引論：我們?yōu)槟砹?3篇數(shù)據(jù)挖掘技術(shù)探討論文范文，供您借鑒以豐富您的創(chuàng)作。它們是您寫作時的寶貴資源，期望它們能夠激發(fā)您的創(chuàng)作靈感，讓您的文章更具深度。

篇1

1.統(tǒng)計方法。傳統(tǒng)的統(tǒng)計學(xué)為數(shù)據(jù)挖掘提供了許多判別和回歸分析方法，常用的有貝葉斯推理、回歸分析、方差分析等技術(shù)。貝葉斯推理是在知道新的信息后修正數(shù)據(jù)集概率分布的基本工具，處理數(shù)據(jù)挖掘中的分類問題，回歸分析用來找到一個輸入變量和輸出變量關(guān)系的最佳模型，在回歸分析中有用來描述一個變量的變化趨勢和別的變量值的關(guān)系的線性回歸，還有用來為某些事件發(fā)生的概率建模為預(yù)測變量集的對數(shù)回歸、統(tǒng)計方法中的方差分析一般用于分析估計回歸直線的性能和自變量對最終回歸的影響，是許多挖掘應(yīng)用中有力的工具之一。

2.關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則是一種簡單，實用的分析規(guī)則，它描述了一個事物中某些屬性同時出現(xiàn)的規(guī)律和模式，是數(shù)據(jù)挖掘中最成熟的主要技術(shù)之一。關(guān)聯(lián)規(guī)則在數(shù)據(jù)挖掘領(lǐng)域應(yīng)用很廣泛適合于在大型數(shù)據(jù)集中發(fā)現(xiàn)數(shù)據(jù)之間的有意義關(guān)系，原因之一是它不受只選擇一個因變量的限制。大多數(shù)關(guān)聯(lián)規(guī)則挖掘算法能夠無遺漏發(fā)現(xiàn)隱藏在所挖掘數(shù)據(jù)中的所有關(guān)聯(lián)關(guān)系，但是，并不是所有通過關(guān)聯(lián)得到的屬性之間的關(guān)系都有實際應(yīng)用價值，要對這些規(guī)則要進行有效的評價，篩選有意義的關(guān)聯(lián)規(guī)則。

3.聚類分析。聚類分析是根據(jù)所選樣本間關(guān)聯(lián)的標準將其劃分成幾個組，同組內(nèi)的樣本具有較高的相似度，不同組的則相異，常用的技術(shù)有分裂算法，凝聚算法，劃分聚類和增量聚類。聚類方法適合于探討樣本間的內(nèi)部關(guān)系，從而對樣本結(jié)構(gòu)做出合理的評價，此外，聚類分析還用于對孤立點的檢測。并非由聚類分析算法得到的類對決策都有效，在運用某一個算法之前，一般要先對數(shù)據(jù)的聚類趨勢進行檢驗。

4.決策樹方法。決策樹學(xué)習(xí)是一種通過逼近離散值目標函數(shù)的方法，通過把實例從根結(jié)點排列到某個葉子結(jié)點來分類實例，葉子結(jié)點即為實例所屬的分類。樹上的每個結(jié)點說明了對實例的某個屬性的測試，該結(jié)點的每一個后繼分支對應(yīng)于該屬性的一個可能值，分類實例的方法是從這棵樹的根結(jié)點開始，測試這個結(jié)點指定的屬性，然后按照給定實例的該屬性值對應(yīng)的樹枝向下移動。決策樹方法是要應(yīng)用于數(shù)據(jù)挖掘的分類方面。

5.神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)建立在自學(xué)習(xí)的數(shù)學(xué)模型基礎(chǔ)之上，能夠?qū)Υ罅繌?fù)雜的數(shù)據(jù)進行分析，并可以完成對人腦或其他計算機來說極為復(fù)雜的模式抽取及趨勢分析，神經(jīng)網(wǎng)絡(luò)既可以表現(xiàn)為有指導(dǎo)的學(xué)習(xí)也可以是無指導(dǎo)聚類，無論哪種，輸入到神經(jīng)網(wǎng)絡(luò)中的值都是數(shù)值型的。人工神經(jīng)元網(wǎng)絡(luò)模擬人腦神經(jīng)元結(jié)構(gòu)，建立三大類多種神經(jīng)元網(wǎng)絡(luò)，具有非線形映射特性、信息的分布存儲、并行處理和全局集體的作用、高度的自學(xué)習(xí)、自組織和自適應(yīng)能力的種種優(yōu)點。

6.遺傳算法。遺傳算法是一種受生物進化啟發(fā)的學(xué)習(xí)方法，通過變異和重組當前己知的最好假設(shè)來生成后續(xù)的假設(shè)。每一步，通過使用目前適應(yīng)性最高的假設(shè)的后代替代群體的某個部分，來更新當前群體的一組假設(shè)，來實現(xiàn)各個個體的適應(yīng)性的提高。遺傳算法由三個基本過程組成:繁殖(選擇)是從一個舊種群(父代)選出生命力強的個體，產(chǎn)生新種群(后代)的過程；交叉〔重組)選擇兩個不同個體〔染色體)的部分(基因)進行交換，形成新個體的過程；變異(突變)是對某些個體的某些基因進行變異的過程。在數(shù)據(jù)挖掘中，可以被用作評估其他算法的適合度。

7.粗糙集。粗糙集能夠在缺少關(guān)于數(shù)據(jù)先驗知識的情況下，只以考察數(shù)據(jù)的分類能力為基礎(chǔ)，解決模糊或不確定數(shù)據(jù)的分析和處理問題。粗糙集用于從數(shù)據(jù)庫中發(fā)現(xiàn)分類規(guī)則的基本思想是將數(shù)據(jù)庫中的屬性分為條件屬性和結(jié)論屬性，對數(shù)據(jù)庫中的元組根據(jù)各個屬性不同的屬性值分成相應(yīng)的子集，然后對條件屬性劃分的子集與結(jié)論屬性劃分的子集之間上下近似關(guān)系生成判定規(guī)則。所有相似對象的集合稱為初等集合，形成知識的基本成分。任何初等集合的并集稱為精確集，否則，一個集合就是粗糙的(不精確的)。每個粗糙集都具有邊界元素，也就是那些既不能確定為集合元素，也不能確定為集合補集元素的元素。粗糙集理論可以應(yīng)用于數(shù)據(jù)挖掘中的分類、發(fā)現(xiàn)不準確數(shù)據(jù)或噪聲數(shù)據(jù)內(nèi)在的結(jié)構(gòu)聯(lián)系。

8.支持向量機。支持向量機(SVM)是在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上發(fā)展出來的一種新的機器學(xué)習(xí)方法。它基于結(jié)構(gòu)風(fēng)險最小化原則上的，盡量提高學(xué)習(xí)機的泛化能力，具有良好的推廣性能和較好的分類精確性，能有效的解決過學(xué)習(xí)問題，現(xiàn)已成為訓(xùn)練多層感知器、RBF神經(jīng)網(wǎng)絡(luò)和多項式神經(jīng)元網(wǎng)絡(luò)的替代性方法。另外，支持向量機算法是一個凸優(yōu)化問題，局部最優(yōu)解一定是全局最優(yōu)解，這些特點都是包括神經(jīng)元網(wǎng)絡(luò)在內(nèi)的其他算法所不能及的。支持向量機可以應(yīng)用于數(shù)據(jù)挖掘的分類、回歸、對未知事物的探索等方面。

事實上，任何一種挖掘工具往往是根據(jù)具體問題來選擇合適挖掘方法，很難說哪種方法好，那種方法劣，而是視具體問題而定。

三、結(jié)束語

目前，數(shù)據(jù)挖掘技術(shù)雖然得到了一定程度的應(yīng)用，并取得了顯著成效，但仍存在著許多尚未解決的問題。隨著人們對數(shù)據(jù)挖掘技術(shù)的深人研究，數(shù)據(jù)挖掘技術(shù)必將在更加廣泛的領(lǐng)域得到應(yīng)用，并取得更加顯著的效果。

參考文獻:

篇2

Analysis on research-oriented teaching model in data warehousing and data mining

Huang Meili

（Zhejiang Agriculture and Forestry University， Lin'an， Zhejiang 311300， China）

Abstract： As a comprehensive and practical course， data warehousing and data mining is opened not so long ago， so teaching methods of this course for undergraduate students are rarely seen. Based on the characteristics of this course， combined with teaching experience of several years， the application of research-oriented teaching model is mainly discussed and several typical students’ learning outcomes are listed. Finally， some places which need to be cautious are put forward.

Key words： data warehousing and data mining； research-oriented； teaching model； teaching practice

0 引言

20世紀90年代興起的數(shù)據(jù)倉庫和數(shù)據(jù)挖掘是數(shù)據(jù)庫研究、開發(fā)和應(yīng)用中最活躍的兩個領(lǐng)域。隨著其理論及應(yīng)用技術(shù)和產(chǎn)品的不斷成熟與發(fā)展，數(shù)據(jù)倉庫與數(shù)據(jù)挖掘不僅成為高等院校計算機專業(yè)、信息技術(shù)與信息管理類專業(yè)碩士、博士研究生的專業(yè)課程，而且相繼在本科相關(guān)專業(yè)高年級學(xué)生中開設(shè)了該課程。

該課程是一門綜合性和實踐性很強的課程，其內(nèi)容新且廣，對于本科教學(xué)有一定的難度。本文針對課程自身特點及高年級學(xué)生學(xué)習(xí)及能力培養(yǎng)需要，結(jié)合自身教學(xué)實踐，探討以激發(fā)學(xué)生學(xué)習(xí)興趣為著眼點、學(xué)生分析解決問題能力培養(yǎng)為目的的研討型教學(xué)模式。

文中章節(jié)1具體介紹課程內(nèi)容、教學(xué)過程中存在的問題及研討型教學(xué)模式；在章節(jié)2中，以自身的教學(xué)實踐為例，給出研討型教學(xué)實踐效果及該方法應(yīng)用的注意事項；最后，是結(jié)論部分。

1 本科數(shù)據(jù)倉庫與數(shù)據(jù)挖掘課程教學(xué)

1.1 課程教學(xué)內(nèi)容

數(shù)據(jù)倉庫與數(shù)據(jù)挖掘課程涉及兩方面的教學(xué)內(nèi)容：①數(shù)據(jù)倉庫技術(shù)和基于數(shù)據(jù)倉庫的聯(lián)機分析處理應(yīng)用技術(shù)。具體包括數(shù)據(jù)倉庫的基本概念、創(chuàng)建技術(shù)和方法、數(shù)據(jù)倉庫的體系結(jié)構(gòu)以及OLAP的基本概念、多維數(shù)據(jù)庫、OLAP的實現(xiàn)技術(shù)。②數(shù)據(jù)挖掘的基本概念、基本方法和基本技術(shù)（包括分類、預(yù)測、關(guān)聯(lián)、聚類等），以及數(shù)據(jù)挖掘的應(yīng)用。

1.2 課程在本科教學(xué)過程中存在的問題

⑴ 教學(xué)內(nèi)容不統(tǒng)一

由于該課程是一門綜合性很強的課程，涉及到的學(xué)科知識很廣，加上在本科教學(xué)中開設(shè)的時間并不長，也沒有得到大家一致認可的相應(yīng)教材供使用，使得開設(shè)該課程的不同高校的教學(xué)內(nèi)容與教學(xué)重點各不相同，即便是同一學(xué)校不同教師對于教學(xué)內(nèi)容的把握上也有很大差異。

⑵ 傳統(tǒng)教學(xué)方法的不適用性

雖然本課程涉及內(nèi)容寬泛，而且是在已具備自主學(xué)習(xí)能力的本科高年級學(xué)生中開設(shè)的，但是課程的教學(xué)方法卻多采用傳統(tǒng)的以教師講授為主、學(xué)生為輔的教學(xué)模式。

從本科教學(xué)過程中存在的問題可見：課程授課對象及課程自身的特點，決定了傳統(tǒng)教學(xué)方法的不適用性[1-3]。因此，有必要探討新的教學(xué)模式在具體教學(xué)實施過程中的應(yīng)用。

1.3 研討型教學(xué)模式

雖然課程涉及到的學(xué)科內(nèi)容廣且深，但是對于已學(xué)習(xí)高等數(shù)學(xué)，并熟悉數(shù)據(jù)庫知識和具備程序設(shè)計能力的高年級學(xué)生而言，還是能較好地掌握數(shù)據(jù)倉庫的建模以及經(jīng)典數(shù)據(jù)挖掘算法的實現(xiàn)與簡單應(yīng)用。因此，在課程的教學(xué)實踐中，我們把該部分內(nèi)容作為課堂教學(xué)的重點；對于一些較難的和新的挖掘算法與技術(shù)，及其應(yīng)用和最新發(fā)展趨勢，則作為學(xué)生研討內(nèi)容。

作為傳統(tǒng)的教師講解教學(xué)模式的有益補充和提高，開展研討型的教學(xué)模式，可以按照如下四個環(huán)節(jié)開展：

⑴ 教師出題&學(xué)生選題；

⑵ 相關(guān)文獻查閱；

⑶ 報告撰寫；

⑷ 課堂匯報與討論。

第一步，由教師出題，學(xué)生選題。在學(xué)期初，就由教師給出研討的主題供學(xué)生選擇。這樣既可以避免學(xué)生選題過于盲目，也可以避免最后課堂討論階段的研討內(nèi)容偏離課程教學(xué)主題。

第二步，相關(guān)文獻查閱。在接下來的課程教學(xué)期間，學(xué)生除了保證基本的學(xué)習(xí)內(nèi)容的掌握之外，還需要利用課余時間，利用各種手段查閱與選題相關(guān)的文獻，為報告的撰寫和匯報階段做充分的準備。

第三步，報告撰寫。經(jīng)過大量的文獻閱讀后，學(xué)生需撰寫文獻閱讀報告，報告的撰寫格式可以參考畢業(yè)設(shè)計的要求。

第四步，課堂匯報與討論。在課程后期，教師在每次課堂上抽取一定的時間，供學(xué)生課堂匯報，然后其他學(xué)生與教師一起針對學(xué)生的匯報內(nèi)容展開討論。該環(huán)節(jié)的開展，既開拓了學(xué)生的視野，又可以有效地避免部分學(xué)習(xí)不認真的學(xué)生的應(yīng)付行為。

從教師出題到最后的學(xué)生課堂匯報與討論，每個環(huán)節(jié)都要求學(xué)生的親自參與。這樣，在課時有限的情況下，以研討型的教學(xué)模式開展教學(xué)，既可以保證教學(xué)內(nèi)容的講授，又能使學(xué)生主動參與到課堂教學(xué)中來，激發(fā)了學(xué)生的學(xué)習(xí)主動性，拓寬了學(xué)生的視野。

2 研討型教學(xué)實踐效果及注意事項

2.1 教學(xué)及其效果

我校在大四計算機專業(yè)學(xué)生中開設(shè)該課程。其中，理論32學(xué)時，實驗16學(xué)時，共計48學(xué)時。教材采用韓家煒先生編著的《數(shù)據(jù)挖掘：概念與技術(shù)》一書[4]。該教材是得到業(yè)內(nèi)廣泛認可的經(jīng)典教科書，但教材內(nèi)容偏重理論。為了在有限的課時內(nèi)，讓學(xué)生盡可能掌握基本教學(xué)內(nèi)容，使得研討型教學(xué)模式得以開展，我們以李志剛編著的《數(shù)據(jù)倉庫與數(shù)據(jù)挖掘的原理與應(yīng)用》作為相關(guān)內(nèi)容的輔助教材[5]。具體地，按如下方式進行。

2.1.1 教學(xué)內(nèi)容及學(xué)時分配

教學(xué)內(nèi)容圍繞數(shù)據(jù)倉庫與數(shù)據(jù)挖掘兩條主線展開。涉及的相關(guān)內(nèi)容及學(xué)時分配如表1所示。

2.1.3 考核方式

期末總成績=平時成績25%+文獻報告25%+期末卷面成績50%

在最近兩年的研討型教學(xué)模式實踐中，我們選出有代表性的學(xué)生作品，如表3所示。

2.2 教學(xué)注意事項

研討型教學(xué)模式適用于“數(shù)據(jù)倉庫與數(shù)據(jù)挖掘”課程的教學(xué)，但是在相應(yīng)課程中開展研討型的課程教學(xué)模式需注意以下幾點。

⑴ 注意授課對象的選擇。文獻資料的查閱、文獻閱讀報告的撰寫以及課堂匯報是研討型教學(xué)模式開展過程中的主要環(huán)節(jié)，而這些環(huán)節(jié)要求學(xué)生所需具備的能力，不適于在低年級學(xué)生中開展。

⑵ 注意教學(xué)模式的選用。研討型教學(xué)模式不能代替?zhèn)鹘y(tǒng)的教師講解的教學(xué)模式，而應(yīng)是兩者的有機結(jié)合。

⑶ 注意考核方式的改革。研討型教學(xué)模式的開展，除占用一定的課堂教學(xué)時間之外，還需要學(xué)生花費大量的課外時間用以查閱文獻資料、撰寫報告等。如果采用傳統(tǒng)的以考試為主的考核方式，那么在實踐過程中可能會遇到部分學(xué)生的抵制。因此，為了提高研討型教學(xué)模式的效果，需要對傳統(tǒng)的以期末筆試成績?yōu)橹鞯脑u價方式進行適當改革，向研討內(nèi)容及成果傾斜，以提高學(xué)生的積極性。

3 結(jié)束語

研討型教學(xué)模式的開展，可以有效地避免傳統(tǒng)教學(xué)方法下以教師講解為主，以學(xué)生為輔的填鴨式教學(xué)模式，較好地解決數(shù)據(jù)倉庫與數(shù)據(jù)挖掘課程在本科教學(xué)過程中遇到的問題。

經(jīng)過近幾年在本科計算機專業(yè)畢業(yè)班對該課程采用研討型教學(xué)模式的實踐表明，該模式的開展不僅有效地激發(fā)了學(xué)生的學(xué)習(xí)興趣，開拓了學(xué)生的視野，而且能夠很好地為學(xué)生的畢業(yè)設(shè)計環(huán)節(jié)中有關(guān)文獻查詢、論文撰寫及答辯等奠定基礎(chǔ)。從列舉的近兩年的代表性學(xué)生研討內(nèi)容及成果中可以看到，該教學(xué)模式在高年級學(xué)生中開展是現(xiàn)實可行的，而且也是有效的。

研討型教學(xué)模式的開展，需要占用一定的教學(xué)時間，如何在有限的課時內(nèi)保證教學(xué)內(nèi)容，并擠出足夠的時間開展研討是教師必須考慮的問題；與此同時，學(xué)生為準備研討內(nèi)容需要花費大量的課余時間，因此，如何調(diào)動學(xué)生的積極性也是該模式能否成功應(yīng)用的關(guān)鍵因素之一。上述兩方面的問題，都有待在今后的教過實踐中，進一步深入細化該模式，以更好地達到教學(xué)培養(yǎng)目標。

參考文獻：

[1] 徐金寶.對應(yīng)用型本科生開設(shè)數(shù)據(jù)挖掘課程的嘗試[J].計算機教育，

2007.7：27-29

[2] 胡建軍.淺談數(shù)據(jù)倉庫與數(shù)據(jù)挖掘的本科教學(xué)[J].廣西科學(xué)院學(xué)報，

2007.23（3）：209-210，214

[3] 韋艷艷，張超群.“數(shù)據(jù)倉庫與數(shù)據(jù)挖掘”課程教學(xué)實踐與探索[J].高

教論壇，2011.1：94-96，99

[4] 李志剛，馬剛.數(shù)據(jù)倉庫與數(shù)據(jù)挖掘的原理及應(yīng)用[M].高等教育出版

篇3

數(shù)據(jù)挖掘技術(shù)可以從大量的、不完全的、有噪聲的、模糊的、隨機的實際應(yīng)用數(shù)據(jù)中，提取隱含在其中人們事先不知道的，但又是潛在有用的信息和知識的過程。通過這種技術(shù)把獲取的信息和知識提供給決策支持系統(tǒng)。這種技術(shù)已廣泛地用于各種應(yīng)用，包括商務(wù)管理、生產(chǎn)控制、市場分析、工程設(shè)計和科學(xué)探索等[1,2,3] ，隨著信息技術(shù)的發(fā)展，數(shù)據(jù)挖掘在網(wǎng)絡(luò)教學(xué)中的應(yīng)用研究也逐漸深入[4,5,6] 。網(wǎng)絡(luò)教學(xué)成為一種新型教學(xué)手段，理論上學(xué)習(xí)者可以在任何時間、任何地點以任何形式、從任何章節(jié)開始學(xué)習(xí)任何內(nèi)容，實現(xiàn)個性化學(xué)習(xí)。但在網(wǎng)絡(luò)教學(xué)實施過程中，教學(xué)內(nèi)容和組織活動卻不能隨著學(xué)生的學(xué)習(xí)狀況發(fā)生動態(tài)變化，導(dǎo)致了教與學(xué)脫離的現(xiàn)象，教學(xué)效果達不到預(yù)期效果。因此可以利用該技術(shù)對收集到的與學(xué)生學(xué)習(xí)相關(guān)的歷史數(shù)據(jù)進行分析，從而可以為教師深入理解學(xué)生的實際學(xué)習(xí)情況，制定相關(guān)的教學(xué)目標供 其學(xué)習(xí)提供有力的決策支持，是提升教學(xué)效果的有力手段。

一 擬解決的關(guān)鍵問題

本文探討 在現(xiàn)有的網(wǎng)絡(luò)教學(xué)平臺基礎(chǔ)上，以在教學(xué)信息數(shù)據(jù)庫中采集到的學(xué)生學(xué)習(xí)記錄為樣本，應(yīng)用數(shù)據(jù)挖掘技術(shù)，挖掘有用的規(guī)則，探討學(xué)生的學(xué)習(xí)習(xí)慣， 學(xué)習(xí)興趣和學(xué)習(xí)成績間的關(guān)系，從而及時了解學(xué)生對每一章節(jié)知識的掌握程度并根據(jù)每個學(xué)生的情況制定下一章節(jié)的教學(xué)目標，為其提供不同的教學(xué)內(nèi)容，從而使教學(xué)更適合學(xué)生

個性的發(fā)展，實現(xiàn)網(wǎng)絡(luò)分層教學(xué)，最終實現(xiàn)教學(xué)過程的動態(tài)調(diào)節(jié)。

二 數(shù)據(jù)預(yù)處理

由于人為的原因、設(shè)備的故障及數(shù)據(jù)傳輸中的錯誤，導(dǎo)致現(xiàn)實世界的數(shù)據(jù)含有臟的、不完整的和不一致的數(shù)據(jù)。數(shù)據(jù)預(yù)處理技術(shù)可以檢測數(shù)據(jù)異常，調(diào)整數(shù)據(jù)并歸約待分析的數(shù)據(jù)，從而改進數(shù)據(jù)的質(zhì)量，提高其后挖掘過程的精度和性能。

本文數(shù)據(jù)源于《數(shù)據(jù)結(jié)構(gòu)》網(wǎng)絡(luò)教學(xué)課程，48節(jié)理論課，24節(jié)實驗，4.5個學(xué)分。學(xué)生111人，其中06級信息與計算科學(xué)專業(yè)班合計64人，07級地理信息系統(tǒng)專業(yè)一個班計47人。針對1節(jié)提出的問題，本文通過對網(wǎng)絡(luò)教學(xué)平臺教學(xué)信息數(shù)據(jù)庫中的學(xué)生信息表、學(xué)生學(xué)習(xí)進度表、測試信息表等進行數(shù)據(jù)挖掘，說明其在網(wǎng)絡(luò)教學(xué)中的應(yīng)用。各表結(jié)構(gòu)如表1至表3所示（本文中學(xué)生信息經(jīng)過掩飾處理）。

其中內(nèi)容是指客觀性考題，如單項選擇題等。主觀性考題，如算法設(shè)計之類考題可以以教師組織的BBS討論為依據(jù)評分，在此以有效討論次數(shù)（有實質(zhì)性的討論內(nèi)容）計算。

首先去除數(shù)據(jù)表中的冗余信息，如學(xué)生信息表中除學(xué)號信息以外的各分項信息，每一章節(jié)學(xué)習(xí)進度表中的節(jié)、日期信息，每章測試信息表中的題號、內(nèi)容、答案等信息；對某些匯總數(shù)據(jù)項進行離散化處理，如將測試信息表中得分匯總后分為（0，59），（60，85），（85，100）等 3個組并概化為不及格，合格和優(yōu)秀三個層次；學(xué)習(xí)時間匯總后分為（0，2），（2，4），（4，6），（6，）等 四個組，單位：小時；學(xué)習(xí)次數(shù)匯總后分為（0，3），（3，6），（6，）等 三個組，BBS討論匯總后分為（0，3），（3，6），（6，）并 概化為積極，參與和不積極三個層次[7]；同時下一章節(jié)的教學(xué)目標制定為三個層次，內(nèi)容呈現(xiàn)分別表示為A類、B類、C類三個層次的內(nèi)容，提供給學(xué)生學(xué)習(xí)。然后檢查數(shù)據(jù)的完整性及數(shù)據(jù)的一致性，對其中的噪音數(shù)據(jù)進行處理。經(jīng)過數(shù)據(jù)預(yù)處理工作，得到一張描述學(xué)生學(xué)習(xí)過程信息的數(shù)據(jù)表格，表4是我們整理出的某一章節(jié)的學(xué)生學(xué)習(xí)情況數(shù)據(jù)。

