前言：中文期刊网精心挑选了数据挖掘学习计划范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
数据挖掘学习计划范文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
我校的多媒体技术公选课面向全校各年级各专业本科生开课，因此选修本课程的学生来源较复杂，其计算机基础参差不齐。过往统一步调的授课模式满足不了不同层次学生的需求，所以从2011年开始，本门课程实施教学改革，以多媒体技术在线学习平台为基础，结合课堂授课开展个性化教学，把多媒体技术包含的四大媒体技术课程：图像处理、音频处理、视频处理和动画制作做成讲座的形式，每一门课程分别包含两到三次的讲座，学生根据自己的情况选听选学。每门媒体技术不同难易度的学习资料都放在学习平台里，学生可以自由选择学习资源，并通过网络或课堂与同学和老师进行学习交流。考核方式为每一门课程最后一次讲座讲完后在学习平台上进行随堂考试，要求每位学生至少选考其中三门。本门课程期末考试也在学习平台上进行，要求全体学生都必须参加。本教改实施五年来，学生反应良好，同时多媒体技术学习平台网站上存在着大量学生成绩和教师教学及管理过程中的相关数据，那么这些数据之间存在着怎样的联系，是否蕴藏着教与学之间的知识和规律？由于数据挖掘技术能够发现隐藏在海量数据中的潜在联系和规则，从而预测未来的发展趋势[1]，因此我们把该技术引入学习平台中的信息资源管理系统，把大量积累的教学基础数据建立数据仓库[2]，在这基础上运用数据挖掘手段从中快速准确地提取出重要的信息和有价值的知识，找出影响学习成绩的因素，为进一步改善个性化教学的教学质量提供数据支持和决策参考。
1 数据仓库多维数据模型的建立
数据仓库的逻辑数据模型是多维数据模型。目前使用的多维数据模型主要有星型模型和雪花模型。一个典型的星型模式包括一个大型的事实表和一组逻辑上围绕这个事实表的维度表[3]。雪花模型是对星型模型的扩展，将星型模型的维度表进一步层次化，原来的各维度表被扩展为小的事实表，形成一些局部的层次区域[3-4]。建立本课程数据仓库时，为了减少数据冗余，改善查询性能我们采用雪花模型结构，如图1所示。建立以学生选课为中心的选课事实表，三个主维度表“学生表”、“成绩表”和“时间表”分别通过“学生键”、“成绩键”和“时间键”与事实表直接关联。其中，主维度表中的“学生表”和“成绩表”都有各自的二级维度表，与事实表间接关联[5]。
2 采用Apriori算法的关联规则挖掘
关联规则用于揭示数据与数据之间未知的相互依赖关系，即在给定的一个事物数据库D，在基于支持度-置信度框架中，发现数据与项目之间大量有趣的相关联系，生成所有的支持度和可信度分别高于用户给定的最小支持度（min_sup）和最小可信度（min_conf）的关联规则。关联规则挖掘算法归结为下面两个问题：（1）找到所有支持度大于等于最小支持度（min_sup）的项目集（Item Sets），即频繁项目集（Frequent Item Sets）。（2）使用步骤（1）找到的频繁项目集，产生期望的规则。两步中，第（2）步是在第（1）步的基础上进行的，工作量非常小，因此挖掘的重点在步骤（1）上，即查找数据库中的所有频繁项目集和它的支持度[4]。本课题对多媒体技术课程学习平台中所有考试成绩进行关联规则挖掘，采用Apriori算法查找频繁项目集。
Apriori算法通过逐层迭代来找出所有的频繁项目集L。用户需要输入事物数据库D和最小支持度阀值min_sup。实现过程为：
1）单次扫描数据库D计算出各个1项集的支持度，得到频繁1项集构成的集合L1。
2）连接：为了产生频繁K项集构成的集合，通过连接运算预先生成一个潜在频繁k项集的集合Ck。
3）剪枝：利用Apriori算法“任何非频繁的（k-1）项集必定不是频繁k项集的子集”的性质，从Ck中删除掉含有非频繁子集的那些潜在k项集。
4）再次扫描数据库D，计算Ck中各个项集的支持度。
5）剔除Ck中不满足最小支持度的项集，得到由频繁k项集构成的集合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）； //新的潜在频繁项集（4）for all transactions t∈D do begin（5） Ct=subset（Ck，t）；//t中包含的潜在频繁项集（6）for all candidates c∈Ct do begin（7） c.count++；（8）end；（9）Lk=c∈Ckc.count≥inmsup（10）end；（11）Answer=UkLk；]
求出频繁项集L后，1）对于L中的每一个频繁项目集l，产生l的所有非空子集。2）对于l的每一个非空子集s，如果，[sup_count（l）sup_count（s）≥min_conf]，则输出规则：SL-S[4]。
本课题对近五年选修多媒体技术的学生所有成绩数据进行清洗，填补空缺值，去噪，类型转换，集成等处理后放入数据仓库中，系统采用Apriori算法找出所有的频繁项集。为了便于进行关联规则的挖掘，对成绩数据进行离散化处理，转变成标称型变量[5]。成绩score（简化为“s”）在85-100区间的表示“优秀”，标记为“1”，在70-84区间的表示“中等”，标记为“2”，在60-70区间的表示“合格”，标记为“3”。多媒体技术每门媒体技术课程：图像处理、音频处理、视频处理、动画制作和最后的期末考试分别用A、B、C、D、E表示。学生的学号用StudentID表示，那么每个学生选修的N门课和最后期末考试的成绩可以表示为{StudentID，Asa，Bsb，Csc，Dsd，Ese}，其中Sa，Sb，Sc，Sd，Se的取值范围是{1，2，3}。例如{ 2011204543021，A3，B1，D3，E3}表示学号为2011204543021的学生，选修了图像处理，音频处理和动画制作这三门媒体技术，其中图像处理成绩为合格，音频处理成绩为优秀，动画制作成绩为合格，期末考试成绩为合格，该名学生没有选修视频处理，故没有这门科目的成绩。
