前言：中文期刊網精心挑選了數據挖掘學習計劃范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
數據挖掘學習計劃范文1
Data Mining and Analysis for the Personalized Teaching of Multimedia Technology Course
YANG Nan-yue
（Industrial Training Center， Guangdong Polytechnic Normal University， Guangzhou 510665， China）
Abstract： Since personalized teaching has been implemented in multimedia technology teaching in the past five years， a lot of teaching data accumulated from multimedia technology online learning platform. The article introduced data mining and analysis technology to process these data in order to obtain support and decision-making reference for the improvement of the quality of personalized teaching. First， the snowflake model of courses selection for data warehouse was built. Then the Apriori algorithm was used to dig out the inner link between the students’ media technology achievements and the final grade. And then cluster analysis with k-means algorithm on all students’ scores was conducted. Finally， the calculated results were visualized and analyzed. Practice proved that data mining and analysis technology is a useful tool for quantitative analysis in the teaching.
Key words： data mining； snowflake model； association rule； cluster analysis； personalized teaching
我校的多媒體技術公選課面向全校各年級各專業本科生開課，因此選修本課程的學生來源較復雜，其計算機基礎參差不齊。過往統一步調的授課模式滿足不了不同層次學生的需求，所以從2011年開始，本門課程實施教學改革，以多媒體技術在線學習平臺為基礎，結合課堂授課開展個性化教學，把多媒體技術包含的四大媒體技術課程：圖像處理、音頻處理、視頻處理和動畫制作做成講座的形式，每一門課程分別包含兩到三次的講座，學生根據自己的情況選聽選學。每門媒體技術不同難易度的學習資料都放在學習平臺里，學生可以自由選擇學習資源，并通過網絡或課堂與同學和老師進行學習交流?？己朔绞綖槊恳婚T課程最后一次講座講完后在學習平臺上進行隨堂考試，要求每位學生至少選考其中三門。本門課程期末考試也在學習平臺上進行，要求全體學生都必須參加。本教改實施五年來，學生反應良好，同時多媒體技術學習平臺網站上存在著大量學生成績和教師教學及管理過程中的相關數據，那么這些數據之間存在著怎樣的聯系，是否蘊藏著教與學之間的知識和規律？由于數據挖掘技術能夠發現隱藏在海量數據中的潛在聯系和規則，從而預測未來的發展趨勢[1]，因此我們把該技術引入學習平臺中的信息資源管理系統，把大量積累的教學基礎數據建立數據倉庫[2]，在這基礎上運用數據挖掘手段從中快速準確地提取出重要的信息和有價值的知識，找出影響學習成績的因素，為進一步改善個性化教學的教學質量提供數據支持和決策參考。
1 數據倉庫多維數據模型的建立
數據倉庫的邏輯數據模型是多維數據模型。目前使用的多維數據模型主要有星型模型和雪花模型。一個典型的星型模式包括一個大型的事實表和一組邏輯上圍繞這個事實表的維度表[3]。雪花模型是對星型模型的擴展，將星型模型的維度表進一步層次化，原來的各維度表被擴展為小的事實表，形成一些局部的層次區域[3-4]。建立本課程數據倉庫時，為了減少數據冗余，改善查詢性能我們采用雪花模型結構，如圖1所示。建立以學生選課為中心的選課事實表，三個主維度表“學生表”、“成績表”和“時間表”分別通過“學生鍵”、“成績鍵”和“時間鍵”與事實表直接關聯。其中，主維度表中的“學生表”和“成績表”都有各自的二級維度表，與事實表間接關聯[5]。
2 采用Apriori算法的關聯規則挖掘
關聯規則用于揭示數據與數據之間未知的相互依賴關系，即在給定的一個事物數據庫D，在基于支持度-置信度框架中，發現數據與項目之間大量有趣的相關聯系，生成所有的支持度和可信度分別高于用戶給定的最小支持度（min_sup）和最小可信度（min_conf）的關聯規則。關聯規則挖掘算法歸結為下面兩個問題：（1）找到所有支持度大于等于最小支持度（min_sup）的項目集（Item Sets），即頻繁項目集（Frequent Item Sets）。（2）使用步驟（1）找到的頻繁項目集，產生期望的規則。兩步中，第（2）步是在第（1）步的基礎上進行的，工作量非常小，因此挖掘的重點在步驟（1）上，即查找數據庫中的所有頻繁項目集和它的支持度[4]。本課題對多媒體技術課程學習平臺中所有考試成績進行關聯規則挖掘，采用Apriori算法查找頻繁項目集。
Apriori算法通過逐層迭代來找出所有的頻繁項目集L。用戶需要輸入事物數據庫D和最小支持度閥值min_sup。實現過程為：
1）單次掃描數據庫D計算出各個1項集的支持度，得到頻繁1項集構成的集合L1。
2）連接：為了產生頻繁K項集構成的集合，通過連接運算預先生成一個潛在頻繁k項集的集合Ck。