三 數(shù)據(jù)挖掘過程

主要是利用關(guān)聯(lián)分析、序列模式分析、分類分析和聚類分析等分析方法對數(shù)據(jù)庫中的潛在規(guī)則進行挖掘。針對1節(jié)中提出的問題，根據(jù)國內(nèi)外對各類模式挖掘算法的研究[8,9]，本文采用FP-Tree關(guān)聯(lián)規(guī)則挖掘算法進行關(guān)聯(lián)規(guī)則挖掘和用于 分類模型判定樹歸納算法進行數(shù)據(jù)挖掘。

1 關(guān)聯(lián)規(guī)則挖掘

關(guān)聯(lián)規(guī)則挖掘可以發(fā)現(xiàn)大量數(shù)據(jù)中項集之間有趣的關(guān)聯(lián)或相關(guān)聯(lián)系，通過這種挖掘技術(shù)對表4進行挖掘，可以發(fā)現(xiàn)學(xué)生的學(xué)習(xí)時間、學(xué)習(xí)次數(shù)及網(wǎng)絡(luò)課堂討論和學(xué)習(xí)效果之間的關(guān)系，使教師了解學(xué)生的網(wǎng)上學(xué)習(xí)行為和目標掌握程度，幫助教師調(diào)整教學(xué)計劃，如設(shè)計有意義的討論課題提升學(xué)生的學(xué)習(xí)興趣，從而間接增加學(xué)生的學(xué)習(xí)時間和學(xué)習(xí)次數(shù)。

首先給出關(guān)聯(lián)規(guī)則的形式化描述：設(shè) 是m個項的集合，D是數(shù)據(jù)庫事務(wù)的集合，每個事務(wù)有一個標識符。關(guān)聯(lián)規(guī)則就是形如 的蘊含式，其中 ,并且 。規(guī)則的支持度記為 ，是事務(wù)D中包含的 事務(wù)數(shù)與所有事務(wù)數(shù)之比，置信度記為 ，是指包含的 事務(wù)數(shù)與包含的 事務(wù)數(shù)之比。

給定事務(wù)數(shù)據(jù)庫D挖掘關(guān)聯(lián)規(guī)則問題就是產(chǎn)生支持度、置信度分別大于用戶給定的最小支持度和最小置信度的關(guān)聯(lián)規(guī)則。

表5是使用FP-Tree算法對學(xué)生學(xué)習(xí)情況表進行挖掘得到的一系列關(guān)聯(lián)規(guī)則（因篇幅限制，本文僅列出部分內(nèi)容）。

從上表可以看出，學(xué)習(xí)時間在6小時以上并且成績?yōu)閮?yōu)秀的同學(xué)占全班的20.51%，學(xué)習(xí)時間6小時以上的同學(xué)中有34.78%的學(xué)生成績?yōu)閮?yōu)秀。學(xué)習(xí)時間在2小時以下的并且成績不及格的同學(xué)占全班的7.69%，學(xué)習(xí)時間2小時以下的同學(xué)中有75%的學(xué)生成績不及格。學(xué)習(xí)時間在6小時以上，學(xué)習(xí)次數(shù)多于6次且成績?yōu)閮?yōu)秀的學(xué)生占全班的7.69%，這部分同學(xué)中有75%也積極參與BBS討論，而學(xué)習(xí)時間少于2小時，次數(shù)少于3次，基本不參與討論的同學(xué)，不及格率為100%，這部分同學(xué)占全班的7.69%。比例明顯偏高，需要調(diào)整教學(xué)的內(nèi)容和設(shè)計討論問題以提高學(xué)生的興趣。從表中還可以看出，學(xué)習(xí)次數(shù)多于6次的學(xué)生中有92.31%的學(xué)生其學(xué)習(xí)時間一般也會超過6小時，這部分學(xué)生占全班的61.54%,通過關(guān)聯(lián)規(guī)則的挖掘，可以掌握學(xué)生網(wǎng)上學(xué)習(xí)行為，從而為教師的教學(xué)策略調(diào)整提供依據(jù)，可以更好地進行學(xué)生的培養(yǎng)。

2 分類模型挖掘

著名的心理學(xué)家、教育學(xué)家布盧姆提出的掌握學(xué)習(xí)理論認為：“只要在提供恰當?shù)牟牧虾瓦M行教學(xué)的同時給每個學(xué)生提供適度的幫助和充分的時間，幾乎所有的學(xué)生都能完成學(xué)習(xí)任務(wù)或達到規(guī)定的學(xué)習(xí)目標”。

通過構(gòu)造判定樹可以建立學(xué)生分層教學(xué)模型，并依據(jù)判定樹為學(xué)生提供不同層次的教學(xué)內(nèi)容而 實現(xiàn)對學(xué)生的網(wǎng)絡(luò)分層教學(xué)。分類模型判定樹歸納算法主要表述為計算每個屬性的信息增益，將具有最高信息增益的屬性選作 給定樣本集合的測試屬性，創(chuàng)建樹的結(jié)點，并以該屬性標記，對屬性的每個值創(chuàng)建分支，并據(jù)此劃分樣本。由于樣本數(shù)據(jù)中存在噪聲或孤立點，通過樹剪枝去除不合理的分支，以提高在未知數(shù)據(jù)上分類的準確性。據(jù)此算法構(gòu)造的判定樹如圖1所示。

判定樹的第一層條件為每一章節(jié)的單元測試成績，分別表示為優(yōu)秀、合格和不及格。不及格的同學(xué)下一章節(jié)進入C類教學(xué)目標學(xué)習(xí)，優(yōu)秀的同學(xué)則進入A類教學(xué)目標學(xué)習(xí)，合格的同學(xué)則根據(jù)學(xué)習(xí)的次數(shù)決定下一章節(jié)的教學(xué)目標。學(xué)習(xí)次數(shù)為0~2次的同學(xué)進入B類教學(xué)目標學(xué)習(xí)，3~5次的同學(xué)則需要根據(jù)學(xué)習(xí)時間判定，根據(jù)判定樹可知，所有同學(xué)進入B類教學(xué)目標學(xué)習(xí)，這和我們?nèi)粘５呐袛噙壿嬒喾?，因為學(xué)習(xí)次數(shù)較多，學(xué)習(xí)時間較長，但成績卻是合格的同學(xué)很有可能是因為方法不當?shù)仍驅(qū)е陆邮苤R能力較差，進入A類目標學(xué)習(xí)顯然是不合理的。當學(xué)習(xí)次數(shù)大于6次時，可以根據(jù)學(xué)生參與BBS討論的次數(shù)決定學(xué)生的下一章節(jié)的學(xué)習(xí)目標，討論次數(shù)0~2次的同學(xué)其學(xué)習(xí)目標定為B類，3次以上的同學(xué)其學(xué)習(xí)目標則定為A類，這類學(xué)生表現(xiàn)出對知識的渴求，興趣較濃，理解知識的能力相對較強。

本文為全文原貌 未安裝PDF瀏覽器用戶請先下載安裝 原版全文

根據(jù)判定樹，可以根據(jù)學(xué)生學(xué)習(xí)本章節(jié)的實際情況對學(xué)生學(xué)習(xí)下一章節(jié)內(nèi)容的效果進行預(yù)測，據(jù)此對學(xué)生進行分類，提供不同的教學(xué)內(nèi)容供其學(xué)習(xí)，以提高整體教學(xué)質(zhì)量。

參考文獻

[1] 湯小文,蔡慶生. 數(shù)據(jù)挖掘在電信業(yè)中的應(yīng)用[J].計算機工程,2004,30(6):36-37,41.

[2] 楊引霞,謝康林,朱揚勇等.電子商務(wù)網(wǎng)站推薦系統(tǒng)中關(guān)聯(lián)規(guī)則推薦模型的實現(xiàn)[J].計算機工程, 2004, 30(19):57-59.

[3] 印鑒,陳憶群,張鋼.基于數(shù)據(jù)倉庫的聯(lián)機分析挖掘系統(tǒng)[J].計算機工程,2004,30(19):49-51.

[4] 楊清蓮,周慶敏,常志玲.Web挖掘技術(shù)及其在網(wǎng)絡(luò)教學(xué)評價中的應(yīng)用[J].南京工業(yè)大學(xué)學(xué)報（自然科學(xué)版）,2005, 27(5):100-103.

[5] 劉革平,黃智興,邱玉輝.基于數(shù)據(jù)挖掘的遠程學(xué)習(xí)過程評價系統(tǒng)設(shè)計與實現(xiàn)[J].電化教育研究,2005,(7):67-69.

[6] 孫瑩,程華,萬浩.基于數(shù)據(jù)挖掘的遠程學(xué)習(xí)者網(wǎng)上學(xué)習(xí)行為研究[J].中國遠程教育,2008,(5):44-47.

[7] 龔志武.關(guān)于成人學(xué)生網(wǎng)上學(xué)習(xí)行為影響因素的實證研究[J].中國電化教育,2004,(8):32-34.

[8] Sarwar B, Karypis G, Konstan J,et al. Analysis of Recommendation Algorithms for E-commerce [Z]. ACM Conference on Electronic Commerce, 2000.

[9] Tung A K H, Lu Hongjun, Gan Jiawei,et al. Efficient Mining of Interransaction Association Rules [Z]. IEEE Transactions onKnowledge and Data Engineering, 2003, 15(1).

Application of Data Mining in Network Teaching

SUN Yu-rong1LUO Li-yu2HUANG Hui-hua1

（1.College of Science, Central South University of Forestry and Technology, Changsha ,Hunan, 410004, China；2.The Journal Editorial Department, Hunan University of Technology，Zhuzhou, Hunan, 412007，China）

篇4

一、數(shù)據(jù)挖掘的概念

1．1數(shù)據(jù)挖掘的定義

數(shù)據(jù)挖掘（Datamining 簡稱DM），可以說是數(shù)據(jù)庫中的知識發(fā)現(xiàn)，它是指從大量的、不完全的、有噪聲的、模糊的、隨機的數(shù)據(jù)中，提取隱含在其中的，人們事先不知道的，但又是潛在的，有用的信息和知識的過程。它綜合利用了統(tǒng)計學(xué)方法，模糊識別技術(shù)、人工智能方法，人工神經(jīng)網(wǎng)絡(luò)技術(shù)等相關(guān)技術(shù)，并對各行各業(yè)的生產(chǎn)數(shù)據(jù)，管理數(shù)據(jù)和經(jīng)營數(shù)據(jù)進行處理、組織、分析、綜合和解釋，以期望從這些數(shù)據(jù)中挖掘并揭示出客觀規(guī)律，反映內(nèi)在聯(lián)系和預(yù)測發(fā)展趨勢的知識，例如醫(yī)學(xué)研究人員希望從已有的成千上萬份病歷中找出患有某種疾病的病人的共同特征，從而為治愈這種疾病提供一些幫助。

從數(shù)據(jù)庫中發(fā)現(xiàn)知識（KDD）一詞首先出現(xiàn)在1989年舉行的第一屆國際聯(lián)合人工智能學(xué)術(shù)會議上，到目前為止，美國人工智能協(xié)會主辦的KDD國際研討會已經(jīng)召開了多次，規(guī)模由原來的專題討論發(fā)展到國際學(xué)術(shù)大會，研究重點也逐漸從發(fā)現(xiàn)方法轉(zhuǎn)向應(yīng)用系統(tǒng)，注意多種發(fā)現(xiàn)策略和技術(shù)的集成，以及多種學(xué)科之間的相互滲透，數(shù)據(jù)挖掘與知識發(fā)現(xiàn)已成為當前國際上的一個研究熱點。

1．2 數(shù)據(jù)挖掘的對象

數(shù)據(jù)挖掘常見的挖掘?qū)ο笥校宏P(guān)系（Relational）數(shù)據(jù)庫、事務(wù)(Transactional)數(shù)據(jù)庫、面向?qū)ο螅∣bjected-Oriented）數(shù)據(jù)庫、主動（Active）數(shù)據(jù)庫、空間（Spatial）數(shù)據(jù)庫、時態(tài)（Temporal）數(shù)據(jù)庫、文本（Textual）數(shù)據(jù)庫、多媒體（Multi-Media）數(shù)據(jù)庫、異質(zhì)（Heterogeneous）數(shù)據(jù)庫以及Web數(shù)據(jù)庫等。

知識發(fā)現(xiàn)（KDD）被認為是從數(shù)據(jù)中發(fā)現(xiàn)有用知識的整個過程，數(shù)據(jù)挖掘只是數(shù)據(jù)庫中知識發(fā)現(xiàn)的一個步驟，但又是最重要的一步，它用專門算法從數(shù)據(jù)中抽取模式，原始數(shù)據(jù)可以是結(jié)構(gòu)化的，如關(guān)系型數(shù)據(jù)庫中的數(shù)據(jù)，也可以是非結(jié)構(gòu)化的，如文本、圖形、圖像數(shù)據(jù)，甚至是分布在網(wǎng)絡(luò)上的異構(gòu)型數(shù)據(jù)。

二、數(shù)據(jù)挖掘的意義

數(shù)據(jù)挖掘與傳統(tǒng)的數(shù)據(jù)分析（如查詢報表，聯(lián)機應(yīng)用分析）的本質(zhì)區(qū)別是數(shù)據(jù)挖掘是在沒有明確假設(shè)的前提下去挖掘信息，發(fā)現(xiàn)知識，數(shù)據(jù)挖掘所得到的信息應(yīng)具有先未知，有效和應(yīng)用三個特征。

先前未知的信息是指該信息是預(yù)先未曾預(yù)料到的，即數(shù)據(jù)挖掘是要 發(fā)現(xiàn)那些不能靠直覺發(fā)現(xiàn)的信息知識，甚至是違背直覺的信息或知識，數(shù)據(jù)挖掘通過預(yù)測未來趨勢及行為，做出前攝的，基于知識的決策。

三、數(shù)據(jù)挖掘的分類：

數(shù)據(jù)挖掘的任務(wù)就是從數(shù)據(jù)集中發(fā)現(xiàn)模式，模式有很多種，按功能分為兩大類：（1）描述性挖掘，主要刻畫數(shù)據(jù)庫中數(shù)據(jù)的一般特性；（2）預(yù)測性挖掘，主要任務(wù)在當前數(shù)據(jù)上進行推斷，以進行預(yù)測，在實際應(yīng)用中，往往根據(jù)模式的實際作用及數(shù)據(jù)挖掘的任務(wù)分為以下幾類：

（1）關(guān)聯(lián)分析（associationanalysis）：關(guān)聯(lián)分析以發(fā)現(xiàn)關(guān)聯(lián)規(guī)則（association rules）為目標，關(guān)聯(lián)分析的典型例子是購物籃分析，描述顧客的購買行為（哪些商品常在一起購買）。例如“啤酒和尿布的故事”。

（2）分類（classification）：首先分析一個訓(xùn)練樣本數(shù)據(jù)集，找到一組能夠描述數(shù)據(jù)集合典型特征的模型（或函數(shù)），然后使用這個模型分類識別未知數(shù)據(jù)的歸屬或類別，即將未知事例映射到某種離散類別之一，分類的方法很多，主要有決策樹法、貝葉斯法、神經(jīng)網(wǎng)絡(luò)法，近鄰學(xué)習(xí)或基于事例的學(xué)習(xí)等方法。例如，利用教師的相關(guān)數(shù)據(jù)（如職稱、學(xué)歷教齡等）以及學(xué)生對教師的教學(xué)評估結(jié)果構(gòu)建分類模型（如決策數(shù)），可用于預(yù)測某一位新教師未來教學(xué)評估的結(jié)果，相關(guān)知識可用于指導(dǎo)學(xué)校人事部門的教師引進工作。

（3）聚類分析（clusteringanalysis）：聚類分析所分析處理的數(shù)據(jù)對象事先無確定的類別屬性，聚類分析的基本原則是：各積聚類（clusters）內(nèi)部數(shù)據(jù)對象間的相似度最大化，各聚類對象間的相似度最小化，按照選定的度量數(shù)據(jù)對象之間相似度的計算公式，遵循聚類分析的基本原則，將數(shù)據(jù)對象劃分成為多個類或簇，在同一個簇中的對象之間具有較高的相似度，而不同簇中的對象差別較大，聚類分析主要應(yīng)用于模式識別，數(shù)據(jù)分析，圖像處理以及市場研究。

（4）序列分析（sequenceanalysis）：序列分析是通過分析序列數(shù)據(jù)庫尋找一定的規(guī)則和有趣的特征，廣泛應(yīng)用于對時間序列數(shù)據(jù)的分析，應(yīng)用領(lǐng)域涉及經(jīng)濟學(xué)、生物醫(yī)學(xué)、生態(tài)學(xué)、大氣和海洋等?？刂乒こ碳靶盘柼幚?，例如，web日志中的數(shù)據(jù)是典型的時間序列數(shù)據(jù)，它記錄了用戶與站點的交互信息及時間，對于商業(yè)網(wǎng)站而言，基于這些數(shù)據(jù)的挖掘?qū)τ谄錄Q策具有實用價值。

（5）孤立點分析：數(shù)據(jù)庫中可能包含這樣一些數(shù)據(jù)對象，它們與數(shù)據(jù)的一般行為或模型偏離很大，這些對象就是孤立點，大部分數(shù)據(jù)挖掘方法將孤立點視為噪聲或異常而丟棄；而在一些應(yīng)用中（如信用卡欺詐），罕見的事件可能比正常出現(xiàn)的更有趣，在市場分析中，可用于確定極低或極高收入的客戶的消費行為。

四、數(shù)據(jù)挖掘的處理過程

數(shù)據(jù)挖掘來源于知識發(fā)現(xiàn)（KDD）,是數(shù)據(jù)庫發(fā)展和人工智能技術(shù)相結(jié)合的產(chǎn)物,因而數(shù)據(jù)挖掘包括KDD的全過程,類似于通常的一個開采過程,整個過程分為三個階段來完成：數(shù)據(jù)準備階段、數(shù)據(jù)挖掘階段和結(jié)果顯示階段。

數(shù)據(jù)挖掘環(huán)境可示意如下圖：

圖1-1 數(shù)據(jù)挖掘環(huán)境框圖

按工作流程包括以下幾個步驟：

1、問題定義：對應(yīng)用領(lǐng)域知識進行充分的理解和分析，明確挖掘?qū)ο蠛湍繕恕?/p>

2、數(shù)據(jù)準備：

（1）搜索所有與業(yè)務(wù)對象有關(guān)的內(nèi)部和外部數(shù)據(jù)信息，并從中選擇出適用于數(shù)據(jù)挖掘應(yīng)用的數(shù)據(jù)。

（2）數(shù)據(jù)凈化和預(yù)處理包括去噪聲，填補丟失的域，刪除無效數(shù)據(jù)等。

（3）判斷數(shù)據(jù)挖掘的功能類型，數(shù)據(jù)挖掘的功能類型分為驗證型和發(fā)現(xiàn)型。驗證型是指由用戶首先提出假設(shè)；發(fā)現(xiàn)型是指用數(shù)據(jù)挖掘工具從數(shù)據(jù)中發(fā)現(xiàn)用戶未知的事實、趨勢、分類等。

（4）選擇適宜的數(shù)據(jù)挖掘的算法。根據(jù)數(shù)據(jù)功能的類型和數(shù)據(jù)的特點選擇相應(yīng)的算法。常用的算法有人工神經(jīng)元網(wǎng)絡(luò)、決策樹算法、集合論算法和遺傳學(xué)算法等。

（5）進行數(shù)據(jù)轉(zhuǎn)換。根據(jù)數(shù)據(jù)挖掘的目標、功能及數(shù)據(jù)挖掘算法，按指定方法組織數(shù)據(jù)，根據(jù)已了解的知識的出限定變量，轉(zhuǎn)換數(shù)據(jù)類型并且映射數(shù)據(jù)到易于找到解的特征空間。

3、數(shù)據(jù)挖掘。在凈化和轉(zhuǎn)換過的數(shù)據(jù)集上進行數(shù)據(jù)挖掘。

4、結(jié)果的分析和同化。輸出挖掘結(jié)果對數(shù)據(jù)挖掘出的結(jié)果進行解釋和評價，轉(zhuǎn)換成為能夠最終被用戶理解的知識。綜合分析把已得到的知識和已有的知識進行綜合，檢查和處理它們之間的沖突，通過簡明直觀的方法把最終結(jié)果報告給用戶，并且評價整個處理流程的性能。

五、結(jié)語

數(shù)據(jù)挖掘是目前國際上數(shù)據(jù)庫和信息決策領(lǐng)域的前沿研究方向之一，也是當前計算機領(lǐng)域的一大熱點，其研究的重點也逐漸從理論轉(zhuǎn)移到了系統(tǒng)應(yīng)用，隨著技術(shù)的不斷成熟，未來的應(yīng)用領(lǐng)域也會更加廣泛。只有更加深入的研究透了數(shù)據(jù)挖掘相關(guān)的理論，才能使其對未來社會的發(fā)展起到更積極的作用。

參考文獻：

[1]朱明，數(shù)據(jù)挖掘[M]，中國科學(xué)技術(shù)大學(xué)出版社，2002

[2]喬永生，數(shù)據(jù)挖掘的探討[J]，科技情報開發(fā)與經(jīng)濟，2006.16

[3](加)JiaweiHan, Micheline Kamber 著.范明 孟小峰等譯.數(shù)據(jù)挖掘-概念與技術(shù).北京:機械工業(yè)出版社.2001.15

篇5

企業(yè)競爭在當前日趨激烈，作為企業(yè)競爭制勝先導(dǎo)和基礎(chǔ)的競爭情報，正愈來愈受到企業(yè)和學(xué)術(shù)理論界的重視，不少的企業(yè)正在或?qū)⒁⒆约旱母偁幥閳笙到y(tǒng)。

目前我國最流行的競爭情報系統(tǒng)的定義可以歸納為兩種。第一種定義認為競爭情報系統(tǒng)就是計算機系統(tǒng)。王沙騁等指出，企業(yè)競爭情報系統(tǒng)是指將反映企業(yè)自身、競爭對手和企業(yè)外部環(huán)境的時間狀態(tài)和變化的數(shù)據(jù)、信息及情報進行收集、存儲、處理及分析，并以適當?shù)姆绞浇o企業(yè)有關(guān)戰(zhàn)略管理人員的計算機應(yīng)用系統(tǒng)，是基于計算機和網(wǎng)絡(luò)環(huán)境的、由先進的信息技術(shù)支持的企業(yè)競爭情報輔助分析計算機系統(tǒng)。我國討論競爭情報涉及計算機網(wǎng)絡(luò)的專家多數(shù)持這種看法，國外也有很多人持這種看法。

第二種定義把競爭情報系統(tǒng)視為人機系統(tǒng)。這種觀點是我國競爭情報的先驅(qū)包昌火先生提出來的：競爭情報系統(tǒng)是以人的智能為主導(dǎo)、信息網(wǎng)絡(luò)為手段、增強企業(yè)競爭力為目標的人機結(jié)合的競爭戰(zhàn)略決策支持和咨詢系統(tǒng)。按包昌火先生的定義，競爭情報系統(tǒng)核心就是人和計算機。

澳門理工學(xué)院社會經(jīng)濟研究所曾忠祿先生分析綜合了以上三大類定義的優(yōu)缺點，他認為，目前競爭情報系統(tǒng)的定義是存在缺陷的，它們都只包括了競爭情報體系的部分內(nèi)容，缺乏全面性外，它們還有另外一個缺陷，即忽略了競爭情報系統(tǒng)各構(gòu)成因素之間的相互聯(lián)系和互相依賴關(guān)系。缺乏將各部分聯(lián)系起來的“關(guān)系”，它們就不能成為“系統(tǒng)”。他認為，競爭情報系統(tǒng)是為用戶的需要創(chuàng)造情報產(chǎn)品的體系，它由相互聯(lián)系、相互影響的功能、結(jié)構(gòu)（資源）和方法（流程）組成，各構(gòu)成部分有機地聯(lián)系在一起，并隨著外部環(huán)境的變化而動態(tài)發(fā)展。這里的用戶可以是企業(yè)，也可以是政府機構(gòu)，或自己組織內(nèi)部的某一部門或上級單位；情報產(chǎn)品既可以是文字的，也可以是圖像的、口頭的或其他方式的；創(chuàng)造過程既包括信息收集、分析，也包括撰寫情報報告等。

2. 十年來我國競爭情報系統(tǒng)研究相關(guān)熱點及部分成果

隨著市場競爭的深入發(fā)展和日趨激烈，企業(yè)競爭情報系統(tǒng)的理論與實踐必將愈來愈受到企業(yè)界和學(xué)術(shù)理論界的高度重視。本文選取了最近十年來刊登在《情報科學(xué)》、《情報雜志》、《情報學(xué)報》、《圖書情報工作》等幾本情報學(xué)主要核心期刊上關(guān)于競爭情報系統(tǒng)的論文，對其進行歸納總結(jié)，找出了我國競爭情報系統(tǒng)研究的主要幾個熱點問題。主要熱點包括一下幾個方面：

2.1 競爭情報與數(shù)據(jù)挖掘

簡單地講，數(shù)據(jù)挖掘是一種利用各種分析工具建構(gòu)數(shù)據(jù)分析模型，從而在大型的數(shù)據(jù)庫(或數(shù)據(jù)倉庫)中提取人們感興趣的知識的過程。這些知識是隱含的、事先未知的、潛在有用的信息，提取的知識一般可以表達為概念、規(guī)則、規(guī)律、模式等形式。