设定最小支持度阀值min_sup为3%，最小置信度阀值min_conf为70%，系统采用Apriori算法进行数据挖掘，得到满足最小置信度阀值的规则和相应的置信度如表1。
挖掘结果分析：表1的关联规则体现学生选修的媒体技术课程种类、科目数量与期末考试成绩之间的相互关系。可以看到期末考试成绩属于中等（E2）或合格（E3）级别的，学生全选四门媒体技术比只选学三门的置信度高，即选课数量多的较容易及格或获得中等的期末成绩。另外，在选课种类方面，选B这门课，即选音频处理的学生比较多，是一个概率比较高的事件，可能这门课内容比较少和易掌握，因此选学选考的学生就多。但这门课的成绩对期末考试成绩影响不明显，说明教师这门课出的考题区分度低，没能反映出学生的水平层次。在最小支持度阀值min_sup为3%的情况下，选A（图像处理），C（视频处理）和D（动画制作）这几门课并获得优秀成绩（A1，C1，D1）的很少，即小概率事件被过滤掉了，没能挖掘出它们与期末成绩之间的关联性。但这几门课程成绩中等或合格与期末成绩存在内在关系，也就是说如果这几门课成绩都是中等的，期末考试成绩大部分都为中等，一小部分可以达到优秀。如果这几门课成绩都是合格，期末考试成绩就是合格。说明这几门课程的考题比较真实反映出学生掌握技能的实际水平，致使期末综合性的考试成绩与学生平时掌握程度相符合。这也意味着个性化教学具有一定的成效。
本课题对近五年的学生多媒体技术每科成绩与期末成绩进行聚类分析，把学生划分到若干不同的类中，分析各个类的特征，从而考察实施个性化教学后的效果。设定85分，75分和65分为三个初始的聚类中心，对学生的所有成绩进行聚类分析，找出同一类别学生的学号，以此为索引，查找到该类中各个学生的专业与年级，绘制出饼状图，再绘制出该类学生所选各门媒体技术的平均分柱状图，通过这几个图表考察不同专业不同年级学生在本门课程优秀中等合格若干成绩区间的分布情况，从而检查实施个性化教学的效果，为今后的改进方案提供参考。例如调整后得到的最终聚类中心为82分的学生，各门媒体技术的平均分和专业、年级分布如图3～图5所示。
从上面几个图可以看出，成绩为优秀的学生主要来自美术、计算机和电信这几个专业，大三、大四的学生比较多。分析其中的原因，主要是美术学院很多专业课需要用二维、三维图像软件或视频软件进行制作和处理，他们对这门课程已经有一定的基础，所以学起来比较轻松，也容易取得高分。而计算机和电信专业中高年级的学生学习和使用软件的能力比较强，因此掌握多媒体技术各个媒体软件较其他专业学生快，并且能够灵活运用，因而较易取得比较优异的成绩。
最终聚类中心为64分的学生，各门媒体技术的平均分和专业、年级分布如图6～图8所示。
从图中可以看出，这个类别的学生主要来自文科方向的专业，年级分布差异不大，大四所占百分比稍微比其他三个年级略高，有可能是学生们最后一年为了修满选修课学分而选了这门课，目的是混个及格拿到学分，因此学习积极性和学习态度不佳，导致大部分成绩徘徊在60来分。还有一种可能性是大四学生毕业在即，需要写简历找工作，做自我介绍作品等，觉得掌握一些多媒体技术可以作为辅助工具因此选了本门课程。可惜有效学习时间明显不如前三年充足，加上文科方向的同学计算机基础和软件学习能力较理工类学生薄弱，因此成绩不太理想。
数据挖掘学习计划范文2
随着高校办学规模的不断扩大以及学校专业的不断增多，使得学校的教育管理工作变得越来越复杂化，越来越难管理，特别是针对学生成绩信息的管理，由于学生的倍增，成绩的管理与维护工作更是艰难。做好成绩管理工作，对学校的发展有特定的实际意义，也是各个学校最为关心并且要迫切解决的重要问题，所以随着学校对成绩信息资源利用要求的提高，原本的成绩管理模式已经不能再满足学校的实际应用需求，只有设计更为有用的，能够挖掘出学生成绩价值信息中隐藏的价值，才是最符合学校应用的应用系统。
二、学生成绩管理的作用
在高等学校的发展过程中，教学质量一直都是各个高校最为关注的重点问题，而学生的成绩是各个学校教学质量优劣的一个最重要的体现，因此，如何促进学校全体学生更好的提升学习成绩，关系到学校的长远发展计划，而对学生的成绩管理分析工作，是一个系统化的工作，所以通过对学生成绩的综合分析，明确学生在学习过程中的不足，有针对性地为学生解决学习上的困难，提升学生的整体综合素质与学习成绩，不管是对学校还是生活个人都拥有非常重要的积极促进作用。
三、数据挖掘技术成绩管理分析
数据挖掘技术在成绩管理中的应用，主要体现在学生成绩分析、考试题目优化、教学评价、教学方式选择以及课程的合理设置等几个方面。
1、学生成绩分析
学生的主要任务就是学习，学习成绩也是学生在校期间表现优劣与否的最直观的体现，也是学生在校期间所学知识掌握程度的最直观的表现方式，所以对学生提供一个全面客观的评价，是学校应该拥有的责任，也是对学生最好的关爱表现方式，然而在学校的成绩管理工作进行时，通常的做法只是简单的把学生的考试成绩录入到学校的系统软件，而通过数据挖掘技术对学生成绩进行分析之后，可以充分的找出学生成绩优劣与否与学生自身、与学校环境以及教师的教学质量之间的关系，进而为更客观的评价学生成绩的高低是学生自身原因造成的还是与学校有直接的关联，为进一步的更好的学习计划的制订提供了理论依据。
2、考试题目优化
考试的目的是为了更好的检验教师的教学效果以及学生的学习成果，是教学过程中一个重要的阶段。学校在教学时，通常是以期末考试成绩为评价学生的学期成绩的一个重要标准，然而在不同的考试教学下，学生的考试成绩是不相同的，如果仅仅以成绩评定一个教师或者学生是不客观的，为了更好的评定教学效果及学生学习的成果就要发掘学生成绩高低相关的影响，是试题较难还是教师教学方式的问题，因此就需要对这些因素进行分析，以探索更为有效的方法来评价试题的难易与成绩的关系，进而为下次试卷的出题提供帮助。
3、教学评价
评定学生对新接触事物理解及掌握程度是教育工作者的一个重要职责，通过对学生学习成绩的评定，可以触发学生的学习动力，也是考查学生真实水平的一种比较有效的方式。在学生成绩评价时，教师也要注意评价内容要客观全面、评价方式多样并注重自评与互评的结果，获取成绩评价数据才是最可靠有效的。针对学校不同学生的不同成绩评价数据，可以利用数据挖掘工具，对这些数据进行挖掘分析，通过工具获取不同学生最终的成绩结果，进而可以更客观的排除人为因素对学生评价的影响，也可以对学生的不足及时给予及时指正改正，不但减轻了教师的工作量还克服了教师主观评价给学生造成的不利影响，为更好的营造学习氛围以及学生之间的关系提升提供了很大帮助。