3）剪枝：利用Apriori算法“任何非頻繁的（k-1）項集必定不是頻繁k項集的子集”的性質，從Ck中刪除掉含有非頻繁子集的那些潛在k項集。
4）再次掃描數據庫D，計算Ck中各個項集的支持度。
5）剔除Ck中不滿足最小支持度的項集，得到由頻繁k項集構成的集合Lk。
Apriori算法如下：
[（1）L1=find_frequent_1-itemsets（D）（2）for（k=2；Lk-1≠?；k++） do begin（3）Ck=apriori_gen（Lk-1）； //新的潛在頻繁項集（4）for all transactions t∈D do begin（5） Ct=subset（Ck，t）；//t中包含的潛在頻繁項集（6）for all candidates c∈Ct do begin（7） c.count++；（8）end；（9）Lk=c∈Ckc.count≥inmsup（10）end；（11）Answer=UkLk；]
求出頻繁項集L后，1）對于L中的每一個頻繁項目集l，產生l的所有非空子集。2）對于l的每一個非空子集s，如果，[sup_count（l）sup_count（s）≥min_conf]，則輸出規則：SL-S[4]。
本課題對近五年選修多媒體技術的學生所有成績數據進行清洗，填補空缺值，去噪，類型轉換，集成等處理后放入數據倉庫中，系統采用Apriori算法找出所有的頻繁項集。為了便于進行關聯規則的挖掘，對成績數據進行離散化處理，轉變成標稱型變量[5]。成績score（簡化為“s”）在85-100區間的表示“優秀”，標記為“1”，在70-84區間的表示“中等”，標記為“2”，在60-70區間的表示“合格”，標記為“3”。多媒體技術每門媒體技術課程：圖像處理、音頻處理、視頻處理、動畫制作和最后的期末考試分別用A、B、C、D、E表示。學生的學號用StudentID表示，那么每個學生選修的N門課和最后期末考試的成績可以表示為{StudentID，Asa，Bsb，Csc，Dsd，Ese}，其中Sa，Sb，Sc，Sd，Se的取值范圍是{1，2，3}。例如{ 2011204543021，A3，B1，D3，E3}表示學號為2011204543021的學生，選修了圖像處理，音頻處理和動畫制作這三門媒體技術，其中圖像處理成績為合格，音頻處理成績為優秀，動畫制作成績為合格，期末考試成績為合格，該名學生沒有選修視頻處理，故沒有這門科目的成績。
設定最小支持度閥值min_sup為3%，最小置信度閥值min_conf為70%，系統采用Apriori算法進行數據挖掘，得到滿足最小置信度閥值的規則和相應的置信度如表1。
挖掘結果分析：表1的關聯規則體現學生選修的媒體技術課程種類、科目數量與期末考試成績之間的相互關系。可以看到期末考試成績屬于中等（E2）或合格（E3）級別的，學生全選四門媒體技術比只選學三門的置信度高，即選課數量多的較容易及格或獲得中等的期末成績。另外，在選課種類方面，選B這門課，即選音頻處理的學生比較多，是一個概率比較高的事件，可能這門課內容比較少和易掌握，因此選學選考的學生就多。但這門課的成績對期末考試成績影響不明顯，說明教師這門課出的考題區分度低，沒能反映出學生的水平層次。在最小支持度閥值min_sup為3%的情況下，選A（圖像處理），C（視頻處理）和D（動畫制作）這幾門課并獲得優秀成績（A1，C1，D1）的很少，即小概率事件被過濾掉了，沒能挖掘出它們與期末成績之間的關聯性。但這幾門課程成績中等或合格與期末成績存在內在關系，也就是說如果這幾門課成績都是中等的，期末考試成績大部分都為中等，一小部分可以達到優秀。如果這幾門課成績都是合格，期末考試成績就是合格。說明這幾門課程的考題比較真實反映出學生掌握技能的實際水平，致使期末綜合性的考試成績與學生平時掌握程度相符合。這也意味著個性化教學具有一定的成效。
本課題對近五年的學生多媒體技術每科成績與期末成績進行聚類分析，把學生劃分到若干不同的類中，分析各個類的特征，從而考察實施個性化教學后的效果。設定85分，75分和65分為三個初始的聚類中心，對學生的所有成績進行聚類分析，找出同一類別學生的學號，以此為索引，查找到該類中各個學生的專業與年級，繪制出餅狀圖，再繪制出該類學生所選各門媒體技術的平均分柱狀圖，通過這幾個圖表考察不同專業不同年級學生在本門課程優秀中等合格若干成績區間的分布情況，從而檢查實施個性化教學的效果，為今后的改進方案提供參考。例如調整后得到的最終聚類中心為82分的學生，各門媒體技術的平均分和專業、年級分布如圖3～圖5所示。
從上面幾個圖可以看出，成績為優秀的學生主要來自美術、計算機和電信這幾個專業，大三、大四的學生比較多。分析其中的原因，主要是美術學院很多專業課需要用二維、三維圖像軟件或視頻軟件進行制作和處理，他們對這門課程已經有一定的基礎，所以學起來比較輕松，也容易取得高分。而計算機和電信專業中高年級的學生學習和使用軟件的能力比較強，因此掌握多媒體技術各個媒體軟件較其他專業學生快，并且能夠靈活運用，因而較易取得比較優異的成績。
最終聚類中心為64分的學生，各門媒體技術的平均分和專業、年級分布如圖6～圖8所示。
從圖中可以看出，這個類別的學生主要來自文科方向的專業，年級分布差異不大，大四所占百分比稍微比其他三個年級略高，有可能是學生們最后一年為了修滿選修課學分而選了這門課，目的是混個及格拿到學分，因此學習積極性和學習態度不佳，導致大部分成績徘徊在60來分。還有一種可能性是大四學生畢業在即，需要寫簡歷找工作，做自我介紹作品等，覺得掌握一些多媒體技術可以作為輔助工具因此選了本門課程?？上в行W習時間明顯不如前三年充足，加上文科方向的同學計算機基礎和軟件學習能力較理工類學生薄弱，因此成績不太理想。
數據挖掘學習計劃范文2
隨著高校辦學規模的不斷擴大以及學校專業的不斷增多，使得學校的教育管理工作變得越來越復雜化，越來越難管理，特別是針對學生成績信息的管理，由于學生的倍增，成績的管理與維護工作更是艱難。做好成績管理工作，對學校的發展有特定的實際意義，也是各個學校最為關心并且要迫切解決的重要問題，所以隨著學校對成績信息資源利用要求的提高，原本的成績管理模式已經不能再滿足學校的實際應用需求，只有設計更為有用的，能夠挖掘出學生成績價值信息中隱藏的價值，才是最符合學校應用的應用系統。
二、學生成績管理的作用
