蔣海鋒

摘要當前我國的職業(yè)教育正面臨大改革，國家把職業(yè)教育提升到與本科同等重要的地位，同時職業(yè)教育也將進行大幅度的擴招，不僅面向中職、高中生，還面向各類社會人員，在師資力量有限、知識技能更新迅速的職業(yè)教育現狀下，要實現高質量的人才培養(yǎng)，需要借助機器學習算法來輔助教師開展教學，通過設計符合機器學習算法的題目，可以有效的減少教師出題的負擔，實現分層的個性化教學效果。本文研究層次聚類算法在學生動態(tài)分組及推薦中的應用，以輔助教師實施補救性教學，并有效緩解學生學習需要及教師精力有限的矛盾。

關鍵詞 層次聚類算法 推薦系統(tǒng) 輔助教學

中圖分類號：G712文獻標識碼：ADOI：10.16400/j.cnki.kjdk.2021.29.012

Application of Hierarchical Clustering Algorithm in Realizing Higher Vocational Teaching Recommendation System

JIANG Haifeng

（Guangdong Polytechnic of Science and Technology， Zhuhai， Guangdong， 519090）

AbstractAt present， China’s vocational education is facing major reforms. The country has promoted vocational education to the same important status as undergraduates. At the same time， vocational education will also undergo a substantialexpansion，notonly forsecondaryvocational and highschoolstudents，butalsoforallkinds ofsocialperson. Under the current situation of vocational education with limited teachers and rapid updating of knowledge and skills， to achieve high-quality talent training， machine-learning algorithms need to be used to assist teachers in teaching. By designing topics that conform to machine learning algorithms， teachers can effectively reduce the number of questions and achieve hierarchical personalized teaching effects. This paper studies the application of hierarchical clustering algorithmin students’dynamicgroupingandrecommendation toassistteachers in implementingremedialteaching，and effectively alleviate the contradiction between students’ needs and teachers’ limited energy.

Keywordshierarchical clustering algorithm； recommended system； assisted teaching

引言

2019年，國家推出《國家職業(yè)教育改革實施方案》，為未來職業(yè)指明了方向，提升了職業(yè)教育的地位。未來職業(yè)教育將覆蓋更廣的人群，包括農村務工人員、退伍軍人、下崗工人、返鄉(xiāng)農民工等，對于基礎知識和認知能力均有較大差異的學生，教師的課題教學將面臨更大的挑戰(zhàn)。大數據和人工智能的發(fā)展，為個性化培養(yǎng)學生提供了技術支持。智能推薦系統(tǒng)，可以動態(tài)跟蹤學生的學習情況，為每個學生智能推送練習題，實現以學生為中心的教學活動。本論文研究一種基于層次聚類算法的智能推薦系統(tǒng)的實現方法，可快速進行學生多層次的分類，為不同分類的學生推薦不同的練習題，實現動態(tài)分類和分組互助學習，有利于提升職業(yè)教育的效率和效果。本文將以H5課程教學為例，研究層次聚類的實現方法和效果。

1層次聚類算法的原理

聚類算法是一種無監(jiān)督的機器學習算法，可根據特征進行自動分類，聚類算法分類中常用的有基于劃分的聚類、基于密度聚類，基于層次聚類等。對于具體應用，聚類算法的選擇取決于數據的類型、聚類的目的。而每一類聚類算法也有多種算法，例如：劃分方法中的k-means聚類算法、層次方法中的凝聚型層次聚類算法、基于模型方法中的神經網絡聚類算法等。

本文研究并應用層次聚類算法來對學生進行動態(tài)分組。層次聚類算法的核心思想是通過對數據集按照層次，把數據劃分到不同層的族，從而形成一個樹形的聚類結構。層次聚類算法可以揭示數據的分層結構，在樹形結構上不同層次進行劃分，可以得到不同粒度的聚類結果。

假設有A、B、C、D、E、F、G共7個學生，通過測試進行層次聚類，一個模擬的結果圖1：

根據不同的層次粒度，可以劃分不同的聚類結果，例如（AF）、（BC）、（DE）、G，如果在實際應用中，太細的粒度不適合，可以進行更高層次的劃分，例如：（AFBC）、（DEG）。

2算法的應用流程

教學是“評估-教育-再評估”的循環(huán)過程，應用算法的基本要求是精心設計測試題目，對學生完成情況自定分析結果，發(fā)現學生的弱點，提出學習能力的建議。然后，改善自己的弱點之后，進行另一個遞進的測試，重新完成分析和推薦過程。

