论文部分内容阅读
摘 要：教育数据挖掘在从计算机科学本身作为一个领域应运而生，利用 DM 技术能够推进高等教育的教学、学习和研究。教育数据挖掘 的主要目标是使用大规模教育数据集来更好地了解学生学习并提供有关学习过程的信息。
关键词：教育；数据挖掘；学习效果；行为
一、引言
在过去几年中，来自各种学科（包括计算机科学、统计、数据挖掘和教育）的研究人员开始研究数据挖掘如何改善教育和促进教育研究。教育数据挖掘被公认为新兴学科。教育数据挖掘 专注于开发方法来探索来自教育环境中的独特数据类型。这些数据来自多个来源，包括来自传统的面对面课堂环境、教育软件、在线课件以及总结/高风险测试的数据。这些来源越来越多地提供大量数据，这些数据可以进行分析，以便轻松解决以前不可行的问题，涉及学生群体之间的差异，或涉及不常见的学生行为。教育数据挖掘以多种方式为教育和教育研究做出贡献。教育数据挖掘的贡献影响了对教学和学习的思考，促进了教育软件的改进，提高了软件个性化学生学习体验的能力。随着教育数据挖掘作为一个研究领域的成熟，出现了一系列教育数据挖掘国际会议，教育数据挖掘杂志，一些高度被引用的论文，这都说明教育数据挖掘越来越受到教育界的关注。
二、教育数据挖掘研究内容
教育数据挖掘只要研究内容包括：与课程管理员和教育工作者沟通；维护和改进课程；生成推荐；预测学生的成绩和学习成果；学生建模；域结构分析等。
①.与课程管理员和教育工作者沟通。目的是帮助课程管理员和教育工作者分析学生的活动和课程的使用信息。此类目标最常用的技术是通过统计分析和可视化或报告进行探索性数据分析，以及过程挖掘。
②.维护和改进课程。目的是帮助课程管理者和教育工作者确定（尤其是使用有关学生使用和学习的信息）如何改进课程（内容，活动，链接等）。用于此类目标的最常用技术是关联，聚类和分类。
③.生成推荐。目的是向学生推荐当前最适合他们的内容（或任务或链接）。用于此类目标的最常用技术是关联，排序，分类和聚类。
④ .预测学生的成绩和学习成果。目的是根据课程活动中的数据预测学生的最终成绩或其他类型的学习成果（例如保留学位课程或将来的学习能力）。用于此类目标的最常用技术是分类，聚类和关联。
⑤.学生建模。教育领域的用户建模具有许多应用程序，包括学生状态和特征（如满意度、动机、学习进度或某些类型的问题）的检测（通常实时），这些特征会产生负面影响影响他们的学习结果（制造太多错误、误用或过度使用帮助、玩弄系统、低效地探索学习资源等）、影响、学习风格和偏好。这里的共同目标是从使用信息创建学生模型。这种类型的目标经常使用的技术不仅是聚类、分类和关联分析，还有统计分析、贝叶斯网络（包括贝叶斯知识追踪）、心理测量模型和强化学习
⑥.域结构分析。目的是使用预测学生表现的能力来确定领域结构，以衡量领域结构模型的质量。为此目的，可以利用测试或学习环境中的性能。用于此类目标的最常用技术是关联规则，聚类方法和空间搜索算法。
三、教育数据挖掘研究途径
第一个途径是开发计算工具和技术，确定哪些工具和技术最适合使用大型教育数据集，并查找评估指标和模型拟合的最佳做法。此类工作的示例包括尝试不同的可视化技术，以了解如何查看和理解数据。由于教育数据集通常是纵向的，包括几个月，有时包括几年，并且在此期间可能会与学生进行丰富的交互，因此需要一些理解数据的方法。
第二个途径是确定我们应该问什么问题。有几个明显的候选者：全班是否对材料了解得足够好，可以继续下去？是否有学生需要补习指导？哪些学生可能需要学术辅导才能顺利完成学业？这些问题是几千年来教师们提出和回答的。教育数据挖掘 当然使我们能够以数据为导向，更准确地回答此类问题；然而，教育数据挖掘的潜力要大得多。
教育数据挖掘的第三个途径是发现谁是教育利益相关者，他们可以受益于教育数据挖掘可能带来的更丰富的报告。显而易见的有意者是"天地"和"教师"。然而，学生的父母呢？他们收到报告有意义吗？除了成绩单和家长-教师会议外，很少与家长沟通孩子的表现。大多数家长都太忙了，无法详细报告孩子的上学情况，但有些蒸馏的信息呢？如果孩子没有完成当天到期的家庭作业，通知家长的系统可能是有益的。同样，如果学生的成绩明显下降，这种变化可以通过教育数据挖掘检测出来，家长可以被告知。