在高等學校的發展過程中，教學質量一直都是各個高校最為關注的重點問題，而學生的成績是各個學校教學質量優劣的一個最重要的體現，因此，如何促進學校全體學生更好的提升學習成績，關系到學校的長遠發展計劃，而對學生的成績管理分析工作，是一個系統化的工作，所以通過對學生成績的綜合分析，明確學生在學習過程中的不足，有針對性地為學生解決學習上的困難，提升學生的整體綜合素質與學習成績，不管是對學校還是生活個人都擁有非常重要的積極促進作用。
三、數據挖掘技術成績管理分析
數據挖掘技術在成績管理中的應用，主要體現在學生成績分析、考試題目優化、教學評價、教學方式選擇以及課程的合理設置等幾個方面。
1、學生成績分析
學生的主要任務就是學習，學習成績也是學生在校期間表現優劣與否的最直觀的體現，也是學生在校期間所學知識掌握程度的最直觀的表現方式，所以對學生提供一個全面客觀的評價，是學校應該擁有的責任，也是對學生最好的關愛表現方式，然而在學校的成績管理工作進行時，通常的做法只是簡單的把學生的考試成績錄入到學校的系統軟件，而通過數據挖掘技術對學生成績進行分析之后，可以充分的找出學生成績優劣與否與學生自身、與學校環境以及教師的教學質量之間的關系，進而為更客觀的評價學生成績的高低是學生自身原因造成的還是與學校有直接的關聯，為進一步的更好的學習計劃的制訂提供了理論依據。
2、考試題目優化
考試的目的是為了更好的檢驗教師的教學效果以及學生的學習成果，是教學過程中一個重要的階段。學校在教學時，通常是以期末考試成績為評價學生的學期成績的一個重要標準，然而在不同的考試教學下，學生的考試成績是不相同的，如果僅僅以成績評定一個教師或者學生是不客觀的，為了更好的評定教學效果及學生學習的成果就要發掘學生成績高低相關的影響，是試題較難還是教師教學方式的問題，因此就需要對這些因素進行分析，以探索更為有效的方法來評價試題的難易與成績的關系，進而為下次試卷的出題提供幫助。
3、教學評價
評定學生對新接觸事物理解及掌握程度是教育工作者的一個重要職責，通過對學生學習成績的評定，可以觸發學生的學習動力，也是考查學生真實水平的一種比較有效的方式。在學生成績評價時，教師也要注意評價內容要客觀全面、評價方式多樣并注重自評與互評的結果，獲取成績評價數據才是最可靠有效的。針對學校不同學生的不同成績評價數據，可以利用數據挖掘工具，對這些數據進行挖掘分析，通過工具獲取不同學生最終的成績結果，進而可以更客觀的排除人為因素對學生評價的影響，也可以對學生的不足及時給予及時指正改正，不但減輕了教師的工作量還克服了教師主觀評價給學生造成的不利影響，為更好的營造學習氛圍以及學生之間的關系提升提供了很大幫助。
4、教學方法選擇
不同的教師在教授課程時因為人員之間的差異，使用的教學方式也互不相同，也因此導致了學生考試成績可能也互不相同，為了消除因教師教學方式差異給學生成績造成的危害，就需要對不同教師教學模式下學生的成績信息進行分析，以選擇更優的教學方式實現對學生的教學，學生成績數據挖掘技術的應用正好可以滿足這一要求，通過對不同教學方式下學生成績差異的研究，可以協助教育工作者更好的判別采取何種教學方式對學生學習才更有幫助，進而提高學生的整體學習水平。
5、課程合理設置
許多課程之間往往還存在著一定的關聯關系，擁有固定的先后順序，只有把前修課程學習完成之后才可以繼續接下來的課程學習，否則會直接影響后續課程的理解與接受，影響學生的正常學習；在高等學校，通過對成績數據價值信息的挖掘，可以利用學校成績數據庫中存放的歷屆學生各科考試成績信息結合數據挖掘的相關技術進行分析，并通過相關的數據挖掘算法分析這些數據信息中隱藏的潛在的影響學生學習的價值信息，最終找出影響學生考試成績的原因，并根據這些原因制訂出相應合理的課程安排計劃，為學生更好的學生服。
6、學生特征挖掘
通過成績與環境因素的影響數據挖掘的研究，教師可以很好的掌握每個學生的學習狀況，學生個人特征，并根據學生之間的不同差異，因材施教，最終把學生往更好的學習發展方向引導。為了更好的研究這一關系，可以利用數據挖掘工具，對學生學習成績數據進行挖掘分析，通過挖掘工具的分析，不但可以獲取不同學生最終的成績結果，而且可以更客觀的排除人為因素對學生評價的影響，最終對學生的不足及時給予及時校正，不但減輕了教師的工作量還克服了教師主觀評價給學生造成的不利影響，為更好的營造學習氛圍以及學生之間的關系提升提供了很大幫助。
數據挖掘學習計劃范文3
關鍵詞：Web挖掘技術；遠程教育；個性化；服務
中圖分類號：TP39
1 遠程教育個性化學習模式
隨著信息技術的發展，遠程教育這種新型教育形式應運而生?，F代遠程教育通過網絡技術、多媒體技術和現代通信技術等手段將信息技術和現代教育思想有機結合起來，它的開放、自主和資源共享等特點滿足了“人人能學、處處可學”終身學習理念。
隨著終身學習理念的不斷深化，遠程教育適應個性化學習需求越來越高，遠程教育服務平臺在教學設計、平臺架構和資源優化上要滿足對學習者實施個性化的遠程學習服務。個性化學習強調學習的開放性、自主性和靈活性，這是個性化學習的主要特征。同時完成遠程教育在網絡環境下個性化學習需要網絡技術的支撐，因此，它具有明顯的技術性特征。從數據挖掘角度看，Web 挖掘技術是實現Web個性化服務的核心技術之一，建立個性化遠程教育服務平臺時Web 挖掘技術不失為數據挖掘技術的一個很好的選擇。
在遠程教育的個性化學習研究中，構建基于網路的個性化學習模式是重點。個性化學習具有開放性、自主性和靈活性特征，而基于網絡的個性化學習還具有明顯的技術性特征。從技術環境要素下設計個性化的學習模式，優化現有遠程教育平臺。主要設計目標有：（1）重構頁面超鏈接。通過分析學生的學習需要，挖掘學生對知識的興趣點，使需求多、訪問量大的網頁能夠以更快捷、更有效的訪問方式展現給學生，并重新優化網頁超鏈接。（2）挖掘潛在數據關聯。通過數據關聯之間的重要信息，教師和教育管理者可以修改教學內容呈現形式，指導教學設計和修改測試難度系數等。（3）聚類分析提供導向。為學生動態提供瀏覽的建議，提供遠程教育個性化服務。
2 Web 挖掘技術
Web挖掘是數據挖掘在Web上的應用。Web挖掘內容有：提取Web頁面數據信息，分析頁面之間的架構，挖掘站點的設計和分析用戶訪問信息等，是一種重要的數據挖掘技術。Web挖掘技術過程就是提取抽象的、潛在的和有價值知識的過程。Web結構挖掘、Web內容挖掘和Web使用挖掘是Web挖掘技術的三個分類。
2.1 Web內容挖掘。從內容、數據和文檔中發現有價值的信息的過程稱為Web內容挖掘。Web內容挖掘的對象紛繁多樣，文本、圖像、音頻和視頻等多媒體數據都可成為Web內容挖掘的對象。文本數據挖掘是Web挖掘中比較重要的技術領域，它主要針對無結構化文本，最近Web多媒體數據挖掘成為另一個研究熱點，它涉及網絡、多媒體的技術、數據庫以及關于知識的決策等多個領域。
