陳德鑫 占袁圓 楊兵

[摘? ?要] 隨著全球人工智能與教育大數(shù)據(jù)峰會的召開，多國學(xué)者探討了教育變革的新趨勢，印證了技術(shù)與教育深度融合會帶來更多的機遇和挑戰(zhàn)。其中，深度學(xué)習(xí)作為AI領(lǐng)域的熱點問題，將成為教育發(fā)展的關(guān)鍵。文章通過對相關(guān)研究進行篩選統(tǒng)計研究，辨析不同領(lǐng)域深度學(xué)習(xí)的概念并簡要分析典型的深度學(xué)習(xí)模型及其應(yīng)用領(lǐng)域;以教育大數(shù)據(jù)挖掘的特點為基礎(chǔ)，總結(jié)基于深度學(xué)習(xí)的教育大數(shù)據(jù)挖掘目的和流程;系統(tǒng)探討深度學(xué)習(xí)在教育大數(shù)據(jù)挖掘領(lǐng)域的四個應(yīng)用研究方向和主要應(yīng)用機構(gòu);最后，明確了教育大數(shù)據(jù)挖掘領(lǐng)域引入深度學(xué)習(xí)的重要意義，同時，針對教育大數(shù)據(jù)挖掘所服務(wù)的對象和需要解決的問題，提出了深度學(xué)習(xí)技術(shù)在教育大數(shù)據(jù)挖掘領(lǐng)域進一步發(fā)展的意見。

[關(guān)鍵詞] 深度學(xué)習(xí); 教育大數(shù)據(jù); 學(xué)習(xí)追蹤; 教學(xué)輔助; 學(xué)習(xí)行為

[中圖分類號] G434? ? ? ? ? ? [文獻標(biāo)志碼] A

[作者簡介] 陳德鑫（1989—），女，湖北武漢人。講師，博士，主要從事人工智能、教育大數(shù)據(jù)挖掘、情景感知計算研究。E-mail：202chendexin@163.com。

一、引? ?言

《中國基礎(chǔ)教育大數(shù)據(jù)發(fā)展藍皮書（2016—2017）》認為，教育大數(shù)據(jù)挖掘是實現(xiàn)智慧教學(xué)的主要手段。教育大數(shù)據(jù)挖掘是指運用相關(guān)大數(shù)據(jù)挖掘方法和技術(shù)對教育過程中產(chǎn)生的海量數(shù)據(jù)進行處理、分析和建模，發(fā)現(xiàn)并解決教育過程中的問題，提高教育質(zhì)量[1-3]。隨著教育大數(shù)據(jù)挖掘研究的迅速發(fā)展以及相關(guān)學(xué)術(shù)會議、文獻期刊的增加，教育大數(shù)據(jù)挖掘的方法層出不窮。但傳統(tǒng)的數(shù)據(jù)挖掘方法存在的缺點仍有待解決，例如：樸素貝葉斯算法對數(shù)據(jù)輸入的表達形式很敏感;決策樹算法會忽視數(shù)據(jù)集之間的相關(guān)性，這些缺陷容易造成結(jié)果的偏差，影響教育大數(shù)據(jù)挖掘的準(zhǔn)確性。

研究者在教育領(lǐng)域中嘗試各種數(shù)據(jù)挖掘技術(shù)，期望能夠發(fā)現(xiàn)更適用于精準(zhǔn)捕捉教育數(shù)據(jù)特征的技術(shù)。2017年的新媒體聯(lián)盟《地平線報告》中，來自世界各國的專家經(jīng)過探討都一致認為，深度學(xué)習(xí)算法會對教育改革產(chǎn)生重大影響[4]。將深度學(xué)習(xí)技術(shù)應(yīng)用到教育大數(shù)據(jù)挖掘領(lǐng)域，能更好地描述教育數(shù)據(jù)的內(nèi)在信息，幫助教育研究者發(fā)現(xiàn)教育問題的關(guān)鍵。國外學(xué)者對于深度學(xué)習(xí)技術(shù)在教育大數(shù)據(jù)挖掘領(lǐng)域應(yīng)用的研究起步較早，Okoli和Schabram在2010年調(diào)查教育數(shù)據(jù)挖掘中使用深度學(xué)習(xí)技術(shù)情況的研究時，已經(jīng)確定了深度學(xué)習(xí)技術(shù)可以幫助解決教育任務(wù)和教育數(shù)據(jù)挖掘中的研究問題[5]。國內(nèi)的研究起步則相對較晚，與教育數(shù)據(jù)挖掘相關(guān)的研究成果都主要致力于教育方面而非技術(shù)層面，關(guān)于深度學(xué)習(xí)技術(shù)在教育大數(shù)據(jù)挖掘領(lǐng)域的研究較少。本文通過闡述當(dāng)前深度學(xué)習(xí)技術(shù)在教育大數(shù)據(jù)挖掘領(lǐng)域的應(yīng)用情況，希望能為后續(xù)相關(guān)研究提供參考。

