教育數(shù)據(jù)挖掘：大數(shù)據(jù)時(shí)代的教育變革*

陳雯雯，夏一超

（1.華南理工大學(xué) 發(fā)展規(guī)劃處，廣東 廣州510641；2.華南理工大學(xué) 公共管理學(xué)院，廣東 廣州510641）

教育數(shù)據(jù)挖掘：大數(shù)據(jù)時(shí)代的教育變革*

陳雯雯1，夏一超2

（1.華南理工大學(xué) 發(fā)展規(guī)劃處，廣東 廣州510641；2.華南理工大學(xué) 公共管理學(xué)院，廣東 廣州510641）

大數(shù)據(jù)開啟了教育領(lǐng)域本質(zhì)上的變化和發(fā)展，一個(gè)大規(guī)模的生產(chǎn)、分享和應(yīng)用教育數(shù)據(jù)的時(shí)代正在開啟，而發(fā)掘數(shù)據(jù)價(jià)值、征服龐大教育數(shù)據(jù)的“武器”就是教育數(shù)據(jù)挖掘。本文通過文獻(xiàn)分析法，對國內(nèi)外文獻(xiàn)進(jìn)行分析和綜述，首先對EDM進(jìn)行概念界定和歷史溯源，比較EDM相關(guān)概念的區(qū)別和聯(lián)系，針對EDM作為大數(shù)據(jù)時(shí)代下的新技術(shù)，對其研究、發(fā)展和應(yīng)用等方面進(jìn)行了較系統(tǒng)的闡釋，最后總結(jié)了EDM目前面臨的挑戰(zhàn)和展望，以期對EDM進(jìn)行全方位的闡述和梳理，并促進(jìn)該領(lǐng)域在中國的深入研究。

教育數(shù)據(jù)挖掘；學(xué)習(xí)分析；大數(shù)據(jù)

一、前言

隨著大數(shù)據(jù)時(shí)代的到來，教育數(shù)據(jù)正如漂浮在海洋中的冰，第一眼只能看到冰山一角，絕大部分都隱藏在表面之下。[1]而發(fā)掘教育數(shù)據(jù)價(jià)值、征服教育數(shù)據(jù)海洋的“動力”就是教育數(shù)據(jù)挖掘 (Education Data Mining, EDM)。EDM最初應(yīng)用于智能導(dǎo)學(xué)系統(tǒng)（ITS）和教育人工智能（AIED）研究領(lǐng)域，這些技術(shù)的深入應(yīng)用也帶來教育數(shù)據(jù)爆炸式膨脹。日益增長的教學(xué)軟件中儲存著巨大的學(xué)生數(shù)據(jù)，互聯(lián)網(wǎng)教學(xué)E-learning等網(wǎng)絡(luò)教育學(xué)習(xí)行為更是呈現(xiàn)出極具增長的數(shù)據(jù)流趨勢。[2]這些數(shù)據(jù)集過大、難以被傳統(tǒng)數(shù)據(jù)庫軟件工具捕捉、儲存、管理和分析的教育類大數(shù)據(jù)，目前已成為困擾教育機(jī)構(gòu)的一大難題，研究們逐漸開始關(guān)注這些教育數(shù)據(jù)的潛在價(jià)值。教育數(shù)據(jù)挖掘用統(tǒng)計(jì)、機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘等方法來解決這些教育領(lǐng)域的問題，從而對更好的理解學(xué)生學(xué)習(xí)和提高教育管理決策的質(zhì)量。[3]

2012年3月，在教育部正式頒布的《教育信息化十年發(fā)展規(guī)劃（2011-2020年）》[4]中提出，促進(jìn)教育管理科學(xué)決策就要“大力推行教育信息化”，而這種科學(xué)的決策來源于教育信息化與教育管理的深度結(jié)合。而教育數(shù)據(jù)挖掘則是促進(jìn)這種結(jié)合的有效手段。與此同時(shí)，“智慧教育”也將改變學(xué)習(xí)和教育方式，促進(jìn)傳統(tǒng)教育向智慧教育的轉(zhuǎn)變，使得教育變得更靈活和個(gè)性化。以教育數(shù)據(jù)挖掘?yàn)榛?，深度挖掘?qū)W生的各方面情況數(shù)據(jù)，“智慧教育”也需要教育數(shù)據(jù)挖掘的發(fā)展作為支撐加快，從而加快教育管理系統(tǒng)信息系統(tǒng)和智能學(xué)習(xí)平臺建設(shè)。

國外的研究與國內(nèi)相比，對于教育數(shù)據(jù)挖掘有著更為廣泛、成熟的應(yīng)用。雖然2005年在國際會議上首次提出“教育數(shù)據(jù)挖掘”這一概念，但是在不到十年的發(fā)展過程中，教育數(shù)據(jù)挖掘相關(guān)應(yīng)用已經(jīng)越來越受到學(xué)界的關(guān)注。本文嘗試用文獻(xiàn)分析方法對教育數(shù)據(jù)挖掘進(jìn)行綜述和梳理。國外文獻(xiàn)分析主要有四個(gè)文獻(xiàn)來源：一是利用筆者在中山大學(xué)圖書館檢索系統(tǒng)（http://library.sysu.edu. cn/web/guest/index）以“EDM（教育數(shù)據(jù)挖掘）”、“Educational Data Mining”、“學(xué)習(xí)分析（Learning Analysis，LA）”、“知識發(fā)現(xiàn)（knowledge Discovery in Database,KDD）”等相近關(guān)鍵詞對論文、圖書、電子書、DVD、以及論文題目、圖書題目和雜志題目，進(jìn)行文獻(xiàn)搜索，其中Education Data Mining檢索論文，在Willey Online Library中有4個(gè)搜索結(jié)果，tandfonline.com有3篇文獻(xiàn)，在CSA原劍橋科學(xué)文獻(xiàn)數(shù)據(jù)庫中搜到40篇相關(guān)文獻(xiàn)，選擇其中12篇文獻(xiàn)作為研究對象，通過Google學(xué)術(shù)搜索以“教育數(shù)據(jù)挖掘（Education Data Mining）”等關(guān)鍵詞進(jìn)行文獻(xiàn)搜索，在搜索到的上百篇文獻(xiàn)中，根據(jù)引用頻率進(jìn)行篩選。三是對可獲取到的教育數(shù)據(jù)挖掘領(lǐng)域著名國際會議，例如第六屆教育數(shù)據(jù)挖掘國際會議（the 6th International Conference on Educational Data Mining）中的30多篇文獻(xiàn)，國際教育數(shù)據(jù)挖掘?qū)W會（International Educational Data Mining So-ciety）、學(xué)習(xí)分析研究學(xué)會（SoLAR）、教育數(shù)據(jù)挖掘IEEE專責(zé)小組中28篇論文，根據(jù)作者文章引用頻率和領(lǐng)域知名度進(jìn)行篩選。四是根據(jù)每年的國際教育數(shù)據(jù)挖掘研討會（Workshop of Education Data Mining）中論文，根據(jù)引用頻率進(jìn)行選讀和篩選。根據(jù)以上四個(gè)途徑選取的文獻(xiàn)資源，除去相同文獻(xiàn)之外，最終獲得相關(guān)文獻(xiàn)70多篇，其中國內(nèi)相關(guān)文獻(xiàn)主要來源是“中國知網(wǎng)”等學(xué)術(shù)文獻(xiàn)庫中的相關(guān)文獻(xiàn)。