2.2 Web結構挖掘。分析Web組織架構和頁面中的鏈接關系，挖掘隱藏在每個Web頁面后面的鏈接結構模式稱為Web結構挖掘。利用這種模式對網頁進行分門別類、按照同一類型聚合，在此基礎上尋找所需要主題的高訪問量站點和核心頁面，提升搜索引擎的性能。Web結構挖掘對提高頁面采集效率、提升采集可信度方面也發揮很大指導作用。典型的方法有Page Rank算法和HITS算法。
2.3 Web使用挖掘。Web使用挖掘技術通過用戶訪問 Web 時留下的用戶訪問行為記錄，用戶會話，Cookies Logs，Web server Logs、Browser Logs、用戶注冊、登錄、瀏覽等相關數據和用戶在使用時與網站、其他用戶之間的交互信息進行挖掘，了解用戶的網絡行為數據所具有的意義。Web使用挖掘有一般的訪問模式挖掘和個性化訪問模式挖掘兩個方向。Web使用挖掘的個性化訪問模式挖掘在遠程教育個性化服務中發揮重要作用，主要是分析特定使用群體，比如記錄使用者的登錄時長和學習習慣，分析對學習資源的使用頻度，為學生提供個性化教學服務提供有效的依據，提高學生對網站訪問率和教學資源的使用率。
3 基于Web使用挖掘技術的個性化推薦系統
個性化推薦是指以遠程教育中的學生學習需求為中心，通過信息采集和與學生交互，了解學生的學習特點，將其感興趣的信息主動推薦給學生，個性化推薦系統是建立在Web使用挖掘技術上的一種高級智能平臺，信息檢索和智能系統技術集成于個性化推薦系統。
基于Web使用挖掘的個性化推薦系統分為離線準備和在線生成兩部分：（1）離線準備是個性化推薦的準備階段。首先根據用戶的基礎數據，分析用戶的使用特性，挖掘用戶的訪問模式，最終得到一個模式庫，包括數據預處理和模式提取。數據預處理的作用是：清洗并刪除對挖掘無效的數據，提高數據挖掘的精確度，提升數據使用效率；模式提取階段的作用是：通過聚類用戶訪問模式和頻度序列訪問模式對用戶進行推薦服務。（2）在線生成是個性化推薦的服務階段。通過目標用戶使用習慣的分析， 生成動態推薦頁面，為不同的用戶提供個性化服務。典型的推薦系統有優化網頁搜索引擎，社會網絡過濾器等。
4.Web 挖掘技術在遠程教育個性化服務中的應用
4.1 Web挖掘流程
Web挖掘技術能對學生訪問信息進行挖掘，在挖掘信息的基礎上建立起一個智能化和個性化的遠程教育平臺， 使不同的求學者在登錄遠程教育平臺時能夠得到個性化的教學服務。就像聘請的“私人教練”，根據學生特點進行教和學的個性化輔導。數據采集、數據預處理、模式發現和模式分析及應用是Web挖掘技術四大流程。（1）數據采集。學生登錄遠程學習平臺，為Web數據挖掘提供大量有用的信息，如學習的個人信息、瀏覽的課程、訪問的URL、學習的時長、資源類型的點擊率等學習行為都為采集數據提供基礎資料。（2）數據預處理。濾掉多余的記錄，合并相關數據并將不恰當的或冗余的數據項從數據集里清除，通過會話識別和事務識別，對用戶進行識別，準備進一步的數據挖掘。（3）模式發現。通過關聯規則對學生學習行為和學習記錄進行挖掘，發現學習者興趣并動態地呈現給學生；根據分類聚類結果，將學生劃分成不同的類型，提供給遠程教育導學教師，為個性化教學設計和分類教學提供依據。（4）模式分析及應用。在經過模式發現處理后，生成的規則依舊數目龐大，呈現的信息利用率不高。模式分析就顯得尤為重要，通過模式分析，進行技術處理，構建個性特征庫，顯現給學習者的信息易于理解和接受，應用在學習者學習過程中，為學習者提供個性化學習資源和個性化學習指導。
4.2 Web挖掘個性化服務應用
（1）在線學習。遠程教育平臺應用Web數據挖掘技術，經過學生數據信息采集，數據信息預處理等流程，應用適合的數據挖掘算法處理此數據信息，最后生成一種學生容易理解和接受的呈現方式將信息傳遞給學生。構建針對不同學生量身定做的個性化學習計劃和學習方案。（2）實時教學。通過遠程教育教學平臺，全天候二十四小時學習成為可能，Web數據挖掘技術實時了解學習者的學習能力和學習偏好，遠程教學導學教師根據這些信息有的放矢的開展實時教學。（3）智能答疑。在遠程教學平臺上建立智能答疑系統，可以根據學習者的訪問日志文件，運用數據挖掘技術，針對學生用戶提問記錄、日志不斷更新，調整數據庫內容，智能抽取實現為學生的智能答疑。（4）實時考試。基于Web的遠程在線實時考試系統，根據課程考核目標和考核內容要求，結合學習者求學目的和學習背景，提供多種試卷組合，做到難易相當、科學組卷。實時考試系統還能同步打分，實時給出考試成績，根據學生的答題情況按試題所涉及的知識點進行統計分析，給出試卷評價信息。
參考文獻：
[1]姚夢濤.基于Web日志的數據挖掘技術研究[D].西安理工大學，2010.
[2]劉彤.Web 數據挖掘技術在個性化遠程教育平臺中的應用[J].科技信息，2008（21）.
[3]巫莉莉等.Web 數據挖掘在遠程教育個性化中的應用研究[J].微型電腦應用，2010 ，26（2）.
[4]聞永萍.基于WEB數據挖掘在遠程教育中的應用研究[J].電腦編程技巧與維護，2011.12.
數據挖掘學習計劃范文4
關鍵詞：大數據;個性化教學;大學信息技術課程
伴隨著大數據時代的到來，在計算機網絡信息系統、數據挖掘、云計算等現代信息技術的支撐下，一方面高校學生學習的途徑增多，通過網絡可以接觸到大量的知識和資源，而教師面對面講授的教學方式難以提高學生的學習興趣，傳統的課堂教學面臨新的挑戰;另一方面，教育領域存儲了海量的信息和相關數據，通過分析這些數據和信息，可以為學生的個性化學習提供服務。因此，面對大數據時代的挑戰，高等院校的大學信息技術課程必須向因材施教、個性化教育的方向轉變。
一、大學信息技術課程個性化教學方式改革
1.大數據時代個性化教學的可行性
大數據時代，教育資源極大豐富，借助網絡等相關技術可以建立一站式教學信息平臺，它包括網絡課程、管理與評價系統、微課、教學視頻點播等。通過這個平臺，學生可以自主制定學習計劃，實現跨地域、全天候的學習。
在大數據時代，可以利用教育分析的相關技術從技術層面來量化教學行為、學習行為，經過大數據處理可以找到學生各種行為之間，以及學生學習狀況與教學過程之間的內在聯系，教師可以據此作出有針對性的教學決策及施教方案。這樣的教學不再是單純圍繞課程內容進行，而是考慮學生的個體差異，提高學生的參與性和自主性，使得個性化教育成為可能。
2.大學信息技術課程個性化教學的內容調整