二、深度學(xué)習(xí)技術(shù)簡介

近年來，深度學(xué)習(xí)技術(shù)越來越廣泛地應(yīng)用到實際問題中，其價值得到了不同領(lǐng)域研究者的認可。但人工智能領(lǐng)域和教育領(lǐng)域?qū)ι疃葘W(xué)習(xí)的定義有差異，本文首先探討人工智能領(lǐng)域和教育領(lǐng)域中深度學(xué)習(xí)概念的關(guān)系，并簡要分析數(shù)據(jù)挖掘中即人工智能領(lǐng)域典型的深度學(xué)習(xí)模型及其主要應(yīng)用。

（一）深度學(xué)習(xí)的概念

深度學(xué)習(xí)（Deep Learning）作為機器學(xué)習(xí)算法中的一項新技術(shù)，于2006年被多倫多大學(xué)的Hinton教授提出[6]。深度學(xué)習(xí)的出現(xiàn)打破了神經(jīng)網(wǎng)絡(luò)發(fā)展的瓶頸，引起了學(xué)術(shù)界的重視。深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)是包括輸入層、隱藏層和輸出層的多層網(wǎng)絡(luò)，它可以通過這種多層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)實現(xiàn)復(fù)雜函數(shù)的逼近。深度學(xué)習(xí)具備擬合任何復(fù)雜函數(shù)的特點，不同的神經(jīng)網(wǎng)絡(luò)模型可以對不同類型的數(shù)據(jù)進行特征提取，使得深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)對輸入數(shù)據(jù)有更強的識別能力。并且深度學(xué)習(xí)可以在隱藏層中存儲長期狀態(tài)，這樣可以保存數(shù)據(jù)間的聯(lián)系。深度學(xué)習(xí)算法與其他的數(shù)據(jù)挖掘方法相比較，更具有靈活性和準(zhǔn)確性，它可以彌補許多數(shù)據(jù)挖掘方法的缺點，其在語音識別、圖像識別、情感分析、學(xué)習(xí)預(yù)測、自然語言處理等多個領(lǐng)域發(fā)揮了重大作用。

除了人工智能（Artificial Intelligence，AI）領(lǐng)域中的深度學(xué)習(xí)，在教育領(lǐng)域中也有深度學(xué)習(xí)的概念。1956年，布魯姆提出了“認知有維度層次之分”的觀點[7]。1976年，針對淺層次的學(xué)習(xí)，美國學(xué)者Marton和S？覿lj？觟首次提出了關(guān)于高層次認知方面的深度學(xué)習(xí)概念[8]。這里的深度學(xué)習(xí)是指對知識的深層次了解，使學(xué)習(xí)者開拓思維并注重學(xué)習(xí)者自身的思維養(yǎng)成。深度學(xué)習(xí)在教育領(lǐng)域受到了教育者的高度重視，每一個學(xué)習(xí)者通過深度學(xué)習(xí)都能在理解的基礎(chǔ)上更好地整合處理信息和學(xué)以致用，最終發(fā)散所學(xué)知識并提出更有創(chuàng)造性的觀點。