其他利益相关者包括校长，他们可以被告知教师相对于同龄人处境艰难，以及学校表现不佳的领域。最后，还有学生自己。
四、结论
可以将数据挖掘技术应用于教育系统以改善学习效果，这可以看作是一种形成性的评估技术。形成性评估是对仍在开发中的教育计划的评估，目的是不断改进该计划。检查学生如何学习，用数据挖掘对学生行为进行分析，是一种以形成性方式评估教学设计的方法，并且可以帮助教师改进教学材料。数据挖掘技术可用于收集信息，这些信息可用于帮助教育设计人员，在设计或修改教学方法时，将这些信息做为改进教学方法的基础。
参考文献
[1]Fernandes，Eduardo，Holanda，Maristela，Victorino，Marcio，等.Educational data mining：Predictive analysis of academic performance of public school students in the capital of Brazil[J].Journal of Business Research，2019，94.
[2]Keshav Singh Rawat，I.V.Malhan.A Hybrid Classification Method Based on Machine Learning Classifiers to Predict Performance in Educational Data Mining：ICCCN 2018，NITTTR Chandigarh，India[M]// Proceedings of 2nd International Conference on Communication，Computing and Networking.2019.
基金項目：蚌埠学院2018年度高层次人才科研启动经费项目（BBXY2018KYQD07）。2019年蚌埠学院质量工程项目一般项目（2019JYXML9，2019JYXML14）。2019年安徽省教育厅教育教学研究一般项目（2019jyxm0474）
关键词：教育；数据挖掘；学习效果；行为
一、引言
在过去几年中，来自各种学科（包括计算机科学、统计、数据挖掘和教育）的研究人员开始研究数据挖掘如何改善教育和促进教育研究。教育数据挖掘被公认为新兴学科。教育数据挖掘 专注于开发方法来探索来自教育环境中的独特数据类型。这些数据来自多个来源，包括来自传统的面对面课堂环境、教育软件、在线课件以及总结/高风险测试的数据。这些来源越来越多地提供大量数据，这些数据可以进行分析，以便轻松解决以前不可行的问题，涉及学生群体之间的差异，或涉及不常见的学生行为。教育数据挖掘以多种方式为教育和教育研究做出贡献。教育数据挖掘的贡献影响了对教学和学习的思考，促进了教育软件的改进，提高了软件个性化学生学习体验的能力。随着教育数据挖掘作为一个研究领域的成熟，出现了一系列教育数据挖掘国际会议，教育数据挖掘杂志，一些高度被引用的论文，这都说明教育数据挖掘越来越受到教育界的关注。
二、教育数据挖掘研究内容
教育数据挖掘只要研究内容包括：与课程管理员和教育工作者沟通；维护和改进课程；生成推荐；预测学生的成绩和学习成果；学生建模；域结构分析等。
①.与课程管理员和教育工作者沟通。目的是帮助课程管理员和教育工作者分析学生的活动和课程的使用信息。此类目标最常用的技术是通过统计分析和可视化或报告进行探索性数据分析，以及过程挖掘。
②.维护和改进课程。目的是帮助课程管理者和教育工作者确定（尤其是使用有关学生使用和学习的信息）如何改进课程（内容，活动，链接等）。用于此类目标的最常用技术是关联，聚类和分类。
③.生成推荐。目的是向学生推荐当前最适合他们的内容（或任务或链接）。用于此类目标的最常用技术是关联，排序，分类和聚类。
④ .预测学生的成绩和学习成果。目的是根据课程活动中的数据预测学生的最终成绩或其他类型的学习成果（例如保留学位课程或将来的学习能力）。用于此类目标的最常用技术是分类，聚类和关联。