基于大數據分析，在已有的學生學習行為的相關數據中發現有用的行為模式，圍繞這些行為模式和個性化學習理論，對大學信息技術課程的教學內容進行研究和設計，以學生為中心，培養學生自主學習能力、獨立思考能力，提高學生學習成就感。
以相應的知識邏輯結構為核心，依據發掘出的學習規律，將大學信息技術課程的教學內容分解成一系列教學模塊，其內容包括特定目標、任務、方法、資源、作業、研討互動與總結反思等。
在教學過程中，采集學生學習行為的數據，并結合每個教學單元對學生進行學習過程的行為分析。通過這些分析，不僅可以促使學生發現學習過程中存在的問題，提高學習效率，還可以幫助教師及時調整教學進度，提高教學內容的針對性。
3.大學信息技術課程個性化教學的實施方法與手段
為了實現個性化教學，培養學生能力，不能只依靠課堂上單一的教學課件，需要綜合利用多種教學方法與教學手段，如互動式教學、研究性教學、實踐性教學及群體反思性教學等。
在教學實施過程中，教師可以將相關的課程學習短視頻資源放在校園網上，學生根據個人需要自主決定學習進度，這樣可以滿足不同接受能力的學生的學習需求。通過一段時間的實踐，學生可以自主總結學習過程中遇到的問題，并將其反饋給教師，教師可以組織課堂研討，深化學生所學內容，讓學生在交流中充分發揮主觀能動性，學會團隊合作，使學生既發展了人際交往能力又獲得了學習的成就感。每次研討深化后，教師可以根據不同層次學生的特點設計教學內容，制定個性化的學習任務。
通過課前設計學習任務、課中組織討論深化、課后規劃個性擴展，教師把傳統的課堂灌輸式的教學方式轉換為新型的個性化指導教學方式。
二、問題與展望
面對大數據帶來的挑戰，針對高校學生思維活躍、學習行為多樣化等特點，在大學信息技術課程的教學實施過程中要改變傳統的“灌輸式”教學模式，針對每個學生的具體情況實施個性化的教學方法。
但是，目前大數據技術在教育領域的運用大多只是針對教育數據的評價與分析，而針對教育過程中的行為分析和預測算法比較少，如何在現有的數據基礎上結合新興的大數據挖掘與分析技術進行個性化教育，是高?，F代教育改革面臨的重要問題。
參考文獻：
數據挖掘學習計劃范文5
一、問題的提出
如今，一個大規模生產、分享和應用數據的時代（即大數據時代）正在開啟，人們的工作、學習以及思維方式也因大數據的到來而發生著改變。MOOC教育在大數據的推動下不斷突破和創新，革新了傳統的教育制度，MOOC教學評價在大數據的支持下趨于客觀和完善。在教育高度信息化的網絡時代，人們的學習方式也在邁向數字化，智能手機、平板電腦等各種便攜式移動終端是人們常用的學習工具，學習者在學習過程中會產生大量的數據來記錄他們的學習過程，大數據挖掘技術可以有效地跟蹤和記錄學習者的學習過程，從而為我們提供更加準確、客觀的教學評價。喻長志[1]指出：大數據將重新構建教學評價方式，由原來的“經驗式”評價轉變為“依據式”評價、由原來的單一維度評價轉變為多元性評價、由原來的結果性評價轉變為過程性評價，通過大數據的支持找出教學活動的規律。可見，在大數據技術的支持下，教學評價將會更加科學、準確。
近年來，MOOC（Massive Open Online Course）即“大規模在線開放課程”風起云涌，至今方興未艾，成為“地平線報告”預測的將在未來一年之內普及的技術，并且被認為是網絡學習的“下一個革新之舉”[2]?？ㄌm?凱莫卡特認為MOOC是新型的網上大學[3]。在一次論壇上，有學者把MOOC為代表的網絡教育稱為“新”網絡教育[4]。從國內外學者對MOOC概念的界定可以看出，MOOC本身具有兩個顯著特征：一是開放共享（Open access），來自世界任一角落的人都能夠免費參與MOOC課程學習；二是可擴張性（Scalability），MOOC課堂是針對不確定的參與者來設計的，具有顯著的大規模性。
“大數據”是近年來信息技術領域比較流行的詞匯，一般認為其具有“4V”特征，即大量（Volume）、高速度（Velocity）、多樣化（Variety）和價值（Value）。MOOC與大數據具有密切的聯系，大數據背景下，MOOC將革新傳統教育體制、教學理念、教學方式以及教學評價等，本文主要探討基于大數據的MOOC教學評價。大數據時代，MOOC教學評價區別于傳統教學評價而具有自身的鮮明特征。由于MOOC學習者人數眾多，教師不可能像傳統課堂教學那樣事先對學習者特征進行分析，爾后根據學習者特點實施恰當的教學。所以，MOOC教學更需要對其教學評價進行精心的設計，MOOC教學評價貫穿整個教學過程，具有舉足輕重的作用。此外，由于在MOOC教學中師生、生生處于相對分離狀態，課程內容主要以視頻為學習載體，所以，又使得MOOC具有遠程教育的一些特征。因此，有必要對MOOC教學評價的特征進行分析?；诖耍疚闹饕接懘髷祿尘跋翸OOC教學評價的特征，以期為我國MOOC教學評價提供一些有益的借鑒和啟示。
在MOOC教學評價相關文獻分析與總結的基礎上，結合作者自身對MOOC課程的學習體驗，認為大數據有助于重構MOOC教學評價體系，其特征主要體現在以下幾個方面（如圖1）。
圖1 大數據背景下MOOC教學評價的特征
二、大數據背景下的多元性MOOC教學評價
傳統教學中，一般教師作為評價主體、學生作為評價對象，評價方式通常采用單一的紙筆測驗，以終結性評價為主，分數是評價學生的唯一標準。不同于傳統教學，MOOC在大數據技術的支持下表現出多元性的特征。
1.評價主體多元
對MOOC學習效果的評價，其評價主體已不再僅僅是教師，還包括學生、校友等。MOOC學習平臺上，通過后臺大數據的分析與處理，加之不同主體對學習者的評價，有助于教師從不同渠道了解學生的學習情況，以便進一步改進教學。同時，也能夠使學生認識到自身存在的優點與不足，有助于學生的全面發展。
（1）教師作為評價主體。無論是傳統教學還是網絡教學，教師永遠是教學的一線工作者，其主導地位不可忽視與否認，MOOC教學亦不例外。在MOOC課程教學評價中，學習者數量眾多，大數據為MOOC學習者提供了更加新穎的評價方式：同伴互評和機器自動評閱，但教師也會參與其中，教師通過評價學生的作業可及時發現教學上存在的問題，進而采取一定的補救措施，有利于MOOC教學效果的提升。
