智能時(shí)代高教領(lǐng)域數(shù)據(jù)挖掘與學(xué)習(xí)分析的研究

陳茂 耿江濤 胡翌丹 余雪蓮

【摘? 要】在高等教育領(lǐng)域，數(shù)據(jù)挖掘與分析技術(shù)能夠改善大學(xué)生的學(xué)習(xí)過程和學(xué)習(xí)結(jié)果。隨著人工智能研究的深入，教育數(shù)據(jù)挖掘（EDM）和學(xué)習(xí)分析（LA）技術(shù)在近年也得到了長(zhǎng)足的發(fā)展。這些技術(shù)也直接促進(jìn)了教育領(lǐng)域4項(xiàng)基于計(jì)算機(jī)支持的應(yīng)用研究：學(xué)習(xí)分析、預(yù)測(cè)分析、行為分析和可視化分析。研究表明，特定的EDM和LA技術(shù)可以提供特定應(yīng)用研究的最佳方法。因此人工智能時(shí)代在高等教育中應(yīng)用EDM和LA有助于制定以學(xué)生為中心的策略，并達(dá)到教育教學(xué)持續(xù)改進(jìn)的目的。

【關(guān)鍵詞】教育數(shù)據(jù)挖掘;學(xué)習(xí)分析;數(shù)據(jù)分析;高等教育

引言

隨著人工智能技術(shù)研究的深入，以及互聯(lián)網(wǎng)在教育中的使用，特別是2020年為抗擊新冠疫情，全球都開啟了大規(guī)模在線教學(xué)。這些在線教學(xué)系統(tǒng)一方面為順利開展在線教學(xué)提供了運(yùn)作基礎(chǔ)和各類教學(xué)數(shù)據(jù)，另一方面也創(chuàng)造了大量存儲(chǔ)教育數(shù)據(jù)的大規(guī)模數(shù)據(jù)庫(kù)。這些基于網(wǎng)絡(luò)的教育系統(tǒng)正以指數(shù)級(jí)的速度增長(zhǎng)，也造成以不同的格式和不同的粒度級(jí)別存儲(chǔ)來自多個(gè)來源的大量潛在數(shù)據(jù)。同樣，新型的教育環(huán)境，如混合學(xué)習(xí)（Blend Learning， BL）、虛擬/增強(qiáng)環(huán)境、移動(dòng)/泛在學(xué)習(xí)，特別是游戲?qū)W習(xí)等，也收集了大量關(guān)于學(xué)生學(xué)習(xí)的數(shù)據(jù)。這些系統(tǒng)都產(chǎn)生了大量具有較高教育價(jià)值的信息，但人工分析是不可能的。因此，需要采用人工智能技術(shù)來自動(dòng)分析這類數(shù)據(jù)的工具，因?yàn)樗羞@些信息提供了一個(gè)教育數(shù)據(jù)的金礦，可以探索和利用這些數(shù)據(jù)來了解學(xué)生是如何學(xué)習(xí)的。事實(shí)上，如今高等教育機(jī)構(gòu)面臨的最大挑戰(zhàn)之一就是教育數(shù)據(jù)的指數(shù)級(jí)增長(zhǎng)，以及如何將這些大數(shù)據(jù)轉(zhuǎn)化為有利于學(xué)生、教師和管理者的新知識(shí)。

美國(guó)為了更好地促進(jìn)大數(shù)據(jù)在教育領(lǐng)域的應(yīng)用，集中領(lǐng)域?qū)＜疫M(jìn)行研究，并在2012年由美國(guó)教育部 （U.S. Department of Education）發(fā)布藍(lán)皮書《通過教育數(shù)據(jù)挖掘和學(xué)習(xí)分析促進(jìn)教與學(xué)》 （Enhancing Teaching and Learning through Educational Data Mining and Learning Analytics） ，指出教育領(lǐng)域中大數(shù)據(jù)的應(yīng)用主要有教育數(shù)據(jù)挖掘 （Educational Data Mining， EDM） 和學(xué)習(xí)分析（Learning Analytics， LA） 兩大研究方向，以及與之相應(yīng)的研究目標(biāo)和研究方法。

·教育數(shù)據(jù)挖掘EDM：致力于開發(fā)來自教育環(huán)境的獨(dú)特類型數(shù)據(jù)的方法。也可以定義為將數(shù)據(jù)挖掘（Data Mining， DM）技術(shù)應(yīng)用于教育環(huán)境特定類型的數(shù)據(jù)集，以解決重要的教育問題。