4、教学方法选择
不同的教师在教授课程时因为人员之间的差异，使用的教学方式也互不相同，也因此导致了学生考试成绩可能也互不相同，为了消除因教师教学方式差异给学生成绩造成的危害，就需要对不同教师教学模式下学生的成绩信息进行分析，以选择更优的教学方式实现对学生的教学，学生成绩数据挖掘技术的应用正好可以满足这一要求，通过对不同教学方式下学生成绩差异的研究，可以协助教育工作者更好的判别采取何种教学方式对学生学习才更有帮助，进而提高学生的整体学习水平。
5、课程合理设置
许多课程之间往往还存在着一定的关联关系，拥有固定的先后顺序，只有把前修课程学习完成之后才可以继续接下来的课程学习，否则会直接影响后续课程的理解与接受，影响学生的正常学习；在高等学校，通过对成绩数据价值信息的挖掘，可以利用学校成绩数据库中存放的历届学生各科考试成绩信息结合数据挖掘的相关技术进行分析，并通过相关的数据挖掘算法分析这些数据信息中隐藏的潜在的影响学生学习的价值信息，最终找出影响学生考试成绩的原因，并根据这些原因制订出相应合理的课程安排计划，为学生更好的学生服。
6、学生特征挖掘
通过成绩与环境因素的影响数据挖掘的研究，教师可以很好的掌握每个学生的学习状况，学生个人特征，并根据学生之间的不同差异，因材施教，最终把学生往更好的学习发展方向引导。为了更好的研究这一关系，可以利用数据挖掘工具，对学生学习成绩数据进行挖掘分析，通过挖掘工具的分析，不但可以获取不同学生最终的成绩结果，而且可以更客观的排除人为因素对学生评价的影响，最终对学生的不足及时给予及时校正，不但减轻了教师的工作量还克服了教师主观评价给学生造成的不利影响，为更好的营造学习氛围以及学生之间的关系提升提供了很大帮助。
数据挖掘学习计划范文3
关键词：Web挖掘技术；远程教育；个性化；服务
中图分类号：TP39
1 远程教育个性化学习模式
随着信息技术的发展，远程教育这种新型教育形式应运而生。现代远程教育通过网络技术、多媒体技术和现代通信技术等手段将信息技术和现代教育思想有机结合起来，它的开放、自主和资源共享等特点满足了“人人能学、处处可学”终身学习理念。
随着终身学习理念的不断深化，远程教育适应个性化学习需求越来越高，远程教育服务平台在教学设计、平台架构和资源优化上要满足对学习者实施个性化的远程学习服务。个性化学习强调学习的开放性、自主性和灵活性，这是个性化学习的主要特征。同时完成远程教育在网络环境下个性化学习需要网络技术的支撑，因此，它具有明显的技术性特征。从数据挖掘角度看，Web 挖掘技术是实现Web个性化服务的核心技术之一，建立个性化远程教育服务平台时Web 挖掘技术不失为数据挖掘技术的一个很好的选择。
在远程教育的个性化学习研究中，构建基于网路的个性化学习模式是重点。个性化学习具有开放性、自主性和灵活性特征，而基于网络的个性化学习还具有明显的技术性特征。从技术环境要素下设计个性化的学习模式，优化现有远程教育平台。主要设计目标有：（1）重构页面超链接。通过分析学生的学习需要，挖掘学生对知识的兴趣点，使需求多、访问量大的网页能够以更快捷、更有效的访问方式展现给学生，并重新优化网页超链接。（2）挖掘潜在数据关联。通过数据关联之间的重要信息，教师和教育管理者可以修改教学内容呈现形式，指导教学设计和修改测试难度系数等。（3）聚类分析提供导向。为学生动态提供浏览的建议，提供远程教育个性化服务。
2 Web 挖掘技术
Web挖掘是数据挖掘在Web上的应用。Web挖掘内容有：提取Web页面数据信息，分析页面之间的架构，挖掘站点的设计和分析用户访问信息等，是一种重要的数据挖掘技术。Web挖掘技术过程就是提取抽象的、潜在的和有价值知识的过程。Web结构挖掘、Web内容挖掘和Web使用挖掘是Web挖掘技术的三个分类。
2.1 Web内容挖掘。从内容、数据和文档中发现有价值的信息的过程称为Web内容挖掘。Web内容挖掘的对象纷繁多样，文本、图像、音频和视频等多媒体数据都可成为Web内容挖掘的对象。文本数据挖掘是Web挖掘中比较重要的技术领域，它主要针对无结构化文本，最近Web多媒体数据挖掘成为另一个研究热点，它涉及网络、多媒体的技术、数据库以及关于知识的决策等多个领域。
2.2 Web结构挖掘。分析Web组织架构和页面中的链接关系，挖掘隐藏在每个Web页面后面的链接结构模式称为Web结构挖掘。利用这种模式对网页进行分门别类、按照同一类型聚合，在此基础上寻找所需要主题的高访问量站点和核心页面，提升搜索引擎的性能。Web结构挖掘对提高页面采集效率、提升采集可信度方面也发挥很大指导作用。典型的方法有Page Rank算法和HITS算法。
2.3 Web使用挖掘。Web使用挖掘技术通过用户访问 Web 时留下的用户访问行为记录，用户会话，Cookies Logs，Web server Logs、Browser Logs、用户注册、登录、浏览等相关数据和用户在使用时与网站、其他用户之间的交互信息进行挖掘，了解用户的网络行为数据所具有的意义。Web使用挖掘有一般的访问模式挖掘和个性化访问模式挖掘两个方向。Web使用挖掘的个性化访问模式挖掘在远程教育个性化服务中发挥重要作用，主要是分析特定使用群体，比如记录使用者的登录时长和学习习惯，分析对学习资源的使用频度，为学生提供个性化教学服务提供有效的依据，提高学生对网站访问率和教学资源的使用率。
3 基于Web使用挖掘技术的个性化推荐系统
个性化推荐是指以远程教育中的学生学习需求为中心，通过信息采集和与学生交互，了解学生的学习特点，将其感兴趣的信息主动推荐给学生，个性化推荐系统是建立在Web使用挖掘技术上的一种高级智能平台，信息检索和智能系统技术集成于个性化推荐系统。