⑤.学生建模。教育领域的用户建模具有许多应用程序，包括学生状态和特征（如满意度、动机、学习进度或某些类型的问题）的检测（通常实时），这些特征会产生负面影响影响他们的学习结果（制造太多错误、误用或过度使用帮助、玩弄系统、低效地探索学习资源等）、影响、学习风格和偏好。这里的共同目标是从使用信息创建学生模型。这种类型的目标经常使用的技术不仅是聚类、分类和关联分析，还有统计分析、贝叶斯网络（包括贝叶斯知识追踪）、心理测量模型和强化学习
⑥.域结构分析。目的是使用预测学生表现的能力来确定领域结构，以衡量领域结构模型的质量。为此目的，可以利用测试或学习环境中的性能。用于此类目标的最常用技术是关联规则，聚类方法和空间搜索算法。
三、教育数据挖掘研究途径
第一个途径是开发计算工具和技术，确定哪些工具和技术最适合使用大型教育数据集，并查找评估指标和模型拟合的最佳做法。此类工作的示例包括尝试不同的可视化技术，以了解如何查看和理解数据。由于教育数据集通常是纵向的，包括几个月，有时包括几年，并且在此期间可能会与学生进行丰富的交互，因此需要一些理解数据的方法。
第二个途径是确定我们应该问什么问题。有几个明显的候选者：全班是否对材料了解得足够好，可以继续下去？是否有学生需要补习指导？哪些学生可能需要学术辅导才能顺利完成学业？这些问题是几千年来教师们提出和回答的。教育数据挖掘 当然使我们能够以数据为导向，更准确地回答此类问题；然而，教育数据挖掘的潜力要大得多。
教育数据挖掘的第三个途径是发现谁是教育利益相关者，他们可以受益于教育数据挖掘可能带来的更丰富的报告。显而易见的有意者是"天地"和"教师"。然而，学生的父母呢？他们收到报告有意义吗？除了成绩单和家长-教师会议外，很少与家长沟通孩子的表现。大多数家长都太忙了，无法详细报告孩子的上学情况，但有些蒸馏的信息呢？如果孩子没有完成当天到期的家庭作业，通知家长的系统可能是有益的。同样，如果学生的成绩明显下降，这种变化可以通过教育数据挖掘检测出来，家长可以被告知。
其他利益相关者包括校长，他们可以被告知教师相对于同龄人处境艰难，以及学校表现不佳的领域。最后，还有学生自己。
四、结论
可以将数据挖掘技术应用于教育系统以改善学习效果，这可以看作是一种形成性的评估技术。形成性评估是对仍在开发中的教育计划的评估，目的是不断改进该计划。检查学生如何学习，用数据挖掘对学生行为进行分析，是一种以形成性方式评估教学设计的方法，并且可以帮助教师改进教学材料。数据挖掘技术可用于收集信息，这些信息可用于帮助教育设计人员，在设计或修改教学方法时，将这些信息做为改进教学方法的基础。
参考文献
[1]Fernandes，Eduardo，Holanda，Maristela，Victorino，Marcio，等.Educational data mining：Predictive analysis of academic performance of public school students in the capital of Brazil[J].Journal of Business Research，2019，94.
[2]Keshav Singh Rawat，I.V.Malhan.A Hybrid Classification Method Based on Machine Learning Classifiers to Predict Performance in Educational Data Mining：ICCCN 2018，NITTTR Chandigarh，India[M]// Proceedings of 2nd International Conference on Communication，Computing and Networking.2019.
基金項目：蚌埠学院2018年度高层次人才科研启动经费项目（BBXY2018KYQD07）。2019年蚌埠学院质量工程项目一般项目（2019JYXML9，2019JYXML14）。2019年安徽省教育厅教育教学研究一般项目（2019jyxm0474）