·學(xué)習(xí)分析LA：可定義為測(cè)量、收集、分析和報(bào)告關(guān)于學(xué)習(xí)者及其背景的數(shù)據(jù)，以了解和優(yōu)化學(xué)習(xí)及其發(fā)生的環(huán)境。該定義涉及三個(gè)關(guān)鍵要素：數(shù)據(jù)、分析和行動(dòng)。

這兩種對(duì)教育研究的方向有著顯著的重疊：都關(guān)注教育數(shù)據(jù)，并且都有著強(qiáng)化教育實(shí)踐的共同目標(biāo)。但也存在差異：一方面，LA關(guān)注教育挑戰(zhàn)，EDM關(guān)注技術(shù)挑戰(zhàn)。LA專注于數(shù)據(jù)驅(qū)動(dòng)的決策，并通過應(yīng)用已知的預(yù)測(cè)模型整合學(xué)習(xí)的技術(shù)和社會(huì)/教學(xué)層面。另一方面，EDM通常在數(shù)據(jù)中尋找新的模式并開發(fā)新的算法和模型。

EDM和LA是跨學(xué)科領(lǐng)域，包括但不限于信息檢索、推薦系統(tǒng)、可視化數(shù)據(jù)分析、領(lǐng)域驅(qū)動(dòng)數(shù)據(jù)挖掘、社會(huì)網(wǎng)絡(luò)分析、心理教育學(xué)、認(rèn)知心理學(xué)、心理測(cè)量學(xué)等。事實(shí)上，它們可以由三個(gè)主要領(lǐng)域組成：計(jì)算機(jī)科學(xué)、教育和統(tǒng)計(jì)學(xué)。這三個(gè)領(lǐng)域的交叉也形成了與EDM和LA密切相關(guān)的其他子區(qū)域，如計(jì)算機(jī)教育（Computer Based Education， CBE）、數(shù)據(jù)挖掘DM和機(jī)器學(xué)習(xí)（Machine Learning， ML）以及教育統(tǒng)計(jì)（Educational Statistics， ES）。

1.高教領(lǐng)域EDA/LA技術(shù)

一般來說，現(xiàn)代數(shù)據(jù)挖掘技術(shù)EDA在教育數(shù)據(jù)中尋找新的模式并開發(fā)新的算法或新的模型，而學(xué)習(xí)分析LA在教學(xué)系統(tǒng)中應(yīng)用已知的預(yù)測(cè)模型。通過分析不同的數(shù)據(jù)挖掘技術(shù)在高等教育領(lǐng)域研究中的應(yīng)用，目前EDA/LA在應(yīng)用中主要采用了以下的數(shù)據(jù)挖掘技術(shù)：

分類（26.25%）、聚類（21.25%）、可視化數(shù)據(jù)挖掘（15%）、統(tǒng)計(jì)學(xué)（14.25%）、關(guān)聯(lián)規(guī)則挖掘（14%）、回歸（10.25%）、順序模式挖掘（6.50%）、文本挖掘（4.75%）等。

1.1分類

分類是高等教育中最常用的數(shù)據(jù)挖掘技術(shù)。這是一個(gè)有監(jiān)督的學(xué)習(xí)過程，將數(shù)據(jù)映射到不同的預(yù)定義類中。分類的概念被用于預(yù)測(cè)學(xué)生的表現(xiàn)、成績(jī)、預(yù)測(cè)/防止學(xué)生輟學(xué)掛科、在線課程/在線學(xué)習(xí)中發(fā)現(xiàn)問題學(xué)生的行為。分類主要用于根據(jù)從學(xué)生活動(dòng)中收集的使用模式來確定學(xué)習(xí)管理系統(tǒng)（Learning Management System， LMS）中的行為模式。分類技術(shù)可以通過準(zhǔn)確預(yù)測(cè)學(xué)生在特定課程中的最終成績(jī)，幫助提高高等教育系統(tǒng)的質(zhì)量。這包括：①檢查參與程度，以防止學(xué)生從在線學(xué)習(xí)課程中退學(xué);②評(píng)估學(xué)生對(duì)學(xué)習(xí)活動(dòng)的參與程度;③持續(xù)評(píng)估學(xué)生的學(xué)習(xí)表現(xiàn);④識(shí)別學(xué)習(xí)動(dòng)機(jī)弱的學(xué)生;⑤確定學(xué)生是否會(huì)完成作業(yè);以及⑥評(píng)估學(xué)生與在線學(xué)習(xí)資源的互動(dòng)。