（2）學生作為評價主體。在傳統的教學評價中，學生是評價的客體，是被評價的對象，他們對于評價的結果只能被動地接受，在一定程度上削弱了他們的主觀能動性，忽視了學習者的個性差異。相比之下，MOOC教學評價將學生納入評價活動中，強調學生也可以是評價的主體，評價形式為學生自評和同伴互評。比如：陳肖庚等在《MOOC的發展歷程與主要特征分析》一文中論述了同伴互評和學生自評這兩種MOOC課程評價方式的創新性與有效性。另外，祝智庭等學者也論述了Coursera平臺廣泛采用的自評和互評策略有效地促進了學習者的學習[5]。MOOC將學生這一主體元素引入教學評價后，既可以調動學生學習的積極性，也可以通過評價活動引導學生在評價過程中明確自己的定位，發現自身的不足，取人之長，補己之短，不斷完善自己，從中培養他們的自我反思及自我監控能力，使學生在評價過程中真正體現其主體性，成為學習的主人。
4.價值取向多元
第一，為促進學生全面發展而評價。教學評價的最終目的是要促進學生的全面發展，MOOC教學評價亦沒有偏離這一重要取向。MOOC教學評價更多的是關注學生的主體發展、自我成長與進步。就MOOC而言，可以說，其教學評價更多地是一種促進學生發展的動力，而不僅僅是衡量學生學業成績的方式或手段。
第二，為了解學生學習需求而評價。無論是傳統課程還是MOOC課程，要想為學習者提供適合他們的資源與服務，首先要了解學習者的學習需求。MOOC教學同樣要滿足不同學習者內心深處的個性化學習需求，可通過多層面、多維度的綜合教學評價，了解并分析不同學習者的學習需求，之后為他們提供合適的學習資源與個性化服務，使學習者能從評價中感受到更多的尊重和認同，從而獲得前進的動力。
第三，為尊重學生個體差異而評價。每個學生都是獨立的個體，從教學設計的角度來講，要想使課程取得良好的效果，首先必須對課程受眾進行分析，即學習者特征分析。而對于MOOC課程而言，其學習者情況更為復雜，一方面，MOOC學習者人數眾多，無法與傳統班級授課制相比；另一方面，MOOC學習者種類繁多，根據其職業背景和學習目的，可將其分為在校大學生、中小學學生、教師、家長、以興趣為導向的學習者、以充實個人內涵為目的的學習者、促進職業發展的學習者等。此外，雖然MOOC主要面向高等教育，但MOOC學習者中也不乏有年齡較大或較小的學習者。所以，MOOC課堂無法像傳統課堂那樣分析學習者特征，可通過學習分析、教育數據挖掘、體態計算等技術對學習過程進行評價、追蹤預測和分析，以了解學習者的個體差異，從而為其提供個性化的學習服務、推送個性化的學習資源、制定個性化的學習方案。有研究[11]表明，MOOC的特征之一就是基于大數據的個性化服務，不同學習者的電腦后端會推算目前的學習狀況，然后推送相應的學習資源，因材施教。
三、大數據背景下的開放性MOOC教學評價
相對于傳統課堂較封閉的評價體系而言，MOOC在評價理念與評價過程兩方面表現出明顯的開放化特征。
1.評價理念開放
MOOC中的教與學本身是一個極為復雜的系統，因此，對MOOC進行教學評價難以用單一的評價理念或標準來評判每個教師和學生的行為，需視具體情況而定。MOOC教學評價的理念可用“一切為了學習者，為了一切學習者，為了學習者的一切”來形容，正是這一理念，使得MOOC教學評價強調豐富的評價內容、多樣化的評價渠道以及開放性的評價過程，通過網絡與信息技術的支持構建開放的MOOC教學評價，以全面促進學習者的發展。
2.評價過程開放
MOOC教學評價過程大致分為四個階段：評價設計、評價實施、評價分析和評價反饋。每一階段都有不同的任務，但卻都具有開放性的特征。首先，在評價設計階段，從評價目標的制定、評價主體的確定到評價方法的選擇，都非常重視其評價過程的開放性。比如：在MOOC網站上，任何MOOC學習者都可以任意瀏覽某一課程的課程簡介、課程評價方式等信息，注冊賬號以后會瀏覽到更為詳細的課程信息，從評價的角度來看，包括課程的評價標準、考核方式、評價方法以及評價細則等內容。其次，在評價實施階段，評價人員根據上一階段所形成的評價方案，利用各種評價手段，完成對MOOC教學的評價任務。在實施過程中，由于學習者也加入到了評價活動中，所以，其實施過程也是面向學習者開放的。最后，在評價分析和反饋階段，評價人員根據評價實施階段收集到的反映學習者學習過程的資料和數據進行歸納和分析，并將評價結果反饋給學習者。在這一過程中，其評價的數據和結果都是面向學習者開放的，學習者可以根據評價結果的反饋信息及時發現自身的不足，進一步加以改正。
四、大數據背景下的人性化MOOC教學評價
教育要充分體現以人為本，服務學生的理念。在MOOC教學評價中，真正地把作為主體的學習者放在了首位，在評價標準與評價反饋中呈現出了人性化的特征，為學習者提供了人性化的關懷。
1.評價標準人性化
MOOC課程評價標準體現了現代教學理念，以學生發展為本，尊重學生個體差異。主要體現在以下兩個方面。
一是MOOC課程作業評價標準人性化。一方面，MOOC課程作業評價標準不像傳統教學那樣預先設定好，而是在教學過程中逐漸生成的，且其評價標準不是一成不變的，它會隨著課程的深入、課程目標的設定以及來自學習者的反饋而不斷發展變化，會根據不同的情況適當調整。比如：在Coursera平臺的《大數據與信息傳播》一門課中，部分學生在討論區中反映互評分數不合理，對此，課程提供方做出了相應的改進與調整。此外，在課程作業內容設置方面，也會根據學習者的需求進行調整。另一方面，MOOC課程作業提交的截止日期一般為2-3周，時間比較充裕，而且即將到期的作業還會有郵箱提醒，學習者不必擔心錯過課程作業的提交時間。此外，對于客觀選擇題，學生提交以后，系統會自動評分。比如：在Coursera平臺的《數學之旅》一門課中，隨堂測驗部分的客觀題分單選和多選兩種，學生提交作業以后會看到每題的得分情況和相應習題解釋。
二是MOOC學分制度人性化。目前，已有社區學院和公立高等大學等院校宣布接受美國教育委員會認可的學分，將修讀MOOC項目課程取得的學分與修讀本校課程取得的學分予以同等程度的承認[12]。學分的取得是對學習者學習過程與學習結果的肯定與認可，MOOC部分項目與學分制度掛鉤，利用學分制與傳統教育接軌，體現了教育以人為本的理念。
2.評價反饋人性化
大數據時代的來臨，使得MOOC教學評價不僅測量學生對知識的掌握程度，還利用智能化評價手段對學習過程給予及時的反饋，利用可視化統計表單呈現給學習者真實的學習數據，督促學生及時的調整學習現狀[13]。反饋是網絡教學重要的互動環節，及時的反饋（Instant Feedback）是人性化教學的要求，也是情感關懷的體現。在基于網絡環境下的MOOC學習中，由于師生處于相對分離狀態，反饋的及時性就顯得極為重要。及時的反饋有助于學習者了解自己的學習情況，加深對問題的理解與掌握，為下一步學習打下良好的基礎，從而激發學習者進一步學習的愿望。此外，及時的反饋還能幫助學習者及時發現、糾正他們自身存在的問題與錯誤，從而調整學習計劃，有助于提高學習效率。相反，如果沒有反饋或反饋不及時，學習者無法得知或很久以后才得知自己的學習結果（如作業正確與否），那么，學習者就很難保持已有的學習熱情，學習興趣也會大大降低。所以，對于MOOC學習者來說，及時的反饋是非常重要、也是非常有必要的。
