在启动学习者个性数据库之后，可以为学习者个别需要调整学习资源，将与用户无关及用户不感兴趣的资源过滤掉，即远程教育的界面自适应性。统计分析技术的应用可以根据用户经常访问的页面来预测学习者进一步的行为，推出其感兴趣的资源，减少学习者等待时间，正如Microsoft office系列的人性化推理预测一样。

个性化学习指导

不同的个体其背景各不相同，如个人的学习能力、兴趣与学习习惯、原有基础、努力程度，都存在巨大的差异。对于每一个用户都有很多属性，我们可以在进入系统平台之前让用户提交测试用户属性信息的一组表单，得到最初的学习类型。但是一些属性却是持续变化的，如学习能力、知识基础、学习历史等。我们可以挖掘用户的使用数据日志分析他的浏览趋势，即一组数据项之后出现另一组数据项，从而形成一组按时间排序的会话，以预测未来的访问模式，这将有助于针对特别用户群安排特定内容，可以解决远程教育中针对各种层次学生进行因材施教的问题。

针对学习者个性特点建立个性化的学习策略库，动态地获取学习者当前学习过程信息，将挖掘处理后的信息反馈在学习界面上，给学习者及时恰当的学习指导。

改进系统性能

对于远程教育机构来说，学习者的满意度和服务质量是关键，系统的安全和稳定性能决定学员们继续下去起着重要的作用。随着远程服务的发展，网上交费等陆续出现，安全性被越来越多的关注，web的使用挖掘提供了网站构架的信息，及用户使用的信息。管理员可以根据站点流量信息，控制web缓存、负载平衡和网络构架等问题。

个性化授导系统构架

远程教育“个性化授导”本质上是学习者个性化服务的过程，以学习者需求为中心，满足需要的过程。包括两个方面，其一是根据学习者特征提供丰富的个性的学习资源服务——“授”；其二是提供学习过程支持服务，即学习指导——“导”。图1是个性化授导的实质：d是不同的学习者通过各种途径使用学习资源，即学习过程。b是系统跟踪学习者学习过程，创建学习者访问模型，创建学习者个性数据库。最后系统根据动态的学习者模型调整系统资源，满足个性化需求，即图中c。图中的a是远程授导最为重要的方面，对学习者的学习过程挖掘之后，反馈给当前学习者适当的学习建议，应用个性化指导策略指导其完成能力的拓展以及个性的发展，将个性化授导实质具体化，把基于web的数据挖掘应用于远程个性化服务之中。

此模型分为几个模块，首先远程教育系统向学习者提供丰富的资源，包括课件库、作业库、答疑库、案例库等。这些资源以知识点为核心进行组织，统称知识库。知识库通过web服务器调度内容知识点给学习者使用学习。

个性库模块 

该系统建立学习者的个性化特征库，其一是保存学习者静态资料，如学习者姓名、ID、密码、性别、昵称、email等，其二是学习者学习者的知识结构、学习风格、学习历史、课业完成情况等动态信息。静态信息一般是不会发生变化的，提供进入系统的入口。动态信息随着学习者学习过程的进行会发生质的改变，在学习开始之前让学习者通过web提交一组自己动态信息的问答表，该问答表包括学习者学习风格类型、知识结构等学习特征的属性值，之后系统会利用数据挖掘模块不断完善其模型特征。

基于web挖掘的模块

该模块从web服务器上获取学习者学习动态信息，一般来说以web的使用挖掘为主。在对服务器的学习者访问日志路径进行补充之后，系统将对数据进行预处理，清除那些与挖掘无关的信息项，识别用户，对事务合理地切片，最后得到的是学生访问信息的原始信息立方体数据库。该数据库数据庞大，需要进一步的模式发现与分析。应用关联规则分析、分类和聚类技术、序列模式等数据挖掘算法处理学生访问立方体数据库，通过可视化等模式分析技术把挖掘结果以学习者可以理解和接受的方式呈现，不断完善补充学习者个性模型，同时通过web服务器反馈给学习者合适的学习策略和学习建议。

Web服务器模块 

学习者通过访问Web服务器获取知识，web挖掘处理后的应用模式作用于web服务器，在知识库中挑选适合于学习者个性的知识，同时为其提供合理的学习策略和学习建议。

最后，学习者通过web服务器访问学习资源，看到的是根据其个性定制的学习环境。

远程教育的个性服务已经成为远程教育提高教育教学质量的一个关键共识问题，本文对基于web的挖掘过程、挖掘的算法、挖掘模式进行了分析基础上，讨论了基于web的数据挖掘在远程教育个性化授导空间的应用的切合点，进而分析了个性化授导实质，之后构建了远程教育个性化授导模型。 

远程教育个性化授导是教育发展的必然要求，本文提出了模型的构建模块，需要进一步从技术角度来细化，在编程层面上实现之。