圖2展示了一個通用的教學推薦系統(tǒng)架構。

應用框架的主要過程說明：

教師根據算法要求，編制一定數量的分類測試題目，形成測試庫；學生完成測試庫，收集學生對各個知識點的掌握程度的數據；應用機器學習算法，進行學生的層次聚類，每個類別包含共享相似犯錯特征的學生；根據聚類結果，為不同層次的學生推薦不同的學習內容，為教師提供決策指導。

以上基本應用流程由應用系統(tǒng)自動循環(huán)，直至學生對知識點的掌握程度達到一個預設的閾值。其意義在于分層、分組實施，采用較少量的學習內容實現更高效的全育人。

3算法的應用示例

分層的核心是研究每個學生對各個知識點的掌握程度，因此算法的首要任務是收集學生對知識點的掌握情況，教師首先需要歸納羅列待檢測的n個知識點，編制一定數量的題目，每個題目對應考查若干個知識點，構成題目與知識點的關系對應表。

教師根據對應關系統(tǒng)計表設計一定數量的題目，每個知識點覆蓋的總數應該滿足一個最小值，以降低算法誤判的概率。

系統(tǒng)收集學生的測試結果，測試的結果統(tǒng)計每個學生應用各個知識點的錯誤次數，形成一個學生與知識點錯誤數量統(tǒng)計二維矩陣表。（表2）

本示例中，給出的測試包含18個知識點共70道題目。試驗對象包含不同生源的學生共50人，包括統(tǒng)招生、退伍軍人、社招人員等。在這50名學生中，有25名是實驗組，其余25名是對照組。實驗組按照系統(tǒng)提供的推薦計劃進行補救性自學，對照組則以正常方式進行教學。

對第一輪的測試結果進行從下而上的層次聚類，得到聚類結果并進行模型可視化（模型化采用Ward策略，即讓所有類簇中的方差最小化），得到聚類圖見圖3。

從聚類圖中，教師可以根據實在教學需要，在不同的層級進行學生分組，同一個組的學生具有相似的犯錯特征，通過對分組進行補救性輔導，可有效提升教學效率和效果。

經過十幾輪補救性教學，同樣對這批學生進行一次測試，測試結果表明，實驗組的學生平均成績有20%的提升，而對照組的平均成績波動不大。

測試結果表明，遵循系統(tǒng)的補救性教學推薦計劃，可以有效提升學生的學習效果，系統(tǒng)的應用不僅能發(fā)現學生的問題和弱點，還能提供補救性建議，為學生規(guī)劃更高效的補習策略。

4總結

基于層次聚類的分類算法，可以快速地基于知識點的掌握情況進行學生分類，從而實現動態(tài)分類與推薦，有助于緩解學生水平參差不齊、職業(yè)教學內容更新迭代快與教師精力有限等矛盾。高職教育中，分組學習是很有效的一種課堂教學方法，層次聚集的結果與該方法吻合，實現了動態(tài)分組學習，有利于快速提升學生的整體水平。但是基于多輸入特征、更細粒度的個性化學習及基于時序的動態(tài)跟蹤，需要我們進一步融合多種機器學習算法，共同構建多應用目標的智能推薦系統(tǒng)，進一步發(fā)揮大數據和機器學習算法在智能輔助教學方面的優(yōu)勢。

基金項目：廣東科學技術職業(yè)學院校級科研項目“SOM聚類算法在智能教學系統(tǒng)中的研究與應用實施”（項目編號：XJJS202106）；廣東科學技術職業(yè)學院校級教改項目“媒體融合視域下高職網絡新聞與傳播專業(yè)人才培養(yǎng)模式的研究與實踐”（項目編號：JG202102）

參考文獻

[1]席運江，杜蝶蝶，廖曉，等.基于超網絡的企業(yè)微博用戶聚類研究及特征分析[J].數據分析與知識發(fā)現，2020（08）.

[2]張海濤，唐詩曼，魏明珠，等.多維度屬性加權分析的微博用戶聚類研究[J].圖書情報工作，2018（24）.

[3]陳娟，吳卓青，鄧勝利.基于層次聚類法的“知乎”用戶細分與行為分析[J].情報理論與實踐，2018（07）.

[4]張琳，謝忠紅.基于聚類的微博用戶類型與影響力研究[J].情報科學，2016（08）.

[5]楚志凱.智能推薦系統(tǒng)在網絡學習空間中的應用[J].福建電腦， 2020，36（07）：120-121.