《表1 学习者行为特征数据离散化结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《网络学习行为与成绩的预测及学习干预模型的设计》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:--表示无该状态。

数据变换，即将数据变换为适合于数据挖掘的形式。包括数据泛化、数据规范化、特征构造、数据离散化。（1）数据泛化，即使用概念分层，用高层概念替换低层或原始数据。本研究对专业通过高层概念学科背景“理科、文科、艺术”实现泛化。文科包括历史文化学院、文学院、外国语学院、政治经济学院、心理学院、教育学院，理科包括化学化工学院、计算机科学学院、旅游与环境学院、数学与信息科学学院、物理学与信息技术学院、生命科学学院、新闻与传播学院（教育技术学专业），艺术包括音乐学院、美术学院、体育学院。（2）数据规范化，即将原来的度量值转换为无量纲的值。本研究选取最大—最小规范化，使连续型数据取值范围为[0-1]。（3）特征构造，即利用已知属性，构造新的属性，以便更好地刻画数据的特性，帮助数据挖掘过程。其目的是帮助提高精度和对高维数据结构的理解。但数据集的特征维数并非越高越好，维数太高容易导致维灾难，维数太低又不能有效获取数据集中的重要信息。本研究构造的特征包括学习时间跨度（如公式1）、平均每次在线学习停留时长（如公式2）、重复学习率（如公式3）、讨论交流（讨论交流与学习者的发主帖数量、点击量、被回帖数量以及回帖数量、点击量特征密切相关，且考虑到不同低维特征反映高维特征的重要性不同，为其设置不同的权重，如公式4）、学习笔记（学习笔记与学习者的学习笔记数量、更新量、点击量密切相关，且考虑到不同低维特征反映高维特征的重要性不同，为其设置不同的权重，如公式5）、总成绩（总成绩由网上作业成绩、实践技能成绩、网上考试成绩、期末笔试成绩构成，如公式6）。（4）数据离散化，决策树要求数据是分类属性，因此需要对数值进行离散化。无监督离散化方法主要有等宽离散化、等频离散化、K均值离散化，K均值性能最好，因此本研究选取K均值离散化方法，结果如表1、表2所示。