此外，分類還用于提高學(xué)習(xí)過程的效率和有效性，并為高等教育系統(tǒng)提供一些指導(dǎo)方針，從而改進(jìn)整個(gè)決策過程?；诖?，分類的使用將使決策者能夠更靈活地評(píng)估一組學(xué)生的表現(xiàn)和行為，從而確定他們的特定知識(shí)或能力不適合該任務(wù)，小組中的個(gè)別成員在學(xué)習(xí)任務(wù)中的表現(xiàn)如何。因此，該技術(shù)可以有效地為學(xué)生提供以學(xué)業(yè)支持為形式的早期干預(yù)措施，特別是激勵(lì)那些在特定活動(dòng)或課堂上表現(xiàn)不佳的學(xué)生，并準(zhǔn)確地測(cè)量積極和消極的反應(yīng)，從而形成分類模型的效率。

1.2聚類

聚類是對(duì)相似類對(duì)象的識(shí)別或分組。它的目的是篩選大數(shù)據(jù)集，以便以新的關(guān)系、模式或集群的形式建立有用的推論，以供決策使用。在高等教育中使用聚類主要是為了支持學(xué)生在不同學(xué)習(xí)情境下的互動(dòng)，向相似的用戶推薦活動(dòng)和資源，根據(jù)所訪問頁面的內(nèi)容及其遍歷路徑模式（技能和知識(shí)），找到具有相似學(xué)習(xí)特征的學(xué)生群體，考察學(xué)生在學(xué)習(xí)過程中的成就和參與度。這些活動(dòng)可以幫助教育決策者在早期階段識(shí)別潛在的輟學(xué)者，并解決將新生誤分配到他們不感興趣的課程上的問題。此外，聚類可以使教育工作者從學(xué)習(xí)管理系統(tǒng)LMS日志中預(yù)測(cè)學(xué)生的學(xué)習(xí)結(jié)果，識(shí)別不受歡迎的學(xué)生行為，并通過監(jiān)控學(xué)生之間的集體互動(dòng)，來支持教師在合作學(xué)習(xí)模式中，以評(píng)估學(xué)生的表現(xiàn)。聚類技術(shù)還用于支持學(xué)生獲得各種科學(xué)技能，發(fā)現(xiàn)在線教學(xué)Moodle（Modular Object-Oriented Dynamic Learning Environment）系統(tǒng)中的共同學(xué)習(xí)路線，并了解學(xué)生個(gè)體之間的協(xié)作探究過程?？傊?，在高等教育中，根據(jù)學(xué)生的學(xué)習(xí)特點(diǎn)、個(gè)人的學(xué)習(xí)風(fēng)格偏好、學(xué)習(xí)成績(jī)和行為互動(dòng)，聚類仍然是一種有效的分組方法。它還可以用來探索協(xié)作學(xué)習(xí)模式，提高在學(xué)率，從而使學(xué)校能夠在早期識(shí)別出存在學(xué)習(xí)風(fēng)險(xiǎn)學(xué)生。

1.3可視化數(shù)據(jù)挖掘

可視化數(shù)據(jù)挖掘?qū)鹘y(tǒng)的數(shù)據(jù)挖掘方法與數(shù)據(jù)可視化工具相結(jié)合，以可視化方式展現(xiàn)模式[。通常用于探索性數(shù)據(jù)分析。在高等教育中，圖形化的視覺數(shù)據(jù)挖掘減少了從在線教育系統(tǒng)收集的復(fù)雜和多維的學(xué)生跟蹤數(shù)據(jù)，這將幫助教師有效地分析學(xué)習(xí)過程的不同方面。目前已經(jīng)使用視覺挖掘技術(shù)來促進(jìn)對(duì)學(xué)生學(xué)習(xí)活動(dòng)的監(jiān)控，并評(píng)估他們?cè)谂c學(xué)習(xí)系統(tǒng)交互過程中的行為、參與和表現(xiàn)。視覺數(shù)據(jù)挖掘也被應(yīng)用于高等教育，以幫助教師（參與在線學(xué)習(xí)）了解學(xué)生如何在學(xué)習(xí)管理系統(tǒng)LMS環(huán)境中工作，并發(fā)現(xiàn)學(xué)生在學(xué)習(xí)活動(dòng)中的行為和參與度。此外，視覺數(shù)據(jù)挖掘可以幫助教師獲得關(guān)于學(xué)生學(xué)習(xí)的進(jìn)一步反饋，以評(píng)估學(xué)習(xí)任務(wù)和所提供教學(xué)資源的復(fù)雜性。應(yīng)用可視化數(shù)據(jù)挖掘還可以繪制學(xué)習(xí)者對(duì)課程材料的在線參與度，教師可以操縱學(xué)生活動(dòng)的圖形化表示，這使教師能更好地了解遠(yuǎn)程課堂上正在發(fā)生的事情及底層邏輯。視覺數(shù)據(jù)挖掘技術(shù)可以用來呈現(xiàn)不同的教育數(shù)據(jù)，通過圖表，教師和教育決策者能夠探索和深入了解學(xué)生的表現(xiàn)，從而提供適當(dāng)?shù)闹С帧?/p>