二、數(shù)據(jù)挖掘與教育數(shù)據(jù)挖掘

1.什么是數(shù)據(jù)挖掘與教育數(shù)據(jù)挖掘

數(shù)據(jù)挖掘是通過仔細(xì)分析大量數(shù)據(jù)來揭示有意義的新的關(guān)系、趨勢和模式的過程。主要應(yīng)用于銀行、電信、交通、零售（如超級市場）等商業(yè)領(lǐng)域，而用在 elearning方面還是處于起步階段。數(shù)據(jù)挖掘是一門交叉性學(xué)科，融合了人工智能、數(shù)據(jù)庫技術(shù)、模式識別、機(jī)器學(xué)習(xí)、統(tǒng)計(jì)學(xué)和數(shù)據(jù)可視化等多個(gè)領(lǐng)域的理論和技術(shù)。由于數(shù)據(jù)挖掘是數(shù)據(jù)庫中知識發(fā)現(xiàn)的核心步驟，發(fā)現(xiàn)了隱藏的模式，所以從模式處理的角度，許多人認(rèn)為兩者是等同的。[5]

目前，學(xué)術(shù)界對于教育數(shù)據(jù)挖掘的定義并未有統(tǒng)一的描述，比較常用的幾個(gè)定義分別來自于教育數(shù)據(jù)挖掘網(wǎng)站（http://www.educationaldatamining.org）是這樣定義教育數(shù)據(jù)挖掘的，“教育數(shù)據(jù)挖掘是應(yīng)用數(shù)據(jù)挖掘方法從教育系統(tǒng)中的數(shù)據(jù)提取出有用的信息，從而更好地理解學(xué)生及其學(xué)習(xí)系統(tǒng)的新興學(xué)科?！边@一版本的定義成為之后學(xué)者廣泛討論的基礎(chǔ)，引發(fā)學(xué)術(shù)界對教育數(shù)據(jù)挖掘的探討和深究。Luan認(rèn)為教育數(shù)據(jù)挖掘應(yīng)該是從構(gòu)建數(shù)據(jù)的模型、任務(wù)、方法和算法來探索教育環(huán)境中的數(shù)據(jù)信息。[6]Baker和Yacef認(rèn)為教育數(shù)據(jù)挖掘是分析教育系統(tǒng)中的數(shù)據(jù)并且解決教育研究問題的一門新興學(xué)科。[7]2011年出版的《教育數(shù)據(jù)挖掘手冊》上是這樣描述，“教育數(shù)據(jù)挖掘是開發(fā)、研究和應(yīng)用計(jì)算機(jī)方法來對傳統(tǒng)教育環(huán)境中的大量數(shù)據(jù)進(jìn)行分析和監(jiān)測，而數(shù)據(jù)的容量之大是其他方式很難或者基本上無法進(jìn)行的。”[8]教育數(shù)據(jù)挖掘從各種支持學(xué)習(xí)或者教育的信息系統(tǒng)中提取出有用的信息，這些數(shù)據(jù)并不是來源少數(shù)學(xué)生或者某一個(gè)教育系統(tǒng)，而是包括所有參與的學(xué)生、管理數(shù)據(jù)、人口統(tǒng)計(jì)數(shù)據(jù)（例如，性別、年齡、年級）、學(xué)生的情感（例如，動機(jī)、情緒）等等。因此，在教育大數(shù)據(jù)的背景下，我們分析更多的數(shù)據(jù)，有時(shí)候甚至可以處理某個(gè)特別現(xiàn)象的所有數(shù)據(jù)傳統(tǒng)的教育數(shù)據(jù)挖掘。

2.教育數(shù)據(jù)挖掘溯源

教育數(shù)據(jù)挖掘是伴隨著數(shù)據(jù)挖掘和教育系統(tǒng)的發(fā)展而逐漸形成的研究領(lǐng)域。在傳統(tǒng)教育系統(tǒng)的數(shù)據(jù)挖掘應(yīng)用中，尤其是網(wǎng)絡(luò)課程，著名的是學(xué)習(xí)內(nèi)容管理系統(tǒng)和應(yīng)用智能網(wǎng)絡(luò)教育系統(tǒng)。每一個(gè)系統(tǒng)都會有各自的數(shù)據(jù)源和知識發(fā)現(xiàn)的對象。在處理每一種可利用的數(shù)據(jù)過程中，通常會應(yīng)用統(tǒng)計(jì)、可視化、聚類、分類、離群點(diǎn)檢測等數(shù)據(jù)挖掘的技術(shù)，大量技術(shù)的成功應(yīng)用使教育數(shù)據(jù)挖掘逐漸成為一門成熟的學(xué)科領(lǐng)域。在過去的十年間，教育系統(tǒng)中最重要的創(chuàng)新點(diǎn)在于新技術(shù)的引進(jìn)。

教育數(shù)據(jù)挖掘是在多種數(shù)據(jù)挖掘和分析技術(shù)的基礎(chǔ)上發(fā)展而來的新興應(yīng)用。教育數(shù)據(jù)挖掘是一個(gè)交叉學(xué)科領(lǐng)域，包括信息檢索、推薦系統(tǒng)，可視化數(shù)據(jù)分析，領(lǐng)域驅(qū)動數(shù)據(jù)挖掘、社交網(wǎng)絡(luò)分析（SNA）、教育心理學(xué)，認(rèn)知心理學(xué)，心理測量學(xué)等學(xué)科知識。其中主要包括教育學(xué)、統(tǒng)計(jì)學(xué)和計(jì)算機(jī)科學(xué)，這三個(gè)領(lǐng)域的相互作用同樣也形成了其他子領(lǐng)域與教育數(shù)據(jù)相關(guān)的計(jì)算機(jī)教育。數(shù)據(jù)挖掘、及其學(xué)習(xí)和學(xué)習(xí)分析。

