- 相關推薦
學前教育師資信息素養的挖掘模型設計論文
摘 要:數據挖掘模型的設計,對于整個挖掘過程起到了至關重要的作用,本文針對學前教育信息素養的調查表,圍繞著數據庫設計、數據準備、挖掘方法的選用、模型建立四個方面進行闡述,針對調查表中的若干重要的問題進行分析、研究,從而建立挖掘模型,為最終的數據挖掘做好準備.
關鍵詞:學前教育;信息素養;數據挖掘;模型設計
前言
圍繞著學前教育師資信息素養體系,國內各個機構對其研究較為缺乏,沒有一個現成的模式可以借鑒,本人參考《江蘇省東臺市幼兒園的信息素養調查研究報告》為參考,請教學院的學前教育領域專家,與一線教師交流,根據自身多年信息技術教學的經驗,形成了《學前教育師資信息素養調查表》,從教師基本信息、信息意識與態度、信息知識與技能、信息整合與創新、信息道德與安全、信息技術的培訓等六個方面進行研究,對廈、漳、泉、莆田等地公辦、民辦、私立幼兒園的教師展開調查,希望通過數據挖掘技術,發現幼兒園教師的信息素養現狀及其影響因素.
1 “學前教育師資信息素養”數據庫設計
首先,利用Access的建表功能,先建立“學前教育師資信息素養”數據庫,根據調查表中設置的六大部分,分別創建6個表,分別為“教師基本信息”(grxx)、“關于信息意識和態度”(ystd)、“關于信息知識和技能”(zsjn)、“關于信息整合與應用”(zhyy)、“關于信息道德與安全”(ddaq)、“信息技術培訓”( jspx).對各部分中的每個問題設立一字段,以縮寫形式為字段名,如“信息技術自評”的字段名為“Jszp”,“家庭上網條件”的字段名為“Jtswtj”.而每個問題的答案都是以選項形式填寫,所以每個字段的數據類型均設置為文本.為了便于管理,我們對每個教師都進行了編號,并將編號設為每個表的關鍵字.
2 數據準備
2. 1 數據收集本文數據的來源主要通過兩種渠道:網上問卷調查以及網下問卷收集,研究對象為廈門、漳州、泉州、莆田、龍巖等五個地區的學前教育一線教師.
由于泉州兒童發展職業學院多年來都是面向廈門、漳州、泉州、莆田、龍巖等五地招生,畢業生也基本上分布在這五個地區,因此本文收集的數據有一定的區域特點,即調查對象具有較相似的教育教學背景,這樣給統計、分析提供了很大的方便,使得數據更加精確.
我們根據事先設置的《學前教育師資信息素養調查表》的內容,將調查表以網頁的形式發布在網上,供教師填寫;有了網絡工具,我們能收集到更多的數據,從而使調查結果更加準確.在服務器端收集的數據,直接以Access數據庫形式保存下來,然后添加到SQL Server數據庫中.
2. 2 清洗數據
該過程用于提高數據質量,使數據達到分析所要求的標準.數據清洗過程包括子數據集的選擇和缺失值的處理.
因為數據質量是決定挖掘成功與否的關程中對一些重要字段進行數據質量檢查是十分必要的.
缺失值是指數據集中無法知道、沒有搜集或者錯誤錄入的值.一般來說對于它們所屬的字段這些值是無效的.對于此類問題需要觀察缺失值情況,考慮舍去其后對預測的結果是否有較大的影響.
本文中,利用問卷形式收集來的數據,在手工錄入的過程中,發現了有許多字段存在缺失值問題,表現為:有的題目中沒有“D”選項,但老師的答案中卻出現了“D”的選擇;
有的題目答案為空;還有的選擇不合邏輯,比如“年齡”選擇為“20 ~ 30”,而“教師職稱”卻選擇為“特級”.諸如最后一種選擇,在此我們先不做處理,本文主要針對前兩種缺失情況進行研究.
第一種情形下,以“jjntff”字段(字段含義為“解決教育教學難題采用方法”)為例,選項中只有A、B、C三個選項,但結果中出現了7個D的選項,造成數據錯誤有可能是教師填寫錯誤或者是錄入員錄入失誤,在這里我們將這些錯誤值定義稱缺失值,然后利用Excel工具,發現該題目中C出現頻率最高,因此將7個缺失值修改為C.
第二種情形,我們對于答案為空的題目先放空,然后在所有數據填寫完整后,再采用類似第一種情況代替方式,以出現頻率最高的選項填寫之.