相對于傳統課程，MOOC課程的評價反饋是比較及時的。比如：Coursera為學習者提供多次自動測試機會，每次測試后學習者通過系統可以得到分數反饋。Udacity為學習者提供Submit Answer，可以及時在output中得到反饋答案[14]。在客觀題作業方面，一般采用機器自動評閱的方式，學習者提交作業以后，會立即得到反饋（直接看到評閱結果）；在主觀題方面，主要采用同伴互評的方式，雖然不能立即得到反饋，但其時間一般不超過兩周，學習者可以在相對較短的時間里得到反饋。
數據挖掘學習計劃范文6
關鍵詞： 職業測評 學業評估 專業發展規劃
大學生學業規劃即專業學習與發展規劃，簡稱專業發展規劃，是一個近幾年才提出的全新理念，是一種新型的人才成長觀念，根源于職業規劃的概念與理論，是職業生涯規劃在大學階段的階段性規劃。目前，大學生個人專業發展規劃還很不完善，大學生專業學習與發展普遍缺乏系統化、個性化、全程化的指導。隨著我國高等教育專業與教學改革的不斷深入，提高人才培養質量成為改革的目標和關鍵，建立系統化、個性化、全程化的學生個人專業學習與發展的專家指導系統意義重大。
一、系統設計的現實意義
（一）設計和開發專業規劃系統是提高畢業生就業質量的需要
高職畢業生的就業質量低成為當前就業工作要考慮的新問題。麥可思調查了長三角地區85所高職院校，對6.3萬名2009屆畢業生進行了分析。月收入和專業對口率是衡量就業質量的重要指標[1]。調查顯示：高職院校開辦的專業越多，其畢業生專業對口率越低，工作的穩定性越低，離職率越高，就業質量就會降低。其關系如圖1所示。
圖1 開辦專業數量與對口率、離職率的關系圖
目前，高職院校開辦的專業數量普遍較多，就業質量不高成為普遍存在的問題。綜上所述，學校需要對高職學生進行全面的學習指導，幫助他們制訂個人三年專業學習與發展規劃，使畢業生的專業能力和綜合能力更能適應企業和崗位要求，從而提高高職院校人才的培養質量，最終提高高職院校畢業生的就業質量。
（二）設計和開發專業發展規劃系統是培養新生專業適應能力的需要
高職院校新生入學后，普遍對專業學習迷茫，不適應。鑒于高職新生的專業適應性和專業發展問題，我國許多高校已積極采取相應的措施[2]，如：給班級配備班主任和專職學生輔導員；建立“導師制”，給每個學生配備專業導師；在大一年級引入職業生涯規劃教育，用學生的職業生涯發展引導整個大學教育；在畢業生中開設就業指導課等，但這些措施效果都不盡如人意。
（三）設計和開發專業發展規劃系統是我院教學改革和人才培養水平提升的需要
目前，我院正在試行“1+1+1專業導師制”[3]，第一個“1”是指從中學生向大學生的轉換，最后一個“1”是指從大學生向準社會事務工作者的轉變，中間一個“1”是指處在兩次角色轉換當中的“學業精進期”。三年學業期，三個階段，整個過程為“1+1+1”，在每個“1”的階段中，都有雙重專業導師（專職導師和兼職導師）的全程參與，從思想、基礎知識、專業知識、專業技能、專業規劃，給予其三年的學業發展指導。但是，導師們教學和科研任務比較繁重，每位導師指導的學生眾多，事實上，并不能很好地給予每名學生全程化、個性化、系統化的指導。
為此，筆者提出利用計算機網絡技術和人工智能技術開發基于Web的高職學生專業學習與發展規劃的專家系統，使學校的“1+1+1導師制”向數字化方向發展，利用該系統為學生專業發展提供全程化、個性化、系統化、專業性的指導，把導師們從繁重的指導任務中解放出來。
二、系統設計的相關技術
（一）編程技術及相關工具
系統的各模塊均采用ASP/+ISS6.0技術實現，利用微軟Visual Studio 2008作為開發工具，數據庫采用Microsoft SQL Server 2005。ASP具有跨平臺性，不需要考慮每個客戶端的硬件配置和操作系統。Visual Studio 2008提供了高級開發工具、調試功能、數據庫功能和創新功能，幫助在各種平臺上快速創建當前最先進的Web應用程序。
（二）流媒體傳輸技術
系統的職前課堂點播模塊使用實時流式傳輸的流媒體技術。該技術可以實現用戶邊下載邊播放，而不需要等整個文件下載到本地計算機再播放。實時流式傳輸與順序流式傳輸不同，它使用專用的流媒體服務器和傳輸協議，可以在傳輸期間根據用戶連接的速度做調整，可以對播放速度、快進、后退、暫停等進行控制，既可以觀看前面的內容，又可以觀看后面的內容。
（三）數據庫訪問技術
數據庫訪問使用ADO數據庫訪問技術。ADO（ActiveX Data Objects，ActiveX數據對象模型）是微軟公司提供的COM組件，作為訪問數據庫的接口。ADO是最新的數據庫訪問技術，它建立在COM的體系之上，它的所有接口都是自動化接口，因此在C++、Visual Basic、Delphi等支持COM的語言中通過接口都可以訪問到ADO。ADO通過COM接口訪問數據，可以訪問各種類型的數據源，既適合SQL Server、Oracle、Access等數據庫應用程序，又適用Excel電子表格、文本文件和郵件服務器。特別在一些腳本語言中訪問數據庫是ADO的主要優勢。
（四）數據庫的連接池技術
采用數據庫連接池技術提高數據庫連接使用的效率和系統的性能。在Web應用系統中，ADO通過ODBC驅動程序訪問數據庫中的數據，每一次數據訪問請求都必須經歷建立數據庫連接、打開數據庫、存取數據和關閉數據庫連接等步驟，而連接并打開數據庫是一件既消耗資源又費時的工作。對于一個簡單的數據庫應用，由于數據庫訪問不是很頻繁，可以在訪問數據時，創建一個新連接，用完后關閉。對于基于WEB的高職學生個人專業學習與發展規劃系統而言，大量的學生同時在線職業測評和學業評估，需要頻繁發生建立連接、關閉連接的數據庫操作，系統的性能必然會急劇下降，甚至會導致系統崩潰，因為請求需要建立通訊，分配資源，進行權限認證，經過實際使用，這些工作很少能在一兩秒內完成，因此對于連接的使用成了系統性能的瓶頸[4]。數據庫連接池技術是解決這個問題最常用的方法。連接池允許應用程序從連接池中獲得一個連接并使用這個連接，一旦一個新的連接被創建并且放置在連接池中，應用程序就可以重復使用這個連接而不必為每一個連接請求重新建立一個連接[5]，不同的數據庫訪問請求就可以共享這些連接。這樣，通過重復使用這些已經建立的連接，就可以克服上述缺點，極大地節省系統資源和時間。