3.教育數(shù)據(jù)挖掘相關(guān)概念的界定

（1）教育數(shù)據(jù)挖掘與學(xué)習(xí)分析

教育數(shù)據(jù)挖掘就是將數(shù)據(jù)挖掘應(yīng)用到教育領(lǐng)域，通過跨學(xué)科領(lǐng)域的研究更好地了解學(xué)生學(xué)習(xí)和教育的結(jié)果，從而對教育現(xiàn)象做出科學(xué)的解釋。從溯源教育數(shù)據(jù)挖掘可以看出，雖然教育數(shù)據(jù)挖掘涉及到多種不同領(lǐng)域的技術(shù)，但是目前與之相近的在教育領(lǐng)域中的技術(shù)主要有學(xué)習(xí)分析。所有之前提到的學(xué)科領(lǐng)域，與教育數(shù)據(jù)挖掘關(guān)系最緊密的是學(xué)習(xí)分析，也叫做學(xué)術(shù)分析。[9]學(xué)習(xí)分析主要用于數(shù)據(jù)驅(qū)動的決策制定和社會/教育相關(guān)的學(xué)習(xí)分析。然而，盡管教育數(shù)據(jù)挖掘在數(shù)據(jù)上是一個(gè)新的框架，發(fā)現(xiàn)新的算法或者模型，學(xué)習(xí)分析用于結(jié)構(gòu)系統(tǒng)的預(yù)測模型。事實(shí)上，學(xué)習(xí)分析定義為測量、收集、分析和包括學(xué)習(xí)者在內(nèi)的學(xué)習(xí)背景的報(bào)告，為了理解和優(yōu)化學(xué)習(xí)和所發(fā)生的環(huán)境。盡管學(xué)習(xí)分析和教育數(shù)據(jù)挖掘在很多性質(zhì)上具有相同的目標(biāo)和興趣，關(guān)鍵的不同主要從兩方面進(jìn)行辨析[8]：

·重要性：學(xué)習(xí)分析在數(shù)據(jù)和結(jié)果描述上更加重要；然而，教育數(shù)據(jù)挖掘則是描述和比較數(shù)據(jù)挖掘技術(shù)運(yùn)用上更加重要。

·發(fā)現(xiàn)的類型：在學(xué)習(xí)分析中，利用人類的判斷是關(guān)鍵；自動發(fā)現(xiàn)用于完成這項(xiàng)目的工具。在教育數(shù)據(jù)挖掘過程中，自動發(fā)現(xiàn)是關(guān)鍵；利用人類的判斷是用于完成這項(xiàng)目標(biāo)的工具。

（2）教育數(shù)據(jù)挖掘與E-Learning數(shù)據(jù)挖掘

教育數(shù)據(jù)挖掘的應(yīng)用環(huán)境分為傳統(tǒng)教育環(huán)境和計(jì)算機(jī)教育系統(tǒng)。其中傳統(tǒng)的教育系統(tǒng)包括演講、課堂討論、小組練習(xí)、個(gè)人作業(yè)等傳統(tǒng)形式。而基于計(jì)算機(jī)教育系統(tǒng)的教育數(shù)據(jù)挖掘則成為E-Learning數(shù)據(jù)挖掘。ELearning數(shù)據(jù)挖掘指的是一個(gè)將各種E-Learning軟件系統(tǒng)（主要是網(wǎng)絡(luò)教學(xué)平臺）的原始數(shù)據(jù)轉(zhuǎn)換為有用信息的過程，這些有用信息可為教師、學(xué)生、家長、教育研究人員、教育管理人員以及E-Learning軟件系統(tǒng)開發(fā)人員所利用，以實(shí)現(xiàn)對學(xué)生及其所接受教育的更好理解，并可據(jù)此采用更有針對性的管理和教學(xué)優(yōu)化措施。廣義講，E-Learning理解為通過因特網(wǎng)進(jìn)行學(xué)習(xí)與教學(xué)的活動。[10]因此，E-Learning數(shù)據(jù)挖掘是教育數(shù)據(jù)挖掘的一個(gè)方面。

三、教育數(shù)據(jù)挖掘成為教育大數(shù)據(jù)背景下的新動力

教育數(shù)據(jù)挖掘通過發(fā)展、研究和應(yīng)用計(jì)算機(jī)的方法來識別教育規(guī)律，對教育數(shù)據(jù)進(jìn)行大規(guī)模收集。近年來，教育數(shù)據(jù)挖掘在分析發(fā)生在教育環(huán)境中的特定數(shù)據(jù)，解決教育問題方面發(fā)揮著越來越重要的作用。

1.教育數(shù)據(jù)挖掘研究日趨成熟

教育數(shù)據(jù)挖掘正在處于飛速發(fā)展階段。80%以上的教育數(shù)據(jù)挖掘文獻(xiàn)都是在2000年之后發(fā)表。教育數(shù)據(jù)挖掘已經(jīng)擁有成熟的研討會 （Workshop of Educational Data Mining）、國際教育數(shù)據(jù)挖掘年會（the annual International Conference on Educational Data Mining）、期刊（the Journal of Educational Data Mining）和研究手冊（the Handbook of Educational Data Mining）。

最早的一篇教育數(shù)據(jù)挖掘綜述是Romero&Ventura《教育數(shù)據(jù)挖掘：1995年至2005年的調(diào)查》[11]，也是目前為止引用最多的文獻(xiàn)。該綜述首先詳細(xì)說明了教育數(shù)據(jù)挖掘和知識發(fā)現(xiàn)之間的關(guān)系和區(qū)別，并且提到了教育數(shù)據(jù)挖掘應(yīng)用在傳統(tǒng)的教育系統(tǒng)，網(wǎng)絡(luò)課程，學(xué)習(xí)內(nèi)容管理系統(tǒng)和智能教育系統(tǒng)中的案例。作者只是介紹了數(shù)據(jù)挖掘技術(shù)在教育領(lǐng)域的初步運(yùn)用，并且大部分是在介紹數(shù)據(jù)挖掘的技術(shù)和方法，例如統(tǒng)計(jì)和可視化，聚類，分類和離群點(diǎn)檢測；關(guān)聯(lián)規(guī)則和挖掘模式，以及文本挖掘等，而教育數(shù)據(jù)挖掘現(xiàn)階段的應(yīng)用遠(yuǎn)遠(yuǎn)不止這些。Baker和Yacef《教育數(shù)據(jù)挖掘的現(xiàn)狀：綜述和未來展望（2009）》[12]從理論上對比了早期和現(xiàn)階段教育數(shù)據(jù)挖掘工作，分析教育數(shù)據(jù)挖掘的發(fā)展趨勢。關(guān)于教育數(shù)據(jù)挖掘方法分類上，學(xué)界大部分是根據(jù)Baker的觀點(diǎn)分為預(yù)測、聚類、關(guān)系挖掘等，作者認(rèn)為應(yīng)該在此增加人工判斷和模型發(fā)現(xiàn)，因?yàn)槟Ｐ桶l(fā)現(xiàn)越來越學(xué)界的歡迎，并且該方法對學(xué)生學(xué)習(xí)產(chǎn)生了更好的效果。

雖然這兩項(xiàng)綜述的主題為“教育數(shù)據(jù)挖掘”，但是從內(nèi)容來看，大部分已有研究的挖掘?qū)ο笫荅-Learning系統(tǒng)產(chǎn)生的數(shù)據(jù)，對于傳統(tǒng)課堂的數(shù)據(jù)挖掘占少數(shù)。