1.4統(tǒng)計(jì)

統(tǒng)計(jì)學(xué)是一種數(shù)學(xué)方法，側(cè)重于使用統(tǒng)計(jì)軟件收集、分析、解釋和呈現(xiàn)數(shù)據(jù)。它可以根據(jù)使用模式（包括訪問頻率、獲取學(xué)習(xí)材料和參與討論論壇）評(píng)估對(duì)指導(dǎo)學(xué)習(xí)策略開發(fā)至關(guān)重要的相關(guān)學(xué)習(xí)行為，幫助教師了解如何使用web服務(wù)器日志信息進(jìn)行形成性評(píng)價(jià)。教師可以使用這些技巧來了解學(xué)生參與在線活動(dòng)與學(xué)習(xí)成果之間的聯(lián)系。

統(tǒng)計(jì)技術(shù)在高等教育中的應(yīng)用廣泛地與以下預(yù)測(cè)相關(guān)：①學(xué)生學(xué)習(xí)成效;②自主學(xué)習(xí)和在線課程成績(jī);③學(xué)生動(dòng)機(jī);④學(xué)生在大學(xué)中的退學(xué)率;以及⑤學(xué)生的畢業(yè)率。這些預(yù)測(cè)的結(jié)果可能會(huì)為決策者提供新的知識(shí)，用于解決各種學(xué)習(xí)問題。這有助于教師和課程設(shè)計(jì)者對(duì)學(xué)生在學(xué)習(xí)過程中的行為有全面的了解。

1.5關(guān)聯(lián)規(guī)則

關(guān)聯(lián)規(guī)則是一種挖掘技術(shù)，用于發(fā)現(xiàn)特定輸入模式的變量和屬性組之間的關(guān)系。用于根據(jù)學(xué)生的特點(diǎn)和能力發(fā)現(xiàn)學(xué)習(xí)規(guī)則，以使課件更有效。這是由于教師能夠分析學(xué)生的學(xué)習(xí)模式并更有效地組織課程材料。此外，它還可用于促進(jìn)協(xié)作學(xué)習(xí)，提供反饋以支持教師的決策，識(shí)別不尋常的學(xué)習(xí)模式，根據(jù)在網(wǎng)絡(luò)學(xué)習(xí)環(huán)境中從記錄數(shù)據(jù)中提取的特征預(yù)測(cè)學(xué)生的表現(xiàn)（最終成績(jī)），學(xué)業(yè)表現(xiàn)的監(jiān)測(cè)和評(píng)估（測(cè)試和考試成績(jī)），并根據(jù)學(xué)習(xí)者的訪問歷史推薦學(xué)習(xí)材料。研究表明，使用這些技術(shù)有助于構(gòu)建概念圖，使教師能夠克服學(xué)習(xí)者的某些學(xué)習(xí)障礙和誤解。

關(guān)聯(lián)規(guī)則技術(shù)也被用于規(guī)劃策略，以了解課程修訂是否會(huì)影響學(xué)生在不同環(huán)境下的學(xué)習(xí)，并根據(jù)學(xué)生的成功率和失敗率，決定如何提高學(xué)校提供的學(xué)習(xí)管理系統(tǒng)LMS服務(wù)的質(zhì)量。關(guān)聯(lián)規(guī)則識(shí)別學(xué)生的行為、學(xué)習(xí)材料和表現(xiàn)差異特征之間的關(guān)系。

1.6回歸

回歸是一種預(yù)測(cè)技術(shù)，用于確定因變量（目標(biāo)域）與一個(gè)或多個(gè)獨(dú)立變量之間的關(guān)系，以及確定這些關(guān)系如何對(duì)個(gè)體的學(xué)習(xí)結(jié)果做出貢獻(xiàn)。回歸在高等教育中的一些常見用途包括預(yù)測(cè)學(xué)生的表現(xiàn)、行為、知識(shí)和分?jǐn)?shù)或成績(jī)。此外，教師可以利用這一技術(shù)提出有效的策略，以加強(qiáng)學(xué)生在學(xué)習(xí)過程中的積極參與，并根據(jù)學(xué)生的能力水平開發(fā)在線學(xué)習(xí)的學(xué)習(xí)者模型。它也可以用來調(diào)查大學(xué)生的特點(diǎn)和經(jīng)歷如何影響他們對(duì)學(xué)習(xí)管理系統(tǒng)LMS的滿意度，以避免學(xué)生輟學(xué)。