（五）Agent人工智能技術
Agent技術來源于分布式人工智能DAI領域，也稱智能主體。在分布計算領域，人們通常把在分布式系統中持續自主發揮作用的、具有自主性、交互性、反應性和主動性特征的活著的計算機實體稱為Agent[6]。從邏輯上講，一個分布式系統可以定義為由多個相互作用的Agent組成的系統，各種分布式系統的差異主要表現為其中Agent的角色和交互方式上的差別[7]。
基于本系統專業評估模塊對學生專業學習評估的要求，將“Agent”的概念和方法引入學業評估模塊和專業規劃模塊。這兩個模塊可以被視為由多個相互關聯的不同層次的流程組成的，其中每個流程都可以是一個獨立的Agent的子系統[8]。如對學生基本信息庫與學生檔案庫處理的信息處理Agent，對學生自我評估作分析的數據挖掘Agent，系統分析與評估的Agent，系統預測與專業規劃Agent等。每一個Agent都預定義的工作流程，完成一定的工作任務，且可以根據與定義的工作流程自主地從一個流程轉到另一個流程，也就是從一個Agent傳遞到另一個Agent，多個Agent協同工作，實現專業評估功能和專業學習與發展計劃生成功能。
三、系統設計的具體方案
（一）系統總體框架設計
基于Web的高職個人專業發展規劃專家系統由人機接口、應用平臺、信息庫管理系統、應用支撐層、基礎設施層五個部分組成，如圖2所示。
圖2 系統總體架構圖
（二）系統網絡體系結構
系統采用三層B/S體系的網絡架構，客戶端只需安裝瀏覽器，就可以使用該系統。ASP應用程序所有代碼都在服務器上運行，瀏覽器不參與接受腳本程序，就大大簡化了客戶端電腦載荷。因此，系統升級和維護主要在服務器上完成，減輕了系統維護與升級的成本和工作量，降低了用戶的總體成本。在B/S三層體系結構下，表示層、業務層、數據層被分為三個相對獨立地單元，使客戶機無法直接對數據庫進行操作，有效地防止了非法入侵[9]。
（三）系統主要功能模塊設計
基于web的高職學生個人專業發展規劃系統的本質是高層次、智能型的專家系統，它必須具備某個專業的專家知識，了解不同學生特點，能夠根據學生的特點和興趣，調用agent（可以理解為：智能助理）對他們進行專業學習的指導和幫助，并智能生成其學習計劃與專業規劃[2]。
1.專業引導模塊的設計
本模塊主要有前臺學生用戶頁面和后臺管理員頁面。在該模塊中，前臺學生用戶主要是瀏覽專業信息和下載學習資源；后臺管理員和管理專業信息及學習資源。在學習資源中，對于多媒體課件的上傳，利用無組件上傳與Web集成技術；對于視頻文件，用Helix Server或Windows Media Server構建流媒體服務器。
2.職業規劃測評的設計
職業規劃測評模塊是職業規劃和專業規劃的基礎。職業規劃測評包括職業性格、職業傾向、情商測試、職業潛能與能力測試等。本系統職業測評模塊的使用分為三個階段，分別是入學階段、大學中期和就業前。職業測評本質上是一個在線考試和評估系統，測評結果作為學業評估階段自我評估和系統評估的依據。
3.學生信息庫模塊的設計
學生信息庫模塊即檔案袋模塊，其主要記錄了學生從入學到畢業的基本信息、學習成績、在校期間所取得的各項成果和榮譽、學生的個性特點、興趣愛好、特長，職業測試、系統評估結果與建議、專業學習計劃、職業生涯規劃及計劃的執行效果，等等。此模塊具有實時更新、連續追蹤等功能，為評估模塊開展有效的評估提供基本的、可以參考的信息。檔案袋模塊由班主任、輔導員在系統的WEB平臺上完成。
4.學業評估規劃的設計
評估模塊是系統的核心，該模塊主要采用Agent人工技能技術的實現。本模塊包括兩個子模塊：自我評估和系統評估。自我評估的評估指標有學生個人的性格特點、興趣特長、學習習慣、專業基礎和對本專業各個研究方向的認識、自我的學習感受和反思，等等。學生每個月進行一次過程性評估，每學年進行一次總結性評估。系統評估模塊是一個嵌入了人工智能的專家系統，即通過專家的經驗對學生進行系統、科學的分析，幫助學生選擇適合自己的并且感興趣的方向。系統評估要在學生自我評估的基礎上，結合各個專業方向學習的特點和要求，幫助學生選擇專業學習的子方向。自我評估和系統評估都要貫穿于整個專業學習發展過程，隨著學生年齡的成長、專業學習的深入、自我評估的不斷進行，系統評估將逐漸成熟，并能夠適時調整思路，為學生提供準確的專業學習建議。在學業評估中，職業測評結果和學生信息庫（成長檔案記錄）為系統評估提供了依據。通過相關模塊的結合，為學生確定今后的專業學習的研究方向提供建議。
5.專業規劃的設計
專業規劃模塊是本系統的關鍵。在專業學習與發展規劃模塊中，系統會根據學業評估模塊中關于學生專業學習的建議和學生信息庫模塊中學生的各方面情況，幫助學生逐步制訂專業學習與發展規劃，主要流程是系統自動生成初步的專業學習計劃、專業導師審核系統計劃、學生在專業導師的指導下執行和完善學習計劃，逐步形成專業學習與發展規劃。
四、結語
本課題從學生個人專業學習與發展指導的全程化、個性化、專家化出發，結合揚州工業職業技術學院“1+1+1專業導師”制試點工作，同時結合我在學院從事就業工作和擔任職業生涯指導老師五年的經驗及與兄弟院校同仁交流的經驗，決定利用B/S模式結構的優點，搭建基于Web的高職學生個人專業學習與發展規劃的專家系統。當前階段，已經完成了系統方案的設計，下面要做的工作是學業評估階段評估指標的選取與優化，以及使用相關技術實現系統的開發。隨著系統的運用，必將促進我院專業與教學改革，推動我院人才培養，提高我院大學新生專業的適應性和畢業生就業質量。
參考文獻：
[1]劉旺生.對高職院校辦學特色的再認識[J].高等職業教育，2010，4（12）：11-13.
[2]程君青，唐偉.基于Web的高職學生個人專業發展規劃系統的設想[J].中國職業技術教育，2010，（14）：31-33.
[3]王斌.揚州工業職業技術學院專業導師制1+1+1人才培養[J].職業技術教育，2011，（33）：56-57.
[4]江莎.基于Java的數據庫連接池的研究[D].湖北：武漢理工大學，2006.
[5]王春梅.基于B/S架構的高校就業系統的設計與實現[D].大連理工大學，2007.
[6]段宗濤.多Agent系統研究與開發[D].陜西：長安大學，2002.
[7]姜鳳敏.普適計算環境下基于Agent的數據流處理機制研究[D].江蘇：南京郵電大學，2009.