2. 3 選擇數據
利用Business Intelligence Development Studio工具,新建一名為“信息素養挖掘”的Analysis Services項目,導入數據源,然后將數據源轉化成數據源視圖,再進行“選擇數據”.
“選擇數據”是用來決定用于分析的數據.在整合數據過程中、構建數據庫之后,有一些字段會和分析無關,這里就是要對字段進行過濾.
選擇數據是指對一些變量的選擇取舍.選擇數據過程包括字段的選擇和記錄的選擇.我們這里主要針對字段進行選擇.在調查表設置初期,由于對目標問題理解不夠細致,雖然有幼教專家的指點,但在學前教育師資信息素養領域中,有關研究還是比較缺乏,因此我們在設置數據表時考慮也不夠完善,有關字段設置可能是多余的,這也需要通過數據挖掘過程去發現.由于篇幅限制,本文只針對每部分中的典型項目進行挖掘研究.
3 挖掘方法的選用
在學前教育領域中,問題調查一般選項式、問答式的題目來實現,針對選項式的調查,以下我們將對本文涉及的問題進行研究.
3. 1 關聯規則的選用
挖掘關聯規則的過程,就是尋找具有內在、隱性聯系信息的過程.隨著收集和存儲在數據庫中的數據規模越來越大,人們可以從中挖掘出更可靠、更有價值的關聯規則.參與關聯規則挖掘的數據項可以沒有顯性的關聯特征,正是要通過挖掘,探討它們之間的內在聯系.
通過對調查表的分析,我們發現各字段之間的關系可分為兩種情形.其中一種有著內在或外在聯系,如在“教師職稱結構與自評”中,教師年齡與教師職稱字段之間有著隱形的聯系,即不同年齡的教師具有不同的職稱,而教師年齡與信息技術自評、教師職稱與信息技術自評之間的關系則是用戶所關心的問題,這個關系需要通過研究得出.根據關聯規則的適用范圍及其目的,我們發現只有關聯規則最接近客戶的要求:通過挖掘,得出不同年齡、不同職稱教師對自我信息技術的評價,即相互間的制約、相互影響的規律.
我們這里可以設定教師信息技術自評為預測字段,將年齡和職稱設置成輸入字段,這樣通過挖掘,便可以得到年齡與信息技術自評、職稱與信息技術自評的關聯規則.
從上面的例子我們可以發現,當問題相關的字段是不同范圍的,或者有一項是不同范圍的,則可以使用關聯.
3. 2 聚類方法的選用
通過聚類,人們能夠自動發現數據集中的數據由于其各自的相似性和相異性被分成不同的類,這些類別具有明顯的特征,進而發現全局數據的分布模式,以及數據之間的有趣的、隱含的相互聯系[13].
在調查表中,我們可以發現字段之間的另一種關系———各字段之間都是相對獨立,是同一個范圍的不同方面.這里以“教師多媒體軟件使用情況”問題為例.
該問題包含了四個字段,分別為“使用powerpoint情況”(Ppt)、“使用flash情況”(Flash)、“使用authorware情況”(Aw)、“Photoshop制作”(Psdzz).這四個方面都是屬于教師使用多媒體軟件能力的調查,每種能力之間都是相對獨立的,而用戶關心的是發現哪些教師能夠使用哪些多媒體軟件,從而對不同教師設定進行不同的培訓內容.根據聚類方法的適用范圍及其方法特點,我們發現只有聚類方法最符合用戶的需要:通過挖掘,將教師分成若干類別,每個類別都有區別于其他類別的顯著特征,這樣使得培訓部門可以有的放矢的進行針對性教學.
在此,我們將問題中的每個字段都設置為輸入和預測字段.
從上面的例子我們可以發現,當問題相關的字段是同范圍的不同方面,則可以選擇聚類方法進行挖掘,得到需要的結果.
4 數據用法的定義
在利用SQL Server 2005 Analysis Services進行數據挖掘時,需要先指定包含據以生成模型的定型數據的數據源視圖,設置表中的項目,并指定事例表中列的用法.
4·1 定義數據表的類型
在SQL Server2005 Analysis Services中,數據必須作為包含在事例表中的一系列事例提供給數據挖掘算法.不是所有的事例都可以用一行數據就可以說明.例如一個事例可能派生自兩個表,而一個表也可以派生出兩個事例,因此Analysis Services提供了數據集的解決方法,可以表示多種數據來源方式,并提供了嵌套表方式.