表1 教育數(shù)據(jù)挖掘相關(guān)的刊物

現(xiàn)階段只有兩本關(guān)于EDM書已經(jīng)出版。第一本是《E-Learning的數(shù)據(jù)挖掘》[13]，有17章，主要內(nèi)容是在網(wǎng)絡(luò)環(huán)境下的教育數(shù)據(jù)挖掘。第二本是《教育數(shù)據(jù)挖掘手冊》，有36章，面向不同的教育環(huán)境（educational settings）類型。[14]

表2 教育數(shù)據(jù)挖掘文獻(xiàn)引用次數(shù)最多的十篇論文

最后提到了最近日益增長的對于教育數(shù)據(jù)挖掘的興趣。圖2表明引用EDM是增長很快的，在一個(gè)免費(fèi)的數(shù)據(jù)庫網(wǎng)絡(luò)中，例如Google Scholar和基于描述的工具例如 SciVerse Scopus，當(dāng)搜索“教育數(shù)據(jù)挖掘”（Education Data Mining）時(shí)候，從2004年到2011年的數(shù)據(jù)變化。如圖所示，兩個(gè)數(shù)據(jù)都是成指數(shù)增長的，表明對這個(gè)話題的興趣越來越高了，最近兩年的SciVerse Scopus引用數(shù)據(jù)都是高于Google Scholar的。

圖1 SciVerse Scopus和Google Scholar中“教育數(shù)據(jù)挖掘（EDM）”相關(guān)文獻(xiàn)數(shù)量對比

圖2 教育數(shù)據(jù)挖掘和學(xué)習(xí)分析在中國知網(wǎng)數(shù)據(jù)庫文獻(xiàn)數(shù)量

但是目前，國內(nèi)學(xué)術(shù)界對于教育數(shù)據(jù)挖掘的研究并不多，使用“教育數(shù)據(jù)挖掘”作為關(guān)鍵詞在中國知網(wǎng)上進(jìn)行檢索，僅得到文獻(xiàn)6篇，分別來自中國學(xué)術(shù)期刊網(wǎng)絡(luò)出版總庫（5篇）和會議（1篇）。按照與教育數(shù)據(jù)挖掘相近的關(guān)鍵詞“學(xué)習(xí)分析”來看國內(nèi)教育數(shù)據(jù)挖掘的研究趨勢。可以看出，教育數(shù)據(jù)挖掘和學(xué)習(xí)分析的研究比較少，但是2013年開始就逐漸增多?？傮w來看，我國學(xué)術(shù)界對于教育數(shù)據(jù)挖掘的研究還處于起步階段，相關(guān)研究有待進(jìn)一步開展和深入。

對國內(nèi)外教育數(shù)據(jù)挖掘的文獻(xiàn)主題可以看出，目前國際上教育數(shù)據(jù)挖掘的研究方向主要集中于學(xué)生模型的構(gòu)建（學(xué)生行為模型、學(xué)生表現(xiàn)模型）方面；而國內(nèi)的研究還處于初級階段。教育數(shù)據(jù)挖掘的研究可能聚焦在如下幾個(gè)領(lǐng)域：①教育數(shù)據(jù)挖掘的功能，主要針對于教育數(shù)據(jù)挖掘的目的和應(yīng)用目標(biāo)，因此其工作重要主要是研究、開發(fā)和應(yīng)用某一方面類似的、合作性質(zhì)的工作方式；②學(xué)生模型分析，主要面向小組活動、學(xué)術(shù)成就分析、資源的利用率、學(xué)生成功因子分析、專注度、學(xué)生思維情況、領(lǐng)域知識等方面；③評估分析，將向應(yīng)用測試、自我評估、動力提升和合作評價(jià)等方面發(fā)展；④學(xué)生支持和反饋，更多的研究將會關(guān)注學(xué)生的情緒反饋，競爭性刺激、決策支持、文本挖掘、網(wǎng)絡(luò)挖掘和社會網(wǎng)絡(luò)交互影響等方面。

2.教育數(shù)據(jù)挖掘的利益相關(guān)者

（1）教育數(shù)據(jù)挖掘利用相關(guān)者組譜

利益相關(guān)者（stakeholder）是一個(gè)實(shí)體（人、組織等），與教育數(shù)據(jù)挖掘存在著一定的利益關(guān)系。利益相關(guān)者可以認(rèn)為是教育數(shù)據(jù)挖掘過程中的受益者，也可以認(rèn)為是教育數(shù)據(jù)挖掘的實(shí)施主體、面向用戶等。

Romero和Ventura認(rèn)為，教育數(shù)據(jù)挖掘包括不同類型的用戶或者參與者。不同的團(tuán)體從不同的角度看到教育信息。根據(jù)他們的任務(wù)、視角和使用數(shù)據(jù)挖掘的目的不同。例如，通過教育數(shù)據(jù)挖掘算法而發(fā)現(xiàn)的知識不僅能夠幫助教師管理班級，理解學(xué)生學(xué)習(xí)的過程，反應(yīng)他們的教學(xué)方法是否正確，也能夠根據(jù)學(xué)生對于環(huán)境做出反應(yīng)和反饋。[15]盡管從內(nèi)部使用者來看包括教師和學(xué)習(xí)者這兩個(gè)群體，但是，實(shí)際上也包括很多的對象。①學(xué)習(xí)者；②教師；③網(wǎng)絡(luò)課程研發(fā)人員；④教育機(jī)構(gòu)（大學(xué)、培訓(xùn)公司）；⑤行政人員（學(xué)校區(qū)域行政人員、網(wǎng)絡(luò)管理人員、系統(tǒng)管理人員）。他們使用數(shù)據(jù)挖掘的目的如表3所示。

表3 教育數(shù)據(jù)挖掘的利益相關(guān)者

3.教育數(shù)據(jù)挖掘的技術(shù)策略

（1）教育數(shù)據(jù)挖掘技術(shù)手段

教育數(shù)據(jù)挖掘的方法有很多，其中很多方法在數(shù)據(jù)挖掘領(lǐng)域已經(jīng)有很成熟的應(yīng)用。例如，預(yù)測、聚類、離群點(diǎn)檢測、關(guān)系挖掘，過程挖掘，文本挖掘等。另外一方面就是專門針對教育數(shù)據(jù)挖掘而采用的技術(shù)手段，例如提煉人類判斷的數(shù)據(jù)，模型發(fā)現(xiàn)，知識跟蹤、非負(fù)矩陣分解等。