圖1? ?AI領(lǐng)域和教育領(lǐng)域中深度學(xué)習(xí)概念的關(guān)系

在教育數(shù)據(jù)挖掘領(lǐng)域中，無論是技術(shù)層面還是教育思維層面的深度學(xué)習(xí)都有著十分重要的作用。二者的研究范圍都是信息和知識的提取，它們的主要區(qū)別在于研究方向的不同。人工智能領(lǐng)域機器學(xué)習(xí)和數(shù)據(jù)挖掘中的深度學(xué)習(xí)與教育領(lǐng)域中的深度學(xué)習(xí)的關(guān)系如圖1所示，前者側(cè)重于教育智能化的研究，后者則側(cè)重于學(xué)習(xí)者本身對知識的掌握和運用。通過深度學(xué)習(xí)技術(shù)驅(qū)動學(xué)習(xí)者對知識更深層次的掌握，是將深度學(xué)習(xí)引入教育數(shù)據(jù)挖掘領(lǐng)域的研究意義。本文側(cè)重于AI領(lǐng)域的深度學(xué)習(xí)技術(shù)在教育大數(shù)據(jù)挖掘中的應(yīng)用分析，希望通過深度學(xué)習(xí)技術(shù)賦予教育大數(shù)據(jù)更多的價值。

（二）典型的深度學(xué)習(xí)模型

深度信念網(wǎng)絡(luò)（Deep Belief Networks，DBN）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）和遞歸神經(jīng)網(wǎng)絡(luò)（Recursive Neural Network，RNN）等是典型的、應(yīng)用較為廣泛的深度學(xué)習(xí)模型。

深度信念網(wǎng)絡(luò)是由若干個受限玻爾茲曼機和一層前饋神經(jīng)網(wǎng)絡(luò)組成，通過在各層之間進行逐層訓(xùn)練，最終使輸出神經(jīng)元最大近似于輸入信號的分布[6]。卷積神經(jīng)網(wǎng)絡(luò)是一種深度前饋神經(jīng)網(wǎng)絡(luò)，它由卷積層和池化層組成，其基本結(jié)構(gòu)分為特征提取層和特征映射層兩層[9]。CNN將原始信號作為輸入進而減少了預(yù)處理的過程，其獨特的網(wǎng)絡(luò)結(jié)構(gòu)（利用權(quán)值共享降低模型復(fù)雜度），使得卷積神經(jīng)網(wǎng)絡(luò)得到了非常廣泛的應(yīng)用。循環(huán)神經(jīng)網(wǎng)絡(luò)的誕生是為了存儲輸入之間的聯(lián)系，以便模型更好地去理解事物。深度循環(huán)神經(jīng)網(wǎng)絡(luò)由輸入層、多個堆疊的隱藏層以及輸出層組成，通過在隱藏層的輸入中加入權(quán)重矩陣的值來達到循環(huán)運算的目的[10]。長短時記憶網(wǎng)絡(luò)（Long Short Term Memory Networks，LSTM）是為了解決傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)存在梯度爆炸和梯度消失的問題而提出的特殊RNN，其通過新增的狀態(tài)來保存對長期數(shù)據(jù)的記憶，解決了長期依賴的問題，成為廣泛使用的RNN模型之一[11]。遞歸神經(jīng)網(wǎng)絡(luò)可以將信息循環(huán)傳遞，進而更好地處理語義理解等方面的問題并進行預(yù)測分析[12]。

隨著深度學(xué)習(xí)技術(shù)的發(fā)展，越來越多的深度學(xué)習(xí)模型被改進或結(jié)合在一起解決更加復(fù)雜的問題。典型的深度學(xué)習(xí)模型的特點及適用范圍見表1，利用神經(jīng)網(wǎng)絡(luò)各模型的優(yōu)點構(gòu)建混合深度學(xué)習(xí)模型，更好地去處理問題是深度學(xué)習(xí)新的研究方向。