基于Web使用挖掘的个性化推荐系统分为离线准备和在线生成两部分：（1）离线准备是个性化推荐的准备阶段。首先根据用户的基础数据，分析用户的使用特性，挖掘用户的访问模式，最终得到一个模式库，包括数据预处理和模式提取。数据预处理的作用是：清洗并删除对挖掘无效的数据，提高数据挖掘的精确度，提升数据使用效率；模式提取阶段的作用是：通过聚类用户访问模式和频度序列访问模式对用户进行推荐服务。（2）在线生成是个性化推荐的服务阶段。通过目标用户使用习惯的分析， 生成动态推荐页面，为不同的用户提供个性化服务。典型的推荐系统有优化网页搜索引擎，社会网络过滤器等。
4.Web 挖掘技术在远程教育个性化服务中的应用
4.1 Web挖掘流程
Web挖掘技术能对学生访问信息进行挖掘，在挖掘信息的基础上建立起一个智能化和个性化的远程教育平台， 使不同的求学者在登录远程教育平台时能够得到个性化的教学服务。就像聘请的“私人教练”，根据学生特点进行教和学的个性化辅导。数据采集、数据预处理、模式发现和模式分析及应用是Web挖掘技术四大流程。（1）数据采集。学生登录远程学习平台，为Web数据挖掘提供大量有用的信息，如学习的个人信息、浏览的课程、访问的URL、学习的时长、资源类型的点击率等学习行为都为采集数据提供基础资料。（2）数据预处理。滤掉多余的记录，合并相关数据并将不恰当的或冗余的数据项从数据集里清除，通过会话识别和事务识别，对用户进行识别，准备进一步的数据挖掘。（3）模式发现。通过关联规则对学生学习行为和学习记录进行挖掘，发现学习者兴趣并动态地呈现给学生；根据分类聚类结果，将学生划分成不同的类型，提供给远程教育导学教师，为个性化教学设计和分类教学提供依据。（4）模式分析及应用。在经过模式发现处理后，生成的规则依旧数目庞大，呈现的信息利用率不高。模式分析就显得尤为重要，通过模式分析，进行技术处理，构建个性特征库，显现给学习者的信息易于理解和接受，应用在学习者学习过程中，为学习者提供个性化学习资源和个性化学习指导。
4.2 Web挖掘个性化服务应用
（1）在线学习。远程教育平台应用Web数据挖掘技术，经过学生数据信息采集，数据信息预处理等流程，应用适合的数据挖掘算法处理此数据信息，最后生成一种学生容易理解和接受的呈现方式将信息传递给学生。构建针对不同学生量身定做的个性化学习计划和学习方案。（2）实时教学。通过远程教育教学平台，全天候二十四小时学习成为可能，Web数据挖掘技术实时了解学习者的学习能力和学习偏好，远程教学导学教师根据这些信息有的放矢的开展实时教学。（3）智能答疑。在远程教学平台上建立智能答疑系统，可以根据学习者的访问日志文件，运用数据挖掘技术，针对学生用户提问记录、日志不断更新，调整数据库内容，智能抽取实现为学生的智能答疑。（4）实时考试。基于Web的远程在线实时考试系统，根据课程考核目标和考核内容要求，结合学习者求学目的和学习背景，提供多种试卷组合，做到难易相当、科学组卷。实时考试系统还能同步打分，实时给出考试成绩，根据学生的答题情况按试题所涉及的知识点进行统计分析，给出试卷评价信息。
参考文献：
[1]姚梦涛.基于Web日志的数据挖掘技术研究[D].西安理工大学，2010.
[2]刘彤.Web 数据挖掘技术在个性化远程教育平台中的应用[J].科技信息，2008（21）.
[3]巫莉莉等.Web 数据挖掘在远程教育个性化中的应用研究[J].微型电脑应用，2010 ，26（2）.
[4]闻永萍.基于WEB数据挖掘在远程教育中的应用研究[J].电脑编程技巧与维护，2011.12.
数据挖掘学习计划范文4
关键词：大数据;个性化教学;大学信息技术课程
伴随着大数据时代的到来，在计算机网络信息系统、数据挖掘、云计算等现代信息技术的支撑下，一方面高校学生学习的途径增多，通过网络可以接触到大量的知识和资源，而教师面对面讲授的教学方式难以提高学生的学习兴趣，传统的课堂教学面临新的挑战;另一方面，教育领域存储了海量的信息和相关数据，通过分析这些数据和信息，可以为学生的个性化学习提供服务。因此，面对大数据时代的挑战，高等院校的大学信息技术课程必须向因材施教、个性化教育的方向转变。
一、大学信息技术课程个性化教学方式改革
1.大数据时代个性化教学的可行性
大数据时代，教育资源极大丰富，借助网络等相关技术可以建立一站式教学信息平台，它包括网络课程、管理与评价系统、微课、教学视频点播等。通过这个平台，学生可以自主制定学习计划，实现跨地域、全天候的学习。
在大数据时代，可以利用教育分析的相关技术从技术层面来量化教学行为、学习行为，经过大数据处理可以找到学生各种行为之间，以及学生学习状况与教学过程之间的内在联系，教师可以据此作出有针对性的教学决策及施教方案。这样的教学不再是单纯围绕课程内容进行，而是考虑学生的个体差异，提高学生的参与性和自主性，使得个性化教育成为可能。
2.大学信息技术课程个性化教学的内容调整
基于大数据分析，在已有的学生学习行为的相关数据中发现有用的行为模式，围绕这些行为模式和个性化学习理论，对大学信息技术课程的教学内容进行研究和设计，以学生为中心，培养学生自主学习能力、独立思考能力，提高学生学习成就感。
以相应的知识逻辑结构为核心，依据发掘出的学习规律，将大学信息技术课程的教学内容分解成一系列教学模块，其内容包括特定目标、任务、方法、资源、作业、研讨互动与总结反思等。
在教学过程中，采集学生学习行为的数据，并结合每个教学单元对学生进行学习过程的行为分析。通过这些分析，不仅可以促使学生发现学习过程中存在的问题，提高学习效率，还可以帮助教师及时调整教学进度，提高教学内容的针对性。
3.大学信息技术课程个性化教学的实施方法与手段
为了实现个性化教学，培养学生能力，不能只依靠课堂上单一的教学课件，需要综合利用多种教学方法与教学手段，如互动式教学、研究性教学、实践性教学及群体反思性教学等。
在教学实施过程中，教师可以将相关的课程学习短视频资源放在校园网上，学生根据个人需要自主决定学习进度，这样可以满足不同接受能力的学生的学习需求。通过一段时间的实践，学生可以自主总结学习过程中遇到的问题，并将其反馈给教师，教师可以组织课堂研讨，深化学生所学内容，让学生在交流中充分发挥主观能动性，学会团队合作，使学生既发展了人际交往能力又获得了学习的成就感。每次研讨深化后，教师可以根据不同层次学生的特点设计教学内容，制定个性化的学习任务。
