文档介绍：A new approach in e-learners grouping using Hybrid Clustering Method
-组员:
一种运用混合聚类分析“在线分组学习”的新方法
-指导老师:
论文研究背景和动机
混合聚类分析方法的流程
根据论文提供的实例验证方法
根据论文留下的对未来聚类分析的市场预测和采用混合分析方法的新挑战进行扩展分析
Abstract(摘要)
在线教育是近些年来刚兴起的一种教育模式,相对于传统的教学模式而言,在线教育便捷、实用、跨越时空界限、更接地气,更适应现代人快节奏的生活方式。
分组学习是在线教育的一个基本功能和显著特征。分组学习能够根据广大受众体的个体特征,各取所需,因材施教,大大提高了教学及学习的效率。
目前,在全球排名靠前的名牌大学都纷纷开设了自己的网络课程,例如耶鲁大学、哈佛大学、北京大学,还有我们厦门理工。在线教育已经成为一种新的发展趋势。
朗读
SO
有效的分组能方便进行科学的教育投资
分组研究也加强在线教育的效果,反促进其发展
由于教师和基础设备的限制,无法实现一对一在线教育,故采大都采用分组学习
根据所观察到学生的行为和学习特征换做维度,进行聚类分析,分析完的簇相当于组,一次进行个性化教育
如何进行相对应的有效分组是在线学习发展的关键,也是我们这次研究的对象。
不同研究者对比
其他研究者
本文研究者
聚类方法
单一
混合
侧重方面
学生的行为
方法的混合
聚类精度
难度
弱爆
叼炸
Hybrid Clustering Method(HCM)
英语原著
It seems clustering learners by basic methods separately and then hybrid the result to decide about clusters is better than modifying just one method.
中文概括
首先先用各种常见聚类分析方法进行聚类分析,再将结果簇进行混合比较,最后修改成最佳结果
开始
①:计算DB指数,
确定簇的最佳个数
②:选择聚类分析
的基本方法
③:对照不同聚
类方法的结果
④:在每一个对照组中
选择最紧凑的簇
⑤:重复修改聚类
和删除元素
结束
原著
方法流程
步骤1
计算公式:
Ti是簇数量i的成员,Ci是是簇的中心i,Xj是i集群的成员第j个。
dis(C,C)是左边等式中的中心第i个和第j个之间聚类的欧氏距离。
其中N是簇的数量,而Si是簇的成员i和簇的中心之间的平均欧氏距离。
这个距离被确定为:
步骤2
选择聚类的基本方法:
选择聚类的基本算法,如K-means、C-means等,计算它们的DB指数
步骤3
对照不同聚类方法的结果:
根据DB指数的定义特征,DB值越小,聚类分析效果越好。对比不同聚类方法下的DB值,筛选DB值最小的值作为簇的划分个数
步骤4
在每一个对照组中选择最紧凑的簇:选择最高的最佳候选压缩标准。压缩标准被定义为:
其中aij为第i个到第j个候选簇元素的特征向量,c j是j聚类的特征向量,nj是聚类j的成员的数量。这个关系通过独
立集群成员的数量,计算集群密实度的非线性方程。