A.預(yù)測。預(yù)測的目的就是為了推斷出目標(biāo)屬性獲知數(shù)據(jù)的一個(gè)方面（預(yù)測變量）或者從數(shù)據(jù)的其他幾個(gè)方面的結(jié)合（預(yù)測性的變量）。預(yù)測方法的類型主要是分類（被預(yù)測變量是分類變量），回歸（當(dāng)被預(yù)測變量是持續(xù)性變量）或者密度估計(jì) （當(dāng)被預(yù)測變量是概率密度函數(shù)）。在教育數(shù)據(jù)挖掘中，預(yù)測編寫已經(jīng)成為預(yù)測學(xué)生表現(xiàn)[16]和監(jiān)測學(xué)生的行為[17]。

B.聚類。聚類就為了將某些方面具有相似性的小組聚集為一類。通常，這種例子測量方法就是為了覺得這些實(shí)例的相似度。一旦決定了簇，新的例子將會被分為最相似的簇。在教育數(shù)據(jù)挖掘中，聚類通常用于將相似的課程材料進(jìn)行分組或者基于他們的學(xué)習(xí)和交流模式來分組。[18]

C.離群點(diǎn)檢測。離群點(diǎn)檢測的目的是發(fā)現(xiàn)數(shù)據(jù)顯著不同于其他的數(shù)據(jù)。一個(gè)離群點(diǎn)就是不同的觀察（或者測量），數(shù)據(jù)通常和其他的點(diǎn)很不同或者很小。在教育數(shù)據(jù)挖掘中，離群點(diǎn)通常會用于檢測學(xué)習(xí)困難的學(xué)生，學(xué)習(xí)者或者教育行為，表現(xiàn)的偏差，檢測不規(guī)則的學(xué)習(xí)過程。[19]

D.關(guān)系挖掘。關(guān)系挖掘就是堅(jiān)定變量和常量之間的關(guān)系并且用新的規(guī)則去在編碼以便以后能夠繼續(xù)使用。挖掘的技術(shù)不同類型的關(guān)系，例如association rule mining（在變量之間）、關(guān)聯(lián)挖掘、序列框架挖掘（變量之間的暫時(shí)結(jié)合）、偶然數(shù)據(jù)的挖掘（變量之間的偶然關(guān)系）。教育數(shù)據(jù)挖掘中，關(guān)系挖掘已經(jīng)被用在學(xué)習(xí)行為框架之間關(guān)系的鑒定和學(xué)生學(xué)習(xí)困難的對話或者錯(cuò)誤的發(fā)生頻率。[20]

E.社交網(wǎng)絡(luò)分析。社交網(wǎng)絡(luò)是理解和測量準(zhǔn)入網(wǎng)絡(luò)信息之間的關(guān)系。SNA基于網(wǎng)絡(luò)理論的社交關(guān)系來構(gòu)成節(jié)點(diǎn)（代表網(wǎng)絡(luò)之間的個(gè)體因素）和聯(lián)系或者鏈接（代表個(gè)體的關(guān)系，例如友情，親緣關(guān)系，組織地位，性別關(guān)系等等）。在教育數(shù)據(jù)挖掘中，SNA主要用于挖掘解釋和分析結(jié)構(gòu)和合作任務(wù)之間的關(guān)系，相互交流的工具。[21]

F.過程挖掘。過程挖掘就是通過信息系統(tǒng)從過去的日志中提取出與過程相關(guān)的知識來對于整個(gè)過程有一個(gè)可視化的代表的信息。包括三個(gè)子領(lǐng)域：一致性檢測，模型發(fā)現(xiàn)和模型擴(kuò)建。在教育數(shù)據(jù)挖掘過程中，過程挖掘用于從學(xué)生的考試跟蹤中發(fā)現(xiàn)學(xué)生的行為，或者從一系列課程，年級或者每一個(gè)同學(xué)。[22]

G.文本挖掘。文本挖掘也叫做文本數(shù)據(jù)挖掘或者文本分析，從文本中取得高質(zhì)量的信息。檢點(diǎn)的文本挖掘任務(wù)包括文本分類，文本聚類，概念提取，粒度分類，情緒分析，文件總結(jié)和實(shí)體關(guān)系模型。在教育數(shù)據(jù)挖掘工作中，文本挖掘主要用于討論委員會，論壇，聊天，網(wǎng)頁，文件諸如此類的內(nèi)容分析。[23]

H.提煉人類判斷的數(shù)據(jù)。主要使用總結(jié)，可視化，人機(jī)交互界面等智能方法強(qiáng)調(diào)有用信息和決策支持。一方面，從獲得教育數(shù)據(jù)描述性停機(jī)到獲得全球數(shù)據(jù)的特征和總結(jié)，和學(xué)習(xí)者的報(bào)告等方式變得更加容易，另外一方面，信息的可視化和圖表技術(shù)的應(yīng)用對探索和理解大量的教育數(shù)據(jù)一目了然。在教育數(shù)據(jù)挖掘工程中，同樣也是以人工判斷提煉著名就是已經(jīng)用用幫助教師來對學(xué)生的課程表現(xiàn)和使用信息的情況進(jìn)行可視化表現(xiàn)和分析。[24]

I.模型發(fā)現(xiàn)。模型發(fā)現(xiàn)的目的是使用某一現(xiàn)象（例如，使用預(yù)測，聚類，手工知識工程）的有效模型作為另外一種分析，例如預(yù)測或者關(guān)系挖掘的組成部分。[25]這個(gè)在教育數(shù)據(jù)挖掘上是一個(gè)很突出的辦法，也能夠支持學(xué)生行為和學(xué)生特征或者上下文變量之間的關(guān)系鑒定，著用廣泛內(nèi)容的研究問題分析，已經(jīng)心理測量模型架構(gòu)的一體化已經(jīng)應(yīng)用于學(xué)習(xí)模型。[26]

J.知識跟蹤。知識跟蹤（KT）是一種有效評估學(xué)生掌握認(rèn)知導(dǎo)學(xué)系統(tǒng)的技巧。[27]主要應(yīng)用于認(rèn)知模型，將問題解決的項(xiàng)目用需要的技巧，學(xué)生正確或者不正確答案的日志來回到某一技巧所需要的知識。知識跟蹤學(xué)生知識和通過四個(gè)變量來設(shè)置參數(shù)。這個(gè)作為貝葉斯網(wǎng)絡(luò)的一種迭代公式。

K.非負(fù)矩陣分析。非負(fù)矩陣分解NMF是一種新矩陣分解算法，自《Nature》1999年刊登了兩位科學(xué)家D.D. Lee和H.S.Seung有關(guān)非負(fù)矩陣研究的成果后，此分解算法逐漸被人們接受并應(yīng)用到各種領(lǐng)域。NMF的基本思想可以簡單描述為：對于任意給定的一個(gè)非負(fù)矩陣M，NMF算法能夠?qū)ふ业揭粋€(gè)非負(fù)矩陣Q和一個(gè)非負(fù)矩陣S，使得滿足M=QS，從而將一個(gè)非負(fù)的矩陣分解為左右兩個(gè)非負(fù)矩陣的乘積。NMF分解算法相較于傳統(tǒng)的一些算法而言，具有實(shí)現(xiàn)上的簡便性、分解形式和分解結(jié)果上的可解釋性，以及占用存儲空間少等諸多優(yōu)點(diǎn)。通過矩陣分解，一方面將描述問題的矩陣的維數(shù)進(jìn)行削減，另一方面也可以對大量的數(shù)據(jù)進(jìn)行壓縮和概括。有很多NMF算法和不同的解決辦法。NMF構(gòu)成了正數(shù)，同時(shí)也是兩個(gè)較小矩陣的結(jié)果。