通过课前设计学习任务、课中组织讨论深化、课后规划个性扩展，教师把传统的课堂灌输式的教学方式转换为新型的个性化指导教学方式。
二、问题与展望
面对大数据带来的挑战，针对高校学生思维活跃、学习行为多样化等特点，在大学信息技术课程的教学实施过程中要改变传统的“灌输式”教学模式，针对每个学生的具体情况实施个性化的教学方法。
但是，目前大数据技术在教育领域的运用大多只是针对教育数据的评价与分析，而针对教育过程中的行为分析和预测算法比较少，如何在现有的数据基础上结合新兴的大数据挖掘与分析技术进行个性化教育，是高校现代教育改革面临的重要问题。
参考文献：
数据挖掘学习计划范文5
一、问题的提出
如今，一个大规模生产、分享和应用数据的时代（即大数据时代）正在开启，人们的工作、学习以及思维方式也因大数据的到来而发生着改变。MOOC教育在大数据的推动下不断突破和创新，革新了传统的教育制度，MOOC教学评价在大数据的支持下趋于客观和完善。在教育高度信息化的网络时代，人们的学习方式也在迈向数字化，智能手机、平板电脑等各种便携式移动终端是人们常用的学习工具，学习者在学习过程中会产生大量的数据来记录他们的学习过程，大数据挖掘技术可以有效地跟踪和记录学习者的学习过程，从而为我们提供更加准确、客观的教学评价。喻长志[1]指出：大数据将重新构建教学评价方式，由原来的“经验式”评价转变为“依据式”评价、由原来的单一维度评价转变为多元性评价、由原来的结果性评价转变为过程性评价，通过大数据的支持找出教学活动的规律。可见，在大数据技术的支持下，教学评价将会更加科学、准确。
近年来，MOOC（Massive Open Online Course）即“大规模在线开放课程”风起云涌，至今方兴未艾，成为“地平线报告”预测的将在未来一年之内普及的技术，并且被认为是网络学习的“下一个革新之举”[2]。卡兰?凯莫卡特认为MOOC是新型的网上大学[3]。在一次论坛上，有学者把MOOC为代表的网络教育称为“新”网络教育[4]。从国内外学者对MOOC概念的界定可以看出，MOOC本身具有两个显著特征：一是开放共享（Open access），来自世界任一角落的人都能够免费参与MOOC课程学习；二是可扩张性（Scalability），MOOC课堂是针对不确定的参与者来设计的，具有显著的大规模性。
“大数据”是近年来信息技术领域比较流行的词汇，一般认为其具有“4V”特征，即大量（Volume）、高速度（Velocity）、多样化（Variety）和价值（Value）。MOOC与大数据具有密切的联系，大数据背景下，MOOC将革新传统教育体制、教学理念、教学方式以及教学评价等，本文主要探讨基于大数据的MOOC教学评价。大数据时代，MOOC教学评价区别于传统教学评价而具有自身的鲜明特征。由于MOOC学习者人数众多，教师不可能像传统课堂教学那样事先对学习者特征进行分析，尔后根据学习者特点实施恰当的教学。所以，MOOC教学更需要对其教学评价进行精心的设计，MOOC教学评价贯穿整个教学过程，具有举足轻重的作用。此外，由于在MOOC教学中师生、生生处于相对分离状态，课程内容主要以视频为学习载体，所以，又使得MOOC具有远程教育的一些特征。因此，有必要对MOOC教学评价的特征进行分析。基于此，本文主要探讨大数据背景下MOOC教学评价的特征，以期为我国MOOC教学评价提供一些有益的借鉴和启示。
在MOOC教学评价相关文献分析与总结的基础上，结合作者自身对MOOC课程的学习体验，认为大数据有助于重构MOOC教学评价体系，其特征主要体现在以下几个方面（如图1）。
图1 大数据背景下MOOC教学评价的特征
二、大数据背景下的多元性MOOC教学评价
传统教学中，一般教师作为评价主体、学生作为评价对象，评价方式通常采用单一的纸笔测验，以终结性评价为主，分数是评价学生的唯一标准。不同于传统教学，MOOC在大数据技术的支持下表现出多元性的特征。
1.评价主体多元
对MOOC学习效果的评价，其评价主体已不再仅仅是教师，还包括学生、校友等。MOOC学习平台上，通过后台大数据的分析与处理，加之不同主体对学习者的评价，有助于教师从不同渠道了解学生的学习情况，以便进一步改进教学。同时，也能够使学生认识到自身存在的优点与不足，有助于学生的全面发展。
（1）教师作为评价主体。无论是传统教学还是网络教学，教师永远是教学的一线工作者，其主导地位不可忽视与否认，MOOC教学亦不例外。在MOOC课程教学评价中，学习者数量众多，大数据为MOOC学习者提供了更加新颖的评价方式：同伴互评和机器自动评阅，但教师也会参与其中，教师通过评价学生的作业可及时发现教学上存在的问题，进而采取一定的补救措施，有利于MOOC教学效果的提升。
（2）学生作为评价主体。在传统的教学评价中，学生是评价的客体，是被评价的对象，他们对于评价的结果只能被动地接受，在一定程度上削弱了他们的主观能动性，忽视了学习者的个性差异。相比之下，MOOC教学评价将学生纳入评价活动中，强调学生也可以是评价的主体，评价形式为学生自评和同伴互评。比如：陈肖庚等在《MOOC的发展历程与主要特征分析》一文中论述了同伴互评和学生自评这两种MOOC课程评价方式的创新性与有效性。另外，祝智庭等学者也论述了Coursera平台广泛采用的自评和互评策略有效地促进了学习者的学习[5]。MOOC将学生这一主体元素引入教学评价后，既可以调动学生学习的积极性，也可以通过评价活动引导学生在评价过程中明确自己的定位，发现自身的不足，取人之长，补己之短，不断完善自己，从中培养他们的自我反思及自我监控能力，使学生在评价过程中真正体现其主体性，成为学习的主人。
4.价值取向多元
第一，为促进学生全面发展而评价。教学评价的最终目的是要促进学生的全面发展，MOOC教学评价亦没有偏离这一重要取向。MOOC教学评价更多的是关注学生的主体发展、自我成长与进步。就MOOC而言，可以说，其教学评价更多地是一种促进学生发展的动力，而不仅仅是衡量学生学业成绩的方式或手段。