當前競爭情報系統(tǒng)的情報源越來越多，包括企業(yè)內(nèi)部數(shù)據(jù)庫、數(shù)據(jù)倉庫、外部網(wǎng)絡(luò)、外部數(shù)據(jù)庫等等。競爭情報系統(tǒng)需要向用戶提供面向主題的數(shù)據(jù)挖掘及深層的數(shù)據(jù)分析，要實現(xiàn)這些功能，就要將競爭情報系統(tǒng)建立在數(shù)據(jù)挖掘技術(shù)基礎(chǔ)上。而數(shù)據(jù)挖掘?qū)?shù)據(jù)要求比較高，因此要在原有競爭情報系統(tǒng)基礎(chǔ)上加強對數(shù)據(jù)的處理，以滿足數(shù)據(jù)挖掘的要求。目前國內(nèi)在此方面的研究多集中在web數(shù)據(jù)挖掘在競爭情報系統(tǒng)中的應(yīng)用，將數(shù)據(jù)挖掘技術(shù)應(yīng)用到競爭情報系統(tǒng)的構(gòu)建。并提出了不同的基于Web挖掘技術(shù)的企業(yè)競爭情報系統(tǒng)結(jié)構(gòu)模型。

蒲群瑩在2005年第1期的情報雜志上提出的競爭情報系統(tǒng)模型是建立在大量競爭情報數(shù)據(jù)基礎(chǔ)上的競爭情報系統(tǒng)，包含四個子系統(tǒng)，即競爭情報收集子系統(tǒng)、數(shù)據(jù)轉(zhuǎn)換子系統(tǒng)、分析子系統(tǒng)、服務(wù)子系統(tǒng)(如圖1所示)。

圖1　基于數(shù)據(jù)挖掘的競爭情報系統(tǒng)模型

1. 收集子系統(tǒng)。競爭情報收集子系統(tǒng)主要包括各企業(yè)信息源以及各種信息收集工具，主要負責收集來自企業(yè)內(nèi)部和外部的信息。

2. 數(shù)據(jù)轉(zhuǎn)換子系統(tǒng)。數(shù)據(jù)轉(zhuǎn)換子系統(tǒng)主要功能是為數(shù)據(jù)挖掘提供符合要求的數(shù)據(jù)，為下一步數(shù)據(jù)挖掘提供了良好的環(huán)境。

3. 分析子系統(tǒng)。經(jīng)過轉(zhuǎn)換的數(shù)據(jù)，送入競爭情報分析子系統(tǒng)中，該子系統(tǒng)主要包括數(shù)據(jù)分析以及模式發(fā)現(xiàn)工具，數(shù)據(jù)挖掘是其核心技術(shù)。

4. 服務(wù)子系統(tǒng)。競爭情報服務(wù)子系統(tǒng)是為整個競爭情報系統(tǒng)提供一個信息交流和共享的平臺，它包括對內(nèi)和對外兩部分。

  目前看來，數(shù)據(jù)挖掘是競爭情報系統(tǒng)處理海量數(shù)據(jù)唯一可行的技術(shù)，迄今為止這項技術(shù)并沒有發(fā)展成熟，將它應(yīng)用到企業(yè)競爭情報系統(tǒng)中還需要經(jīng)過很長時間的探索，但是探討將兩者相結(jié)合的應(yīng)用模式是非常必要的。

2.2 競爭情報系統(tǒng)與人際網(wǎng)絡(luò)

競爭情報系統(tǒng)的橫向描述為組織網(wǎng)絡(luò)、信息網(wǎng)絡(luò)、人際網(wǎng)絡(luò)三大網(wǎng)絡(luò)(如圖2所示)。美國著名的公關(guān)專家李文斯頓給人際網(wǎng)絡(luò)的定義：建立人際網(wǎng)絡(luò)是一個互相交換資訊、意見、想法與相互介紹朋友、熟人、資源共享，也互相感激的關(guān)系。

圖2　競爭情報系統(tǒng)橫向描述結(jié)構(gòu)圖

在競爭情報系統(tǒng)中建立人際網(wǎng)絡(luò)的必要性主要表現(xiàn)在：通過人際交流，可以充分獲取信息，挖掘正式交流中所不能體現(xiàn)的情感信息，還可以實現(xiàn)隱含知識的轉(zhuǎn)移和傳遞。人際網(wǎng)絡(luò)是重要的非公開情報源，是企業(yè)獲取競爭情報非常重要的途徑和工具，而對于它在競爭情報系統(tǒng)中的重要性，競爭情報人員最近才認識到。事實上，人際網(wǎng)絡(luò)的重要性體現(xiàn)在競爭情報工作的全過程，貫穿于情報收集、分析和服務(wù)這個情報循環(huán)(Intelligence Cycle)中，尤其突出地反映在情報收集階段。

隨著我國經(jīng)濟社會的發(fā)展，企業(yè)的競爭將越來越激烈，但是這些企業(yè)越來越意識到必須采取競合策略才能更好地生存和發(fā)展，因此人際網(wǎng)絡(luò)與競爭情報成為我國競爭情報系統(tǒng)研究的熱點之一。

2.3 集成競爭情報系統(tǒng)—面向企業(yè)信息集成（EII）的CIS

面向EII的集成化CIS以現(xiàn)代信息技術(shù)為手段，為部門之間、企業(yè)與集成環(huán)境內(nèi)其它供應(yīng)鏈節(jié)點之間、供應(yīng)鏈集成環(huán)境之間提供有效的競爭情報服務(wù)與集成化的決策支持。同時，根據(jù)戰(zhàn)略目標和競爭環(huán)境的變化對企業(yè)資源重新組合集成，突破部門、組織、地域、時間和硬件設(shè)備的束縛， 實現(xiàn)以企業(yè)戰(zhàn)略目標和用戶需求為中心的集成與協(xié)同，形成敏捷的市場反應(yīng)能力。與傳統(tǒng)CIS相比，面向企業(yè)信息集成的CIS具有高度的集成性、敏捷性、實時性、持續(xù)性、網(wǎng)絡(luò)化、虛擬化以及智能化。

面對企業(yè)信息集成的發(fā)展，搭建集成CIS平臺，提供廣泛深入的信息服務(wù)和決策支持已經(jīng)成為一種新的發(fā)展方向。同時，這種集成化的CIS由于融合了先進的網(wǎng)絡(luò)信息技術(shù)和管理理念，使其為企業(yè)部門之間、企業(yè)與外部供應(yīng)鏈節(jié)點之間以及不同供應(yīng)鏈集成體系之間的協(xié)作提供了集成化、平臺化和系統(tǒng)化的信息環(huán)境，同時還可以根據(jù)企業(yè)戰(zhàn)略規(guī)劃和競爭環(huán)境的變遷對內(nèi)外資源進行全面有效的整合處理和集成配置，使CIS配合企業(yè)信息集成發(fā)展的需求，進行動態(tài)決策調(diào)整、分布式信息服務(wù)和集成化的決策支持的實現(xiàn)成為可能。、

2.4 基于Internet與Intranet的企業(yè)競爭情報系統(tǒng)研究

在網(wǎng)絡(luò)環(huán)境下，企業(yè)競爭情報系統(tǒng)（ECIS）以內(nèi)聯(lián)網(wǎng)（Intranet）為平臺，通過互聯(lián)網(wǎng)（Internet）與外部相連，應(yīng)用信息技術(shù)和現(xiàn)代組織創(chuàng)新理論，建立起以競爭環(huán)境、競爭對手和競爭策略信息的獲取和分析為主要內(nèi)容的具有快速反應(yīng)能力的工作體系。根據(jù)網(wǎng)絡(luò)環(huán)境下企業(yè)競爭情報的需求特點，ECIS的基本功能應(yīng)當包括競爭環(huán)境監(jiān)測、市場變化預(yù)警、技術(shù)動向跟蹤、競爭對手分析、競爭策略制訂和企業(yè)信息安全等六個方面。

根據(jù)對國內(nèi)外企業(yè)競爭情報系統(tǒng)運行與服務(wù)模式的分析，在網(wǎng)絡(luò)環(huán)境下比較典型的服務(wù)模式主要有：競爭信息掃描、戰(zhàn)略早期預(yù)警、競爭知識庫建設(shè)、競爭對手分析和競爭策略模擬五種模式。

3. 企業(yè)競爭情報系統(tǒng)的發(fā)展趨勢

從企業(yè)戰(zhàn)略管理的角度來看，把CIS建設(shè)成企業(yè)的“中央情報局”，使之成為企業(yè)領(lǐng)導(dǎo)集團經(jīng)營戰(zhàn)略和競爭決策的思想庫和參謀部，這將是企業(yè)CIS的主要目標和未來發(fā)展方向。

3.1 網(wǎng)絡(luò)化方向

從企業(yè)競爭情報系統(tǒng)的具體運作角度來說，CIS的網(wǎng)絡(luò)化趨勢體現(xiàn)在系統(tǒng)運行的信息搜集和信息服務(wù)兩個階段中：信息搜集的網(wǎng)絡(luò)化方面，企業(yè)可以定制適合自己的自動搜索軟件，定期檢索與本企業(yè)、本行業(yè)相關(guān)的網(wǎng)上情報源。這樣既在一定程度上保證了信息搜集的完備性，又大大減少了信息搜集人員的工作量，使其可以專注于其他信息源的搜集處理，如加強對非公開信息的搜集工作力度。在信息服務(wù)的網(wǎng)絡(luò)化方面，企業(yè)決策層應(yīng)該可以不受時間、地域限制地接受所需的情報服務(wù)。未來更理想的服務(wù)模式是CIS根據(jù)用戶的不同，提供特定的推送服務(wù)，為不同的決策人員提供不同的定制服務(wù)界面；而企業(yè)內(nèi)的其他員工也可根據(jù)自己的需要，定制適合自己需要的Intranet服務(wù)。

3.2 智能化方向

隨著信息技術(shù)水平的不斷提高，各種新方法、新工具會應(yīng)用到競爭情報系統(tǒng)中，比如智能化的自動搜集軟件就是競爭情報系統(tǒng)智能化的一種表現(xiàn)。另外，系統(tǒng)的智能化分析功能、學(xué)習(xí)功能和檢索功能的加入也都是未來競爭情報系統(tǒng)的重要發(fā)展方向。

3.3 決策化方向

競爭情報系統(tǒng)的工作重心將從單純的、分散的日常性情報工作轉(zhuǎn)向目的性很強的競爭對手跟蹤、重大課題深入分析、競爭策略研究等方面，并日益成為企業(yè)決策的重要依據(jù)。

3.4 集成化方向

企業(yè)將在實物資源、財務(wù)資源和人力資源三類系統(tǒng)之間實現(xiàn)恰當?shù)募?，這樣將會使其能夠在組織的協(xié)同作用方面以及在與競爭能力相關(guān)的產(chǎn)品、服務(wù)、市場反應(yīng)、管理決策等方面都獲得顯著改善。

篇6

1.1 科學(xué)數(shù)據(jù)開放共享

在科學(xué)研究過程中，有不同的利益相關(guān)者參與其中。這些利益相關(guān)者類別多樣，性質(zhì)各異，共同形成科學(xué)研究的生態(tài)系統(tǒng)。根據(jù)各利益相關(guān)者的職能，圍繞研究人員，將這一系統(tǒng)進行分類研究，確定出4個利益相關(guān)者群體，即資助者、數(shù)據(jù)管理者、研究機構(gòu)與出版商作為關(guān)鍵參與者，以促進和實現(xiàn)科學(xué)研究數(shù)據(jù)的開放共享。

在這一系統(tǒng)中，每類利益相關(guān)者都有各自不同的職能、驅(qū)動力及利益點，但總體利益與動機相同，即促進科學(xué)的進步。利益相關(guān)者的利益與行為動機與各自職能連接在一起，形成了科學(xué)研究系統(tǒng)的邊界。該系統(tǒng)本質(zhì)上受到外部和內(nèi)部因素的雙重影響：外部因素可能表現(xiàn)為政治、社會、經(jīng)濟、科學(xué)和文化體系等；內(nèi)部因素包括政治意愿、經(jīng)濟及學(xué)術(shù)競爭、技術(shù)基礎(chǔ)設(shè)施、法律、道德等因素。該系統(tǒng)的價值與動機是外部和內(nèi)部因素共同作用的結(jié)果，其中外部因素控制資源輸入到該系統(tǒng)中，內(nèi)部因素控制這些資源的可用性和分配。如圖1所示：

在此科學(xué)開放系統(tǒng)中，利益相關(guān)者群體職能眾多并偶有重疊，總體上各利益相關(guān)方對研究數(shù)據(jù)的開放獲取的意義已達成共識，但各利益相關(guān)方對實現(xiàn)開放研究數(shù)據(jù)的方式的認識并不一致。本研究主要探討在推動科學(xué)數(shù)據(jù)開放共享中，出版商數(shù)據(jù)政策的現(xiàn)狀、問題，并構(gòu)建相應(yīng)模型，提出相應(yīng)建議。

1.2 出版商在科學(xué)數(shù)據(jù)開放共享系統(tǒng)中的目標

在促進研究數(shù)據(jù)開放共享方面，各利益相關(guān)方發(fā)揮不同的作用。出版商通過期刊向作者提供數(shù)據(jù)共享政策，在數(shù)據(jù)開放中發(fā)揮著重要作用。研究出版商的數(shù)據(jù)政策，是因為這是在研究過程中將數(shù)據(jù)政策與研究人員密切關(guān)聯(lián)起來的點，為研究成果，研究人員有動力、有可能遵守數(shù)據(jù)政策。同時，研究發(fā)現(xiàn)，雖然包括出資者和研究機構(gòu)都可能有適用于研究人員的政策，但遵守這些政策的研究人員的比例還很低。研究人員沒有遵守數(shù)據(jù)政策的直接動力；此外研究人員在需要進行數(shù)據(jù)存檔時，可能也沒有合適的機構(gòu)知識庫可以選擇。出版商提出的數(shù)據(jù)政策，是在研究人員完成研究過程后發(fā)表研究成果前，研究人員有可能、有動力遵守出版商的數(shù)據(jù)政策。

1.2.1 科學(xué)數(shù)據(jù)開放共享的價值

科學(xué)的思想與科學(xué)的證據(jù)互相佐證，研究數(shù)據(jù)和科學(xué)實踐之間的聯(lián)系是不言自明的，因此，推動開放獲取研究數(shù)據(jù)，與促進科學(xué)嚴謹?shù)哪繕讼嘁恢?。更大程度地共享與獲取數(shù)據(jù)，能加強科學(xué)的基礎(chǔ)價值，即允許科學(xué)研究有效地自我校正，以便二次分析、檢驗、質(zhì)疑或改進原有成果[3]。此外，開放獲取政策通過減少重復(fù)工作，最大限度地減少研究人員用在搜索信息和數(shù)據(jù)方面的精力，因而改善了他們的工作條件。

JISC以英國高等教育和研究機構(gòu)為例，指出研究數(shù)據(jù)的監(jiān)護與開放共享具有如下利益[4]： ①研究人員能夠更廣泛地獲得數(shù)據(jù)，從而促進更多的跨部門的合作，研究人員在行業(yè)、政府和非政府組織內(nèi)有可能獲得大量的教育和培訓(xùn)機會。數(shù)據(jù)的開放共享有助于實現(xiàn)數(shù)據(jù)使用和重用，降低數(shù)據(jù)的收集和復(fù)制成本，分擔數(shù)據(jù)收集的直接和間接成本（如避免調(diào)查疲勞，從而提高響應(yīng)率等），創(chuàng)造出在數(shù)據(jù)收集時未曾預(yù)想到的新的利用方式，進行數(shù)據(jù)挖掘等。②在項目申請撥款和評估階段、出版和研究評估階段，更容易發(fā)現(xiàn)欺詐和抄襲，更容易進行評估和同行審查。因此將有機會創(chuàng)造更加完整和透明的科學(xué)記錄。③通過將研究人員、知識庫、資助者與有價值的資源相鏈接，從而有更多的機會提高研究的可見度。

科學(xué)研究系統(tǒng)中的各個利益相關(guān)者群體認識到走向開放數(shù)據(jù)的利益，認同將數(shù)據(jù)的開放共享置于戰(zhàn)略高度進行考慮。科學(xué)表現(xiàn)為知識積累的過程，數(shù)據(jù)在促進早期工作中起著重要作用。開放獲取研究數(shù)據(jù)，通過避免重復(fù)勞動，促進協(xié)作，有助于顯著加快這一科學(xué)過程，從整體上使科學(xué)成為更加透明的進程，實現(xiàn)推動公眾參與，激勵創(chuàng)新和改革公共服務(wù)的宗旨[5]。

1.2.2 基本情況

出版商作為利益相關(guān)者，越來越關(guān)注數(shù)據(jù)密集型研究，認同開放獲取研究數(shù)據(jù)的意義。很多出版商認同布魯塞爾宣言，即“所有的研究者應(yīng)能自由地獲取原始研究數(shù)據(jù)。出版商鼓勵公開公布原始研究數(shù)據(jù)結(jié)果，將相關(guān)的數(shù)據(jù)集及子數(shù)據(jù)集與論文共同提交給期刊，應(yīng)盡可能讓其他研究人員自由獲取”[6]。很多出版商的數(shù)據(jù)政策為強制性政策，要求作者將支持出版物的研究數(shù)據(jù)存儲在經(jīng)認證的知識庫中，實現(xiàn)開放獲取。研究表明，如果期刊具有強制性數(shù)據(jù)政策，并且有可獲取數(shù)據(jù)的聲明，那么在線找到該數(shù)據(jù)的可能性，幾乎是沒有類似政策的期刊的1 000倍[7]。

盡管目前出版商已開始重視出版物的開放獲取，將開放獲取作為一種出版的商業(yè)模式，不過出版商參與研究數(shù)據(jù)的出版，特別是開放獲取研究數(shù)據(jù)，目前尚未形成規(guī)模。出版商關(guān)注研究數(shù)據(jù)及其開放，重要原因在于數(shù)據(jù)為出版商的主要產(chǎn)品即出版物增加了價值，數(shù)據(jù)有助于驗證研究成果，從而增強了所發(fā)表研究成果的可信性，而可信度對于研究具有重要意義[2]。此外，資助機構(gòu)的政策要求公開獲取研究數(shù)據(jù)，實質(zhì)上向出版商施加了壓力，出版商需要參與到研究數(shù)據(jù)開放獲取中，幫助作者和研究機構(gòu)符合出資人的要求。現(xiàn)在，領(lǐng)先發(fā)展的出版商開始與其他利益相關(guān)方合作，試圖挖掘研究數(shù)據(jù)的潛能，形成以數(shù)據(jù)為基礎(chǔ)的新產(chǎn)品和服務(wù)，對研究數(shù)據(jù)進行同行評議，開展提高數(shù)據(jù)質(zhì)量的其他服務(wù)。

2 出版商主要數(shù)據(jù)管理政策

本研究根據(jù)STM的年度報告[8]，確定出以下出版商為主要分析對象（見表1）。這十大出版商所出版期刊占到2014年所有出版期刊的45.2%，另外本研究將開放獲取出版商，科學(xué)公共圖書館（PLoS）、生物醫(yī)學(xué)中心（BioMed Central）的數(shù)據(jù)開放政策考慮在內(nèi)。

2.1 出版商數(shù)據(jù)政策現(xiàn)狀

2.1.1 將開放獲取作為默認情況

出版商將數(shù)據(jù)的開放獲取作為訂立政策的基礎(chǔ)，如PLOS研究數(shù)據(jù)開放獲取強制性政策[9]，指出除了極少數(shù)例外情況，支持PLOS出版物的所有研究數(shù)據(jù)都必須開放獲取。作者在向PLOS提交稿件時，要同時提交數(shù)據(jù)可用性聲明，在聲明中表明遵守PLOS的政策規(guī)定，在手稿成功提交后，數(shù)據(jù)作為最終手稿的部分內(nèi)容。PLOS要求作者將數(shù)據(jù)存儲于推薦的經(jīng)認證的數(shù)據(jù)中心或知識庫。小數(shù)據(jù)集可與稿件一并上傳。PLOS的編輯和投稿指南，向研究人員提供指導(dǎo)，協(xié)助研究人員遵守期刊開放數(shù)據(jù)政策。在限制數(shù)據(jù)獲取的情況下，PLOS有權(quán)修正說明，聯(lián)系作者的機構(gòu)或資助者，甚至撤銷出版。

2.1.2 新的出版形式的出現(xiàn)

出版界越來越關(guān)注開放數(shù)據(jù)，產(chǎn)生了一種新型出版產(chǎn)品，即數(shù)據(jù)期刊。數(shù)據(jù)期刊的出現(xiàn)，與數(shù)據(jù)可以單獨緊密相關(guān)。數(shù)據(jù)的單獨可以確保數(shù)據(jù)作為科學(xué)記錄的基本組成部分，以可理解的形式向科學(xué)界提供。數(shù)據(jù)期刊是同行評議的開放獲取平臺，用于、分享和傳播各學(xué)科的數(shù)據(jù)。發(fā)表的數(shù)據(jù)論文包含數(shù)據(jù)集的具體相關(guān)信息，如收集、處理方式等。發(fā)表的數(shù)據(jù)論文與認可的知識庫互相關(guān)聯(lián)，數(shù)據(jù)論文引用存儲于知識庫或數(shù)據(jù)中心中的數(shù)據(jù)集。正如澳大利亞國家數(shù)據(jù)服務(wù)中心（ANDS）在其數(shù)據(jù)期刊指南中所指出的，“從根本上說，數(shù)據(jù)期刊尋求促進科學(xué)認證和再利用，提高科學(xué)方法和結(jié)果的透明度，支持良好的數(shù)據(jù)管理方法，并為數(shù)據(jù)集提供一個可訪問的、永久的、可解析的路徑”。ANDS指出，數(shù)據(jù)論文的出版過程包括對數(shù)據(jù)集的同行評議，最大限度地提高了數(shù)據(jù)再利用的機會，并為研究人員提供了學(xué)術(shù)認可的可能性[10]。

2.1.3 同行評審

對研究數(shù)據(jù)與數(shù)據(jù)出版物開放獲取的關(guān)注，彰顯了研究數(shù)據(jù)的科學(xué)質(zhì)量及研究數(shù)據(jù)同行評審的重要意義。在此背景下，一些出版商將同行評議的范圍擴大到包括數(shù)據(jù)在內(nèi)的同行評審。M. S. Mayernik等2014年進行了有關(guān)“數(shù)據(jù)同行評審”的研究，提出因為出版物或資源類型有所不同，進行同行評審的方式也必須有所變化。研究者對幾種類型的評審資源進行了區(qū)分，包括在傳統(tǒng)科學(xué)論文中分析的數(shù)據(jù)，在傳統(tǒng)科學(xué)期刊上的數(shù)據(jù)文章，以及通過數(shù)據(jù)期刊的開放獲取知識庫與數(shù)據(jù)集。M. S. Mayernik等針對數(shù)據(jù)的同行評審、數(shù)據(jù)的質(zhì)量保證過程確定了一些共同因素，包括：可通過數(shù)據(jù)中心或知識庫獲取數(shù)據(jù)集；數(shù)據(jù)集有足夠的信息以備評審；期刊有明確的方針指明審核的要點，指導(dǎo)評審者進行數(shù)據(jù)審查等[11]。

開放考古學(xué)雜志（JOAD[12-13]）對所有提交的數(shù)據(jù)論文采用同行評審程序，評審內(nèi)容包括論文的內(nèi)容與存儲的數(shù)據(jù)。論文的內(nèi)容指與數(shù)據(jù)集的建立和重用相關(guān)的信息，以及對數(shù)據(jù)集的描述。存儲的數(shù)據(jù)指以可持續(xù)性模式提交到存儲庫的數(shù)據(jù)，包括其許可方式。

2.1.4 數(shù)據(jù)引用

除對數(shù)據(jù)進行同行評審?fù)?，出版商還逐步引入數(shù)據(jù)引用政策，以促進研究數(shù)據(jù)的標準化使用。研究數(shù)據(jù)對研究過程具有重要價值與意義，為擴大高質(zhì)量研究數(shù)據(jù)的傳播，形成數(shù)據(jù)利用的規(guī)范方式，F(xiàn)ORCE11[14]制定了數(shù)據(jù)引用的主要原則。FORCE11的引用原則的前提是數(shù)據(jù)引用需要實現(xiàn)人類和機器均可讀。該數(shù)據(jù)引用原則可能并不全面，主要目的是鼓勵各學(xué)科制定體現(xiàn)自身特點的引用方式。

FORCE11原則包括：說明數(shù)據(jù)引用的重要性；通過數(shù)據(jù)引用促進學(xué)術(shù)信用；數(shù)據(jù)引用要實現(xiàn)機器可操作性，包括全球永久唯一標識符；數(shù)據(jù)引用要促進對數(shù)據(jù)本身的獲??；數(shù)據(jù)引用應(yīng)該具有持久性；便于識別，易于獲取，可以驗證；具有互操作、靈活性等特點。

2.1.5 內(nèi)容發(fā)現(xiàn)和鏈接服務(wù)

出版商逐漸把發(fā)展方向轉(zhuǎn)移到內(nèi)容發(fā)現(xiàn)和鏈接服務(wù)，專注于文本與數(shù)據(jù)挖掘（TDM）工具，以便能開發(fā)內(nèi)容，進而提供相關(guān)服務(wù)。出版商越來越關(guān)注數(shù)據(jù)挖掘是研究人員利用大型數(shù)據(jù)庫的內(nèi)容、數(shù)據(jù)和出版物的需求的直接結(jié)果。一份文本和數(shù)據(jù)挖掘?qū)＜倚〗M的報告指出，TDM是一種重要技術(shù)，可用于從指數(shù)級增長的數(shù)字數(shù)據(jù)中，分析和提取新的見解和知識[15]。該報告的結(jié)論是，因為研究人員的技能和技術(shù)不斷提升，所研究的數(shù)據(jù)集的復(fù)雜性、多樣性及規(guī)模不斷擴大，因此TDM有可能會更加重要。但對于利用文本與數(shù)據(jù)挖掘工具是否應(yīng)有所限制，目前仍有爭議。