M = S t u d e n t1 S t u d e n t2 … … S t u d e n tjI t e m 1 M11 M12 …I t e m 2 M21 ……………I t e m i … MijQ * S S k i l l1 … S k i l lkI t e m1 Q11 Q 1 2 …I t e m2 Q21 …… … …I t e mi … Q i k S t u d e n t1S t u d e n t2 … …S k i l l1 S11 S12 …… S21 …S k i l lk … …

（2）教育數(shù)據(jù)挖掘的應(yīng)用環(huán)境

教育數(shù)據(jù)挖掘的應(yīng)用環(huán)境日趨復(fù)雜，主要分為傳統(tǒng)教育環(huán)境和計(jì)算機(jī)網(wǎng)絡(luò)環(huán)境。每一個(gè)環(huán)境都提供了不同形式的數(shù)據(jù)資源，根據(jù)可利用數(shù)據(jù)的屬性和具體的問題，需要采取不同的方式進(jìn)行處理。

A.傳統(tǒng)教育。傳統(tǒng)教育主要是教師與學(xué)生之間通過面對面的交流，例如演講、課堂討論、小組練習(xí)、個(gè)人作業(yè)等形式。這些環(huán)境下手機(jī)學(xué)生出勤率、分?jǐn)?shù)、課程目標(biāo)和個(gè)人計(jì)劃等數(shù)據(jù)信息。同時(shí)傳統(tǒng)的教育機(jī)構(gòu)也會存儲著形式多樣的資料[28]：傳統(tǒng)數(shù)據(jù)庫（學(xué)生信息、教師信息、班級和課堂安排信息）、在線網(wǎng)絡(luò)信息等。在傳統(tǒng)課堂上一般會通過試卷或者觀察來監(jiān)控學(xué)生的學(xué)習(xí)過程，分析他們的學(xué)習(xí)。[29]

B.計(jì)算機(jī)教育系統(tǒng)。計(jì)算機(jī)系統(tǒng)在商業(yè)領(lǐng)域已經(jīng)有了成熟的應(yīng)用。但是在教育系統(tǒng)中的應(yīng)用還是處于成長期。計(jì)算機(jī)教育系統(tǒng)根據(jù)用戶的研究領(lǐng)域不同，而將不同的風(fēng)格加以融合。該系統(tǒng)根據(jù)確立的目標(biāo)（例如，教材、學(xué)習(xí)、問題解決、管理課件等），應(yīng)用學(xué)習(xí)理論（客觀論、認(rèn)知理論和社會學(xué)理論）來設(shè)置相應(yīng)的功能（例如，個(gè)性化，智能化等），并且運(yùn)用技術(shù)平臺來進(jìn)行教學(xué)實(shí)踐活動，其中智能導(dǎo)學(xué)系統(tǒng)（ITS）完成問題引入、操作和實(shí)驗(yàn)室儀器的管理等任務(wù)。[30]而智能化教育系統(tǒng)（AIWBES）就是將智能應(yīng)用到課程、內(nèi)容、排序、評估和學(xué)習(xí)等方面，以滿足不同的教育目標(biāo)。而其他的計(jì)算機(jī)教育系統(tǒng)將重點(diǎn)放在用戶體驗(yàn)方面，例如學(xué)生模型、評估和教師支持等。

我們認(rèn)為，教育數(shù)據(jù)挖掘系統(tǒng)主要有以下幾種技術(shù)特征：

功能模塊化。單一的教育數(shù)據(jù)挖掘工具已經(jīng)無法滿足“智慧教育”學(xué)習(xí)環(huán)境建構(gòu)中對于教育數(shù)據(jù)挖掘的多樣化要求。教育數(shù)據(jù)挖掘的計(jì)算機(jī)應(yīng)用系統(tǒng)要滿足利益相關(guān)者的各種需求，就需要強(qiáng)調(diào)對多種工具、技術(shù)的模塊化聚合。不同功能和特征的模塊集成為一個(gè)教育數(shù)據(jù)挖掘應(yīng)用系統(tǒng)，模塊內(nèi)高內(nèi)聚，不同模塊間低耦合，針對不同的數(shù)據(jù)源采用統(tǒng)一的模塊進(jìn)行處理和分析。系統(tǒng)內(nèi)的模塊可以有工具集、插件等多種形式。

分析結(jié)果的可視化。教育數(shù)據(jù)挖掘的結(jié)果是面向不同的學(xué)習(xí)者和教學(xué)者，已經(jīng)研究者。這就強(qiáng)調(diào)教育數(shù)據(jù)挖掘的結(jié)果報(bào)告一定要滿足不同人群的需要和理解能力。因此，可視化呈現(xiàn)時(shí)教育數(shù)據(jù)挖掘結(jié)果需求所在。

數(shù)據(jù)多源化。教育數(shù)據(jù)挖掘的應(yīng)用系統(tǒng)已經(jīng)不再局限于各類數(shù)據(jù)化學(xué)習(xí)環(huán)境，如Sakai，Moodle等，而是超越LMS嘗試對多源的教育數(shù)據(jù)進(jìn)行處理。這些數(shù)據(jù)來源可以正式學(xué)習(xí)環(huán)境下的LMS數(shù)據(jù)、機(jī)構(gòu)管理系統(tǒng)數(shù)據(jù)（學(xué)生檔案、學(xué)生基本信息等）、也可以是非正式學(xué)習(xí)環(huán)境下的各種學(xué)習(xí)行為痕跡采集。Ryan S.J.d.Baker在2013年教育數(shù)據(jù)挖掘研究進(jìn)展大會（孟菲斯）提出教育數(shù)據(jù)挖掘的工作正處于一個(gè)復(fù)雜而又不斷變化的世界中。[31]

（3）教育數(shù)據(jù)挖掘的關(guān)鍵性應(yīng)用

教育數(shù)據(jù)的研究者不僅針對教育軟件，計(jì)算機(jī)支持合作學(xué)習(xí)，計(jì)算機(jī)應(yīng)用測試等個(gè)人學(xué)習(xí)的分析，同時(shí)也對學(xué)生失敗或者課程的因素分析。

