当前海外教育数据挖掘主要方法与应用.docVIP

当前海外教育数据挖掘主要方法与应用 　　教育数据挖掘是在教育领域中，使用数据挖掘技术分析教学系统中的数据，来解决教育研究问题的新兴学科。目前，很多基于计算机的学习系统都能收集大量的可用数据，如学习管理系统、大规模在线开放课程以及智能辅导系统。借助教育数据挖掘中多种多样的方法和应用，既可以改进和提高学习质量，也可以帮助我们提高对学习过程的理解。本文回顾了当前教育数据挖掘的研究与文献，并结合已有研究对教育数据挖掘的应用进行了介绍。这些案例可以帮助我们更好地了解当前世界各国教育数据挖掘前沿的新进展。随着基于计算机的学习和数据可用性的增长，相信教育数据挖掘的使用还会继续增长，从而产生更多更丰富的新型应用。 　　● 教育数据挖掘的主要方法与应用 　　教育数据挖掘最常用的方法包括分类、回归、聚类、关联规则挖掘、模型发现、异常值检测、社会网络分析、文本挖掘、顺序模式挖掘及可视化技术。 　　教育数据挖掘中的应用和任务可以根据不同的属性进行分类。经过文献研究，本文列出了教育数据挖掘的可能应用，并尝试根据其最终目标将教育数据挖掘的应用进行分类。文中已经确定了十三种应用，形成了专门针对教育数据挖掘定制的新分类法，将教育数据挖掘设定为数据挖掘的具体子领域。其中四个应用分组在“学生建模”下，六个在“决策支持系统”下，最后三个表示为“其他”，因为它们与其他应用不同。本文将在与各类应用相关的研究实例帮助下，对这些应用进行描述和说明。 　　为了更好地分类所识别的应用，我们可以查看每个应用的目标用户。教育环境中的最终用户是学习者、教育者、管理人员和研究人员。 　　学习者一直是教育数据挖掘在各种应用中的主要目标用户，如分组学生、产生推荐和自适应系统。教育数据挖掘整体的一个重要目标是提高学习质量。在学习过程中，首先要考虑两组用户，即学习者和教育者。学生建模和决策支持系统类别中的大多数应用将教育者定位为最终用户。学生建模能更好地了解学生的学习状态，决策支持系统可以直接帮助教育者做出更好的决策，改善学习过程，同时这也适用于制定更高层次决策的教育机构的管理者。研究人员也代表一类终端用户，因为研究的目的是了解学习过程、开发理论和测试。例如，研究人员可以使用社交网络分析（SNA）来确定在预测学生表现方面有价值的属性。下页表列出了每个应用程序的可能的目标用户。 　　● 应用于学生建模的教育数据挖掘 　　学生建模是一个表?_学生活动认知方面的过程，如分析学生的表现或行为、隔离潜在的错误认知、表示学生的目标和计划、识别先前获得的知识、维持情境记忆和描述个性特征。 　　我们运用此定义来对教育数据挖掘中某些应用进行分类，该类别中的应用提供了一种描述学生尝试达成目标的模型。对学生活动和行为进行建模可用于预测和表示学生的一些特征或发现描述学生的结构。因此，学生建模中有两个子类别为预测和结构发现。 　　1.预测学生表现、学习成果的实现或特点 　　这类应用的目标是评估描述学生的表现、学习成果的实现和特征，有的研究也关注与其他学生的合作学习的特征。这类应用中回归和分类方法使用最为广泛。例如，Zimmermann 等人引入了基于模型的方法，即使用本科绩效指标来预测研究生绩效；Galyardt和Goldin利用最近的学生使用数据来提高ITS系统的预测精度；Waters等人的研究使用贝叶斯分类识别学生在网络课程中的协作。 　　2.检测学生不良行为 　　在这一分类中重点是检测学生的不良行为，如动机低、错误行为、作弊、辍学、学业失败等。在这类应用中主要使用分类和聚类技术，也综合使用了特征选择和异常值检测等技术。Bravo和Ortigosa进行的研究中提出了一种使用生产规则检测电子学习中潜在症状的方法；Dekker等人使用决策树分类器来预测电气工程学中的学生的辍学；Lykourentzou等人使用多机器学习技术如支持向量模型和神经网络来对学生的辍学进行预测。 　　3.分析和分组学生 　　这类应用的目标是根据不同的变量来分析或分组学生，对学生进行分组可以根据个人资料信息的各种属性来完成。这类应用中使用较多的数据挖掘方法是特征选择和聚类。例如，Azarnoushetal提出了一种使用基于随机树的不相似度测度进行学习者分类的方法；Kinnebrew等人使用序列挖掘技术来识别不同学生群体的学习行为模式。 　　4.社交网络分析 　　这一分类应用的目的是以图形的形式构建学生模型，并显示出不同的可能关系。在社交网络分析中，重点是学习者之间的关系。例如，Reffay和Canier使用社会网络分析来衡量协作远程学习环境中的凝聚力；Reyes和Tchounikine基于使用社会网络分析技术的关系视角研究了学习小组的结构性质。 　　● 应用于决策支持系统的教育数据挖掘 　　教育数据挖掘中