 近年来，信息技术与传统教学的深度融合已成为教育教学改革的着力点线上线下混合式教学模式以学生为中心1，以教师启发式讲授为主2，课堂首末加入适量混合式教学环节，如问卷、测试等，从而及时、精准地获取教学效果、教学需求等，使课堂教学根据学生需求进行推进在近几年的教学创新探索、实施过程中，感受到了“线上线下并行教学”的优势因此，有必要对课程教学方式进行创新无论采用何种教学方式，根本问题是要解决好“教”和“学”的问题这一问题的解决最切实可行的方法是将线上、线下教学融合 通过强化教师资源管理合理化、课堂流程科学化、师生互动随时化及测评方式丰富化等手段，让改革后的课堂成为学生学习的“多元化”舞台在教学方式改进的摸索阶段，对于成绩进行聚类研究可以比较准确地反映出学生的学习状态针对学生的多重线上和线下的资源学习行为数据进行科学实证的整合分析研究，为混合式课堂教学创造出了良好的参考价值，这有利于教师有针对性地进行教学改进，对混合式教学的发展提供帮助 全面实现课程教学内容线上线下双态，实现授课教师能很好地负责课堂教学，更能合理把控课后教学指导，使学生不仅能学在课堂，更能学在课后探索“线上线下并行教学”主旨下具体知识点的教学模式，通过增强教师和学生的互动，研发学生知识点自检 APP 等方式，激发各类学生学习兴趣、学习主动性，满足各层次学生的学习需求，做到对学生分层次教学 加强理论与实践相结合的教学，丰富相应的教学资源，使学生具有一定的创新能力从生活到学习，从课内到课外，引导学生明白学习的意义，有情感地主动学习，在学习中找到自信，懂得欣赏教师、欣赏同学、欣赏自己满足特殊情况下（如需要纯粹网上教学）的特殊教学时可以为学生提供完善的教学体系展开混合式教学后，能够改善学生在学习中存在的学习效率低、学习主动性差、知识获取及拓展不足、综合应用能力弱等问题，有利于学生独立思考，主动及时完成作业，进行拓展研究并开发创新等能力的培养 1 k-means 算法 聚类算法是一种无监督的统计分析方法，其中被使用最多的就是 k-means 算法，传统的 k-means 算法k 个初始化时的质心位置使聚类分析法效果具有了较大的不确定性3-5 为了尽可能地避免这种情况的发生，对 k-means 算法进行了一系列的改进首先，针对 k-means 算法的随机初始化质心的方式做出了调整：给k-means 算法提供了一个选择中心的方法其次，对计算距离进行改进，把欧氏距离公式换成夹角余弦公式欧氏距离和夹角余弦距离的主要差异在于欧氏距离是反映具体位置坐标上的不同，而余弦距离则反映的是具体方位上的不同，改进的 k-means 算法与 k-means 算法唯一的不同就是初始聚类原则不同，其他的步骤都与 k-means 算法一样，很好地解决了 k-means 算法在初始化时随机选取初始点的不稳定性，准确率和运行效率也得到了相应的提高 改进的 k-means 算法大大减小了原计算的初始系统聚类在选择聚类分析法中心时的随机性，使算法与产生的原始聚类分析法中心间的距离显著增加，比随机产生的原始系统聚类分析法中心更为平稳，其具体的工作流程包括：（1）确定一组需要挖掘的数据，把数据构造成mn的数组，具体意义为m个样本对应的n个特征（2）在N个样本中随机选取k个样本作为聚类中心（3）选择下一个聚类中心的依据是达到现有聚类中心的距离，距离现在的聚类中心越远的样本被选中的几率越大，最后再选取最大概率的样本值为下一簇的中心，公式为()()()22x XD xP xD x=（1）式中：()P x为每个样本点被选为下一个聚类中心的概率；()D x为每个样本与当前聚类分析法中心间的最短距离 82 高 师 理 科 学 刊 第 43 卷 （4）不断重复（1）（3）过程，直至新的聚类中心大致没有新的改变，则停止数据的迭代，聚类完 成先根据输入数据集也就是样本数量n，再按照研究者的要求和数据的性质，让用户按照具体的科研需要定义聚类分析个数k，然后再采用夹角余弦距离作为计算距离的基本公式 划分出不同的点数在聚类分析法中的间距d，并将它分配在距离最近的簇中，再通过迭代的方式不断更新中心点，直至聚类分析法中的点数不再发生变化，即聚类过程完成，最后再绘制清晰的三维图输出聚类结果 对运行时间变化进行对比，结果见图 1本次改进最大的地方就是对初次聚类的改进，利用 k-means算法和改进后的 k-means 算法计算同一组数据，从时间统计数据可以看出，整体上来讲改进后的 k-means算法比原本的 k-means 算法缩短了运行的时间，当数据量增大时这种差距将更加明显 聚类运行准确率变化对比见图 2准确率和迭代次数情况比较相近，k-means 算法在数据迭代次数极不稳定的情况下，准确率也忽高忽低，严重影响聚类结果，改进的 k-means 算法在迭代次数稳定的情况下，它的准确率保持在稳定状态 图 1 运行时间变化对比 图 2 运行准确率变化对比 2 使用数据挖掘技术对混合式教学效果进行评价 调研某高校 3 个院系公共选修现代教育技术课的授课情况，考虑到用户在学习的过程中产生的行为数据是不断变化的，所以本研究将根据得到的期末成绩的数据，数据范围包括教学改进之前和教学改进之后学生的成绩，使用改进的 k-means 算法对数据进行处理，以此来探究学生对于知识点的掌握程度为了使研究更加方便，需要将数据进行一些简单化的处理，在处理过程中将学生的学号等没有研究价值的字段过滤掉，只保留期末成绩等需要的数据字段期末成绩分值占比中包含 4 项：理论部分 55 分，图像处理 20分，音频处理 15 分，视频处理 10 分3 个系别分别记为 Sdept1，Sdept2，Sdept3学生成绩的部分数据样本见表 1 表 1 学生成绩部分数据样本 序号 系别 性别 理论 图像处理 音频处理 视频处理 总成绩 1 Sdept 1 女 54 20 15 8 97 2 Sdept 1 男 47 20 15 9 91 3 Sdept 1 女 50 10 15 9 84 4 Sdept