回歸技術(shù)還可以通過構(gòu)建線性回歸模型來確定提高教學(xué)和課程質(zhì)量的關(guān)鍵因素，幫助預(yù)測(cè)大學(xué)課程的成功率。回歸可以像分類技術(shù)一樣有效地用于預(yù)測(cè)目的。然而，在分類中，預(yù)測(cè)值是分類任務(wù)，而在回歸中，它是一個(gè)數(shù)值或連續(xù)任務(wù)?；谶@個(gè)原因，EDM研究者經(jīng)常使用一些回歸技術(shù)來預(yù)測(cè)學(xué)生的學(xué)習(xí)成績(jī)，并識(shí)別出可以預(yù)測(cè)大學(xué)課程成敗的變量。

1.7順序模式

順序模式主要是使用數(shù)據(jù)挖掘方法來發(fā)現(xiàn)這些事件之間的順序關(guān)系。在高等教育中，該技術(shù)已被應(yīng)用于基于學(xué)生學(xué)習(xí)風(fēng)格偏好的網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)個(gè)性化建議，并有效獲取構(gòu)建學(xué)生模型所必需的知識(shí)。在協(xié)作學(xué)習(xí)中，它可以用來發(fā)現(xiàn)哪個(gè)信息序列可以用來預(yù)測(cè)學(xué)生群體中的高分者。這包括預(yù)測(cè)學(xué)生在一系列可以在問題解決環(huán)境中執(zhí)行的動(dòng)作的中間步驟。因此，可以預(yù)期，序列模式技術(shù)可以用來總結(jié)學(xué)生的歷史學(xué)習(xí)模式（logs），以便通過根據(jù)常見的學(xué)習(xí)序列過濾項(xiàng)目或事件來識(shí)別潛在的學(xué)習(xí)順序模式。它還可以用來發(fā)現(xiàn)隱藏的模式，提高推薦的質(zhì)量，解決相關(guān)的教育問題。雖然隨機(jī)數(shù)據(jù)挖掘技術(shù)的重點(diǎn)是找出某些事件的原因，但如果使用自動(dòng)實(shí)驗(yàn)隨機(jī)選擇一個(gè)教育事件，則可以推斷出因果關(guān)系，從而最終獲得積極的學(xué)習(xí)結(jié)果。

1.8文本挖掘

文本挖掘是一種從大型數(shù)據(jù)庫(kù)中發(fā)現(xiàn)感興趣模式的技術(shù)，是指從非結(jié)構(gòu)化文本中提取信息和知識(shí)的過程。這項(xiàng)技術(shù)已成功應(yīng)用于不同類型的網(wǎng)絡(luò)教育系統(tǒng)，主要用于協(xié)作學(xué)習(xí)，以提供通常在論壇中進(jìn)行的自動(dòng)形成性評(píng)估。文本挖掘可以提高教師評(píng)估小組討論進(jìn)度的能力，促進(jìn)由在線討論板上的信息構(gòu)建概念圖的過程，從一個(gè)大的在線學(xué)習(xí)數(shù)據(jù)量，并探討學(xué)生的認(rèn)知學(xué)習(xí)結(jié)果是否存在差異，尤其是對(duì)于那些具有不同學(xué)習(xí)背景的學(xué)生?；谶@些觀察結(jié)果，預(yù)計(jì)教育政策制定者可能會(huì)應(yīng)用文本挖掘來檢查來自在線論壇、電子郵件或聊天的內(nèi)容，這些內(nèi)容可以產(chǎn)生相當(dāng)多的見解并揭示學(xué)生學(xué)習(xí)行為中的有價(jià)值的模式。

2.高教領(lǐng)域的應(yīng)用研究

不同的數(shù)據(jù)挖掘技術(shù)所發(fā)現(xiàn)的知識(shí)可以使高等學(xué)校做出更好的決策，在指導(dǎo)學(xué)生、預(yù)測(cè)未來趨勢(shì)和個(gè)人行為方面提供更優(yōu)異的計(jì)劃，使學(xué)校能夠更有效地配置資源和人員。EDM和LA的使用在改善學(xué)生的學(xué)習(xí)體驗(yàn)和學(xué)習(xí)成果、發(fā)現(xiàn)學(xué)生的行為和成就、領(lǐng)域知識(shí)內(nèi)容、表現(xiàn)和評(píng)估的模式和預(yù)測(cè)方面都能發(fā)揮重要作用。EDM/LA的應(yīng)用是當(dāng)前高等教育的研究方向，具體可劃分為四個(gè)主要維度：計(jì)算機(jī)支持的學(xué)習(xí)分析（Computer-Supported Learning Analytics， CSLA）、計(jì)算機(jī)支持的預(yù)測(cè)分析（Computer-Supported Predictive Analytics， CSPA）、計(jì)算機(jī)支持的行為分析（Computer-Supported Behavioral Analytics， CSBA），以及計(jì)算機(jī)支持的可視化分析（Computer-Supported Visualization Analytics， CSVA）。