2.2 期刊數(shù)據(jù)政策問題

2.2.1 數(shù)據(jù)格式與文件大小的差異

期刊要包括支持文章結(jié)果的所有數(shù)據(jù)，往往是很難實現(xiàn)的。研究的方法不同，產(chǎn)生的數(shù)據(jù)也大不相同，數(shù)據(jù)的格式和文件大小差異巨大。定性研究生成的數(shù)據(jù)，多以文本形式存在，例如實地觀察筆記，或采訪或報道的文字記錄等。定量研究生成的數(shù)據(jù)，多以電子表格的形式保存。一項研究可能產(chǎn)生多種類型的數(shù)據(jù)，而論文可能包括附加文本、數(shù)值數(shù)據(jù)集和數(shù)字圖像，這些都可能增加論文的大小。因此出版商表現(xiàn)出對集成到每篇論文中的數(shù)據(jù)集大小的關(guān)注。某些出版商開始嘗試出版在線期刊文章，以包括多種數(shù)據(jù)，例如愛思唯爾的有關(guān)未來的文章的探索[16]。然而，并不是每一種期刊都有包括各種數(shù)據(jù)的能力。這就要求期刊的辦刊方針應(yīng)清楚說明，作為論文組成部分的數(shù)據(jù)，在何種程度上可以包括在論文中。

2.2.2 機構(gòu)知識庫的成本

為解決出版商服務(wù)器超載的問題，將期刊文章的重要數(shù)據(jù)鏈接到一個特定的機構(gòu)知識庫，可能是一個合理的選擇，但這將相關(guān)的長期運營成本轉(zhuǎn)嫁到了機構(gòu)中。但資助者目前的基金中并不包括這部分資金，而機構(gòu)可能也并不愿意在當前的管理費用中增加這種支出。這就使得在機構(gòu)知識庫中存儲科學(xué)數(shù)據(jù)的可持續(xù)性有待探討。

2.2.3 研究人員對數(shù)據(jù)開放的認識

許多研究人員并不知道相關(guān)的知識庫，為此期刊數(shù)據(jù)政策應(yīng)說明，數(shù)據(jù)是否應(yīng)該在認可的知識庫中存儲，是否要使用永久統(tǒng)一資源定位符（URL），是否要采用某種形式的數(shù)據(jù)引用。數(shù)據(jù)的時間也是一個需要關(guān)注的問題，研究人員并不關(guān)心在出版過程中的什么時候數(shù)據(jù)可被公開訪問，而是關(guān)心在研究過程中何時數(shù)據(jù)應(yīng)被公開訪問。研究論文并不是在研究結(jié)果全部產(chǎn)生后才會形成，而是在研究過程中逐步產(chǎn)生的。在的同時，是否適合研究數(shù)據(jù)取決于多種因素，諸如某些形式的數(shù)據(jù)有敏感性，要保護受試者等因素。

3 構(gòu)建期刊研究數(shù)據(jù)策略模型框架

3.1 出版商期刊政策的基本要求

有效的政策制定過程必然需要將注意力集中于數(shù)據(jù)共享過程中各利益相關(guān)方的意見，而目前的數(shù)字基礎(chǔ)設(shè)施在不斷變化，出版商、知識庫和系統(tǒng)之間，并沒有強有力的措施鼓勵共享數(shù)據(jù)。共同點包括：①出版商共享數(shù)據(jù)的方式差異很大；②在出版過程中，出版商對所接受的數(shù)據(jù)類型、數(shù)據(jù)應(yīng)存儲的地點、應(yīng)存儲的時間等說明，模糊不清；③研究人員普遍贊成共享數(shù)據(jù)，但研究人員不知道該如何克服共享障礙；④研究人員認為出版商和期刊有關(guān)數(shù)據(jù)格式和存放地點等清晰的政策，將有益于研究；⑤出版商也認為在數(shù)據(jù)的關(guān)聯(lián)與嵌入方面存在障礙。

科學(xué)數(shù)據(jù)共享的許多問題，能夠在出版過程中通過期刊強有力而明確的政策加以解決。因此，本研究的目標是確定能推薦給期刊使用的政策模型。研究收集到的期刊政策信息，對材料進行分析后，歸納出目前主要的政策要求，如表2所示：

3.2 框架模型

基于以上所列出的觀察，形成基本的期刊研究數(shù)據(jù)政策的模型框架。由資助者和研究機構(gòu)作為一方，與出版商的另一方進行合作，發(fā)展數(shù)據(jù)政策。表3為所構(gòu)建的期刊研究數(shù)據(jù)策略模型框架。

3.3 實施方式

3.3.1 逐步制定出版物的支持性數(shù)據(jù)的強制性開放共享政策

出版商應(yīng)該支持期刊編輯制定研究數(shù)據(jù)的強制性政策，從而提高研究過程透明度，擴展研究數(shù)據(jù)的潛力。數(shù)據(jù)的編輯政策應(yīng)解決諸如文檔、元數(shù)據(jù)、數(shù)據(jù)出版格式、許可、引用等問題。編輯政策要求作者在文章提交過程和同行評議過程中，提交數(shù)據(jù)的可用性描述。對提交的文章不符合規(guī)定的情況，政策應(yīng)提出對應(yīng)的措施，如撤銷發(fā)表的文章。

3.3.2 與認證知識庫和數(shù)據(jù)中心協(xié)作，簡化數(shù)據(jù)提交流程

出版商可按照相關(guān)標準考查知識庫與數(shù)據(jù)中心的可信度，與符合數(shù)據(jù)認證標準的數(shù)據(jù)中心與知識庫協(xié)作。類似的知識庫或數(shù)據(jù)中心可以是主題明確的學(xué)科知識庫，也可以是機構(gòu)知識庫或綜合知識庫。二者的合作應(yīng)該會產(chǎn)生積極影響，為研究人員和研究機構(gòu)提供高品質(zhì)的產(chǎn)品和服務(wù)，服務(wù)具有可操作性、技術(shù)上無縫的特點，從而實現(xiàn)以開放格式傳播和保存高質(zhì)量的學(xué)術(shù)產(chǎn)品和研究數(shù)據(jù)。對于沒有公認的數(shù)據(jù)中心或知識庫的學(xué)科，出版商對研究人員提供指導(dǎo)和幫助，提供適合存儲與獲取的機構(gòu)知識庫建議，或提供商業(yè)數(shù)據(jù)服務(wù)。在這方面，出版商的角色應(yīng)該是更多地促使學(xué)術(shù)團體建立資源庫評估準則，從而幫助研究人員選擇合適的存儲庫。當學(xué)術(shù)界建立起知識庫的認可標準，出版商就可以通過期刊政策執(zhí)行這些標準。

3.3.3 數(shù)據(jù)作為一流學(xué)術(shù)成果，接受同行評議

出版商的主要職責之一是確保出版物的高質(zhì)量，而研究數(shù)據(jù)同行評審制度的建立，有助于提升出版產(chǎn)品的品質(zhì)。同行評審過程，應(yīng)詳細說明評審的標準，要評估研究數(shù)據(jù)的技術(shù)與質(zhì)量問題，技術(shù)方面如考量數(shù)據(jù)集的完整性和一致性，收集數(shù)據(jù)的標準，使用的軟件等；研究數(shù)據(jù)的科學(xué)質(zhì)量則由研究團體通過出版前與出版后的同行評審進行評估。同行評審流程中，出版商也應(yīng)該探索對評審者的激勵方式，包括支付酬金，邀請編寫特稿，加入編輯委員會，甚至聘用一些專家進行內(nèi)容評審。

3.3.4 發(fā)展有關(guān)研究數(shù)據(jù)引用的策略

研究數(shù)據(jù)通過傳統(tǒng)的出版過程傳播，為實現(xiàn)數(shù)據(jù)的長期可重用，需建立并使用數(shù)據(jù)的引用標準。在這方面，出版商應(yīng)要求出版物及相關(guān)的數(shù)據(jù)可引用，并為數(shù)據(jù)的引用提供明確指導(dǎo)。在說明數(shù)據(jù)引用時，出版商可參照一些已有的實踐，如Force11[14]的原則，參與DataCite[17]，加入到研究界和編輯討論的過程中。數(shù)據(jù)引用應(yīng)包括DOI，以及使用許可信息，如創(chuàng)作共用許可，數(shù)據(jù)的引用方式最好是機器可操作的，可讓用戶知道可以如何處理研究數(shù)據(jù)。

3.3.5 建立許可政策鼓勵進行文本數(shù)據(jù)挖掘

出版商的編輯政策應(yīng)以清晰的方式，說明研究數(shù)據(jù)的與獲取方式，如默認或建議開放獲取等?？紤]到文本數(shù)據(jù)挖掘工具可帶來顯著經(jīng)濟效益，鼓勵出版商調(diào)整策略，允許研究人員在研究中使用這種技術(shù)。

篇7

摘要：科學(xué)研究作為高等學(xué)校的主要職能之一，也是評價高校實力的重要指標，日益受到關(guān)注。圖書館作為高校的輔助機構(gòu)，參與了科研工

>> 圖書館的建設(shè)在職業(yè)教育改革中的作用探討 淺談中小學(xué)圖書館建設(shè)在素質(zhì)教育中的作用 學(xué)生社團建設(shè)在圖書館發(fā)展中的作用探討 圖書館在高校建設(shè)中的作用 淺談高校圖書館員科研能力提升的重要性 論高校圖書館在大學(xué)生科研素養(yǎng)培養(yǎng)中的作用 淺談高校圖書館在教學(xué)科研中的作用 h指數(shù)視角的“211工程”高校圖書館科研能力測度與分析 高校圖書館文獻資源建設(shè)中讀者決策采購的障礙與對策 高校數(shù)字圖書館建設(shè)中的問題與對策研究 高校區(qū)域圖書館建設(shè)中存在的問題與對策 淺議高校圖書館科研產(chǎn)出及科研能力 圖書館的期刊管理在高職院校教學(xué)與科研中的作用 虛擬化圖書館在高校數(shù)字化圖書館建設(shè)中的作用 解析高校圖書館知識服務(wù)能力的影響因素及提升對策 高校圖書館提升社會大眾信息意識的意義與作用分析 淺談地方文獻建設(shè)對高校圖書館建設(shè)的作用與影響 圖書館文化建設(shè)在體育院校圖書館的價值體現(xiàn) 淺談環(huán)境建設(shè)在圖書館管理文化中的地位 論環(huán)境建設(shè)在圖書館管理文化中的地位 常見問題解答 當前所在位置：中國 > 政治 > 圖書館建設(shè)在高?？蒲心芰μ嵘械淖饔门c對策 圖書館建設(shè)在高?？蒲心芰μ嵘械淖饔门c對策 雜志之家、寫作服務(wù)和雜志訂閱支持對公帳戶付款！安全又可靠！ document.write("作者： 陳雪梅 暨鐸")

申明:本網(wǎng)站內(nèi)容僅用于學(xué)術(shù)交流，如有侵犯您的權(quán)益，請及時告知我們，本站將立即刪除有關(guān)內(nèi)容。 摘要：科學(xué)研究作為高等學(xué)校的主要職能之一，也是評價高校實力的重要指標，日益受到關(guān)注。圖書館作為高校的輔助機構(gòu)，參與了科研工作，但未受到重視。本文就圖書資源對科研工作全過程的作用進行了闡述，并提出加強圖書館建設(shè)的途徑，使圖書資源工作成為科研不可或缺的幫手。關(guān)鍵詞：高校圖書館；科研能力；對策doi: 10.3969/j.issn.2095-5707.2014.02.013The Role and Strategies of Library Construction in Improving Scientific Research Ability in UniversitiesChen Xuemei, Ji Duo(Hunan University of Traditional Chinese Medicine, Changsha Hunan 410007, China)Abstract: Scientific research is one of the main functions of universities, and an important index to evaluate the strength of universities, which has attracted people’s increasing attention. As an auxiliary organization of universities, libraries participated in research work, but the effects were not emphasized. This article described the effects of library resources on the whole process of scientific research, and put forward the ways of strengthening library construction to make the library resources an indispensable assistance for scientific research.Key words: university library; scientific research ability; strategy 科學(xué)研究作為高校四大職能之一，是學(xué)科國際排名和學(xué)校辦學(xué)實力的重要影響因子，也是高校服務(wù)于社會、推進創(chuàng)新性國家建設(shè)的重要動力。圖書館作為高校的教學(xué)輔助機構(gòu)，通常被看成簡單的借還書和期刊整理部門，處于邊緣化、不被重視的尷尬地位，文章就圖書館工作在高校科研工作的作用及對科研能力提升的對策談?wù)剛€人看法。1 科學(xué)研究的特點與環(huán)節(jié)科學(xué)研究是指對一些現(xiàn)象或問題經(jīng)過調(diào)查、驗證、討論及思維，然后進行推論、分析和綜合，來獲得客觀事實的過程，也是一種知識創(chuàng)新，是第一生產(chǎn)力和推動經(jīng)濟發(fā)展與增長的內(nèi)在因素，可分為基礎(chǔ)研究和應(yīng)用研究兩大類[1]。因此，它具有客觀性、創(chuàng)新性、系統(tǒng)性等特點。科學(xué)研究是對客觀現(xiàn)象和問題進行解決的過程，按其過程可以將它劃分為問題的提出、假說的形成、研究的展開和結(jié)論的得出幾個環(huán)節(jié)，每一個環(huán)節(jié)都與利用圖書資源分不開。2 圖書資源對科研能力提升的作用科研能力是指發(fā)現(xiàn)問題、分析問題、解決問題，基金項目：湖南省中醫(yī)藥管理局科研基金重點項目（2012103）第一作者：陳雪梅，助理館員，研究方向：圖書情報整理與分析。E-mail: 或在分析問題時，有所發(fā)明、有所創(chuàng)造的能力[2]。該能力的提升與圖書資源有密切關(guān)系。圖書館作為收集文獻、傳遞知識的場所，是信息的重要集散地。2.1 圖書資源為問題的提出提供支持科學(xué)研究是一個提出問題、解決問題的過程，而問題的提出和解決均離不開信息支持，眾多圖書資源是信息的重要來源，其建設(shè)直接關(guān)乎科研質(zhì)量的高低和科研水平的強弱，決定科學(xué)研究的成敗。首先，在科研選題上，研究者在根據(jù)學(xué)科建設(shè)的發(fā)展走向和社會需求的同時，如何從眾多的現(xiàn)象中提出問題，保證提出的問題符合現(xiàn)實的需要并具有創(chuàng)新性，這就要求我們收集和查閱大量文獻，從不同角度對其進行深入分析和研究，通過演繹、歸納與推理找到尚待解決的關(guān)鍵問題，形成假說。2.2 圖書資源為問題的解決提供支持假說的形成只是科學(xué)研究的起始，如何論證假說的成立是科研過程的主要環(huán)節(jié)。由于科學(xué)研究是客觀的，是綜合運用現(xiàn)有的研究手段在已知理論指導(dǎo)下，對假說進行論證。所涉及的研究對象（如模型選擇與制作）、研究方法（如儀器操作、試劑的配置）、觀察指標的選定與標準等均需查閱文獻，如擬訂實驗方案時，通常要在綜合現(xiàn)有文獻方法的基礎(chǔ)上，結(jié)合研究者現(xiàn)有條件及研究基礎(chǔ)，提出切實可行的方案。2.3 圖書資源為結(jié)論的評判提供支持通過研究得出的結(jié)論是否嚴謹，創(chuàng)新性如何，是否具有實際應(yīng)用或理論指導(dǎo)價值，是否有深入研究的價值，同樣均需研究者通過調(diào)研綜合評判。3 如何加強圖書館建設(shè)3.1 強化信息化建設(shè)隨著信息化時代的到來，知識爆炸式增長，獲取知識的傳統(tǒng)方式已不能滿足要求。計算機技術(shù)的普及和發(fā)展、云技術(shù)的出現(xiàn)可以滿足知識更新的需求。以網(wǎng)絡(luò)通訊技術(shù)和信息儲存技術(shù)為載體的數(shù)字圖書館迅猛發(fā)展，數(shù)字圖書資源具有信息存儲數(shù)字化、表現(xiàn)形式虛擬化、傳播網(wǎng)絡(luò)化、存儲海量化和檢索途徑豐富、復(fù)本量無限、性價比高等特點[3]，越來越受到讀者，特別是廣大科技工作者的喜愛。高校應(yīng)適用時代變化，加大資金投入，優(yōu)化硬件配置，選擇先進的、符合學(xué)校要求的技術(shù)，如框架描述性RDF技術(shù)，將自有館藏圖書目錄數(shù)字化，與市場化的數(shù)字化資源整合建立虛擬圖書館，在此基礎(chǔ)上通過與電訊企業(yè)聯(lián)合，以無線通信技術(shù)為支撐，建立學(xué)校圖書館移動服務(wù)平臺，開發(fā)掌上圖書館，通過手機、平板電腦等手持移動終端設(shè)備登錄，進行館藏搜索和數(shù)字閱讀服務(wù)。3.2 創(chuàng)新圖書資源服務(wù)方式互聯(lián)網(wǎng)時代信息資源的海量增長給科研工作者提出了更高要求，如何從眾多信息中獲取有價值的信息，對科研課題立項申請、科研工作的開展有著重要意義。而科研工作者由于崗位性質(zhì)決定其時間和精力有限，無法有效對選題的先進性和準確性進行把握。圖書館應(yīng)轉(zhuǎn)變借還書被動服務(wù)理念，全方位主動服務(wù)，如標書撰寫時，可充分利用CNKI、Pubmed、CMCC光盤數(shù)據(jù)庫等檢索查新，對選題的新穎性做出評價。在研究過程中，如何避免抄襲和剽竊也是科研工作者要把握的重點，圖書館也可對上述資源以及研究生畢業(yè)論文庫進行服務(wù)。在后，為評價研究工作的效能及研究成果的影響力，可以為科研工作者提供論文引文分析?？傊瑘D書館可以為科研人員提供立題-結(jié)題全程服務(wù)，提高單位科研能力。煙臺毓璜頂醫(yī)院研究證實了該院圖書館學(xué)科信息共享建設(shè)大大提高了醫(yī)院科研產(chǎn)出[4]。3.3 優(yōu)化圖書資源配置傳統(tǒng)圖書資源和數(shù)字資源是新時期圖書資源的兩大組成部分，傳統(tǒng)圖書資源是構(gòu)成圖書館的實體，實體圖書館是虛擬圖書館的基礎(chǔ)。如何從繁雜的歷史借閱數(shù)據(jù)中獲取潛在有價值的信息，將有限的經(jīng)費和場地利用好，購置讀者受歡迎的書籍，對圖書館品牌建設(shè)有重要意義。數(shù)據(jù)挖掘為此提供了技術(shù)保證。數(shù)據(jù)挖掘是近年來隨著數(shù)據(jù)庫技術(shù)和人工智能技術(shù)的發(fā)展而出現(xiàn)的一種全新的信息技術(shù)，它是從大量的、不完全的、隨機的實際應(yīng)用數(shù)據(jù)中提取隱含在其中的但不為人們所知、且又有潛在價值的信息和知識，如趨勢、特征以及相關(guān)的過程等[5]。通過數(shù)據(jù)挖掘技術(shù)對借還記錄、借出次數(shù)等進行分析，了解科研人員興趣、學(xué)科關(guān)聯(lián)等隱藏信息，決定圖書的科學(xué)排架、合理擺放以及圖書采購傾向，從而提高圖書借閱效率和資金使用率，同時也可減輕工作人員的勞動量。3.4 提高人員綜合素質(zhì)新時期下，圖書館職能的變化對高校圖書館工作人員要求越來越高。除愛崗敬業(yè)、熱情周到、服務(wù)至上的基本素養(yǎng)外，還需具備如下能力：①信息資源收集和整理能力。能通過傳統(tǒng)的文獻處理手段和計算機技術(shù)對紙質(zhì)資料和數(shù)字信息進行收集挖掘、分門別類加以整理，進而建立數(shù)據(jù)庫。②信息分析和科研能力。圖書工作參與了科研工作的全過程，圖書工作者應(yīng)具有信息分析和圖書科研能力，能為科研人員提供高質(zhì)量的信息支撐和決策依據(jù)，能從繁多的信息資源中去偽存真、理順頭緒，在一定范圍內(nèi)對相關(guān)研究工作進行總結(jié)與預(yù)判。③信息技術(shù)應(yīng)用技能。資源數(shù)據(jù)庫建立、信息查詢與、圖書館業(yè)務(wù)自動化和數(shù)字圖書館日常管理等均與信息應(yīng)用技術(shù)密不可分，圖書館工作人員只有掌握了必要的計算機技術(shù)、多媒體操作、數(shù)據(jù)挖掘等技術(shù)才能提高優(yōu)質(zhì)高水平高效的服務(wù)。有為才能有位，盡管目前圖書館工作在高校沒有被足夠重視，但只要圖書工作者積極參與教學(xué)研究工作，加強圖書工作科學(xué)研究，尤其是探索新形勢下如何拓展圖書工作服務(wù)內(nèi)容，探究其對教學(xué)科研的影響途徑，可以預(yù)計，圖書館將在高校扮演著越來越重要的角色。參考文獻[1]錢志明，陳敬良.我國科研支出的問題及政策選擇[J].商場現(xiàn)代化,2007(14):359.[2]王縉.文獻信息與科技創(chuàng)新：論文獻信息工作在科技創(chuàng)新中的作用[J].西南民族大學(xué)學(xué)報（人文社科版）,2004, 25(12):520-521.[3]路長蘭.略論圖書館電子圖書資源建設(shè)[J].山東廣播電視大學(xué)學(xué)報,2011(3):63-64,70.[4]崔春玲，王麗麗，劉培波.圖書館學(xué)科IC實踐對醫(yī)院科研產(chǎn)出的影響[J].中國醫(yī)院,2012,16(11):78-80.[5]李愛玲.數(shù)據(jù)挖掘為圖書管理提供決策支持[J].中國管理信息化,2012,15(9):113-114.（收稿日期：2013-10-30，編輯：李琳）

篇8

1緒論

1.1 選題背景

由于各方面的因素，每年到了畢業(yè)的前夕，仍有相當比例的學(xué)生不能完成基本的學(xué)分績點，從而不能正常地畢業(yè)。學(xué)校為了使這些學(xué)生能夠順利地畢業(yè)，采取了“清考”等措施，但這些措施是被動的，帶有較大的負面影響，并且也增加了教學(xué)成本。

為了解決這一問題，學(xué)校提出了學(xué)業(yè)預(yù)警系統(tǒng)，但目前的學(xué)業(yè)預(yù)警系統(tǒng)僅僅提供了學(xué)生的成績，而沒有有效地信息技術(shù)支持，需要人工來查找和發(fā)現(xiàn)學(xué)分績點過低的學(xué)生，使得這種預(yù)警系統(tǒng)的效率不高，達不到學(xué)校的預(yù)期目的，仍不能有效地消除“清考”現(xiàn)象。

1.2 本課題研究的主要內(nèi)容

本文是以學(xué)分制下學(xué)生培養(yǎng)方案和學(xué)生成績數(shù)據(jù)庫為支撐，依托數(shù)據(jù)挖掘技術(shù)的有關(guān)方法和實施工具，自動搜索數(shù)據(jù)庫，并根據(jù)關(guān)聯(lián)規(guī)則對學(xué)生的課程學(xué)習(xí)進行預(yù)測，從而更加智能的對學(xué)生的學(xué)業(yè)進行深入的研究，并根據(jù)專家系統(tǒng)對每個學(xué)生的相關(guān)信息進行分析給出相關(guān)的建議。

1.3 文章結(jié)構(gòu)

第一章討論選題背景和主要研究工作及全文結(jié)構(gòu)。

第二章是系統(tǒng)需求分析，提出系統(tǒng)要實現(xiàn)的功能。

第三章主要介紹學(xué)業(yè)預(yù)警系統(tǒng)的總體設(shè)計思路、系統(tǒng)的框架結(jié)構(gòu)等。

第四章對系統(tǒng)實現(xiàn)過程中用到的系統(tǒng)軟件產(chǎn)品的選擇做了簡要說明。

第五章為結(jié)束語，總結(jié)論文所開展的工作和下一步工作設(shè)想。

2系統(tǒng)需求分析

2.1 系統(tǒng)總體目標

學(xué)業(yè)預(yù)警系統(tǒng)的總體目標：本系統(tǒng)能夠自動錄入學(xué)生學(xué)業(yè)信息，并根據(jù)學(xué)生已修課程給出相關(guān)課程的預(yù)測成績，并能自動計算績點與平均分，如發(fā)現(xiàn)可疑學(xué)生數(shù)據(jù)（績點或平均分不夠）可以對學(xué)生發(fā)出預(yù)警，并且向院系工作人員及輔導(dǎo)員發(fā)送預(yù)警信息，督促學(xué)生學(xué)習(xí)，達到使學(xué)生能夠順利里畢業(yè)的目的。

2.2 系統(tǒng)可行性分析

2.2.1 技術(shù)可行性

學(xué)業(yè)預(yù)警系統(tǒng)所用的數(shù)據(jù)挖掘技術(shù)能夠自動錄入及查詢信息，能夠節(jié)約人力和物力，并且此技術(shù)已相當成熟，有專門的開發(fā)平臺作支撐。

2.2.2 經(jīng)濟可行性

現(xiàn)今，計算機的價格已經(jīng)十分低廉，性能卻有著長足的進步，它已經(jīng)被應(yīng)用于許多領(lǐng)域。所以，系統(tǒng)所需的開發(fā)費用并不是很昂貴，然而這套系統(tǒng)的成功投入使用可以節(jié)約大量人力，提高信息管理的質(zhì)量，也方便學(xué)校的管理。