教育數(shù)據(jù)挖掘應(yīng)用在學(xué)生模型的提高。學(xué)生模型表示學(xué)生特征或者狀態(tài)的信息，例如學(xué)生當(dāng)前的知識，動機(jī)，外在識別和態(tài)度。不同的學(xué)生個(gè)體建模需要軟件來對于個(gè)體的差異進(jìn)行區(qū)別和反應(yīng)，這樣才能夠顯著提高學(xué)生學(xué)習(xí)。教育數(shù)據(jù)挖掘的方法能讓研究者對于重要的相關(guān)的學(xué)生在真正時(shí)間范圍內(nèi)進(jìn)行研究，例如高水平的構(gòu)建而不是之前的可能性。例如，最近幾年，研究者用教育數(shù)據(jù)挖掘的方法來鑒定學(xué)生是否在教育系統(tǒng)中作弊或者很差的自我效益。未完成任務(wù)，或者甚至一個(gè)學(xué)生覺得無聊或者失望。研究者也能夠延伸學(xué)生模型甚至超過教育軟件，目的是計(jì)算出預(yù)測學(xué)生失敗]或者為保留大學(xué)課程的因素。

發(fā)現(xiàn)或者提供領(lǐng)域知識結(jié)構(gòu)的模型 從機(jī)器學(xué)習(xí)文件中將心理學(xué)模型與空間搜索算法結(jié)合，仍然有很多的研究者開發(fā)自動獲取準(zhǔn)確領(lǐng)域結(jié)構(gòu)的模型，直接從數(shù)據(jù)著手。例如，Barnes已經(jīng)開發(fā)了一種能夠自動發(fā)現(xiàn)Q矩陣的算法來分析數(shù)據(jù)[32]，Desmarai已經(jīng)開發(fā)了一個(gè)算法來發(fā)現(xiàn)部分順序知識結(jié)構(gòu)（POKS）模型，解釋領(lǐng)域知識的相互關(guān)系。[33]

第三個(gè)關(guān)鍵應(yīng)用是研究教育支持 （在學(xué)習(xí)軟件，其他領(lǐng)域中，例如合作學(xué)習(xí)行為），面向發(fā)現(xiàn)什么類型的教育支持最有效。不同分組的學(xué)生或者不同情況下的學(xué)生。學(xué)習(xí)教育學(xué)支持最受歡迎的一個(gè)方法就是學(xué)習(xí)分解適合支持。

第四個(gè)關(guān)鍵的應(yīng)用就是教育數(shù)據(jù)挖掘能夠去定義或者擴(kuò)展教育的理論，對于影響學(xué)習(xí)的關(guān)鍵性因素就能夠獲得更為深入的理解，經(jīng)常是用于設(shè)計(jì)一個(gè)更好的學(xué)習(xí)系統(tǒng)。例如，Gong,Rai和Heffernan（2009）調(diào)查了自我理論在學(xué)習(xí)上的影響，研究發(fā)現(xiàn)與學(xué)習(xí)相關(guān)的知識輸入越多，那么就會在學(xué)習(xí)中更少犯錯(cuò)誤，而關(guān)于學(xué)習(xí)本身的影響力也是有限的。[34]Perera使用五大合作理論作為驅(qū)動理論來對于學(xué)生小組成功交流的框架。[35]Madhyastha和Tanimoto評估了一致性和學(xué)生表現(xiàn)之間的關(guān)系，用這個(gè)目的去指導(dǎo)支架式教學(xué)，基于他們的工作對于學(xué)生行為的一致性影響的超前理論。[36]

四、教育數(shù)據(jù)挖掘在大數(shù)據(jù)背景下面臨的挑戰(zhàn)和愿景

國際著名學(xué)術(shù)期刊《自然》和《科學(xué)》分別于2008年和2011年推出大數(shù)據(jù)專欄，在教育領(lǐng)域，哈佛大學(xué)、斯坦福大學(xué)、耶魯大學(xué)等世界知名大學(xué)也啟動了教育大數(shù)據(jù)研究項(xiàng)目。可見，大數(shù)據(jù)時(shí)代已經(jīng)到來，這并將改變教育的傳統(tǒng)形式，在未來具有廣闊的應(yīng)用前景，然而，由于種種限制，部分大數(shù)據(jù)相關(guān)應(yīng)用還處于探索研究階段，筆者認(rèn)為，大數(shù)據(jù)時(shí)代背景下教育數(shù)據(jù)挖掘的全面應(yīng)用主要面臨兩方面的挑戰(zhàn)：

（1）技術(shù)層面的挑戰(zhàn)。大數(shù)據(jù)的應(yīng)用基礎(chǔ)是對海量數(shù)據(jù)的存儲，因而數(shù)據(jù)處理和分析技術(shù)必須跟上信息技術(shù)發(fā)展的步伐，這就包括計(jì)算機(jī)的數(shù)據(jù)處理能力、大型超級計(jì)算機(jī)算法技術(shù)開發(fā)等。其次，教育數(shù)據(jù)挖掘的核心環(huán)節(jié)是數(shù)據(jù)采集和問題分析，應(yīng)用開發(fā)這需要面對的就是采集數(shù)據(jù)技術(shù)和學(xué)習(xí)分析技術(shù)的挑戰(zhàn)。最后，不得不提的是數(shù)據(jù)存儲系統(tǒng)的兼容性問題。目前，還沒有制定教育數(shù)據(jù)的標(biāo)準(zhǔn)形式，沒有統(tǒng)一的數(shù)據(jù)平臺，這就對我們計(jì)算機(jī)兼容性提出了嚴(yán)峻的挑戰(zhàn)。

（2）組織管理的挑戰(zhàn)。眾所周知，大數(shù)據(jù)的最大特點(diǎn)在于其“混雜性”，這種“混雜性”不僅表現(xiàn)在不同國家、地區(qū)和學(xué)校之間數(shù)據(jù)背景的差別，也表現(xiàn)在不同教師和研究人員對數(shù)據(jù)的期望也千差萬別。因此，提升數(shù)據(jù)使用者的綜合素質(zhì)是我們開展數(shù)據(jù)挖掘工作的關(guān)鍵。

我們已經(jīng)進(jìn)入了一個(gè)“數(shù)據(jù)驅(qū)動學(xué)校，分析變革教育”的大數(shù)據(jù)時(shí)代，大數(shù)據(jù)必將改變傳統(tǒng)教育的形式，“數(shù)據(jù)驅(qū)動決策”已經(jīng)成為教育發(fā)展的潮流趨勢。發(fā)達(dá)國家已經(jīng)意識到大數(shù)據(jù)背景下教育的機(jī)遇與挑戰(zhàn)，將大數(shù)據(jù)提升到國家戰(zhàn)略地位，雖然我國教育數(shù)據(jù)挖掘工作還處于起步階段，但是我們相信，只要我們整合現(xiàn)有資源，恰當(dāng)運(yùn)用數(shù)據(jù)挖掘技術(shù)優(yōu)化教育規(guī)劃和管理、提高教育教學(xué)質(zhì)量，這不僅是必要的，也是一定能夠做到的。

[1]Mayer-Sch?nberger V,Cukier K.Big data:A revolution that will transform how we live,work,and think[M].Houghton Mifflin Harcourt,2013.