2.1計(jì)算機(jī)支持的學(xué)習(xí)分析CSLA

計(jì)算機(jī)支持的學(xué)習(xí)分析CSLA指的是利用數(shù)據(jù)挖掘技術(shù)，根據(jù)學(xué)生在學(xué)習(xí)管理系統(tǒng)LMS環(huán)境中的互動(dòng)來獲得可操作的信息。參與持續(xù)監(jiān)控學(xué)習(xí)活動(dòng)的教師需要評(píng)估小組中學(xué)生之間互動(dòng)的方法，以確定可能采取的干預(yù)措施，并評(píng)估課程的有效性。EDM和LA通常通過評(píng)估學(xué)生的互動(dòng)和學(xué)習(xí)結(jié)果來識(shí)別學(xué)習(xí)問題。從這些評(píng)估中得出的數(shù)據(jù)有助于估計(jì)或改變提高學(xué)生對(duì)活動(dòng)和內(nèi)容的自我意識(shí)所需的支持水平。例如，來自課程相關(guān)活動(dòng)（如論壇、內(nèi)容交付和評(píng)估）的學(xué)習(xí)管理系統(tǒng)LMS數(shù)據(jù)可用于將系統(tǒng)級(jí)對(duì)象與學(xué)生的偏好相關(guān)聯(lián)。這也為教師提供了一個(gè)全面了解可能的學(xué)習(xí)結(jié)果的機(jī)會(huì)，并在對(duì)學(xué)習(xí)過程的不當(dāng)控制發(fā)生時(shí)發(fā)現(xiàn)學(xué)生的不良行為。此外，使用EDM/LA分析學(xué)習(xí)行為和學(xué)生與課程資源的互動(dòng)，最終可能有助于評(píng)估教育效果，并有助于設(shè)計(jì)提高學(xué)生認(rèn)知能力的干預(yù)策略。

2.2計(jì)算機(jī)支持的預(yù)測(cè)分析CSPA

在分析促進(jìn)學(xué)生學(xué)習(xí)的主要原因時(shí)，EDM和LA可用于預(yù)測(cè)學(xué)生在特定課程中的成績(jī)、參與、獲得、分?jǐn)?shù)和領(lǐng)域知識(shí)的評(píng)估和評(píng)價(jià)。這包括對(duì)學(xué)習(xí)材料的評(píng)估，以評(píng)估任務(wù)的復(fù)雜性，并提供反饋，通過規(guī)劃新策略來支持決策學(xué)習(xí)，從而提高整體學(xué)習(xí)效果。通過在學(xué)習(xí)環(huán)境中使用數(shù)據(jù)挖掘技術(shù)，可以幫助發(fā)現(xiàn)大量數(shù)據(jù)中的知識(shí)和隱藏模式，并對(duì)結(jié)果或行為做出預(yù)測(cè)。EDM和LA可用于發(fā)現(xiàn)知識(shí)，幫助教師識(shí)別學(xué)生中的早期輟學(xué)，并確定哪些人需要特別關(guān)注。

2.3計(jì)算機(jī)支持的行為分析CSBA

數(shù)據(jù)挖掘技術(shù)的應(yīng)用可以產(chǎn)生相當(dāng)多的知識(shí)，并揭示學(xué)生學(xué)習(xí)行為的有價(jià)值的模式。通過過程性數(shù)據(jù)的分析，以及多模態(tài)數(shù)據(jù)的采集和智能分析，使用數(shù)據(jù)挖掘來識(shí)別學(xué)生在參與在線學(xué)習(xí)活動(dòng)時(shí)的行為模式和偏好，使用EDM和LA可以改善學(xué)生在遠(yuǎn)距離協(xié)作時(shí)的學(xué)習(xí)體驗(yàn)。目前，EDM和LA的研究主要集中在使用實(shí)時(shí)數(shù)據(jù)來規(guī)范新信息的學(xué)習(xí)，以便學(xué)生能夠解決復(fù)雜程度不同的問題。EDM可以通過評(píng)估學(xué)生在線活動(dòng)與他們的最終成績(jī)之間的關(guān)系來檢測(cè)學(xué)生在諸如Moodle這樣的在線環(huán)境中的不守規(guī)則行為和活動(dòng)。