第二，为了解学生学习需求而评价。无论是传统课程还是MOOC课程，要想为学习者提供适合他们的资源与服务，首先要了解学习者的学习需求。MOOC教学同样要满足不同学习者内心深处的个性化学习需求，可通过多层面、多维度的综合教学评价，了解并分析不同学习者的学习需求，之后为他们提供合适的学习资源与个性化服务，使学习者能从评价中感受到更多的尊重和认同，从而获得前进的动力。
第三，为尊重学生个体差异而评价。每个学生都是独立的个体，从教学设计的角度来讲，要想使课程取得良好的效果，首先必须对课程受众进行分析，即学习者特征分析。而对于MOOC课程而言，其学习者情况更为复杂，一方面，MOOC学习者人数众多，无法与传统班级授课制相比；另一方面，MOOC学习者种类繁多，根据其职业背景和学习目的，可将其分为在校大学生、中小学学生、教师、家长、以兴趣为导向的学习者、以充实个人内涵为目的的学习者、促进职业发展的学习者等。此外，虽然MOOC主要面向高等教育，但MOOC学习者中也不乏有年龄较大或较小的学习者。所以，MOOC课堂无法像传统课堂那样分析学习者特征，可通过学习分析、教育数据挖掘、体态计算等技术对学习过程进行评价、追踪预测和分析，以了解学习者的个体差异，从而为其提供个性化的学习服务、推送个性化的学习资源、制定个性化的学习方案。有研究[11]表明，MOOC的特征之一就是基于大数据的个性化服务，不同学习者的电脑后端会推算目前的学习状况，然后推送相应的学习资源，因材施教。
三、大数据背景下的开放性MOOC教学评价
相对于传统课堂较封闭的评价体系而言，MOOC在评价理念与评价过程两方面表现出明显的开放化特征。
1.评价理念开放
MOOC中的教与学本身是一个极为复杂的系统，因此，对MOOC进行教学评价难以用单一的评价理念或标准来评判每个教师和学生的行为，需视具体情况而定。MOOC教学评价的理念可用“一切为了学习者，为了一切学习者，为了学习者的一切”来形容，正是这一理念，使得MOOC教学评价强调丰富的评价内容、多样化的评价渠道以及开放性的评价过程，通过网络与信息技术的支持构建开放的MOOC教学评价，以全面促进学习者的发展。
2.评价过程开放
MOOC教学评价过程大致分为四个阶段：评价设计、评价实施、评价分析和评价反馈。每一阶段都有不同的任务，但却都具有开放性的特征。首先，在评价设计阶段，从评价目标的制定、评价主体的确定到评价方法的选择，都非常重视其评价过程的开放性。比如：在MOOC网站上，任何MOOC学习者都可以任意浏览某一课程的课程简介、课程评价方式等信息，注册账号以后会浏览到更为详细的课程信息，从评价的角度来看，包括课程的评价标准、考核方式、评价方法以及评价细则等内容。其次，在评价实施阶段，评价人员根据上一阶段所形成的评价方案，利用各种评价手段，完成对MOOC教学的评价任务。在实施过程中，由于学习者也加入到了评价活动中，所以，其实施过程也是面向学习者开放的。最后，在评价分析和反馈阶段，评价人员根据评价实施阶段收集到的反映学习者学习过程的资料和数据进行归纳和分析，并将评价结果反馈给学习者。在这一过程中，其评价的数据和结果都是面向学习者开放的，学习者可以根据评价结果的反馈信息及时发现自身的不足，进一步加以改正。
四、大数据背景下的人性化MOOC教学评价
教育要充分体现以人为本，服务学生的理念。在MOOC教学评价中，真正地把作为主体的学习者放在了首位，在评价标准与评价反馈中呈现出了人性化的特征，为学习者提供了人性化的关怀。
1.评价标准人性化
MOOC课程评价标准体现了现代教学理念，以学生发展为本，尊重学生个体差异。主要体现在以下两个方面。
一是MOOC课程作业评价标准人性化。一方面，MOOC课程作业评价标准不像传统教学那样预先设定好，而是在教学过程中逐渐生成的，且其评价标准不是一成不变的，它会随着课程的深入、课程目标的设定以及来自学习者的反馈而不断发展变化，会根据不同的情况适当调整。比如：在Coursera平台的《大数据与信息传播》一门课中，部分学生在讨论区中反映互评分数不合理，对此，课程提供方做出了相应的改进与调整。此外，在课程作业内容设置方面，也会根据学习者的需求进行调整。另一方面，MOOC课程作业提交的截止日期一般为2-3周，时间比较充裕，而且即将到期的作业还会有邮箱提醒，学习者不必担心错过课程作业的提交时间。此外，对于客观选择题，学生提交以后，系统会自动评分。比如：在Coursera平台的《数学之旅》一门课中，随堂测验部分的客观题分单选和多选两种，学生提交作业以后会看到每题的得分情况和相应习题解释。
二是MOOC学分制度人性化。目前，已有社区学院和公立高等大学等院校宣布接受美国教育委员会认可的学分，将修读MOOC项目课程取得的学分与修读本校课程取得的学分予以同等程度的承认[12]。学分的取得是对学习者学习过程与学习结果的肯定与认可，MOOC部分项目与学分制度挂钩，利用学分制与传统教育接轨，体现了教育以人为本的理念。
2.评价反馈人性化
大数据时代的来临，使得MOOC教学评价不仅测量学生对知识的掌握程度，还利用智能化评价手段对学习过程给予及时的反馈，利用可视化统计表单呈现给学习者真实的学习数据，督促学生及时的调整学习现状[13]。反馈是网络教学重要的互动环节，及时的反馈（Instant Feedback）是人性化教学的要求，也是情感关怀的体现。在基于网络环境下的MOOC学习中，由于师生处于相对分离状态，反馈的及时性就显得极为重要。及时的反馈有助于学习者了解自己的学习情况，加深对问题的理解与掌握，为下一步学习打下良好的基础，从而激发学习者进一步学习的愿望。此外，及时的反馈还能帮助学习者及时发现、纠正他们自身存在的问题与错误，从而调整学习计划，有助于提高学习效率。相反，如果没有反馈或反馈不及时，学习者无法得知或很久以后才得知自己的学习结果（如作业正确与否），那么，学习者就很难保持已有的学习热情，学习兴趣也会大大降低。所以，对于MOOC学习者来说，及时的反馈是非常重要、也是非常有必要的。
相对于传统课程，MOOC课程的评价反馈是比较及时的。比如：Coursera为学习者提供多次自动测试机会，每次测试后学习者通过系统可以得到分数反馈。Udacity为学习者提供Submit Answer，可以及时在output中得到反馈答案[14]。在客观题作业方面，一般采用机器自动评阅的方式，学习者提交作业以后，会立即得到反馈（直接看到评阅结果）；在主观题方面，主要采用同伴互评的方式，虽然不能立即得到反馈，但其时间一般不超过两周，学习者可以在相对较短的时间里得到反馈。