2.3 系統(tǒng)需求

2.3.1 功能劃分

錄入信息:錄入本院學(xué)生學(xué)業(yè)信息及專業(yè)培養(yǎng)方案。

學(xué)業(yè)信息查看：學(xué)院登錄系統(tǒng)查看學(xué)生的相關(guān)學(xué)業(yè)信息及預(yù)警信息。

個人預(yù)警信息查詢：學(xué)生登陸系統(tǒng)查看自己的預(yù)警信息。

預(yù)測成績查詢：學(xué)生登陸系統(tǒng)查看系統(tǒng)對自己的學(xué)業(yè)做出的預(yù)測。

用戶權(quán)限管理：系統(tǒng)為學(xué)生及院系工作人員設(shè)置不同的權(quán)限。

成績管理：后臺操作人員對學(xué)生的成績進行管理。

2.3.2 功能描述

圖12.4 性能需求

2.4.1 數(shù)據(jù)精確度

要按照嚴格的數(shù)據(jù)格式輸入，否則系統(tǒng)不給予響應(yīng)進行處理。

系統(tǒng)管理員具有數(shù)據(jù)修改權(quán)限，其他用戶在系統(tǒng)開放時間過后無權(quán)進入系統(tǒng)。

2.4.2 時間特性

一般操作的響應(yīng)時間應(yīng)在1~2秒內(nèi)，對軟磁盤和打印機的操作也應(yīng)在可接受的時間內(nèi)完成。

3 系統(tǒng)設(shè)計

3.1 系統(tǒng)設(shè)計的原則和目標

適應(yīng)目前及今后一段時期信息化管理的要求，系統(tǒng)化、結(jié)構(gòu)化、模塊化，保證整個系統(tǒng)的完整性、一致性，可適時更新升級，以滿足需求變化的需要。

（1）符合人們的思維習(xí)慣。

（2）便于各種事物的安排處理。

（3）易于擴展。

3.2 系統(tǒng)架構(gòu)設(shè)計

通過需求分析學(xué)業(yè)預(yù)警系統(tǒng)采用B／S結(jié)構(gòu)。本系統(tǒng)在構(gòu)架上采用分層的體系結(jié)構(gòu)，將軟件分為三個層次，表現(xiàn)層（Presentation）從用戶收集信息，將用戶信息傳送給業(yè)務(wù)服務(wù)層；Web層用來響應(yīng)瀏覽器客戶發(fā)來的請求，并調(diào)用業(yè)務(wù)層組件，將業(yè)務(wù)層組件返回的結(jié)果發(fā)送給瀏覽器客戶；數(shù)據(jù)層（Data）提供接口進行永久數(shù)據(jù)的存儲。

3.3 數(shù)據(jù)庫設(shè)計

根據(jù)學(xué)業(yè)預(yù)警系統(tǒng)需求分析，設(shè)計對應(yīng)的數(shù)據(jù)表:

（1）學(xué)生信息表：存放與學(xué)生信息相關(guān)的信息數(shù)據(jù)。

（2）專業(yè)培養(yǎng)方案表：存放與專業(yè)培養(yǎng)方向相關(guān)的信息數(shù)據(jù)。

（3）學(xué)生學(xué)業(yè)表：存放學(xué)生的詳細學(xué)業(yè)信息數(shù)據(jù)。

（4）院系信息表：存放有關(guān)學(xué)生所屬院系的基礎(chǔ)信息數(shù)據(jù)。

（5）管理員信息表：存放管理員的相關(guān)信息數(shù)據(jù)。

3.4 小結(jié)

本章首先提出了系統(tǒng)總體設(shè)計時遵循的設(shè)計思想即符合人們的思維習(xí)慣、便于事務(wù)的安排、易于擴展、便于人工干預(yù)，并按照上述設(shè)計思想，在確定了學(xué)業(yè)預(yù)警系統(tǒng)功能的結(jié)構(gòu)基礎(chǔ)上，對與系統(tǒng)相關(guān)的數(shù)據(jù)庫表做了介紹。共設(shè)計了5個數(shù)據(jù)庫基本表，各表之間通過外鍵連接。

4 系統(tǒng)實現(xiàn)

前面我們闡述了學(xué)業(yè)預(yù)警功能的需求，這里我們選取幾個相關(guān)功能對管理功能的實現(xiàn)進行詳細描述。

4.1 開發(fā)平臺的搭建

CPU：Intel PentiumD 925

內(nèi)存：DDR 400 1G

操作系統(tǒng)：Microsoft Windows Server 2003

開發(fā)工具： Visual Studio 2010

數(shù)據(jù)庫：SQL Server 2000

4.2 用戶權(quán)限設(shè)計

4.2.1 基于角色的訪問控制策略

安全訪問控制策略占據(jù)著至關(guān)重要的作用。為了保證資源的安全，系統(tǒng)一要確認使用者的身份是否合法：二要判定該使用者是否有權(quán)使用或更改某一項信息資源。基于角色的訪問控制策略簡單來說就是在用戶（user）和訪問許可權(quán)限（permission）之間引入角色的（role）的概念，把用戶和權(quán)限通過角色聯(lián)系起來，用戶被賦予某種角色，也就擁有相應(yīng)的權(quán)限。

4.2.2 身份驗證

本系統(tǒng)中用戶身份信息是由以下字段組成：用戶登錄賬號、密碼，這些字段在數(shù)據(jù)庫中作為一個數(shù)據(jù)表，用戶每次登錄時，需輸入登錄賬號和密碼，采用表單提交用戶輸入的賬號和密碼，并通過數(shù)據(jù)庫訪問該數(shù)據(jù)表，進行身份標識與鑒別，并利用數(shù)據(jù)驗證控件進行驗證。

4.2.3 授權(quán)

授權(quán)是指準許或拒絕特定用戶訪問資源的過程。在該體系結(jié)構(gòu)中，授權(quán)主要包括兩種方式：“模塊訪問安全性”和“模塊功能操作安全性”，且這種兩種方式都是基于用戶所隸屬的角色來實現(xiàn)的。

5 結(jié)束語

本文對學(xué)業(yè)預(yù)警系統(tǒng)的總體規(guī)劃、需求分析、系統(tǒng)設(shè)計等方面進行了詳細研究。通過研究，加深了對各種開發(fā)模式的了解，初步了解了實現(xiàn)三層客戶機/服務(wù)器模式的系統(tǒng)開發(fā)技術(shù)。

參考文獻

［1］陳曉紅.管理信息系統(tǒng)教程［M］.北京：清華大學(xué)出版社，2003.

［2］任泰明．基于B／S結(jié)構(gòu)的軟件開發(fā)技術(shù)［M］．西安：西安電子科技大學(xué)出版社，2006.

篇9

引言

2011年以來，在美國頂尖大學(xué)中迅速發(fā)展起來并迅速影響世界的MOOC（大規(guī)模開放在線課程）模式無疑給“在線學(xué)習(xí)”這一學(xué)習(xí)形式樹立了成功應(yīng)用的典范，該模式證明了只有當大學(xué)的課程、課堂教學(xué)、學(xué)生學(xué)習(xí)進程、學(xué)生體驗、師生互動過程等被完整、系統(tǒng)地在線實現(xiàn)…，特別是當輔導(dǎo)教師的存在以及相關(guān)系統(tǒng)指導(dǎo)活動實現(xiàn)時，在線學(xué)習(xí)才是有效的。這從一個側(cè)面說明，在線學(xué)習(xí)并不是純粹的學(xué)生自主學(xué)習(xí)，還需要充分發(fā)揮輔導(dǎo)教師的主導(dǎo)作用。

在線學(xué)習(xí)模式下，師生活動在時空上相對分離，盡管有同步教學(xué)活動發(fā)生，但更多時候是異步教學(xué)活動，因為異步教學(xué)更有助于滿足學(xué)習(xí)者的個性化學(xué)習(xí)需要。不同于課堂面授教學(xué)，輔導(dǎo)教師難以把握一門在線課程學(xué)習(xí)者學(xué)習(xí)開展情況的全貌。但是，通過在線學(xué)習(xí)平臺對學(xué)習(xí)過程的記錄，輔導(dǎo)教師了解課程的教學(xué)過程是可能的，而且基于學(xué)習(xí)過程記錄開展在線教學(xué)的反思以不斷改進在線教學(xué)這一做法也是必要的。一文獻探討

“教學(xué)反思”，顧名思義，反思對象就是教學(xué)過程，反思的基礎(chǔ)是對教學(xué)過程的忠實記錄。波斯納（Poser）將教師的成長發(fā)展與其對自己經(jīng)驗的反思結(jié)合起來，提出了一個教師成長的公式：經(jīng)驗+反思=成長。由此可見反思對教師成長以及專業(yè)發(fā)展的重要性。

教學(xué)反思的方法是多樣的。王映學(xué)、趙興奎指出教學(xué)反思的途徑主要有錄像反思、日記反思、從學(xué)習(xí)者角度反思、與同事及專家的交流中反思以及通過向?qū)W生征詢意見反思。張大均將教師成長的途徑從觀摩教學(xué)、微格教學(xué)、教學(xué)決策訓(xùn)練和教學(xué)反思幾個方面來說明。俞國良等則將教師的反思訓(xùn)練列為錄像反思法、對話反思法和教學(xué)反思法。從上述方法中可以看到，教學(xué)反思的基礎(chǔ)是對教學(xué)過程的忠實記錄。在“日記反思法”中，第一步就是對教學(xué)中包含問題的教學(xué)事件進行詳細、忠實的描述。在“從學(xué)習(xí)者角度反思”中，第一步就是“簡要記下學(xué)習(xí)發(fā)生的時間、場合、涉及的學(xué)習(xí)內(nèi)容和培訓(xùn)（講授或主持）人員”。在微格教學(xué)法中，則通過錄像設(shè)備記錄教學(xué)全過程。

在信息化網(wǎng)絡(luò)時代，教師可以利用現(xiàn)代教育技術(shù)手段來實現(xiàn)教學(xué)過程的忠實記錄，進行有效的教學(xué)反思，從而更好地促進自身的專業(yè)發(fā)展。各種新的網(wǎng)絡(luò)技術(shù)工具給我們的生活帶來了新的便利，同時也為教師提供了新的教學(xué)反思工具。近年來興起的學(xué)習(xí)分析技術(shù)可以成為教師開展在線教學(xué)反思的有力工具。學(xué)習(xí)分析技術(shù)是對學(xué)生生成的海量數(shù)據(jù)進行解釋和分析，以評估學(xué)生的學(xué)術(shù)進展，預(yù)測未來的表現(xiàn)，并發(fā)現(xiàn)潛在的問題。對教師而言，學(xué)習(xí)分析技術(shù)可用來開展更為深入的教學(xué)分析，以便教師在數(shù)據(jù)分析的基礎(chǔ)上為學(xué)生提供更有針對性的教學(xué)干預(yù)。在線學(xué)習(xí)中，在線學(xué)習(xí)平臺詳細記錄了師生行為，猶如課堂教學(xué)錄像。借助學(xué)習(xí)分析技術(shù)，分析師生行為記錄數(shù)據(jù)，可以再現(xiàn)在線學(xué)習(xí)過程，使教師能夠把握在線教學(xué)過程全貌，并了解每個教學(xué)環(huán)節(jié)、重要教學(xué)活動以及每個學(xué)生的種種細節(jié)，使原本模糊的印象數(shù)字化、清晰化，輔助教師反思其在教學(xué)設(shè)計、資源制作、學(xué)習(xí)引導(dǎo)、學(xué)習(xí)評價等方面的可取之處與不足之處。

因此，本文選取基于Moodle平臺的在線課程為樣本，應(yīng)用學(xué)習(xí)分析技術(shù)，具體包括話語分析、社會網(wǎng)絡(luò)分析等分析技術(shù)，統(tǒng)計分析與可視化、聚類、預(yù)測、關(guān)系挖掘、文本挖掘等數(shù)據(jù)挖掘方法，以及SSAS、SPSS、ucrNET、EXCEL、ICTCLAS中文分詞系統(tǒng)等工具，從一位輔導(dǎo)教師的視角，開展基于學(xué)習(xí)過程記錄的在線教學(xué)反思研究，探索一種全新的教學(xué)反思形式。

二 研究樣本

本文選取國家開放大學(xué)主辦的網(wǎng)絡(luò)教育從業(yè)人員培訓(xùn)班為研究對象。該培訓(xùn)班依托Moodle平臺開設(shè)（網(wǎng)址：http：//），有“學(xué)生支持服務(wù)”、“在線學(xué)習(xí)輔導(dǎo)”和“在線課程設(shè)計”三門課，每門課的培訓(xùn)時間為6周，學(xué)生通過Moodle平臺開展在線學(xué)習(xí)，輔導(dǎo)教師提供全程的在線輔導(dǎo)。本文具體選擇“在線學(xué)習(xí)輔導(dǎo)”課程第五期培訓(xùn)班作為研究樣本。

三 數(shù)據(jù)分析與培訓(xùn)反思

1 重溫整個教學(xué)過程――師生群體平臺訪問行為分析

通過對平臺模塊訪問、模塊訪問序列以及師生活動時間分布情況的分析，重新回顧教學(xué)過程，并對一些突出的數(shù)據(jù)表現(xiàn)加以解讀，使原本時空分離的師生活動再度整合，還原輔導(dǎo)教師的教學(xué)過程與學(xué)生學(xué)習(xí)過程的原貌。

（1）平臺模塊訪問總體情況

表l是該期培訓(xùn)過程中，師生訪問Moodle平臺各模塊的頻次統(tǒng)計結(jié)果。

從統(tǒng)計結(jié)果可知，師生最常訪問的模塊是“forum”，占總活動頻次的近50%，說明課堂討論是最主要的學(xué)習(xí)活動，也是這門基于討論的探究式課程學(xué)習(xí)的突出特點。其次就是“wiki”、“resource”和“assignment”三類行為。這三類行為的頻次和比例較為平均，是位列“Forum”之后的重要學(xué)習(xí)活動。在討論的基礎(chǔ)上，課程設(shè)計中的“wiki”其實是為了給學(xué)生協(xié)作式小組學(xué)習(xí)的機會，是除“forum”外學(xué)生之間重要的交互空間?！皉esource”（瀏覽資源）是學(xué)習(xí)內(nèi)容重要的組成部分，在此基礎(chǔ)上參加討論和wiki協(xié)作學(xué)習(xí)，最終的學(xué)習(xí)成果以“assignment”（小論文、大論文）的形式呈現(xiàn)。這幾個模塊的頻次和比例分配較為合理，較好地還原了教學(xué)過程。

（2）平臺模塊訪問序列分析

我們已經(jīng)了解了不同模塊的訪問頻次，下面我們再來了解一些師生訪問平臺模塊的路徑。

這里采用Microsoft順序分析和聚類分析算法，數(shù)據(jù)來源則是用戶每天瀏覽課程頁面產(chǎn)生的過程數(shù)據(jù)。筆者選取5個頻繁訪問模塊包括forum、wiki、assignment，resource和user（course除外，因為在該模塊主要發(fā)生登錄行為，并沒有實際的學(xué)習(xí)行為）的數(shù)據(jù)來分析模塊訪問序列，得到如圖l所示結(jié)果。由圖l可知，從user、resource、assignment、wiki四個模塊跳轉(zhuǎn)到forum的條件概率均比較高（分別為0.40、0.32、0.26、0.16），可見forum是一個活動中心模塊，也是一個重要的活動中介模塊，諸如resource、assignment、wiki等活動可以從中再次啟動。而在由forum跳轉(zhuǎn)到其他模塊的情形中，forumresource的轉(zhuǎn)換組合的發(fā)生概率是最高的，達到0.06。在發(fā)帖參與討論的過程中，發(fā)現(xiàn)問題、深入思考再繼續(xù)學(xué)習(xí)相關(guān)資源，這符合學(xué)習(xí)常規(guī)，也形成了討論帶動資源的學(xué)習(xí)兩者之間的良性互動，從而實現(xiàn)深度學(xué)習(xí)和反思。另外，resource模塊對其他模塊的支撐作用還表現(xiàn)為assignmentresource，這一條件概率達到0.13，即學(xué)生在做作業(yè)的過程中要求助于資源模塊，這也是符合學(xué)習(xí)常規(guī)的。

（3）不同時期各模塊訪問特點

接下來結(jié)合時間維度，了解不同時期平臺各模塊訪問特點，以了解不同時期師生關(guān)注重點的變化。計算出本期培訓(xùn)不同周此平臺模塊訪問頻次分布情況，并繪制師生在主要學(xué)習(xí)模塊的活動頻次占比隨時間分布的折線圖，得到如圖2所示結(jié)果。

從圖2可以看出，除高頻訪問模塊forum外，在正式學(xué)習(xí)開始前兩周及第1周，學(xué)生的訪問重點user模塊和resource模塊反映出學(xué)生在熟悉人和內(nèi)容。這啟示我們，在網(wǎng)絡(luò)課程開始之前，輔導(dǎo)教師可能需要提前兩到三周就介入課程的學(xué)習(xí)，實時跟蹤學(xué)習(xí)進程，為他們提供相應(yīng)的服務(wù)來進行預(yù)熱，這對于后面課程學(xué)習(xí)的順利發(fā)展和學(xué)生積極性的保持都很有幫助。進入第2周，開始主要的學(xué)習(xí)活動，主要模塊則是wiki以及forum。到第3周，wiki活動達到頂峰一一第3周出現(xiàn)本課程第一次wiki協(xié)作式小組學(xué)習(xí)活動，所以這時達到頂峰是正常的；另外，這些學(xué)生從沒有接觸過基于wiki的小組寫作式學(xué)習(xí)，所以他們有很強的好奇心和強烈的興趣參與。到第4周，assignment活動達到頂峰。這實際上是學(xué)生提交的第3周布置的assignment（小論文），這是本課程第一次提交assignment；課程結(jié)束后的三周，assignment模塊的活動逐漸增強，伴隨著resource模塊活動的增強，forum活動相對減弱，進入做作業(yè)（撰寫大論文）的狀態(tài)。

2 聚焦重點教學(xué)活動一一師生論壇交互分析

師生在論壇的討論發(fā)言是本課程的一項重點教學(xué)活動。通過這一活動，相關(guān)教學(xué)信息得以傳遞，各種其他教學(xué)活動得以依次展開，課程知識也在這里不斷呈現(xiàn)，支持服務(wù)也在這里相繼給出。

（1）師生交互的數(shù)量與內(nèi)容

該課程討論活動在6個學(xué)習(xí)單元分散展開，本期培訓(xùn)班發(fā)帖數(shù)量累計743個，如表2所示。由表2可知，輔導(dǎo)教師的發(fā)帖量基本呈緩慢下降的趨勢。從該趨勢我們可以看到，在第1周“學(xué)習(xí)指南”和第2周“第一單元：什么是在線輔導(dǎo)？”兩周的教學(xué)中，由于是在線教學(xué)的開始階段，輔導(dǎo)教師需要更多地引導(dǎo)學(xué)生進行討論，投入相對更多的時間。從第3周開始，數(shù)據(jù)顯示，輔導(dǎo)教師的發(fā)帖量開始有所減少，從將近50%的比例下降到40%左右。這是因為，經(jīng)過前兩周的學(xué)習(xí)，由于輔導(dǎo)教師的有效引導(dǎo)，學(xué)生保持了較高的積極性，效果明顯。從第3周開始，輔導(dǎo)教師有意減少了發(fā)帖的量，注意留給學(xué)生更多的時間思考并參與討論，這時候?qū)W生明顯上升到了討論的主角這一角色，這說明輔導(dǎo)教師對于討論的把握和控制比較成功。

（2）師生交互發(fā)帖的內(nèi)容

作者采用傅騫、魏順平等研發(fā)的術(shù)語提取算法從所發(fā)帖子中提取了約240個術(shù)語，如表3所示。這些術(shù)語的出現(xiàn)頻次為4909次（其中輔導(dǎo)教師使用976次，約占20%）；在481個帖子中出現(xiàn)（其中教師帖為204個），占帖子總數(shù)的65%。從另外一個角度說，有1/3左右的帖子沒有出現(xiàn)任何術(shù)語。由此可見，論壇的主要功能是開展課程知識討論，次要功能則是激發(fā)并維持學(xué)生的學(xué)習(xí)動機，引導(dǎo)、鼓勵學(xué)生不斷參加學(xué)習(xí)。

在前10位術(shù)語中，“輔導(dǎo)”出現(xiàn)了3次，“在線（遠程）”出現(xiàn)了4次，這比較好地體現(xiàn)了本課程的特點，即在線學(xué)習(xí)輔導(dǎo)。而排在前兩位的是“輔導(dǎo)教師”和“電大”，這更能說明這次培訓(xùn)的內(nèi)容和對象的特點。無一例外，本次培訓(xùn)的對象全部來自電大系統(tǒng)，所以他們對本系統(tǒng)是最關(guān)注的，另外他們對如何做好“輔導(dǎo)教師”也是最關(guān)心的，所以他們選擇了這門課。從這些術(shù)語可以看出，本期的討論比較成功，課程的設(shè)計也比較合理，能夠滿足學(xué)生的需求。

接著，作者對各單元使用的普通詞匯（包括動詞和名詞等實詞，不含虛詞，不含術(shù)語）使用頻次進行統(tǒng)計，以體現(xiàn)輔導(dǎo)教師的語言藝術(shù)和輔導(dǎo)特色。其中使用頻次排名前十的普通詞匯分別是“同學(xué)、加油、學(xué)生、謝謝、可以、學(xué)習(xí)、問題、課程、研究、討論”?！凹佑汀焙汀爸x謝”這兩個詞的大量使用反映了輔導(dǎo)教師為學(xué)生提供的情感支持。輔導(dǎo)教師時時刻刻不忘鼓勵、支持任何一位學(xué)生的發(fā)言和進步，處處對他們的討論表示感謝，無論發(fā)言是否精彩，無論對他們的觀點是否贊同，都通過“加油”和“謝謝”表示感謝。

（3）師生交互的動態(tài)過程與靜態(tài)結(jié)構(gòu)

我們從師生交互發(fā)帖時間分布以及師生交互網(wǎng)絡(luò)分析來了解師生交互的動態(tài)過程與靜態(tài)結(jié)構(gòu)。本培訓(xùn)課程設(shè)有6個單元外加大論文指導(dǎo)環(huán)節(jié)（實際上是7個單元），計劃教學(xué)時間是6周，一個單元用時一周。理想情況下，學(xué)生應(yīng)該在規(guī)定的學(xué)習(xí)時間內(nèi)完成相應(yīng)單元的活動，但事實并非如此。以每個單元的“話題討論”為例，某個單元的話題往往要持續(xù)3周才會真正結(jié)束。各單元討論活動隨時間分布情況如表4所示。

表4中帶*號的數(shù)字部分是在單元規(guī)定學(xué)習(xí)時間內(nèi)的發(fā)帖數(shù)量，但是每個單元在規(guī)定學(xué)習(xí)時間后，在隨后的2至3周還陸續(xù)有帖子發(fā)出來。于是從第3單元開始，將會有3個單元的活動疊加在一起。出現(xiàn)這種疊加現(xiàn)象，可能較大程度上是由工學(xué)矛盾造成的。學(xué)生不能及時完成本周的學(xué)習(xí)活動，所以會往后拖延。其實，從學(xué)生的角度是可以理解的，這也要求我們的在線教學(xué)要有一定的靈活性。同時，也恰恰是在第3周開始出現(xiàn)第一個assgignment（小論文），學(xué)生的負擔開始加重。正是當“新債舊債”交織在一起的時候，出現(xiàn)了連鎖式疊加的現(xiàn)象。當然，這種現(xiàn)象也會無形中增加輔導(dǎo)教師的負擔。

根據(jù)輔導(dǎo)教師和學(xué)生發(fā)帖、回帖的關(guān)系，借助UCINET社會網(wǎng)絡(luò)分析工具，可繪制師生交互網(wǎng)絡(luò)圖，如圖3所示。從圖3可以看出，所有24個成員（包括輔導(dǎo)教師，如圖中編號為68的正方形節(jié)點）均在一個網(wǎng)絡(luò)中，不存在孤立的成員。

篇10

Abstract： The factors influencing readers' borrowing amount are analyzed and different readers' borrowing demand are determined. The differential borrowing authority and service are customized. A decision tree classification model of reader borrowing frequency is built with C5.0 in mining tool of SPSS Clementine. The decision tree classifies readers into three groups： activing readers， common readers and silent readers. The mined data come from reader borrowing records of the library of university of international relations. The results show readers' identity， major， grade and gender have an important effect on borrowing amount. The borrowing demand of junior students is great， while that of senior students is small. The library readers may be classified by refering to decision tree classification to provide theoretical evident for adjusting borrowing authority.

