基于虚拟学习社区的教学行为分析的应用研究--以一门在线课程的教学过程为例
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 引言 | 第8-13页 |
| 1.1 研究背景 | 第8-10页 |
| 1.1.1 网络教育的发展 | 第8-9页 |
| 1.1.2 教育数据挖掘的发展 | 第9-10页 |
| 1.2 选题缘由 | 第10页 |
| 1.3 研究意义、内容和方法 | 第10-12页 |
| 1.3.1 研究意义 | 第10-11页 |
| 1.3.2 研究内容及拟解决的关键问题 | 第11页 |
| 1.3.3 研究方法 | 第11-12页 |
| 1.4 本文的组织结构 | 第12-13页 |
| 2 教育数据挖掘概述 | 第13-17页 |
| 2.1 教育数据挖掘的涵义 | 第13页 |
| 2.2 教育数据挖掘研究现状及趋势 | 第13-15页 |
| 2.2.1 教育数据挖掘研究现状 | 第13-14页 |
| 2.2.2 教育数据挖掘发展趋势 | 第14-15页 |
| 2.3 教育数据挖掘方法及工具 | 第15-17页 |
| 3 虚拟学习社区概述 | 第17-25页 |
| 3.1 虚拟学习社区相关概念 | 第17-19页 |
| 3.1.1 虚拟学习社区的涵义 | 第17页 |
| 3.1.2 虚拟学习社区的优缺点 | 第17-18页 |
| 3.1.3 虚拟学习社区的性质 | 第18-19页 |
| 3.2 虚拟学习社区的研究综述 | 第19-20页 |
| 3.3 虚拟学习社区的社会网络结构 | 第20-22页 |
| 3.3.1 虚拟学习社区的社会网络结构的涵义 | 第20-21页 |
| 3.3.2 虚拟学习社区的社会网络结构的应用研究 | 第21-22页 |
| 3.4 个性化推荐 | 第22-25页 |
| 3.4.1 个性化推荐基本原理 | 第23页 |
| 3.4.2 个性化推荐技术 | 第23-24页 |
| 3.4.3 个性化推荐算法的研究综述 | 第24-25页 |
| 4 教育数据挖掘技术中的聚类法 | 第25-31页 |
| 4.1 层次聚类法 | 第25-27页 |
| 4.1.1 层次聚类法基础理论 | 第25-26页 |
| 4.1.2 层次聚类法研究综述 | 第26-27页 |
| 4.1.3 层次聚类法的优点 | 第27页 |
| 4.2 k-均值法 | 第27-29页 |
| 4.2.1 k-均值法基础理论 | 第27-28页 |
| 4.2.2 k-均值法研究综述 | 第28-29页 |
| 4.2.3 k-均值法的优点 | 第29页 |
| 4.3 簇间距离度量准则 | 第29-31页 |
| 5 基于虚拟学习社区的教学行为分析的应用案例 | 第31-62页 |
| 5.1 研究样本与研究思路 | 第31页 |
| 5.2 数据准备 | 第31-33页 |
| 5.3 教育数据挖掘内容 | 第33-62页 |
| 5.3.1 平台模块访问总体情况 | 第33-34页 |
| 5.3.2 总体学习时间分布特点 | 第34-36页 |
| 5.3.3 学生学习时间偏好分析 | 第36-37页 |
| 5.3.4 层次聚类法分析交互行为 | 第37-44页 |
| 5.3.5 基于知识点的个性化推荐探索 | 第44-62页 |
| 6 总结与展望 | 第62-64页 |
| 6.1 研究结论 | 第62-63页 |
| 6.2 研究展望 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69-70页 |
| 在读期间公开发表论文（著）及科研情况 | 第70页 |