2.4計(jì)算機(jī)支持的可視化分析CSVA

計(jì)算機(jī)支持的可視化分析CSVA是一種將信息可視化技術(shù)與數(shù)據(jù)挖掘和知識(shí)表示技術(shù)相結(jié)合的一種查詢形式，主要是對(duì)個(gè)體與活動(dòng)相關(guān)的行為進(jìn)行可視化分析。在教育環(huán)境中，CSVA側(cè)重于使用可視化工具來深入了解學(xué)習(xí)過程和學(xué)生的體驗(yàn)。例如，繪制在線討論圖，并根據(jù)主題的結(jié)構(gòu)特征評(píng)估每個(gè)帖子（參與度）的質(zhì)量，可以幫助學(xué)生識(shí)別相關(guān)的帖子和討論。將可視化數(shù)據(jù)挖掘應(yīng)用于高等教育評(píng)估系統(tǒng)中，可以使評(píng)估方法更加靈活、多樣化和可視化，從而提高學(xué)習(xí)過程的效率。另一方面，利用EDM從大型數(shù)據(jù)集中提取有意義的知識(shí)和信息，并利用這些信息發(fā)現(xiàn)隱藏的模式和關(guān)系，這些模式和關(guān)系對(duì)高等教育的決策過程是有用的?？梢杂脠D表來表示學(xué)生對(duì)學(xué)習(xí)任務(wù)的參與程度，這有助于教師更好地了解學(xué)生的在線行為，并注意在線環(huán)境中發(fā)生的事情。此外，數(shù)據(jù)可視化工具可用于高等教育，以簡(jiǎn)化復(fù)雜的數(shù)據(jù)，并跟蹤學(xué)生從與在線教育系統(tǒng)的交互中獲取的多維數(shù)據(jù)。

3.結(jié)束語

教育數(shù)據(jù)挖掘EDM和學(xué)習(xí)分析LA通常用于與CSLA、CSPA、CABA和CSVA相關(guān)的各種學(xué)習(xí)問題提供機(jī)會(huì)和解決方案。一般來說，大多數(shù)數(shù)據(jù)挖掘技術(shù)都非常適合EDM和LA。主要的數(shù)據(jù)挖掘技術(shù)，如聚類、關(guān)聯(lián)規(guī)則、可視化數(shù)據(jù)挖掘、統(tǒng)計(jì)和回歸等通常都是跨這四個(gè)維度使用的。然而，一些數(shù)據(jù)挖掘技術(shù)，如文本挖掘、相關(guān)挖掘、離群點(diǎn)檢測(cè)、因果挖掘和密度估計(jì)等，由于在獲取調(diào)節(jié)或適應(yīng)個(gè)人需求所需的屬性方面非常復(fù)雜，因此并不常用。

綜上所述，人工智能時(shí)代EDM/LA的應(yīng)用可以帶來顯著的效益，因此高等院校在可行的情況下應(yīng)盡量采用EDM/LA。此外，EDM和LA在高等教育中的應(yīng)用可能有助于開發(fā)更多以學(xué)生為中心的課程，并提供數(shù)據(jù)和工具，供各院校用于實(shí)時(shí)預(yù)測(cè)，有效的提高教學(xué)質(zhì)量。

參考文獻(xiàn)

[1]QUADIR B， CHEN N S， ISAIAS P. Analyzing the educational goals， problems and techniques used in educational big data research from 2010 to 2018 [J]. Interact Learn Environ， 2020， 17.

[2]KLASNJA-MILICEVIC A， IVANOVIC M， BUDIMAC Z. Data science in education： Big data and learning analytics [J]. Computer Applications in Engineering Education， 2017， 25（6）： 1066-78.

[3]XIE K， DI TOSTO G， CHEN S B， et al. A systematic review of design and technology components of educational digital resources [J]. Computers & Education， 2018， （127）90-106.

[4]HOOSHYAR D， YOUSEFI M， LIM H. A systematic review of data-driven approaches in player modeling of educational games [J]. Artificial Intelligence Review， 2019， 52（3）： 1997-2017.

[5]SLATER S， JOKSIMOVIC S， KOVANOVIC V， et al. Tools for Educational Data Mining： A Review [J]. Journal of Educational and Behavioral Statistics， 2017， 42（1）： 85-106.

[6]CANTABELLA M， MARTINEZ-ESPANA R， AYUSO B， et al. Analysis of student behavior in learning management systems through a Big Data framework [J]. Future Generation Computer Systems-the International Journal of Escience， 2019， （90）262-72.

