- 1、本文档共7页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
大数据时代的教育数据挖掘:方法、工具与
应用
作者:何普亮张战胜
来源:《中国教育技术装备》2019年第23期
摘要在教育领域,通过数据挖掘技术可以从海量教育数据中挖掘出大量有价值的信息,
为教与学的各类利益相关者提供参考和建议。从大数据时代的教育数据挖掘的一般过程、典型
方法、常用工具和典型应用等几个方面对教育数据挖掘领域展开论述,以期为教育管理人员和
研究人员提供参考,促进教育教学走向个性化和智能化。
关键词大数据;教育数据;数据挖掘;教育管理;智慧教育
中图分类号:G434文献标识码:B
文章编号:1671-489X(2019)23-0007-04
引言1
随着教育信息化的不断推进与发展,先进的信息技术手段对教育教学的各个方面都产生深
刻影响,正在不断改变未来教育的发展方向。其中大数据技术对教育的影响尤为令人瞩目。教
育部2018年4月印发的《教育信息化2.0行动计划》中即指出:“要全面提高利用大数据支撑
保障教育管理、决策和公共服务的能力。”因此,在大数据背景下,利用数据挖掘技术对教育
教学的全过程进行分析、管理和评价,既是技术发展的必然趋势,也是信息化时代教育教学的
必然要求。
在教育信息化尚未普及的年代,由于缺乏有效的信息采集与存储手段,大量的教育教学过
程信息难以被有效记录,因此,教育大数据挖掘也就缺乏相应的土壤。现在,随着数字化学
习、网络学习空间、课堂直播技术等现代化信息技术手段的普及,学习者的学习过程、学习行
为可以被非常方便地记录下来,为教育数据挖掘提供了大量的数据来源,因此,开展大数据背
景下的教育数据挖掘也就成为可能。鉴于此,本文以上述现状为背景,对大数据下的教育数据
挖掘技术进行研究和综述,从方法、工具和应用三个方面详细论述教育数据挖掘技术及其应
用。
教育数据挖掘的2一般过程
与传统的数据挖掘不同,教育数据挖掘的主要应用领域为教育教学领域,其核心目的是挖
掘教育教学中存在的规律、发现核心问题,为教育领域中的利益相关者提供建议与对策。根据
教育教学的实际应用情况,本文提出教育数据挖掘的一般过程,如图1所示。
在对教育过程中产生的海量大数据进行挖掘时,首先需要进行数据采集。中学教育领域较
为常见的数据类型包括成绩数据、作业数据、讨论数据、学习者的反思数据等。在完成数据采
集后,第二步是对数据进行预处理,常见的预处理主要包括去重、去噪、文本类数据的预处理
以及特征选择等。完成预处理后,则应根据数据挖掘的目的,选择合适的挖掘方法,常见的挖
掘方法包括分类、聚类、文本挖掘、社交网络分析等。得到挖掘结果后,应采用合适的方法对
挖掘结果进行呈现,目前常用的是可视化的呈现方法包括柱状图、饼图、折线图、词云图、网
络结构图等。最后应对数据挖掘的结果进行分析,向各类利益相关者如教育管理人员、教师、
学生等提供相应的建议与对策,以促进教育教学的发展。
面向大数据的教育数据挖掘3典型方法
在上述教育数据挖掘的一般过程中,挖掘方法的选择是最为核心的步骤之一。下面对教育
数据挖掘中几类典型的挖掘方法进行介绍。
基于分类的教育数据挖掘方法分类是数据挖掘中最为常用的方法之一,它是指按照一定
的分类体系自动地将对象划分至某一类别中。若待分類的分类体系属于类别数据,则该过程被
称为分类;若待分类的对象属于数值数据,则该过程被称为回归。在教育领域,常用的分类算
法主要包括决策树算法、k近邻算法、朴素贝叶斯算法、逻辑斯蒂回归模型、神经网络模型等;
常用的回归算法则主要使用一般线性回归模型。
在教育教学中,分类算法的应用非常广泛,如对学习者的学习状态进行分类,以实现学习
状态的预测:罗力成等人通过自动分类算法对在线学习平台中学习者的学习成绩进行预测
[1];Kloft等人通过自动分类算法对MOOC课程学习中每周的辍学率进行自动预测[2];潘怡等人
对E-lear-ning中的学习者所发表的文本进行情感分类,从而对学习者的情感状态进行预测
[3];Wise等人通过文本分类算法对MOOC评论进行自动分类,以挖掘海量评论中所蕴含的有
价值的信息[4]等。分类算法也可以用于对学习者的学习行为进行分类,以实现学习者分类:
Sunar等人通过对MOOC课程中学习者的学习行为进行自动分类,将MOOC学习者分为不同
的类别,以便于教师给予个性化的学习提示[5]等。
文档评论(0)