[2]頁川.大數(shù)據(jù)時(shí)代背景下挖掘教育數(shù)據(jù)的價(jià)值——教育部科學(xué)技術(shù)研究重點(diǎn)項(xiàng)目成果《教育數(shù)據(jù)挖掘:方法與應(yīng)用》出版[J].中國遠(yuǎn)程教育,2013(4):94.

[3]Bala M,Ojha D B.Study of applications of data mining techniques in education[J].International J Res Sci Technol,2012,1:1-10.

[4]中華人民共和國教育部.教育信息化十年發(fā)展規(guī)劃 （2011-2020年）[EB/OL].[2012-03-13].http://www. edu.cn/zong_he_870/20120330/t20120330_760603.shtml.

[5]Han J W,Micheline K.數(shù)據(jù)挖掘概念與技術(shù)[M].范明,孟曉峰譯.北京:機(jī)械工業(yè)出版社,2001.

[6]Luan,Jing."Data mining and its applications in higher education."New directions for institutional research 2002.113(2002):17-36.

[7][25]Baker RSJd,Yacef K.The state of educational data mining in 2009:a review and future visions.J Edu Data Min 2009,3–17.CAS

[8][14]Romero,C.,Ventura,S.,Pechenizkiy,M.,& Baker,R.S.(Eds.).(2011).Handbook of educational data mining.CRC Press.

[9]Siemens,George,and Ryan SJ d Baker."Learning analytics and educational data mining:towards communication and collaboration."Proceedings of the 2nd international conference on learning analytics and knowledge. ACM,2012.

[10]Romero,Cristóbal,Sebastián Ventura,and Enrique García."Data mining in course management systems: Moodle case study and tutorial."Computers&Education 51.1(2008):368-384.

[11]Romero,Cristóbal,and Sebastian Ventura."Educational data mining:A survey from 1995 to 2005."Expert systems with applications 33.1(2007):135-146.

[12]Baker,Ryan SJD,and Kalina Yacef."The state of educational data mining in 2009:A review and future visions."JEDM-Journal of Educational Data Mining 1.1 (2009):3-17.

[13]Romero,C.,and S.Ventura."Data Mining in E-learning(Advances in Management Information)."(2006).

[15]Romero C,Ventura S.Educational data mining:a review of the state of the art[J].Systems,Man,and Cybernetics,Part C:Applications and Reviews,IEEE Transactions on,2010,40(6):601-618.

[16]Romero C,Espejo P,Zafra A,Romero J,Ventura S.Web usage mining for predicting marks of students that use Moodle courses.Comput Appl Eng Edu J.In Press.

[17]BakerRSJd,GowdaSM,CorbettAT.Automatically detecting a student’s preparation for future learning:help useiskey.In:FourthInternationalConferenceonEducational Data Mining.Eindhoven,The Netherlands;2011,179-188.

[18]Vellido A,Castro F,Nebot A.Clustering Educational Data.Handbook of Educational Data Mining.Boca Raton,FL:Chapman and Hall/CRC Press;2011,75-92.

[19]Ueno M.Online outlier detection system for learning time data in e-learning and its evaluation.In:InternationalConferenceon Computersand Advanced Technology in Education.Beijiing,China;2004,248-253.

[20]Merceron A,Yacef K.Measuring correlation of strong symmetric association rules in educational data.In Romero C,Ventura S,Pechenizkiy M,Baker RSJd,eds. Handbook of Educational Data Mining.Boca Raton,FL: CRC Press;2010,245-256.

[21]Rabbany R,Takaffoli M,Za¨?ane O.Analyzing participation of students in online courses using social network analysis techniques.In:International Conference on Educational Data Mining.Eindhoven,The Netherlands; 2011,21-30.

[22]Trˇcka N,Pechenizkiy M,van der Aalst W.Process mining from educational data.Handbook of Educational Data Mining.Boca Raton,FL:CRC Press;2011, 123-142.

[23]Tane J,Schmitz C,Stumme G.Semantic resource management for the web:an e-learning application.In:International Conference of the WWW.New York;2004, 1-10.

[24]Mazza R,Milani C.GISMO:a graphical interactive student monitoring tool for course management systems.In:International Conference on Technology Enhanced Learning.Milan,Italy;2004,1-8.

[26]Bienkowski M,Feng M,Means B.Enhancing teaching and learning through educational data mining and learning analytics:an issue brief.Washington,D.C.:Office of Educational Technology,U.S.Department of Education;2012,1-57.

[27]Corbett A,Anderson J.Knowledge tracing:modeling the acquisition of procedural knowledge.User Model User-Adapted Interact 1995,4:253-278.

Corbett A,Anderson J.Knowledge tracing:modeling the acquisition of procedural knowledge.User Model User-Adapted Interact 1995,4:253-278.

[28]Ma Y,Liu B,Wong C,Yu P,Lee S.Targeting the right students using data mining.In:KDD ‘00:Proceedings Proceedings of the Sixth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.2000,457-464.

[29]student failure at school using genetic programming and different data mining approaches with high dimensional and imbalanced data.Appl Intell.In Press.

[30]Mostow J,Beck J.Some useful tactics to modify, map and mine data from intelligent tutors.J Nat Lang Eng 2006,12:195-208.

[31]San Pedro,Maria Ofelia Z.,et al."Predicting college enrollment from student interaction with an intelligent tutoring system in middle school."Proceedings.

[32]the 6th international conference on educational data mining.2013.Johnson M,Barnes T.EDM visualization tool:watching students learn.In:Third International.

[33]Conference on Educational Data Mining.Pittsburgh,PA;2010,297-298.Desmarais MC.Mapping question items to skills with non-negative matrix factorization. ACM SIGKDD Explor 2011,13:30–36.

[34]Gong,Yue,et al."Does Self-Discipline Impact Students'Knowledge and Learning?."International Working Group on Educational Data Mining(2009).

[35]PERERA,D.,KAY,J.,KOPRINSKA,I.,YACEF, K.and ZAIANE,O.2009.Clustering and sequential pattern mining to support team learning.IEEE Transactions on Knowledge and Data Engineering 21,759-772

[36]MADHYASTHA,T.and TANIMOTO,S.2009. Student Consistency and Implications for Feedback in Online Assessment Systems.In Proceedings of the 2nd International Conference on Educational Data Mining,81-90.

（編輯：王曉明）

TP393

：A

：1673-8454（2017）07-0037-08

2015年度華南理工大學(xué)高等教育研究基金項(xiàng)目“基于教育質(zhì)量指數(shù)的學(xué)科發(fā)展質(zhì)量監(jiān)測評估研究”（gj2015005）；華南理工大學(xué)發(fā)展戰(zhàn)略與學(xué)科建設(shè)研究課題“學(xué)位點(diǎn)合格評估與動態(tài)調(diào)整機(jī)制研究”。