Key words： decision tree； classification； library； Clementine； borrowing authority

0 引言

數(shù)據(jù)挖掘能從大量數(shù)據(jù)中發(fā)現(xiàn)有用的知識，目前己成功應(yīng)用于各個領(lǐng)域。圖書館系統(tǒng)積累了大量讀者數(shù)據(jù)，研究如何將數(shù)據(jù)挖掘有效地用于圖書館[1-4]，變數(shù)據(jù)為知識，從而更好地為讀者服務(wù)，是數(shù)據(jù)挖掘和圖書館工作者的共同責任。

決策樹分類是數(shù)據(jù)挖掘中的一種重要方法，該方法通過對已有數(shù)據(jù)的學(xué)習(xí)，識別影響對象分類的若干因素，構(gòu)建一個決策樹分類模型，對對象進行分類。文獻[5-6]為決策樹在圖書館讀者借閱數(shù)據(jù)中的應(yīng)用實例，其中文獻[5]利用C4.5算法，對306條讀者借閱記錄進行了分類建模，利用學(xué)歷、專業(yè)和年級三個屬性，構(gòu)建借閱次數(shù)（高/中/低）分級模型，得出的結(jié)論為：學(xué)歷是第一決定因素，其次是專業(yè)和年級，研究生和大四學(xué)生借閱量低等。筆者認為文獻[5]挖掘的數(shù)據(jù)量過小，不具有足夠的說服力，且借閱次數(shù)分級采取主觀劃分的方法，缺乏依據(jù)。文獻[6]利用ID3算法，對1969條研究生的借閱記錄進行了分類建模，利用讀者是否為新生、是否為工程類學(xué)生、性別和距離圖書館的遠近等屬性，構(gòu)建決策樹模型，得出的結(jié)論為：讀者是否為新生為第一決定因素，其次為是否工程類、距離遠近和性別，一年級新生離圖書館近的、高年級工科學(xué)生為活躍讀者等。筆者認為文獻[6]的數(shù)據(jù)只覆蓋研究生讀者，樣本不全，且模型僅從訓(xùn)練數(shù)據(jù)構(gòu)建，沒有測試數(shù)據(jù)測試，使模型的普適性受到懷疑。另外，文獻[5-6]沒有對具體所用挖掘工具的介紹。

針對上述研究背景，本文使用SPSS Clementine軟件，采用基于C5.0的決策樹分類算法，對國關(guān)圖書館的4366條讀者借閱記錄進行建模。建模過程綜合考慮讀者身份、專業(yè)、年級、性別、民族和索書號等因素，構(gòu)建讀者借閱頻度決策樹分類模型，分析影響讀者借閱量的主要因素，給出針對不同讀者群的借閱權(quán)限分配和服務(wù)建議。作為數(shù)據(jù)挖掘在圖書館的進一步應(yīng)用探索，本文一方面可為國際關(guān)系學(xué)院圖書館開展實際業(yè)務(wù)工作提供幫助；另一方面可為其他高校圖書館開展挖掘?qū)嵺`，提供方法和過程指導(dǎo)。

1 需求分析及技術(shù)思路

1.1 需求分析

國際關(guān)系學(xué)院圖書館藏書37萬余冊，服務(wù)對象為全校師生員工、家屬、成人教育學(xué)員、國際大學(xué)預(yù)科項目PCP學(xué)員（Pre-College Program）等。服務(wù)的部門涵蓋法律系、公共管理系（簡稱公管）、國際經(jīng)濟系（簡稱國經(jīng)）、國際政治系（簡稱國政）、日語法語系（簡稱日法）、文化與傳播系（簡稱文傳）、信息科技系（簡稱信科）、英語系共八個系。

長期以來，國關(guān)圖書館對于讀者權(quán)限的設(shè)定按本科生、研究生和教工劃分，見表1。這種劃分一是沒有結(jié)合讀者的實際借閱需求，可能造成借閱需求量大的讀者權(quán)限不足，借閱需求量小的讀者權(quán)限過剩；二是劃分不夠細化，沒有考慮到讀者年級、專業(yè)、性別、成績等因素對借閱量的影響。依據(jù)讀者的現(xiàn)實個性化需求來確定借閱權(quán)限，已成為目前高校圖書館借閱權(quán)限改革的方向[7]，問題在于：影響用戶借閱量的因素有哪些，哪些是主要因素，如何確定這些因素，如何根據(jù)這些因素定制差異化權(quán)限和服務(wù)。本文針對這些問題展開討論。

1.2 技術(shù)思路

本文收集國關(guān)圖書館的借閱數(shù)據(jù)，通過對歷史數(shù)據(jù)的挖掘和分析找出影響讀者借閱需求的若干因素，依靠這些因素進行借閱權(quán)限細分。具體地，本文借助于SPSS Clementine工具中的決策樹挖掘方法對數(shù)據(jù)進行分析，借助于挖掘得到的決策樹識別影響讀者借閱量的主要因素，對借閱量按借閱頻度進行分級，并構(gòu)建一個判定用戶借閱頻度的決策樹分類模型，然后基于決策樹分類模型，給出針對國關(guān)圖書館讀者的借閱權(quán)限建議。具體技術(shù)思路如圖1所示。

2 具體的實現(xiàn)方案

2.1 數(shù)據(jù)源

數(shù)據(jù)源于國關(guān)圖書館金盤系統(tǒng)Oracle數(shù)據(jù)庫，主要涉及原始數(shù)據(jù)庫三個表：、、。其中流通日志表記錄讀者每次到館的一項事務(wù)。筆者利用這三張表進行連接，從流通日志表抽取2009-2010完整一學(xué)年的數(shù)據(jù)，抽取后的數(shù)據(jù)存儲在Excel表中，命名為 （格式見表2），該表共包含記錄109609條，字段8個。其中操作類型為事務(wù)類型，如J：借書/H：還書/S：賠書等；讀者級別為讀者身份，如本科生、研究生、信科教職工等；源單位具體到班級，如：信科0601/國經(jīng)0702/國政研二等。

2.2 數(shù)據(jù)預(yù)處理

⑴ 數(shù)據(jù)篩選

取出流通事務(wù)記錄表中操作類型為“J”（借書）的全部記錄。

⑵ 分組計數(shù)

取出的記錄集按讀者條碼分組，統(tǒng)計每個讀者出現(xiàn)的次數(shù)，將此數(shù)值記為讀者在一學(xué)年中的“借書數(shù)”。將此屬性添加到中具有相同讀者條碼的記錄中。未在流通事務(wù)記錄表中出現(xiàn)的讀者條碼的借書數(shù)記為0。

⑶ 空缺值的處理

一些記錄在“單位”字段上取值為空，用“資料不全”填充空缺值。

⑷ “借書數(shù)”區(qū)間化

對“借書數(shù)”這一數(shù)值屬性，在建模前對其區(qū)間化，把它劃分為幾個等級來描述讀者的借閱頻度，并讓其作為輸出屬性，為讀者建立分類決策樹。該字段原先的數(shù)值分布如圖2所示。在4366個讀者中，一年中讀者借書數(shù)最多的為174本，平均約12本，最少的為0本（約占50%，即一般讀者該年沒有借過書）。借過書的讀者按照其累計借書量的增加，人數(shù)基本呈遞減模式。

對“借書數(shù)”區(qū)間化時，先將沒借過書的讀者單分一個區(qū)間，即借書數(shù)等于0，記為“Null”。其余讀者盡量按照等頻，即相等人數(shù)的原則，分為高（high）、低（Low）兩個區(qū)間，經(jīng)過統(tǒng)計分析，發(fā)現(xiàn)“17”為較好的分界點，區(qū)間劃分規(guī)則為：0

為記錄區(qū)間化后的借閱頻度，為讀者庫表添加列“借閱頻度”，來儲存每位讀者的年借閱量，處理后的借閱頻度屬性不同區(qū)間的樣本數(shù)量分布為：

Null：2187；Low：1103；High：1076；總計：4366。

⑸ 其他字段的概化

“讀者級別”字段中，教職人員具體到各系和各行政部門，將該字段統(tǒng)一歸為“教職工”。“源單位”字段中，學(xué)生的單位具體到班級，將其概化到年級。將“索書號”字段概化為索書號頭一位。

將預(yù)處理后的數(shù)據(jù)導(dǎo)入到Microsoft Access數(shù)據(jù)庫中，表名命名為，它共包含國關(guān)4366名讀者09-10學(xué)年的借書統(tǒng)計數(shù)據(jù)，見表3。

2.3 模型構(gòu)建

利用數(shù)據(jù)挖掘工具SPSS Clementine（版本11.1）中的C5.0建模節(jié)點構(gòu)建決策樹模型。將預(yù)處理后的Access數(shù)據(jù)庫表文件作為數(shù)據(jù)源節(jié)點，先后連接工具中的“選擇節(jié)點”、“抽樣節(jié)點”和“C5.0節(jié)點”，形成如圖3所示的讀者借閱頻度挖掘訓(xùn)練流程圖。

將得到的分類模型加入到流程取代“借閱頻度類別”建模節(jié)點，鏈接相關(guān)輸出節(jié)點，檢驗訓(xùn)練樣本的自檢正確率。之后再用原樣本剩下的30%做測試，具體流程如圖7所示。其中測試路徑抽樣節(jié)點的配置跟圖6基本相同，除了將單選按鈕“包含”改為“丟棄。

執(zhí)行圖7流程，得到模型測試結(jié)果，其中訓(xùn)練樣本上的測試正確率為69.1%，測試樣本上的正確率為67.2%。

模型分類結(jié)果與測試樣本的對比矩陣見表4。該矩陣記錄了得到的決策樹模型對不同屬性取值的分類結(jié)果和所占總樣本的比例等信息。例如表4，對于測試樣本中原來標注為“High”的記錄，決策樹準確地將其中的203條記錄歸類為“High”，占所有標為“High”的樣本數(shù)的60.237%，占總樣本數(shù)的16.009%。在所有被決策樹歸類為“High”的記錄中，正確歸類的這432條占其中的59.882%。

2.4 模型優(yōu)化

在創(chuàng)建決策樹過程中，訓(xùn)練樣本可能存在噪聲和離群點，形成異常分支，異常分枝在訓(xùn)練模型中表現(xiàn)好，但會對預(yù)測帶來不良影響。因此通常需對決策樹剪枝，使樹的復(fù)雜度降低，更易理解，預(yù)測分類時更快更好。

在SPSS Clementine中，C5.0模型通過“修剪嚴重性”指標控制對決策樹的修剪程度，取值為0到100，該指標值越小剪枝越少；值越大剪枝越多。為保證模型精度，并使構(gòu)建的決策樹簡單。筆者對“修剪嚴重性”指標進行了不同設(shè)置和反復(fù)測試，測試結(jié)果見表5。

從表5看出，當“修剪嚴重性”在50-85間變化時，測試樣本準確率和訓(xùn)練樣本自檢率并沒有出現(xiàn)較大變化，而樹的復(fù)雜度降低了，深度從3變?yōu)?。為了在不增加決策樹深度的情況下保留較完整的決策樹信息，我們將“修剪嚴重性”值設(shè)為50，此時樹的深度為2。

最終生成的國關(guān)讀者借閱頻度決策樹分類模型如圖8所示。

集合A={法律（大三，研一/研二），公管大三，國經(jīng)（研一/研二），國政（大二/大三，研一/研二），日法（研一/研二），文傳（大一/大二/大三，研一/研二），信科（大一/大二/大三，研一/研二），英語（大一/大三/大四，研一/研二），應(yīng)用化學(xué)研一}

集合B={法律（大一/大二/大四），公管（大一/大四），國經(jīng)（大一/大三/大四），國政（大一/大四），日法（大二/大三/大四），信科大四，英語大二，應(yīng)用化學(xué)研二，家屬，成人教育}

集合C={公管大二，信科研三，應(yīng)用化學(xué)研三，教職工，外教，PCP}

需說明的是，公管系在2009年至2010學(xué)年還沒有研究生，故相應(yīng)信息未出現(xiàn)在決策樹分支集合中。除信科系外，其他系的研究生學(xué)制均為兩年，沒有研三。

2.5 模型分析和建議

模型的準確度還不夠高，這可能是由于源數(shù)據(jù)缺乏更多與“借閱頻度”相關(guān)的屬性，可繼續(xù)收集一些有關(guān)讀者學(xué)習(xí)成績（如GPA、年級排名）、距離圖書館遠近等信息來為建模服務(wù)。

從圖8中看出，所在單位（包括身份、專業(yè)和年級）對其借閱量影響較大，其次是“性別”。具體如下。

⑴ 借閱量高的讀者（活躍讀者群）：文傳大四女生，集合A（特別是大三的學(xué)生）。約占總?cè)藬?shù)的25%。

⑵ 借閱量低的讀者（一般讀者群）：國經(jīng)大二女生，日法大一女生，集合B；約占總?cè)藬?shù)的25%。

⑶ 無借閱的讀者（沉默讀者群）：國經(jīng)大二、日法大一、文傳大四的男生，集合C。約占總?cè)藬?shù)的50%。

按身份分析，大致地，本科生大二、大三的借閱需求較大，大一新生和大四畢業(yè)班學(xué)生借閱需求較??；研究生文科的借閱需求較大，理科非畢業(yè)班的借閱需求大，理科畢業(yè)班研三的借閱需求??；教職工借閱需求小。尤其是理科研三學(xué)生和教職工在09-10學(xué)年的借閱量為0，這可能是由于理科研三寫論文所需要的文獻大多從電子數(shù)據(jù)庫中獲取，而國關(guān)教職工每人每年都有充足的購書經(jīng)費，使得他們更愿意自己購買圖書的方式獲取資料。

從上述分析結(jié)果看出，權(quán)限最低的本科生中很多群體借閱量高，而權(quán)限最高的教工的借閱量卻為0，這跟表1的權(quán)限分配相悖，說明了表1權(quán)限分配的不合理性。針對國關(guān)圖書館讀者的借閱權(quán)限分配，本文提出以下建議。

建議⑴：按決策樹分類模型劃分權(quán)限。模型中活躍讀者群，借閱冊數(shù)權(quán)限設(shè)為20；一般讀者群，借閱冊數(shù)權(quán)限設(shè)為10；沉默讀者群，借閱冊數(shù)權(quán)限設(shè)為5。權(quán)限劃分的關(guān)鍵在于模型的構(gòu)建和基于模型的讀者分類，具體數(shù)值可根據(jù)藏書量、讀者人數(shù)加以調(diào)整。

建議⑵：平均劃分權(quán)限。按教育部規(guī)定，高校圖書館的生均藏書量應(yīng)達到80-100冊，按一個圖書館可經(jīng)常利用文獻量約為館藏總量的20%計[8]，理論上的每生借閱權(quán)限應(yīng)在16-20之間。國關(guān)人均藏書量約為85冊（37萬冊/4366人），因此理論上每人借閱權(quán)限應(yīng)為20%×85冊=17冊，考慮到國關(guān)有約50%的人基本不到圖書館借書，理論上的借閱權(quán)限還有較大上調(diào)空間。保守計算，可將借閱冊數(shù)權(quán)限統(tǒng)一設(shè)為17，以最大程度體現(xiàn)“平等服務(wù)”和最大限度滿足讀者借閱量。

建議⑴重視讀者需求差異，有助于提高文獻利用率和讀者需求滿足率，但未考慮讀者對“平等借閱權(quán)”的訴求，然而相對于表1的權(quán)限設(shè)置更為合理和科學(xué)；建議⑵重視讀者借閱權(quán)的平等。

除借閱權(quán)限，圖書館還可針對不同讀者群提供針對，比如針對活躍讀者群，圖書館可讓其參與到圖書購買、圖書資源評價中，進行新書推薦，提供額外的培訓(xùn)，以提高文獻資源利用率和最大限度滿足讀者需求。

3 結(jié)束語

圖書館的數(shù)據(jù)挖掘?qū)μ嵘龍D書館服務(wù)質(zhì)量，開發(fā)增值服務(wù)具有重要意義。本文從校圖書館的實際需求分析和數(shù)據(jù)出發(fā)，采用SPSS Clementine中的C5.O決策樹算法，建立借閱頻度決策樹分類模型。建模結(jié)果顯示，決策樹模型可按借閱量對讀者有效分類，讀者身份、專業(yè)、年級和性別對借閱量有重要影響，本科大三學(xué)生借閱需求較大，大四學(xué)生借閱需求小。決策樹模型能夠幫助圖書館進行讀者細分、調(diào)整借閱權(quán)限和提供差異化服務(wù)。

進一步的研究可從兩個方面開展，一是收集更多年份、更多屬性的數(shù)據(jù)，提高模型的準確率；二是以分析讀者的借閱時長為目標，建立讀者借閱時長分類模型，為圖書館針對不同讀者群制定不同借閱期限提供幫助。

參考文獻：

[1] 顧倩.數(shù)據(jù)挖掘應(yīng)用于高校圖書館個性化服務(wù)的探討[J].圖書館雜志，2013.32（8）：63-65

[2] 鄭斐，郭彥宏，郝俊勤，劉娜.數(shù)據(jù)挖掘技術(shù)如何在圖書館建設(shè)中體現(xiàn)價值[J].圖書情報工作，2013.S1：263-264，212

[3] 王偉.基于數(shù)據(jù)挖掘的圖書館用戶行為分析與偏好研究[J].情報科學(xué)，2012.30（3）：391-394，418

[4] 馮研，王馨.國內(nèi)圖書館數(shù)據(jù)挖掘技術(shù)實踐應(yīng)用進展分析[J].圖書館學(xué)研究，2011.20：2-4

[5] 吳修琴.決策樹分類技術(shù)在圖書館管理中的應(yīng)用[J].農(nóng)業(yè)圖書情報學(xué)刊，2007.19（5）：24-26，35

篇11

1 常見數(shù)據(jù)挖掘方法

1.1 貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)是通過簡明的圖形方式結(jié)合統(tǒng)計理論來定性表示變量間復(fù)雜因果或概率關(guān)系的一種數(shù)據(jù)分析方法，包括網(wǎng)絡(luò)集和概率集兩部分。該方法具強大的執(zhí)行高效推理任務(wù)的功能，能充分利用先驗知識，而使其在診斷領(lǐng)域的應(yīng)用價值極大。在解決中醫(yī)定量診斷問題上，其體現(xiàn)出的功能主要表現(xiàn)在：揭示眾多癥癥之間以及癥與證間的復(fù)雜關(guān)系，探究證候的主要癥狀和次要癥狀，定量確定其診斷價值，這有助于確定證候診斷的標準和規(guī)范，而且建立的證候診斷模型以概率形式給出診斷結(jié)果，能有效輔助專家作出決策。因此，該方法對促進中醫(yī)診斷學(xué)發(fā)展所做的貢獻不可忽視。張氏等[1]對255例肺癌患者證候以癥狀之間的關(guān)聯(lián)性及關(guān)聯(lián)強度為基礎(chǔ)，利用貝葉斯網(wǎng)絡(luò)概括出了肺癌的證候要素，包括病機要素9個、病位要素5個及病機要素之主要癥狀與次要癥狀。曲氏等[2]對611例抑郁癥患者的中醫(yī)證候進行了研究，采用貝葉斯網(wǎng)絡(luò)對抑郁癥中醫(yī)癥狀進行評定，發(fā)現(xiàn)擬定的中醫(yī)證型包含了抑郁癥的核心癥狀和周邊癥狀的不同組合方式，體現(xiàn)了抑郁癥臨床多變的證候特點。范氏等[3]對收集到的1512例類風(fēng)濕關(guān)節(jié)炎（RA）患者的臨床數(shù)據(jù)采用基于聚類的貝葉斯網(wǎng)絡(luò)模型，提取出了RA的7項主特征及4型的類特征，為中醫(yī)辨證分型及RA中醫(yī)診斷標準提供了臨床依據(jù)。龔氏等[4]對2501例2型糖尿病的臨床數(shù)據(jù)運用該方法分析，發(fā)現(xiàn)空腹血糖異常患者及糖化血紅蛋白異?；颊呔躁幪摕崾⒍嘁?，而餐后2 h血糖異常患者則以陰虛多見。王氏等[5]應(yīng)用此方法通過分析474例血瘀證臨床診斷數(shù)據(jù)進行血瘀證定量診斷，發(fā)現(xiàn)了血瘀證的7個關(guān)鍵癥狀，并與此同時建立“是否血瘀證”的分類器模型，經(jīng)交叉驗證發(fā)現(xiàn)此分類器診斷準確率達96.6%。郭氏等[6]認為，證候的復(fù)雜性表現(xiàn)為證候各因素之間的高維高階性，他們運用貝葉斯網(wǎng)絡(luò)技術(shù)對肺系疾病證候構(gòu)成因素之間關(guān)聯(lián)形式進行了研究，發(fā)現(xiàn)各因素間的聯(lián)結(jié)形式是線性相關(guān)與非線性相關(guān)并存的，它們相互交織，形成復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，表現(xiàn)出典型的非線性特征。

1.2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是在對人腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)認識理解的基礎(chǔ)上人工構(gòu)造的新型信息處理系統(tǒng)。目前的神經(jīng)網(wǎng)絡(luò)模型有：用于分類、預(yù)測和模式識別的前饋式神經(jīng)網(wǎng)絡(luò)模型，用于聯(lián)想記憶和優(yōu)化計算的反饋式神經(jīng)網(wǎng)絡(luò)模型，以及用于聚類的自組織映射方法。其中前饋式神經(jīng)網(wǎng)絡(luò)模型是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)之一。對于將其應(yīng)用于中醫(yī)診斷領(lǐng)域，陳氏[7]認為，中醫(yī)學(xué)辨證施治本質(zhì)上就是對眾多數(shù)據(jù)信息進行處理并提取規(guī)律的過程，而人工神經(jīng)網(wǎng)絡(luò)恰恰具備較好獲得數(shù)據(jù)規(guī)律的能力。人工神經(jīng)網(wǎng)絡(luò)模型的優(yōu)勢主要體現(xiàn)于其黑箱結(jié)構(gòu)，這賦予人工神經(jīng)網(wǎng)絡(luò)強大的非線性擬合能力，使其能夠任意精度逼近非線性函數(shù)。

但不足的是，在中醫(yī)研究中，人工神經(jīng)網(wǎng)絡(luò)不能進行變量篩選，對其得到的結(jié)果也只是局部最優(yōu)而非全局最優(yōu)。如李氏等[8]對142例脾氣虛弱及肺脾氣虛證HIV/AIDS患者的主要實驗指標、四診信息的主要癥狀和舌象運用Clementine中的特征選擇節(jié)點進行篩選，建立脾氣虛弱和肺脾氣虛的人工神經(jīng)網(wǎng)絡(luò)模型，發(fā)現(xiàn)該模型能較好地診斷艾滋病患者脾氣虛弱和肺脾氣虛證型，其樣本模型訓(xùn)練集診斷的正確率和測試集診斷的正確率分別為87.25%和80.00%。傅氏等[9]認為，運用數(shù)據(jù)驅(qū)動模式建立中風(fēng)人工神經(jīng)網(wǎng)絡(luò)模型，將為進行繁雜多變的中風(fēng)證候的動態(tài)研究、掌握證候的動態(tài)演變規(guī)律及在不同時點進行療效評價提供一個新的探索方向。許氏等[10]通過對心血管疾病中醫(yī)臨床信息數(shù)據(jù)庫中的臨床信息和證候類別之間的關(guān)系進行分析，發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)尤其是OCON網(wǎng)絡(luò)對該病常見的中醫(yī)證型的識別率最高，其中心氣虛證和心陽虛證分別高達92.4%、82.9%。有研究運用人工神經(jīng)網(wǎng)絡(luò)分析RA、糖尿病腎?。―N），分別建立RA和DN證候的BP網(wǎng)絡(luò)模型，并采用三倍交叉驗證的方法，發(fā)現(xiàn)這2種模型平均診斷準確率分別為90.72%、92.21%[11-12]。余氏[13]通過文獻資料和臨床資料收集選用人工神經(jīng)網(wǎng)絡(luò)等方法開展2型糖尿病證候診斷標準模型建立及對比研究，所建模型在臨床數(shù)據(jù)測試樣本的正確辨識率為73%。

1.3 粗糙集理論

粗糙集理論主要用于分析研究不完備數(shù)據(jù)，這是繼概率論、模糊集、灰色理論之后又一個刻畫不確定、不完備系統(tǒng)的有力數(shù)學(xué)工具?；谄渚哂心苡行幚砀鞣N不確定、不完備信息的強大能力，有研究者認為將其用于分析中醫(yī)癥狀-辨證要素間相關(guān)性，建立定性定量標準，有很大前景[14]。其最大優(yōu)點在于不需要問題所需處理數(shù)據(jù)之外的任何先驗信息，能夠在保留關(guān)鍵信息的前提下求得知識的最小表達式。因此，將粗糙集理論引入中醫(yī)，運用到中醫(yī)診斷上，將可能是實現(xiàn)中醫(yī)診斷智能化的又一個發(fā)展方向。

陳氏等[15]以450例老年人細菌性肺炎患者在就診過程中的285項指標為研究對象，采用粗糙集方法對已經(jīng)過初始數(shù)據(jù)處理的各數(shù)據(jù)進行挖掘分析，得到7種中老年肺炎的證候診斷標準，為療效評價指標提供了客觀依據(jù)。陳氏等[16]從與原發(fā)性高血壓相關(guān)的古今醫(yī)案中收集237例病案，對其癥狀和體征進行數(shù)據(jù)預(yù)處理，運用基于粗糙集理論的KDD決策分析系統(tǒng)Rosetta軟件約簡病證屬性，獲取到了原發(fā)性高血壓肝陽上亢證的專家知識，為進一步研究原發(fā)性高血壓肝陽上亢證奠定基礎(chǔ)。劉氏[17]運用粗糙集理論對脾胃系疾病的證候診斷進行相關(guān)研究，建立了可進行辨證分型的計算機軟件，并通過這一軟件量化標準來判斷患者所屬證候，為治療脾胃系疾病辨證提供可靠依據(jù)。謝氏[18]建立了一個基于粗集理論的中醫(yī)診斷專家系統(tǒng)模型，以模擬中醫(yī)專家診斷的過程。秦氏等[19]把粗糙集應(yīng)用于中醫(yī)類風(fēng)濕證候診斷，并在類風(fēng)濕病的各證候診斷上應(yīng)用。

1.4 關(guān)聯(lián)分析

在數(shù)據(jù)挖掘方法中，關(guān)聯(lián)分析常用來挖掘特征之間或者數(shù)據(jù)之間的相互依賴關(guān)系，對給定的事務(wù)數(shù)據(jù)庫找出滿足最小支持度和最小置信度的關(guān)聯(lián)規(guī)則。與其他數(shù)據(jù)分析方法不同的是，關(guān)聯(lián)規(guī)則的引入，可以從大量貌似繁雜癥與證的數(shù)據(jù)中，找到隱形的關(guān)聯(lián)，極大促進中醫(yī)診斷學(xué)的發(fā)展；并且其所得結(jié)果清晰有用，同時支持間接數(shù)據(jù)挖掘；可處理變長的數(shù)據(jù)，為尋找診斷數(shù)據(jù)中的隱性關(guān)聯(lián)帶來了方便，其計算的消耗量也可以預(yù)見[20]。