数据挖掘学习计划范文6
关键词： 职业测评 学业评估 专业发展规划
大学生学业规划即专业学习与发展规划，简称专业发展规划，是一个近几年才提出的全新理念，是一种新型的人才成长观念，根源于职业规划的概念与理论，是职业生涯规划在大学阶段的阶段性规划。目前，大学生个人专业发展规划还很不完善，大学生专业学习与发展普遍缺乏系统化、个性化、全程化的指导。随着我国高等教育专业与教学改革的不断深入，提高人才培养质量成为改革的目标和关键，建立系统化、个性化、全程化的学生个人专业学习与发展的专家指导系统意义重大。
一、系统设计的现实意义
（一）设计和开发专业规划系统是提高毕业生就业质量的需要
高职毕业生的就业质量低成为当前就业工作要考虑的新问题。麦可思调查了长三角地区85所高职院校，对6.3万名2009届毕业生进行了分析。月收入和专业对口率是衡量就业质量的重要指标[1]。调查显示：高职院校开办的专业越多，其毕业生专业对口率越低，工作的稳定性越低，离职率越高，就业质量就会降低。其关系如图1所示。
图1 开办专业数量与对口率、离职率的关系图
目前，高职院校开办的专业数量普遍较多，就业质量不高成为普遍存在的问题。综上所述，学校需要对高职学生进行全面的学习指导，帮助他们制订个人三年专业学习与发展规划，使毕业生的专业能力和综合能力更能适应企业和岗位要求，从而提高高职院校人才的培养质量，最终提高高职院校毕业生的就业质量。
（二）设计和开发专业发展规划系统是培养新生专业适应能力的需要
高职院校新生入学后，普遍对专业学习迷茫，不适应。鉴于高职新生的专业适应性和专业发展问题，我国许多高校已积极采取相应的措施[2]，如：给班级配备班主任和专职学生辅导员；建立“导师制”，给每个学生配备专业导师；在大一年级引入职业生涯规划教育，用学生的职业生涯发展引导整个大学教育；在毕业生中开设就业指导课等，但这些措施效果都不尽如人意。
（三）设计和开发专业发展规划系统是我院教学改革和人才培养水平提升的需要
目前，我院正在试行“1+1+1专业导师制”[3]，第一个“1”是指从中学生向大学生的转换，最后一个“1”是指从大学生向准社会事务工作者的转变，中间一个“1”是指处在两次角色转换当中的“学业精进期”。三年学业期，三个阶段，整个过程为“1+1+1”，在每个“1”的阶段中，都有双重专业导师（专职导师和兼职导师）的全程参与，从思想、基础知识、专业知识、专业技能、专业规划，给予其三年的学业发展指导。但是，导师们教学和科研任务比较繁重，每位导师指导的学生众多，事实上，并不能很好地给予每名学生全程化、个性化、系统化的指导。
为此，笔者提出利用计算机网络技术和人工智能技术开发基于Web的高职学生专业学习与发展规划的专家系统，使学校的“1+1+1导师制”向数字化方向发展，利用该系统为学生专业发展提供全程化、个性化、系统化、专业性的指导，把导师们从繁重的指导任务中解放出来。
二、系统设计的相关技术
（一）编程技术及相关工具
系统的各模块均采用ASP/+ISS6.0技术实现，利用微软Visual Studio 2008作为开发工具，数据库采用Microsoft SQL Server 2005。ASP具有跨平台性，不需要考虑每个客户端的硬件配置和操作系统。Visual Studio 2008提供了高级开发工具、调试功能、数据库功能和创新功能，帮助在各种平台上快速创建当前最先进的Web应用程序。
（二）流媒体传输技术
系统的职前课堂点播模块使用实时流式传输的流媒体技术。该技术可以实现用户边下载边播放，而不需要等整个文件下载到本地计算机再播放。实时流式传输与顺序流式传输不同，它使用专用的流媒体服务器和传输协议，可以在传输期间根据用户连接的速度做调整，可以对播放速度、快进、后退、暂停等进行控制，既可以观看前面的内容，又可以观看后面的内容。
（三）数据库访问技术
数据库访问使用ADO数据库访问技术。ADO（ActiveX Data Objects，ActiveX数据对象模型）是微软公司提供的COM组件，作为访问数据库的接口。ADO是最新的数据库访问技术，它建立在COM的体系之上，它的所有接口都是自动化接口，因此在C++、Visual Basic、Delphi等支持COM的语言中通过接口都可以访问到ADO。ADO通过COM接口访问数据，可以访问各种类型的数据源，既适合SQL Server、Oracle、Access等数据库应用程序，又适用Excel电子表格、文本文件和邮件服务器。特别在一些脚本语言中访问数据库是ADO的主要优势。
（四）数据库的连接池技术
采用数据库连接池技术提高数据库连接使用的效率和系统的性能。在Web应用系统中，ADO通过ODBC驱动程序访问数据库中的数据，每一次数据访问请求都必须经历建立数据库连接、打开数据库、存取数据和关闭数据库连接等步骤，而连接并打开数据库是一件既消耗资源又费时的工作。对于一个简单的数据库应用，由于数据库访问不是很频繁，可以在访问数据时，创建一个新连接，用完后关闭。对于基于WEB的高职学生个人专业学习与发展规划系统而言，大量的学生同时在线职业测评和学业评估，需要频繁发生建立连接、关闭连接的数据库操作，系统的性能必然会急剧下降，甚至会导致系统崩溃，因为请求需要建立通讯，分配资源，进行权限认证，经过实际使用，这些工作很少能在一两秒内完成，因此对于连接的使用成了系统性能的瓶颈[4]。数据库连接池技术是解决这个问题最常用的方法。连接池允许应用程序从连接池中获得一个连接并使用这个连接，一旦一个新的连接被创建并且放置在连接池中，应用程序就可以重复使用这个连接而不必为每一个连接请求重新建立一个连接[5]，不同的数据库访问请求就可以共享这些连接。这样，通过重复使用这些已经建立的连接，就可以克服上述缺点，极大地节省系统资源和时间。
（五）Agent人工智能技术