4·2 指定數據列的用法
指定了事例表后,就可以確定要包括在挖掘結構中的表的每一列使用類型.數據挖掘列可以為下列四種類型之一:鍵列、輸入列、可預測列或輸入列和可預測列的組合.鍵列包含表中每個行的唯一標識符.輸入列提供據以進行預測的信息,而預測列包含要在挖掘模型中預測的信息.
5 建立模型
針對教師信息素養調查表設計,我們將其分為三大部分:個人信息意識與態度、個人信息知識和技能水平、個人信息素養綜合因素以及學習目標,對于每個部分,我們僅提取每部分中的一個主要問題進行挖掘模型設計.
5. 1 個人信息意識與態度的挖掘模型設計“教師職稱結構與自評情況”挖掘模型設計
(1)指定“列”的用法根據調查表內容,相關字段為“教師年齡”(Age)、“教師職稱”(Zc)、“信息技術自評”(Jszp),我們通過“教師年齡”、“教師職稱”這兩個字段來預測出教師“信息技術自評”的情況,從而了解不同層次教師的信息自我評價.
根據前面所述,在進行挖掘時,首先要指定數據源中“教師基本信息”(Grxx)為事例表,然后從中提取出“Age”、“Zc”、“Jszp”三個“列”(字段)組成挖掘結構,其中“Age”、“Zc”為“Input”屬性,“Jszp”為“Predict”屬性.
(2)挖掘算法的選擇及其參數設置根據挖掘方法的特點,這里采用關聯規則挖掘方法,即研究不同年齡、職稱的教師對自我信息技術的評價情況.
例如教師年齡=‘20 ~ 30’ 信息技術自評=‘良好’;
教師職稱=‘二級’ 信息技術自評=‘良好’.
其中涉及到關聯規則挖掘算法的屬性設置,我們采用默認設置.
5. 2 個人信息知識和技能水平的挖掘模型設計“教師多媒體軟件使用情況”挖掘模型設計
(1)指定“列”的用法根據調查表內容,相關字段為“使用powerpoint情況”(Ppt)、“使用flash情況”(Flash)、“使用authorware情況”(Aw)、“Photoshop制作”(Psdzz),根據要求,我們指定數據源中“信息知識與技能”(Zsjn)為事例表,提取出“Ppt”、“Flash”、“Aw”、“Psdzz”四個“列”組成挖掘結構,列屬性均為“Input and Predict”.
(2)挖掘算法的選擇及其參數設置在此我們利用挖掘,了解教師對于四種多媒體軟件的了解、掌握程度,并自動分成具有顯著特征的若干個類別,然后找出每個類別中的共性,也就是說通過挖掘,希望能將教師進行分類.根據前面所述,我們認為聚類分析挖掘算法最為合適.
根據聚類分析挖掘算法的屬性設置,我們同樣將CLUSTER_COUNT修改為0,為了最準確地確定要生成的分類數.
5. 3 個人信息素養綜合因素以及學習目標的挖掘模型設計“信息化教學意識”挖掘模型設計
(1)指定“列”的用法根據調查表內容,相關字段為“信息化教學設計重點”(Xxhjx)、“信息技術運用教學”(Xxjsyy)、“多媒體教學方法的運用”(Dmtjx)、“多媒體教學與傳統教學區別”(Dmtct).
根據要求,我們指定數據源中“信息整合與應用”(Zhyy)為事例表,表4-4所示,提取出“Xxhjx”、“Xxjsyy”、“Dmtjx”、“Dmtct”四個“列”組成挖掘結構,列屬性均為“In-put and Predict”.
(2)挖掘算法的選擇及其參數設置上述四個字段都是教師對于信息技術在教學中應用的理解以及使用情況的不同方面,我們希望通過挖掘,了解不同類別教師的共性.根據前面所述,我們認為,聚類分析挖掘算法最為合適.
根據聚類分析挖掘算法的屬性設置,我們同樣將CLUSTER_COUNT修改為0,為了最準確地確定要生成的分類數.
5. 4 綜述
至此,我們已經將整個數據挖掘模型的結構建立起來,對于其中典型問題進行了分析,選擇了適用的挖掘方法,為其他問題的挖掘方法選擇提供了參考,為最終結論的產生起到了至關重要的作用。
【學前教育師資信息素養的挖掘模型設計論文】相關文章：
復雜網絡數據挖掘論文11-15
學前教育論文06-16
職業素養論文（通用5篇）11-13
學前教育論文題目07-20
致謝學前教育論文11-04
學前教育教育論文11-15
學前教育選題論文11-10