刘洋，张力生

（重庆邮电大学软件工程学院，重庆 400065）

0 引言

随着教育信息化快速发展，众多高校的课程考试系统数据库中都存储了大量教育数据。为充分利用教育数据资源，辅助教管者决策、教师改进教程以及提高学生学习效率，EDM 应运而生。在EDM 相关研究中，针对学习的主题主要包括智能导学系统［1］和个性化学习［2］，如Zhu 等［3］提出基于知识图的多约束学习路径推荐算法，验证了推荐效果优于学生自组织路径；Shi等［4］设计了多维知识图框架，改善了学习者的学习体验。以上研究针对学习者自身情况出发为学生推荐学习路径，有较大的研究意义，但在推荐后如何让学生明确课程知识的重难点，对课程有着宏观认知方面仍有可提升的空间。相关研究中针对教学的主题则有学生分类、关联挖掘等，如谢娟英等［5］提出密度全局K-means 算法，通过中外教育数据聚类［6］对比分析，将学生分类以因材施教；张甜等［7］基于关联规则［8］通过学生课程成绩挖掘课程间的关联。为克服单方法使用的局限性，研究者也曾使用多种不同方法组合，提高挖掘精确度和可信度。Sunita 等［9］使用K-means 和Apriori 相结合，建立课程智能推荐导学系统，证明课程之间的相互依赖性。以上研究相比统计学分析有着较大改进，但研究对象的粒度相对较大，在分析后将一些有用信息反馈回教学场景也是待解决的问题。

针对当前部分研究存在的研究对象粒度大、单方法使用局限性问题，本文以程序设计课程为研究场景，提出一种基于关联模式挖掘和聚类的课程知识重难点分析方法，用于分析该门课程的重难点知识。……