Agent技术来源于分布式人工智能DAI领域，也称智能主体。在分布计算领域，人们通常把在分布式系统中持续自主发挥作用的、具有自主性、交互性、反应性和主动性特征的活着的计算机实体称为Agent[6]。从逻辑上讲，一个分布式系统可以定义为由多个相互作用的Agent组成的系统，各种分布式系统的差异主要表现为其中Agent的角色和交互方式上的差别[7]。
基于本系统专业评估模块对学生专业学习评估的要求，将“Agent”的概念和方法引入学业评估模块和专业规划模块。这两个模块可以被视为由多个相互关联的不同层次的流程组成的，其中每个流程都可以是一个独立的Agent的子系统[8]。如对学生基本信息库与学生档案库处理的信息处理Agent，对学生自我评估作分析的数据挖掘Agent，系统分析与评估的Agent，系统预测与专业规划Agent等。每一个Agent都预定义的工作流程，完成一定的工作任务，且可以根据与定义的工作流程自主地从一个流程转到另一个流程，也就是从一个Agent传递到另一个Agent，多个Agent协同工作，实现专业评估功能和专业学习与发展计划生成功能。
三、系统设计的具体方案
（一）系统总体框架设计
基于Web的高职个人专业发展规划专家系统由人机接口、应用平台、信息库管理系统、应用支撑层、基础设施层五个部分组成，如图2所示。
图2 系统总体架构图
（二）系统网络体系结构
系统采用三层B/S体系的网络架构，客户端只需安装浏览器，就可以使用该系统。ASP应用程序所有代码都在服务器上运行，浏览器不参与接受脚本程序，就大大简化了客户端电脑载荷。因此，系统升级和维护主要在服务器上完成，减轻了系统维护与升级的成本和工作量，降低了用户的总体成本。在B/S三层体系结构下，表示层、业务层、数据层被分为三个相对独立地单元，使客户机无法直接对数据库进行操作，有效地防止了非法入侵[9]。
（三）系统主要功能模块设计
基于web的高职学生个人专业发展规划系统的本质是高层次、智能型的专家系统，它必须具备某个专业的专家知识，了解不同学生特点，能够根据学生的特点和兴趣，调用agent（可以理解为：智能助理）对他们进行专业学习的指导和帮助，并智能生成其学习计划与专业规划[2]。
1.专业引导模块的设计
本模块主要有前台学生用户页面和后台管理员页面。在该模块中，前台学生用户主要是浏览专业信息和下载学习资源；后台管理员和管理专业信息及学习资源。在学习资源中，对于多媒体课件的上传，利用无组件上传与Web集成技术；对于视频文件，用Helix Server或Windows Media Server构建流媒体服务器。
2.职业规划测评的设计
职业规划测评模块是职业规划和专业规划的基础。职业规划测评包括职业性格、职业倾向、情商测试、职业潜能与能力测试等。本系统职业测评模块的使用分为三个阶段，分别是入学阶段、大学中期和就业前。职业测评本质上是一个在线考试和评估系统，测评结果作为学业评估阶段自我评估和系统评估的依据。
3.学生信息库模块的设计
学生信息库模块即档案袋模块，其主要记录了学生从入学到毕业的基本信息、学习成绩、在校期间所取得的各项成果和荣誉、学生的个性特点、兴趣爱好、特长，职业测试、系统评估结果与建议、专业学习计划、职业生涯规划及计划的执行效果，等等。此模块具有实时更新、连续追踪等功能，为评估模块开展有效的评估提供基本的、可以参考的信息。档案袋模块由班主任、辅导员在系统的WEB平台上完成。
4.学业评估规划的设计
评估模块是系统的核心，该模块主要采用Agent人工技能技术的实现。本模块包括两个子模块：自我评估和系统评估。自我评估的评估指标有学生个人的性格特点、兴趣特长、学习习惯、专业基础和对本专业各个研究方向的认识、自我的学习感受和反思，等等。学生每个月进行一次过程性评估，每学年进行一次总结性评估。系统评估模块是一个嵌入了人工智能的专家系统，即通过专家的经验对学生进行系统、科学的分析，帮助学生选择适合自己的并且感兴趣的方向。系统评估要在学生自我评估的基础上，结合各个专业方向学习的特点和要求，帮助学生选择专业学习的子方向。自我评估和系统评估都要贯穿于整个专业学习发展过程，随着学生年龄的成长、专业学习的深入、自我评估的不断进行，系统评估将逐渐成熟，并能够适时调整思路，为学生提供准确的专业学习建议。在学业评估中，职业测评结果和学生信息库（成长档案记录）为系统评估提供了依据。通过相关模块的结合，为学生确定今后的专业学习的研究方向提供建议。
5.专业规划的设计
专业规划模块是本系统的关键。在专业学习与发展规划模块中，系统会根据学业评估模块中关于学生专业学习的建议和学生信息库模块中学生的各方面情况，帮助学生逐步制订专业学习与发展规划，主要流程是系统自动生成初步的专业学习计划、专业导师审核系统计划、学生在专业导师的指导下执行和完善学习计划，逐步形成专业学习与发展规划。
四、结语
本课题从学生个人专业学习与发展指导的全程化、个性化、专家化出发，结合扬州工业职业技术学院“1+1+1专业导师”制试点工作，同时结合我在学院从事就业工作和担任职业生涯指导老师五年的经验及与兄弟院校同仁交流的经验，决定利用B/S模式结构的优点，搭建基于Web的高职学生个人专业学习与发展规划的专家系统。当前阶段，已经完成了系统方案的设计，下面要做的工作是学业评估阶段评估指标的选取与优化，以及使用相关技术实现系统的开发。随着系统的运用，必将促进我院专业与教学改革，推动我院人才培养，提高我院大学新生专业的适应性和毕业生就业质量。
参考文献：
[1]刘旺生.对高职院校办学特色的再认识[J].高等职业教育，2010，4（12）：11-13.
[2]程君青，唐伟.基于Web的高职学生个人专业发展规划系统的设想[J].中国职业技术教育，2010，（14）：31-33.
[3]王斌.扬州工业职业技术学院专业导师制1+1+1人才培养[J].职业技术教育，2011，（33）：56-57.
[4]江莎.基于Java的数据库连接池的研究[D].湖北：武汉理工大学，2006.
[5]王春梅.基于B/S架构的高校就业系统的设计与实现[D].大连理工大学，2007.
[6]段宗涛.多Agent系统研究与开发[D].陕西：长安大学，2002.
[7]姜凤敏.普适计算环境下基于Agent的数据流处理机制研究[D].江苏：南京邮电大学，2009.