肖氏等[21]設(shè)計了一種基于遺傳算法的正相關(guān)關(guān)聯(lián)規(guī)則挖掘算法，發(fā)現(xiàn)胃部不適癥狀與處方、證候重要關(guān)聯(lián)關(guān)系。陳氏等[22]通過對400例肝硬變患者進行關(guān)聯(lián)分析，找出符合最小支持度和最小置信度并形成規(guī)則的中醫(yī)證候氣滯/氣郁證和血瘀證，這表明肝硬變和氣滯證、血瘀證之間關(guān)聯(lián)度非常高。鐘氏等[20]采用關(guān)聯(lián)規(guī)則的分析算法，探求胃炎癥狀與“中虛氣滯”辨證之間的關(guān)系，得到在中虛氣滯證中，口干欲飲這個癥狀對辨證的影響最大。

1.5 決策樹

決策樹算法是一種逼近離散值函數(shù)的方法，常用來形成分類器和預(yù)測模型，是建立在信息論基礎(chǔ)之上對數(shù)據(jù)進行分類的一種方法。岳氏[23]通過選取300例確診為小兒肺炎患者的數(shù)據(jù)為基礎(chǔ)，成功構(gòu)建了基于決策樹算法的小兒肺炎指紋辨證分類模型，準確率達84.5%。鐘氏等[20]從中醫(yī)胃炎數(shù)據(jù)中篩選出“中虛氣滯”的病歷，通過決策樹，以“中虛氣滯”為目標屬性，根據(jù)病歷中癥狀辨證是否與目標屬性相同設(shè)置“yes”和“no”兩值，再通過設(shè)置的訓(xùn)練樣例運用ID3算法構(gòu)建決策樹，以判斷未知中醫(yī)證型的病例是否歸屬“中虛氣滯”。查氏等[24]將397例已確診活動期RA患者隨機分為中藥和西藥治療組，通過對其初診中西醫(yī)癥狀及檢查結(jié)果采用決策樹進行證病信息和療效的相關(guān)關(guān)系探索，得出可從證候信息的角度獲得藥物治療的最佳適應(yīng)證，從而實現(xiàn)個體化治療。徐氏等[25]對406例慢性胃炎病例用bootstrap抽樣擴增，采用基于信息熵的決策樹c4.5算法建立中醫(yī)辨證模型，測試集模型分類符合率為81.25%。

1.6 聚類分析

聚類分析的實質(zhì)就是聚集數(shù)據(jù)成類，使類間的相似性最小，而盡可能增大類內(nèi)的相似性。其優(yōu)點是：作為一種探索性的統(tǒng)計分析方法，聚類分析方法可以在對數(shù)據(jù)沒有先驗知識的情況下對數(shù)據(jù)資料進行分類，根據(jù)數(shù)據(jù)的內(nèi)在相似或相關(guān)程度，可使得類別內(nèi)數(shù)據(jù)“差異”盡可能小，類別間“差異”盡可能大，對中醫(yī)藥領(lǐng)域中的癥狀組合規(guī)律、證候規(guī)律等方面的研究具有一定的推動作用。但由于中醫(yī)證候復(fù)雜程度較大，聚類分析在解決這些問題時存在的局限性表現(xiàn)在：①多結(jié)果，主觀性大。此分析方法無法根據(jù)數(shù)據(jù)內(nèi)部特點自主確定分為幾類，需要研究者依據(jù)其學(xué)科知識和經(jīng)驗來確定到底聚為幾類、聚到哪一類為最佳；此外，選擇不同的類間距離和變量間距離的定義方法，結(jié)果將大有不同，因此，多次嘗試、反復(fù)分析對于此類分析方法來說是必須的。②單分配，即變量只能被聚到某一類。在研究癥狀的聚類問題時，中醫(yī)的一個癥狀常需要能被聚到不同的類中，但聚類分析只能將一個癥狀歸入某一個類別里面。

李氏等[26]應(yīng)用系統(tǒng)聚類的方法對276例乙肝后肝硬化的癥狀、體征進行分析研究，得出乙肝后肝硬化基本中醫(yī)證候有濕熱內(nèi)蘊證、肝腎陰虛證、肝郁脾虛證、脾虛濕盛證、脾腎陽虛證、血瘀證、氣（陽）虛證共7類。盧氏等[27]通過制定“中醫(yī)證候臨床觀察表”，對106例兒童中間型β地中海貧血患者進行中醫(yī)證候調(diào)查，采用聚類分析等統(tǒng)計學(xué)方法得出廣州地區(qū)中間型β地中海貧血患兒中醫(yī)證候分布特點為氣血兩虛證>肝腎陰虛證>脾腎陽虛證>陰陽兩虛證，這為進一步規(guī)范化辨證論治提供了一定依據(jù)。何氏等[28]采用臨床流行病學(xué)的方法，對143例冠心病PIC術(shù)后患者的癥狀、體征等臨床資料進行了聚類分析，得出冠心病PIC術(shù)后患者證候分為氣虛痰濁、腎虛血瘀、肝氣郁結(jié)、脾氣虧虛、心氣虧虛、氣陰虧虛共6類。黃氏等[29]應(yīng)用變量聚類分析的數(shù)理統(tǒng)計方法，對慢性疲勞綜合征（CFS）進行了中醫(yī)辨證分型，并對收集到的237例CFS患者的癥狀、舌象和脈象等臨床資料進行了變量聚類分析，得出變量聚類分析能幫助CFS在中醫(yī)證候中合理分為精髓空虛、陰液虧虛、脾腎陽虛和肝火亢盛共4型，解釋比例為61.68%。

1.7 判別分析

與其他統(tǒng)計學(xué)方法不同的是，判別分析的主要目的是建立一個線性組合，使其可用最優(yōu)化的模型來概括分類之間的差異。該方法常用來根據(jù)已知數(shù)據(jù)的分類情況判斷未知待分析數(shù)據(jù)的歸屬問題等，在證候的研究方面應(yīng)用最廣。

胡氏等[30]根據(jù)所收集的413例亞健康失眠患者的中醫(yī)證型對證候變量進行逐步判別分析，建立判別函數(shù)式，得出亞健康失眠中醫(yī)證型判別函數(shù)與臨床診斷吻合良好，逐一回代法判別總一致率達81.1%。夏氏等[31]對77例慢性再生障礙性貧血（CAA）患者進行辨證分型分組，應(yīng)用逐步判別分析方法建立CAA中醫(yī)證型判別方程，篩選出了與判別方程最相關(guān)的6個免疫學(xué)和血常規(guī)指標。酈氏等[32]以腦梗死中醫(yī)證型標準化研究結(jié)果為基礎(chǔ)，采用逐步判別分析，建立了腦梗死各證型與觀察指標間的數(shù)學(xué)判別方程。趙氏等[33]對收集符合RA診斷標準的患者按照辨證對變量進行逐步判別分析，建立了一個具有較好的判別效果的判別模型。薛氏等[34]選用已進行頻數(shù)分析的文獻207篇進行肝病證候的判別分析，認為肝郁脾虛證辨證標準難以脫離疾病特點。

1.8 支持向量機

支持向量機是基于統(tǒng)計學(xué)習(xí)和結(jié)構(gòu)風(fēng)險最小化原則的學(xué)習(xí)機器，可以通過核函數(shù)將低維輸入空間的數(shù)據(jù)特征投射到高維數(shù)據(jù)控件，并求得最優(yōu)分類的超平面。該算法的關(guān)鍵思想是利用核函數(shù)把一個復(fù)雜的分類任務(wù)映射，使之轉(zhuǎn)化成一個線性可分問題。在許多實際學(xué)習(xí)問題中，它允許擴大的空間維數(shù)非常大，在某些情況下可能無窮大，能較好地解決小樣本、非線性、高維數(shù)和局部最小等問題。支持向量機方法較適用于中醫(yī)診斷數(shù)據(jù)的現(xiàn)狀和對中醫(yī)臨床經(jīng)驗的總結(jié)。

徐氏等[35]以中醫(yī)心系503個樣本為例，利用支持向量機進行中醫(yī)心系證候分類研究，結(jié)果表明，該方法在證候分類中能達到較高的準確率。王氏等[36]以名醫(yī)診治冠心病典型醫(yī)案115例建立冠心病名醫(yī)診療數(shù)據(jù)庫，運用支持向量機方法提取到名醫(yī)診治冠心病8個主要證候要素并確定其定量診斷，闡釋了證候要素應(yīng)證組合規(guī)律。殷氏等[37]對舌診數(shù)據(jù)進行主成分提取，分別建立Logistic回歸和支持向量機模型，發(fā)現(xiàn)在小樣本情況下支持向量機模型更優(yōu)，敏感度達92.8%，特異度達92.3%。楊氏等[38]精選1個家系虛寒證的相關(guān)基因信息，選擇間接比較實驗方案進行基因芯片實驗，對5例虛寒證和5例正常人差異表達基因的表達值進行建模，使用支持向量機、K近鄰分類法等方法，將家系中其他人樣本帶入，發(fā)現(xiàn)其能夠正確判別。在舌象診斷鑒別上，謝氏[39]依據(jù)支持向量機理論，以徑向基函數(shù)作為核函數(shù)構(gòu)造多分類分類器，將舌象的特征參數(shù)作為輸入樣本，對病證進行分類，并以肝病病證分類做了仿真。

1.9 多標記學(xué)習(xí)方法

與其他分類方法不同的是，多標記學(xué)習(xí)方法的每個研究對象不再對應(yīng)于單一的概念標記，而是由單個示例（屬性向量）表示并對應(yīng)于多個概念標記，即一個樣本和多個類標相關(guān)聯(lián)。鑒于現(xiàn)實社會涉及到的很多真實對象往往都具多語義、多分類目標性，如疾病的證候、證型，待分類的文檔、網(wǎng)頁，生物信息學(xué)中的基因等，因此，多標記學(xué)習(xí)方法的成熟對促進這些領(lǐng)域的發(fā)展也就顯得十分重要。然而該方法存在的一個主要問題是不能充分利用各訓(xùn)練樣本所含概念標記之間的相關(guān)性，從而有效提高學(xué)習(xí)系統(tǒng)的泛化能力；此外，由于其存在復(fù)雜程度較大，運用該方法進行研究尚存在降維方法和特征選擇方法較少的不足。

針對中醫(yī)臨床證候兼夾的多標記特點，研究人員首次將多標記學(xué)習(xí)算法引入到中醫(yī)問診的客觀化研究。該研究將多標記學(xué)習(xí)結(jié)合頻次分析，應(yīng)用于冠心病的問診證候模型建立，有效提高了診斷模型的識別率；在此基礎(chǔ)上，還結(jié)合中醫(yī)數(shù)據(jù)特點，提出了多標記學(xué)習(xí)算法（REAL），并結(jié)合信息增益等特征選擇方法，挑選出常見證候的20個最優(yōu)特征，顯著提高了慢性胃炎的證候的識別率[40-41]。邵氏等[42]運用多標記學(xué)習(xí)結(jié)合混合優(yōu)化的特征選擇算法（HOML），用于冠心病中醫(yī)問診數(shù)據(jù)分析，建立了中醫(yī)冠心病數(shù)據(jù)模型，并獲得了冠心病問診癥狀的最優(yōu)特征子集。

1.10 隨機森林

隨機森林是決策樹算法的一種改進，其綜合思想是組合多棵bootstrap樣本建立的決策樹的預(yù)測，通過投票給出有效的錯判率估計、分類器強度、相關(guān)性和變量的重要性等指標。該方法對每個被分析的數(shù)據(jù)都給出了重要性的評分，在某種程度上有利于有效的特征變量的挑選，降低數(shù)據(jù)維度。隨機森林作為一種自然的非線性建模工具，具有很高的預(yù)測準確率，能很好地容忍異常值和噪聲，不易出現(xiàn)過擬合，降低分類錯誤率；也不會出現(xiàn)在bootstrap樣本中的OOB數(shù)據(jù)，還能為樣本提供一個數(shù)據(jù)內(nèi)部估計，可用來高效估計組合分類器中的泛化誤差，有助于理解分類精度以及如何提高精度。

洪氏等[43]通過引入隨機森林方法，對《慢性疲勞（CF）中醫(yī)臨床癥狀分級量化表》中的95個癥狀進行數(shù)據(jù)編碼，選取CF常見證候要素的主要癥狀并衡量癥狀對各證候要素的貢獻程度，得到了CF脾虛證、心虛證、肝郁證以及氣虛證4個證候要素的癥狀集，將各癥狀集作為模型輸入，各模型預(yù)測準確率分別為96.13%、94.75%、95.89%、94.26%。鄒氏等[44]借用特定脾虛證臨床數(shù)據(jù)集證明基于特征提取的分類集成模型比其他集成方法具更低的錯誤率，認為特征提取在降低錯誤率上作出了明顯的貢獻，但其結(jié)果是否適用于其他小樣本數(shù)據(jù)尚未證實。王氏等[45]通過文獻調(diào)研，推測使用隨機森林提取亞健康關(guān)鍵癥狀或指標可幫助亞健康狀態(tài)的判斷。

2 討論

中醫(yī)臨床診斷數(shù)據(jù)存在的一個顯著特點是證候夾兼、數(shù)據(jù)多而繁雜、各數(shù)據(jù)之間的關(guān)系藏而不現(xiàn)。因此，借助現(xiàn)代化的信息技術(shù)手段，綜合運用數(shù)理統(tǒng)計分析方法以進一步挖掘四診以及證候之間的隱性關(guān)聯(lián)具有重要意義。然而，在數(shù)理統(tǒng)計方法研究發(fā)展正處于高峰期的信息化時代，如何根據(jù)待分析的數(shù)據(jù)庫的特點選擇正確恰當?shù)姆椒ㄊ钱斍皵?shù)據(jù)挖掘首先要考慮的問題。

一個樣本量較大的數(shù)據(jù)庫，當需要進行一定的數(shù)據(jù)分類時，可能有必要對上述方法進行探索。聚類分析可滿足對數(shù)據(jù)進行一定的癥狀的組合、證候規(guī)律的挖掘；若是在已知數(shù)據(jù)的分類情況下需要對待分析數(shù)據(jù)進行分類，判別分析恰有這方面的優(yōu)勢；決策樹則在實現(xiàn)數(shù)據(jù)分類挖掘過程中的可視化方面凸顯其優(yōu)勢；隨機森林可在決策樹的基礎(chǔ)上進一步提高有效特征變量的提取率，同時還能避免數(shù)據(jù)預(yù)處理過程中的過擬合現(xiàn)象。當然，在臨床數(shù)據(jù)分析過程中也經(jīng)常出現(xiàn)數(shù)據(jù)樣本量較小、維度較高等現(xiàn)象，支持向量機方法在中醫(yī)領(lǐng)域的引進則為這些數(shù)據(jù)的分析帶來新的契機。除了對數(shù)據(jù)進行分類挖掘外，數(shù)據(jù)之間的關(guān)聯(lián)討論也是數(shù)據(jù)分析必不可少的，尤其在中醫(yī)診斷中探討各癥、證之間的關(guān)聯(lián)領(lǐng)域的應(yīng)用；在隱性關(guān)聯(lián)分析的眾多分析方法中，多標記學(xué)習(xí)法有效解決了證候夾兼的現(xiàn)象；粗糙集理論有利于建立定量定向標準；人工神經(jīng)網(wǎng)絡(luò)在識別證型上主要體現(xiàn)其強大的非線性擬合能力；此外，在探究癥與證關(guān)系上，貝葉斯網(wǎng)絡(luò)還是診斷領(lǐng)域的常用之法，該方法還可幫助我們進一步探討癥狀集中的主次癥。

總之，集各種數(shù)據(jù)挖掘方法之長于一體來對某一數(shù)據(jù)庫進行挖掘分析將為中醫(yī)界數(shù)據(jù)挖掘技術(shù)的成熟帶來不可預(yù)料的進展。目前，大部分數(shù)據(jù)挖掘方法都只是被單一采用，即使有同時運用多種挖掘方法進行數(shù)據(jù)分析，也只是對某一數(shù)據(jù)系統(tǒng)運用多種方法相互比較，所獲得的結(jié)果效用度較小。多重方法相互交融、相互補充、綜合運用于某一數(shù)據(jù)分析系統(tǒng)中的研究在在中醫(yī)領(lǐng)域尚不很成熟，或許可以成為數(shù)據(jù)挖掘在中醫(yī)藥研究中的進一步的模式和規(guī)則，為數(shù)理統(tǒng)計在中醫(yī)藥知識的創(chuàng)新和發(fā)展中開辟一條新的途徑。

參考文獻：

[1] 張霆，陳波，馬勝林，等.基于貝葉斯網(wǎng)絡(luò)的肺癌證候研究[C]//慶祝浙江省中西醫(yī)結(jié)合學(xué)會成立三十周年論文集粹.杭州：浙江省中西醫(yī)結(jié)合學(xué)會，2011：50-52.

[2] 曲森，啟盛，包祖曉.貝葉斯網(wǎng)絡(luò)模型在中醫(yī)證候研究中的應(yīng)用[C]//世界中聯(lián)第三屆中醫(yī)、中西醫(yī)結(jié)合老年醫(yī)學(xué)學(xué)術(shù)大會論文集.北京：世界中醫(yī)聯(lián)合會，2010：61-63.

[3] 范建平，李常洪，吳美琴，等.貝葉斯網(wǎng)絡(luò)在中醫(yī)診斷中的應(yīng)用研究[J].管理科學(xué)學(xué)報，2008，11（6）：143-150.

[4] 龔燕冰，倪青，高思華，等.Ⅱ型糖尿病主要理化指標與中醫(yī)證候相關(guān)性的貝葉斯網(wǎng)絡(luò)分析[J].中華中醫(yī)藥雜志，2010，25（1）：3l-33.

[5] 王學(xué)偉，瞿海斌，王階.一種基于數(shù)據(jù)挖掘的中醫(yī)定量診斷方法[J].北京中醫(yī)藥大學(xué)學(xué)報，2005，28（1）：4-7.

[6] 郭蕾，王學(xué)偉，王永炎，等.論高維高階與證候的復(fù)雜性[J].中華中醫(yī)藥雜志，2006，21（2）：76-78.

[7] 陳偉青.淺論人工神經(jīng)網(wǎng)絡(luò)在中醫(yī)學(xué)上的應(yīng)用[J].河南中醫(yī)學(xué)院學(xué)報， 2004，19（11）：12-13.

[8] 李玉森，施學(xué)忠，楊永利，等.人工神經(jīng)網(wǎng)絡(luò)在HIV/AIDS患者主要虛證診斷中的應(yīng)用[J].中華中醫(yī)藥雜志，2012，27（5）：1269-1271.

[9] 傅勤慧，裴建，惠建榮，等.中風(fēng)證候動態(tài)研究現(xiàn)狀與展望：數(shù)據(jù)與模型驅(qū)動模式的應(yīng)用[J].中西醫(yī)結(jié)合學(xué)報，2011，9（12）：1292-1300.

[10] 許朝霞，王憶勤，顏建軍，等.基于支持向量機和人工神經(jīng)網(wǎng)絡(luò)的心血管疾病中醫(yī)證候分類識別研究[J].北京中醫(yī)藥大學(xué)學(xué)報，2011，34（8）：539-543.

[11] 白云靜，申洪波，孟慶剛.基于共軛梯度下降算法的類風(fēng)濕性關(guān)節(jié)炎BP神經(jīng)網(wǎng)絡(luò)癥候模型研究[J].中國中醫(yī)藥信息雜志，2010，17（3）：96-97.

[12] 白云靜，申洪波，孟慶剛，等.基于人工神經(jīng)網(wǎng)絡(luò)的中醫(yī)證候非線性建模研究[J].中國中醫(yī)藥信息雜志，2007，14（7）：3-4.

[13] 余學(xué)慶.基于智能計算的2型糖尿病中醫(yī)證候診斷方法研究[D].北京：北京中醫(yī)藥大學(xué)，2007.

[14] 晏峻峰，朱文鋒.粗糙集理論在中醫(yī)證素辨證研究中的應(yīng)用[J].中國中醫(yī)基礎(chǔ)醫(yī)學(xué)雜志，2006，12（2）：90-93.

[15] 陳楚湘，沈建京，陳冰，等.運用粗糙集理論建立中老年肺炎中醫(yī)癥候診斷標準[C]//第二中國控制會議論文集.上海：中國自動化學(xué)會控制理論專業(yè)委員會，2010：40-42.

[16] 陳素玲，付爽，高云，等.基于粗糙集理論的原發(fā)性高血壓肝陽上亢證辨證系統(tǒng)的建立[J].山東中醫(yī)藥大學(xué)學(xué)報，2010，34（3）：201-203.

[17] 劉泉.粗糙集在脾胃系疾病中醫(yī)辨證中的應(yīng)用研究[D].武漢：湖北中醫(yī)學(xué)院，2008.

[18] 謝國明.基于粗集理論的中醫(yī)診斷模型的建立[J].數(shù)理醫(yī)藥學(xué)雜志， 2005，18（4）：302-304.

[19] 秦中廣，毛宗源，鄧兆智.粗糙集在中醫(yī)類風(fēng)濕證候診斷中的應(yīng)用[J].中國生物醫(yī)學(xué)工程學(xué)報，2001，20（4）：357-363.

[20] 鐘穎，胡雪蕾，陸建峰.基于關(guān)聯(lián)規(guī)則和決策樹的中醫(yī)胃炎診斷分析[J].中國中醫(yī)藥信息雜志，2008，15（8）：97-99.

[21] 肖光磊，陸建峰，李文林，等.正相關(guān)關(guān)聯(lián)規(guī)則及其在中醫(yī)藥中的應(yīng)用[J].計算機工程與應(yīng)用，2010，46（6）：227-233.

[22] 陳明，楊慧芳，余蕾.基于關(guān)聯(lián)規(guī)則的肝硬變辨證數(shù)據(jù)挖掘研究[J].河南中醫(yī)雜志，2009，29（3）：258-260.

[23] 岳路.決策樹算法在小兒肺炎中醫(yī)臨床診斷中的研究與應(yīng)用[D].濟南：山東大學(xué)，2011.

[24] 查青林，何羿婷，喻建平，等.基于決策樹分析方法探索類風(fēng)濕性關(guān)節(jié)炎證病信息與療效的相關(guān)關(guān)系[J].中國中西醫(yī)結(jié)合雜志，2006，26（10）：871-986.

[25] 徐蕾，賀佳，孟虹，等.基于信息熵的決策樹在慢性胃炎中醫(yī)辨證中的應(yīng)用[J].中國衛(wèi)生統(tǒng)計，2004，21（6）：329-331.

[26] 李毅，劉艷，寇小妮，等.乙肝后肝硬化癥狀學(xué)聚類研究[J].中醫(yī)藥導(dǎo)報，2012，18（2）：14-16.

[27] 盧焯明，錢新華.以聚類分析法研究兒童中間型β地中海貧血的中醫(yī)證候分布規(guī)律[J].中華中醫(yī)藥雜志，2012，27（3）：607-611.

[28] 何慶勇，王階.基于聚類分析的冠心病介入術(shù)后中醫(yī)證候分類及診斷[J].中醫(yī)雜志，2008，49（10）：918-921.

[29] 黃小波，李宗信，陳文強，等.慢性疲勞綜合征的中醫(yī)證候聚類分析[J].中華中醫(yī)藥雜志，2006，21（10）：592-594.

[30] 胡萬華，陳克龍，趙娜，等.亞健康失眠患者中醫(yī)證型的判別分析[J].中醫(yī)雜志，2012，53（2）：142-144.

[31] 夏樂敏，王運律.慢性再生障礙性貧血中醫(yī)證型判別方程的建立與使用[J].中華中醫(yī)藥學(xué)刊，2012，30（2）：409-411.

[32] 酈永平，溫淑云.腦梗死證型量化分級的判別方程研究[J].中國中醫(yī)急癥，2012，21（1）：81-82.

[33] 趙寶利，黃可兒，趙敏.類風(fēng)濕關(guān)節(jié)炎中醫(yī)辨證分型的判別分析[J].中華中醫(yī)藥雜志，2012，27（1）：240-242.

[34] 薛飛飛，汪南.基于判別分析的肝病肝郁脾虛證證候特點的文獻研究[J].中華中醫(yī)藥雜志，2011，26（6）：1260-1263.

[35] 徐，王億勤，鄧峰.基于SVM的中醫(yī)心系證候分類研究[J].世界科學(xué)技術(shù)―中醫(yī)藥現(xiàn)代化，2010，12（5）：713.

[36] 王階，吳榮，周雪忠.基于支持向量機的名老中醫(yī)治療冠心病證候要素研究[J].北京中醫(yī)藥大學(xué)學(xué)報，2008，31（8）：540.

[37] 殷彬，方思行.脾虛證診斷的數(shù)學(xué)模型[J].暨南大學(xué)學(xué)報：自然科學(xué)版，2006，26（3）：363-367.

[38] 楊麗萍，黃睿，張洛欣，等.用特征功能模塊法挖掘一個虛寒證家系的基因表達譜[J].中華中醫(yī)藥雜志，2010，25（5）：683-685.

[39] 謝錚桂.基于多分類支持向量機的中醫(yī)舌診診斷的研究[J].計算機與數(shù)字工程，2008，36（11）：60.

[40] Liu GP， Li GZ， Wang YQ. Modelling of inquiry diagnosis for coronary heart disease in TCM by using multi-label learning[J]. BMC Complementary and Alternative Medicine，2010，10：37.