[7]ROMERO C， VENTURA S. Educational data mining and learning analytics： An updated survey [J]. Wiley Interdisciplinary Reviews-Data Mining and Knowledge Discovery， 2020， 10（3）

[8]ALDOWAH H， AL-SAMARRAIE H， FAUZY W M. Educational data mining and learning analytics for 21st century higher education： A review and synthesis [J]. Telematics and Informatics， 2019， （37）13-49.

[9]TOMASEVIC N， GVOZDENOVIC N， VRANES S. An overview and comparison of supervised data mining techniques for student exam performance prediction [J]. Computers & Education， 2020， （18）143.

[10] VIEIRA C， PARSONS P， BYRD V. Visual learning analytics of educational data： A systematic literature review and research agenda [J]. Computers & Education， 2018， （122）119-35.

[11] RIOFRIO-LUZCANDO D， RAMIREZ J， MORAL C， et al. Visualizing a collective student model for procedural training environments [J]. Multimedia Tools and Applications， 2019， 78（8）： 10983-1010.

[12] CHEN Y， ZHENG Q H， JI S G， et al. Identifying at-risk students based on the phased prediction model [J]. Knowledge and Information Systems， 2020， 62（3）： 987-1003.

[13]顧小清，胡藝齡.理解、設(shè)計(jì)和服務(wù)學(xué)習(xí)：學(xué)習(xí)分析技術(shù)的回顧與前瞻[J].開放教育研究， 2020， 26（02）：40-42.

[14]張文梅，祁彬斌，范文翔.數(shù)據(jù)驅(qū)動(dòng)的教學(xué)行為分析：現(xiàn)狀、邏輯與發(fā)展趨向[J].遠(yuǎn)程教育雜志， 2021， 39（01）：84-93.

[15]陳凱泉，高蕾，孟祥紅. 高?；旌鲜浇虒W(xué)中的線上學(xué)習(xí)路徑挖掘及對(duì)教學(xué)改革的啟示[J].高教探索， 2020（05）：5-13.

基金項(xiàng)目：①?gòu)V東省教育廳2020年度普通高校特色創(chuàng)新類項(xiàng)目（2020WTSCX297）;②廣東省教育廳2019年度普通高校特色創(chuàng)新類項(xiàng)目（2019GKTSCX152）;③廣東省教育廳2018年度重點(diǎn)平臺(tái)及科研項(xiàng)目特色創(chuàng)新項(xiàng)目（2018GWTSCX030）;④廣東省教育廳2018年度省高等職業(yè)教育質(zhì)量工程教育教學(xué)改革研究與實(shí)踐項(xiàng)目（GDJG2019309）;⑤廣州涉外經(jīng)濟(jì)職業(yè)技術(shù)學(xué)院2019年校級(jí)教研項(xiàng)目（2019JY06）;⑥廣州涉外經(jīng)濟(jì)職業(yè)技術(shù)學(xué)院2018年校級(jí)教科研項(xiàng)目（2018JY29）。

作者簡(jiǎn)介：陳茂（1985.1-），女，講師，廣州涉外經(jīng)濟(jì)職業(yè)技術(shù)學(xué)院數(shù)字媒體教研室主任。研究方向?yàn)槿斯ぶ悄埽髷?shù)據(jù)應(yīng)用技術(shù)，數(shù)字媒體技術(shù)，高職教育管理;

*通訊作者：耿江濤（1965.12-），男，教授，高級(jí)工程師，華南師范大學(xué)博士生，廣州涉外經(jīng)濟(jì)職業(yè)技術(shù)學(xué)院教育研究院教授。研究方向?yàn)榇髷?shù)據(jù)應(yīng)用技術(shù)，人工智能，高職教育管理與國(guó)際化。

胡翌丹（1978.9—），男，副教授，廣州涉外經(jīng)濟(jì)職業(yè)技術(shù)學(xué)院外國(guó)語學(xué)院副院長(zhǎng)。研究方向?yàn)楦呗毥逃芾?非通用語種專業(yè)建設(shè)。

余雪蓮（1993.6-），女，助教，學(xué)士，廣州涉外經(jīng)濟(jì)職業(yè)技術(shù)學(xué)院計(jì)算機(jī)應(yīng)用與軟件技術(shù)教研室專任教師。研究方向?yàn)檐浖夹g(shù)，人工智能。

1.廣州涉外經(jīng)濟(jì)職業(yè)技術(shù)學(xué)院? ? 廣東廣州? ? 510540 ; 2.華南師范大學(xué)? ?廣東廣州? ? 510631