[41] Liu GP， Yan JJ， Wang YQ， et al. Application of multi-label learning using the relevant feature for each label （REAL） algorithm in the diagnosis of chronic gastritis[J]. Evidence- Based Complementary and Alternative Medicine，2012，6：3-5.

[42] 邵歡，李國正，劉國萍，等.多標記中醫(yī)問診數(shù)據(jù)的癥狀選擇[J].中國科學(xué)：信息科學(xué)，2011，41（11）：1372-1387.

[43] 洪燕珠，周昌樂，張志楓，等.基于隨機森林法的慢性疲勞證候要素特征癥狀的選擇[J].中醫(yī)雜志，2010，51（7）：634-638.

篇12

1 分部門、分災(zāi)種的危機管理決策支持系統(tǒng)

我國防震減災(zāi)系統(tǒng)應(yīng)用和輔助決策系統(tǒng)的發(fā)展是與計算機技術(shù),主要是GIS技術(shù)的發(fā)展相輔相成的。在20世紀80年代初,我國通過世行貸款開始了有關(guān)城市地理信息系統(tǒng)的開發(fā)研究?！熬盼濉逼陂g,結(jié)合950 項目(大中城市防震減災(zāi)示范研究與應(yīng)用),地震系統(tǒng)有關(guān)單位在烏魯木齊、天津、大連、合肥、自貢、泰安、福州、廈門等地建立了各自地區(qū)的“基于GIS的防震減災(zāi)信息與輔助決策系統(tǒng)”,利用GIS等工具軟件,姚保華(2002)將區(qū)域地震環(huán)境、震害預(yù)測成果和應(yīng)急輔助決策模塊等進行集成。云南地震局王景來(1999)將GIS應(yīng)用到地震災(zāi)害的評估提出將地震災(zāi)害評估智能化或半智能化的設(shè)想,在此基礎(chǔ)上建立了玉溪地震減災(zāi)信息系統(tǒng)。上海地震局宋俊高、火恩杰等(2000)將GIS應(yīng)用到城市防震減災(zāi)應(yīng)急研究,以上海市寶山區(qū)為試點,建立了上海市防震減災(zāi)應(yīng)急決策信息系統(tǒng)。王曉青等(2004)利用現(xiàn)代通訊技術(shù)、GIS技術(shù)和信息處理技術(shù),構(gòu)建了基于GIS的地震現(xiàn)場災(zāi)害損失評估系統(tǒng),實現(xiàn)破壞性地震發(fā)生后地震現(xiàn)場災(zāi)害損失的快速、動態(tài)評估,現(xiàn)場震情和災(zāi)情信息的顯示以及各種信息的遠程交換。

火災(zāi)是各種災(zāi)害中發(fā)生最頻繁且具有很強破壞性的一種。謝喚亮(1997)給出了基于GIS的決策支持系統(tǒng)的框架,并在南京市消防指揮中心初步實現(xiàn)。許云,任愛珠(2003)對虛擬現(xiàn)實技術(shù)(VR)在基于GIS的城市消防指揮系統(tǒng)中的應(yīng)用進行了研究。朱霽平(2004)建立城市火災(zāi)應(yīng)急決策支持系統(tǒng),一旦發(fā)生火災(zāi),信息可以迅速傳遞到指揮中心,并快速模擬災(zāi)害現(xiàn)場情況、預(yù)測災(zāi)害發(fā)展趨勢,綜合各種要素,生成救援方案,有效調(diào)度和科學(xué)利用消防減災(zāi)資源。

國內(nèi)防洪減災(zāi)決策支持系統(tǒng)的研究起源于20世紀80年代末期,特別是國家在“八五”期間安排的“八五”重點科技攻關(guān)項目――長江、黃河、淮河防洪減災(zāi)DSS研究,出現(xiàn)了很多比較成功的成果,胡四一等(1996)在分析總結(jié)長江中下游防洪經(jīng)驗和防洪決策流程的基礎(chǔ)上,研究防洪決策支持系統(tǒng)建立的開發(fā)模式、程序、方法、技術(shù)和應(yīng)用模式,研制和開發(fā)了系統(tǒng)中總控管理――人機界面系統(tǒng)、數(shù)據(jù)庫、知識庫、系統(tǒng)接口和通訊軟件、洪水演進和調(diào)度仿真模型、防洪決策風(fēng)險分析模型等,初步建立了可運行的原型系統(tǒng),并通過聯(lián)機試驗運行、檢驗系統(tǒng)設(shè)計、推進分洪決策支持系統(tǒng)的實際應(yīng)用。到20世紀90年代初,又有翁文斌等開發(fā)的安陽市防洪DSS,浙江省洪澇臺風(fēng)災(zāi)害預(yù)報及省級防洪調(diào)度決策系統(tǒng)、黃河防洪調(diào)度決策支持系統(tǒng)和長江防洪決策支持系統(tǒng)等投入運行。這些系統(tǒng)都以關(guān)系數(shù)據(jù)庫為核心,系統(tǒng)具有一定的可擴展性、可移植性。余達征等(1999)針對防洪減災(zāi)DSS的不足和防洪減災(zāi)決策的特點,將專家系統(tǒng)中的知識處理思想引入防洪減災(zāi)DSS中以解決其不足之處。設(shè)計出智能型的城市防洪減災(zāi)DSS。

2 城市危機管理決策支持系統(tǒng)

2.1 城市危機管理決策支持系統(tǒng)理論研究

韓燕暉將城市公共危機防范與救助系統(tǒng)分為指揮決策系統(tǒng)這一上位系統(tǒng)與預(yù)警系統(tǒng)、預(yù)案系統(tǒng)、信息系統(tǒng)、保障系統(tǒng)、動員系統(tǒng)、善后系統(tǒng)等六個下位系統(tǒng)。劉寧認為突發(fā)事件應(yīng)急決策支持系統(tǒng)是用戶通過人機交互與系統(tǒng)主推理機連接,并借助規(guī)則、案例、模糊知識推理部分共同完成不同庫間的調(diào)用和內(nèi)部推理求解。朱曉峰等根據(jù)政府決策支持系統(tǒng)的信息復(fù)雜程度和時效程度將其分為四大類:日常決策支持系統(tǒng)、宏觀決策支持系統(tǒng)、重大活動決策支持系統(tǒng)和危機決策支持系統(tǒng)?；葜颈髽?gòu)造了由危機信息管理預(yù)警、危機信息管理知識、危機管理指揮、危機管理反應(yīng)、危機管理恢復(fù)等子系統(tǒng)構(gòu)成的綜合性危機信息管理系統(tǒng)。谷巖,馮華綜介運用數(shù)據(jù)倉庫、聯(lián)機分析處理(OLAP)、數(shù)據(jù)挖掘、信息智能推拉等多種信息處理技術(shù),以多種形式靈活地生成各種應(yīng)急方案。徐志勝等以地理信息系統(tǒng)(G1S)為平臺,集成決策支持系統(tǒng)(DSS),研究開發(fā)了“基于G1S的城市公共安全應(yīng)急決策支持系統(tǒng)”。唐裙裙認為應(yīng)該采用五級架構(gòu),底層是硬件支持層;其次是基礎(chǔ)信息層;基于其上的是決策支撐平臺層;再上層是決策應(yīng)用平臺層;最上層是用戶界面,需要針對不同類型的用戶進行設(shè)計。張茜公共危機管理決策支持系統(tǒng)的主要功能包括機理分析、預(yù)警預(yù)報、資源優(yōu)化、綜合評價和決策建議。柳宗偉,景廣軍提出利用信息技術(shù)促進我國城市危機管理機制創(chuàng)新的思路,即建立以統(tǒng)一機構(gòu)(城市危機管理中心)為核心的調(diào)度統(tǒng)一、聯(lián)動協(xié)調(diào)、信息共享的城市綜合危機管理機制,研制實用的城市危機管理決策支持系統(tǒng)以支持該模式的高效運作。

2.2 城市危機管理決策支持系統(tǒng)技術(shù)支撐

在智能決策支持系統(tǒng)的算法研究方面,研究的焦點集中在GIS路徑優(yōu)化、案例檢索算法以及數(shù)據(jù)挖掘等方面:黃詩峰等對災(zāi)民撤退網(wǎng)絡(luò)流模型及其GIS模擬技術(shù)進行了深入研究;羅忠良對案例推理系統(tǒng)中案例檢索算法的改進進行了探討;馮興杰等對有關(guān)數(shù)據(jù)挖掘及其關(guān)聯(lián)規(guī)則算法進行了詳細地討論;陶靈皎,孫繼銀等對決策樹的算法進行詳細探討并針對自己的研究對象作了適當優(yōu)化;王秀坤等設(shè)計了改進的EM算法并實現(xiàn)了在防洪決策中的應(yīng)用。

2.3 城市危機管理決策支持系統(tǒng)工程實踐

2003年“非典”事件后,我國目前許多城市已經(jīng)開始設(shè)置專門的應(yīng)急管理機構(gòu),將應(yīng)急管理作為政府的一項日常的工作來抓,使城市應(yīng)急管理逐漸走上正規(guī)化和制度化的軌道。已建成的城市應(yīng)急管理機構(gòu)有北京市突發(fā)公共事件應(yīng)急委員會、上海市突發(fā)公共事件應(yīng)急管理委員會、深圳市處置緊急事務(wù)委員會、廣州110社會聯(lián)動中心、武漢市110聯(lián)動服務(wù)中心、南寧市社會應(yīng)急聯(lián)動中心等。城市危機管理信息系統(tǒng)一般由以下四個子系統(tǒng),即應(yīng)急指揮系統(tǒng)、應(yīng)急業(yè)務(wù)處理系統(tǒng)、信息與資源共享系統(tǒng)、決策支持系統(tǒng)組成。管理決策支持系統(tǒng)作為城市危機管理信息系統(tǒng)的一個子系統(tǒng),目前大多城市尚未進行專門建設(shè)。但在某些城市危機管理信息系統(tǒng)中包含了初步的輔助決策功能,下面分別對具有代表性的北京、天津、深圳、臺灣的城市危機管理信息系統(tǒng)中所包含的輔助決策功能進行介紹。

北京市危機管理信息系統(tǒng)主要由以下子系統(tǒng)組成:①網(wǎng)絡(luò)通信子系統(tǒng),比如有政府網(wǎng)、應(yīng)急呼報警網(wǎng);②信息數(shù)據(jù)庫子系統(tǒng),城市地理環(huán)境數(shù)據(jù)庫、城市社會經(jīng)濟數(shù)據(jù)庫、災(zāi)害歷史數(shù)據(jù)庫;③應(yīng)急評估數(shù)學(xué)模型子系統(tǒng),危機事件潛勢預(yù)測模型、社會災(zāi)變心理分析模型等;④對策預(yù)案子系統(tǒng),綜合應(yīng)急管理總體預(yù)案,單災(zāi)種專業(yè)應(yīng)急預(yù)案,預(yù)案實施決策流程;⑤專業(yè)救援子系統(tǒng),比如醫(yī)療急救網(wǎng)、消防網(wǎng)自然災(zāi)害現(xiàn)象救援保障,還有公共設(shè)施搶修隊,治安和反恐防爆隊。這里應(yīng)急評估數(shù)學(xué)模型子系統(tǒng)和對策預(yù)案子系統(tǒng)就包含了初步的輔助決策功能。其應(yīng)急指揮系統(tǒng)中心設(shè)計聯(lián)動國家減災(zāi)中心、水利、氣象、地震、消防社區(qū)、單位重點區(qū)域,城市生命線系統(tǒng)管理部門,它有一些監(jiān)測設(shè)備,比如現(xiàn)場空中監(jiān)測,還有現(xiàn)場救援指揮車,對突發(fā)公共事件進行災(zāi)害的動態(tài)顯示。還有應(yīng)急對策的顯示系統(tǒng),根據(jù)專家的意見和對策,進行會商結(jié)果,最后形成一個綜合的減災(zāi)策指令。

天津市負責突發(fā)公共事件應(yīng)急管理的主要部門是防災(zāi)應(yīng)急指揮中心,配置有線、無線通信系統(tǒng)、指揮輔助決策系統(tǒng)、指揮辦公自動化系統(tǒng)、遠程圖像傳輸系統(tǒng)、綜合視訊系統(tǒng)、應(yīng)急供電、供水系統(tǒng)、樓宇保安監(jiān)控系統(tǒng)等,運用現(xiàn)代通信網(wǎng)絡(luò)和高技術(shù)手段,實現(xiàn)各類應(yīng)急信息的收集、處理、整合,為市領(lǐng)導(dǎo)處置重大災(zāi)害和突發(fā)事件實施應(yīng)急指揮提供了基本平臺和手段。指揮中心在樓設(shè)置了專家會商室和相關(guān)單位、搶險專業(yè)組、應(yīng)急救援隊工作室,可集中各險種專家和專業(yè)組、隊共同會商,為領(lǐng)導(dǎo)提供輔助決策。

深圳市應(yīng)急指揮系統(tǒng)的輔助決策概況:深圳政府特別重視對預(yù)案信息系統(tǒng)的設(shè)計和開發(fā)。深圳有關(guān)部門制定和修改了各項應(yīng)急預(yù)案,明確各類突發(fā)事件分級分類定量標準,提高預(yù)案的可操作性,并建成預(yù)案數(shù)據(jù)庫,納人應(yīng)急指揮技術(shù)平臺的“預(yù)案生成系統(tǒng)”。深圳市發(fā)生重特大突發(fā)性事件時,市領(lǐng)導(dǎo)不但可以在應(yīng)急指揮中心通過視頻、音頻系統(tǒng)進行現(xiàn)場指揮,還通過地理信息系統(tǒng)和電子地圖了解事件發(fā)生地點的具置及周邊情況。同時,系統(tǒng)還將根據(jù)現(xiàn)場和數(shù)據(jù)庫中的各種數(shù)據(jù),自動生成多個應(yīng)急預(yù)案以供領(lǐng)導(dǎo)決策選擇。

臺灣的災(zāi)害管理決策支持系統(tǒng)研究結(jié)合了地理信息系統(tǒng)(GlS)、遙感(RS)、全球定位系統(tǒng)(GPS)以及日益成熟的網(wǎng)絡(luò)技術(shù),建立一套整體性的防災(zāi)救災(zāi)決策支持系統(tǒng)。該系統(tǒng)使用災(zāi)害生命周期法來進行決策支持系統(tǒng)整體架構(gòu)的規(guī)劃,將災(zāi)害從發(fā)生前至發(fā)生后的整個過程視為一個完整的災(zāi)害管理循環(huán)周期,并進一步分析各階段所需的決策支持需求,運用模組化的概念規(guī)劃其中的各項子系統(tǒng)。完整的災(zāi)害防救決策支持系統(tǒng)資料庫由地理資料庫、氣象水文觀測資料庫、歷史性災(zāi)害資料庫、趨勢分析與境況模擬成果資料庫、詮釋資料庫等五大資料庫組成。臺灣是多發(fā)地震的地區(qū),以該系統(tǒng)的地震知識管理為例,通過“案例式推理”的研究方法,搜集臺灣歷年來都市層級的地震防災(zāi)救災(zāi)相關(guān)研究(不含地質(zhì)研究、地震工程)案例一百余例,并利用英國Wales大學(xué)所開發(fā)的CBR軟件caspian(1999),建置“地震防災(zāi)救災(zāi)文獻案例式查詢系統(tǒng)”,探討其應(yīng)用于都市防災(zāi)救災(zāi)的可行性,初步獲得了良好的成果。

參考文獻

[1]姚保華,陶夏新.分布式防震減災(zāi)系統(tǒng)的可行性[M].南京:東南大學(xué)出版社,2002.10.

[2]王曉青,丁香.基于GIS的地震現(xiàn)場災(zāi)害損失評估系統(tǒng)[J].自然災(zāi)害學(xué)報,2004, 13(1):118-125.

[3]許云,任愛珠,潘國帥.基于GIS和VR的消防指揮系統(tǒng)研究[J].土木工程學(xué)報,2003,36(5):92-96.

[4]朱霽平.基于GIS的城市火災(zāi)應(yīng)急空間決策支持系統(tǒng)和仿真模型[D].中國科學(xué)技術(shù)大學(xué)博士學(xué)位論文,2004.

[5]谷巖,馮華.智能化城市防災(zāi)救災(zāi)應(yīng)急處理支持系統(tǒng)的研究[J].計算機工程與設(shè)計,2005,(6): 1503-1505.

篇13

Yang Lufan

【Abstract】The network curriculum develops has begun to take shape, at present urgently awaits the duty which is solved is the establishment effective, the comprehensive network curriculum analyzes the indicator system, the guarantee network curriculum quality of teaching. The domestic and foreign experts often focus the attention in the network teaching platform and the environment aspect, actually neglected has carried on the analysis by the learner from the side to the network curriculum, the gain network curriculum recessive attribute. Therefore, this article mainly carries on the analysis based on the learner angle to the network curriculum, forms a preliminary network curriculum to analyze the target frame, analyzes the indicator system for the establishment perfect network curriculum to propose the new angle of view.

【Key words】The network curriculum analyzes; Learner; Target frame

1 介紹

眾所周知，網(wǎng)絡(luò)課程已成為終身學(xué)習(xí)的重要手段。為確保網(wǎng)絡(luò)課程的教學(xué)質(zhì)量，真正意義上促進學(xué)習(xí)者學(xué)習(xí)，我們亟待建立有效的、全面的網(wǎng)絡(luò)課程分析指標體系。因此，不僅要把是否具備最為完善的網(wǎng)絡(luò)教學(xué)平臺和環(huán)境作為衡量網(wǎng)絡(luò)課程的一方面，也要透過學(xué)習(xí)者從側(cè)面對網(wǎng)絡(luò)課程進行深入分析。

目前從網(wǎng)絡(luò)課程教學(xué)平臺和環(huán)境方面對網(wǎng)絡(luò)課程進行分析，已有較成熟的理論研究。本文主要從網(wǎng)絡(luò)課程分析的另一個角度即學(xué)習(xí)者，對學(xué)習(xí)者在網(wǎng)上學(xué)習(xí)相關(guān)的數(shù)據(jù)進行定義建模，形成初步的網(wǎng)絡(luò)課程分析指標框架，為建立一個有效的、全面的網(wǎng)絡(luò)課程分析指標體系提出新視角，為網(wǎng)絡(luò)教育工作者分析、改善已有的課程提供參考依據(jù)。

2 基本概念

2.1 網(wǎng)絡(luò)課程:網(wǎng)絡(luò)課程是在課程論、學(xué)習(xí)論、教學(xué)論指導(dǎo)下通過網(wǎng)絡(luò)實施的以異步學(xué)習(xí)為主的課程，是為實現(xiàn)某學(xué)科領(lǐng)域的課程目標而設(shè)計的網(wǎng)絡(luò)學(xué)習(xí)環(huán)境中教學(xué)內(nèi)容和教學(xué)活動的總和。

2.2 網(wǎng)絡(luò)課程分析:網(wǎng)絡(luò)課程分析，本文主要是指基于學(xué)習(xí)者角度的網(wǎng)絡(luò)課程分析。即對學(xué)習(xí)者在網(wǎng)上學(xué)習(xí)相關(guān)的數(shù)據(jù)進行統(tǒng)計、挖掘和分析，從側(cè)面得到網(wǎng)絡(luò)課程的隱性屬性。網(wǎng)絡(luò)課程有三類用戶，即學(xué)習(xí)者、教師、管理員，網(wǎng)絡(luò)課程的直接受益者是學(xué)生，從學(xué)習(xí)者角度進行分析較能體現(xiàn)網(wǎng)絡(luò)課程的一些隱性特征。

3 網(wǎng)絡(luò)課程分析指標框架的確定及解析

網(wǎng)絡(luò)課程分析是對學(xué)習(xí)者在網(wǎng)上學(xué)習(xí)相關(guān)的數(shù)據(jù)進行統(tǒng)計、挖掘和分析，從側(cè)面得到網(wǎng)絡(luò)課程的隱性特征。學(xué)習(xí)者網(wǎng)上學(xué)習(xí)相關(guān)的數(shù)據(jù)即學(xué)生的個性特征、網(wǎng)絡(luò)資源的使用情況等，通過對學(xué)習(xí)相關(guān)數(shù)據(jù)進行定義建模，結(jié)合網(wǎng)絡(luò)課程教學(xué)平臺進行數(shù)據(jù)采集如登錄次數(shù)、登錄時間、自測正誤率、發(fā)帖數(shù)量、帖子訪問量、回帖數(shù)量、學(xué)習(xí)資源點擊次數(shù)、作業(yè)完成情況等，以數(shù)據(jù)庫的方式存儲到數(shù)據(jù)庫管理系統(tǒng)中，參考Web數(shù)據(jù)挖掘相關(guān)算法，從而獲取網(wǎng)絡(luò)課程的一些內(nèi)在隱性特征如專業(yè)性、響應(yīng)度、參與度、難易度、趣味性等，為今后更好地、全面地分析網(wǎng)絡(luò)課程提供參考依據(jù)。

3.1 學(xué)習(xí)者網(wǎng)上學(xué)習(xí)相關(guān)數(shù)據(jù)定義建模:利用文獻研究方法綜合分析了國內(nèi)外近十年來學(xué)習(xí)者網(wǎng)上學(xué)習(xí)相關(guān)的數(shù)據(jù)元素，較多文獻是從學(xué)習(xí)者個性特征、自主學(xué)習(xí)以及交互學(xué)習(xí)三方面進行描述。因此，從學(xué)習(xí)者個性特征、自主學(xué)習(xí)和交互學(xué)習(xí)三個方面對網(wǎng)上學(xué)習(xí)相關(guān)數(shù)據(jù)進行定義建模，詳見表1。

學(xué)習(xí)動機動機來源：外在動力、內(nèi)在動力、成就動力；具體動機：教育目標、經(jīng)濟學(xué)期望、社會學(xué)期望、學(xué)習(xí)方式的開放性

3.2 構(gòu)造網(wǎng)絡(luò)課程分析指標樹:通過與相關(guān)專家學(xué)者的反復(fù)討論，并參考若干網(wǎng)絡(luò)課程分析的相關(guān)資料，筆者認為用“三性三度”能較好地體現(xiàn)網(wǎng)絡(luò)課程的隱性屬性，“三性三度”即：目標性、趣味性、交互性、難易度、參與度、響應(yīng)度。因此，“三性三度”形成了網(wǎng)絡(luò)課程分析的6個一級指標。參考網(wǎng)上學(xué)習(xí)相關(guān)數(shù)據(jù)模型表，借鑒Web挖掘相關(guān)技術(shù)對其進行數(shù)據(jù)挖掘，形成了網(wǎng)絡(luò)課程分析的11個二級指標，便構(gòu)造出了一個網(wǎng)絡(luò)課程分析指標樹。（見圖1）

3.3 網(wǎng)絡(luò)課程分析指標解析:網(wǎng)絡(luò)課程分析由6個一級指標和11個二級指標構(gòu)成，下面對各項指標進行進一步的解析：

專業(yè)性：通過統(tǒng)計、挖掘和分析學(xué)習(xí)者的身份信息、學(xué)習(xí)條件、學(xué)習(xí)動機以及信息素養(yǎng)能力等，獲取本課程是否具有專業(yè)性，面向的學(xué)生是專業(yè)的還是普遍大眾。

趣味性：單位時間內(nèi)各個欄目與媒體資源的在線人數(shù)統(tǒng)計分析，網(wǎng)頁、網(wǎng)頁、流媒體、BBS信息、教學(xué)信息、圖書等資源的點擊率統(tǒng)計分析，可以挖掘出本課程最具趣味性資源與欄目。

交互性：統(tǒng)計交互工具，如在線聊天、視頻會議、音頻會議、BBS、Email等的使用次數(shù)和時間間隔平均值，可以挖掘出本課程是否具有交互性。

難易度：統(tǒng)計各問題與知識點的發(fā)帖數(shù)量與回帖數(shù)量，計算平均值，并與平均值比較，數(shù)量超過平均值的多少可以反應(yīng)出課程的難易程度。

參與度：統(tǒng)計參加網(wǎng)上直播課堂學(xué)習(xí)、提交作業(yè)、網(wǎng)上自測、網(wǎng)上考試的次數(shù)，調(diào)研報告、PPT等個人作品和研究成果的展示數(shù)量，對其進行分析，可以挖掘出本課程的參與度。

響應(yīng)度：統(tǒng)計教師對問題的答復(fù)率與回應(yīng)時間間隔，挖掘、分析出本課程的響應(yīng)度如何。

3.4 網(wǎng)絡(luò)課程分析指標框架表:經(jīng)過對網(wǎng)絡(luò)課程分析各個指標的確定及解析，形成了一個初步的清晰的網(wǎng)絡(luò)課程分析指標框架表。（見表2）

4 結(jié)論

網(wǎng)絡(luò)課程分析指標框架目前還只是一個雛形，需要相關(guān)專家學(xué)者對其進行不斷地論證與改進。本文對其進行研究主要有兩個方面的原因：第一是希望能為全面分析、評定網(wǎng)絡(luò)課程提出一個新視角；第二是希望能引起廣大教育技術(shù)工作者和網(wǎng)絡(luò)教育工作者的注意，對如何有效全面的分析網(wǎng)絡(luò)課程進行激烈地探討，以期形成一個標準的、全面的網(wǎng)絡(luò)課程分析指標體系。

參考文獻

[1] 李朝葵,陶衛(wèi)國.層次分析法在網(wǎng)絡(luò)信息資源導(dǎo)航系統(tǒng)評價中的應(yīng)用[J].四川圖書館學(xué)報,2004,(3):75-78

[2] 張偉遠.網(wǎng)上學(xué)習(xí)環(huán)境評價模型、指標體系及測評量表的設(shè)計與開發(fā)[J].中國電化教育,2004,(7).