（三）深度學(xué)習(xí)技術(shù)的應(yīng)用

深度學(xué)習(xí)技術(shù)在問題的提取以及大數(shù)據(jù)的自動化評估等方面具有非常良好的表現(xiàn)。隨著深度學(xué)習(xí)模型能力的逐漸強大，其對于數(shù)據(jù)的描述和解釋能夠更有層次化地展現(xiàn)出樣本特征。對于不同類型的數(shù)據(jù)，在當(dāng)前一些領(lǐng)域中深度學(xué)習(xí)的應(yīng)用見表2。由于在教育活動中產(chǎn)生的數(shù)據(jù)也可以按圖像、語音、文本這三個類型進行分類，而基于深度學(xué)習(xí)技術(shù)在處理這些類型數(shù)據(jù)時優(yōu)越的表現(xiàn)力，可以將深度學(xué)習(xí)更好地應(yīng)用于教育數(shù)據(jù)挖掘領(lǐng)域。

三、基于深度學(xué)習(xí)技術(shù)的教育大數(shù)據(jù)挖掘

基于深度學(xué)習(xí)技術(shù)的教育大數(shù)據(jù)挖掘主要包含教育大數(shù)據(jù)的輸入、基于深度學(xué)習(xí)模型的教育大數(shù)據(jù)處理以及教育大數(shù)據(jù)挖掘結(jié)果的輸出。其中，教育大數(shù)據(jù)挖掘的特點決定教育大數(shù)據(jù)挖掘的輸入，而教育大數(shù)據(jù)挖掘的目的決定教育大數(shù)據(jù)挖掘結(jié)果的輸出，所使用的深度學(xué)習(xí)模型則根據(jù)不同模型的適用范圍由輸入和輸出共同決定。

（一）教育大數(shù)據(jù)挖掘的特點

教育數(shù)據(jù)挖掘是在大數(shù)據(jù)背景下理解教育問題的一個新方向。20世紀后期，教育領(lǐng)域開始引進數(shù)據(jù)挖掘技術(shù)，但數(shù)據(jù)的來源較少（一般來自調(diào)查問卷和信息管理軟件），且算法較為簡單，因此，研究非常受限制。21世紀以來，隨著科技的發(fā)展，教育數(shù)據(jù)采集越來越方便，且來源也更加廣泛。依據(jù)獲得數(shù)據(jù)的場合，教育大數(shù)據(jù)的來源可以分為四個方面：一是教育管理中的檔案數(shù)據(jù)庫，其記錄了學(xué)校、教師以及學(xué)生的基本信息;二是教學(xué)活動過程中所產(chǎn)生的數(shù)據(jù)，如學(xué)生的考試成績以及教師的授課評價等;三是學(xué)生成長過程中的行為記錄，如學(xué)生的閱讀記錄、健身記錄、興趣愛好等;四是教育科研活動中的數(shù)據(jù)，如研究課題、研究意義、論文發(fā)表情況等。在數(shù)據(jù)挖掘方面，挖掘方法也由之前較為單一的統(tǒng)計分析轉(zhuǎn)變?yōu)槔每梢暬?、聚類、預(yù)測、文本挖掘以及本文所探討的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)等。

與傳統(tǒng)教育數(shù)據(jù)不同，教育大數(shù)據(jù)精準(zhǔn)涵蓋了與教育相關(guān)的所有記錄，具有數(shù)據(jù)量大、類型繁多、連續(xù)性強、價值密度低等特點。在教育大數(shù)據(jù)中，很多數(shù)據(jù)不能直接等同于教育信息，為了更好地挖掘教育大數(shù)據(jù)的內(nèi)涵，需要處理不同類型的數(shù)據(jù)。例如：校園的視頻監(jiān)控、拍照搜題以及在線學(xué)習(xí)中識別學(xué)習(xí)者的情緒等，需要使用圖像信息識別技術(shù);學(xué)生作業(yè)和考試分析、教育資源評價以及教師培訓(xùn)、備課輔助等，需要使用文本數(shù)據(jù)分析技術(shù);口語輔導(dǎo)軟件和學(xué)生演講的錄音識別需要使用語音數(shù)據(jù)分析技術(shù)。除此之外，一些更為復(fù)雜的高價值行為數(shù)據(jù)也可以劃分為圖像、語音、文本三類。鑒于深度學(xué)習(xí)在處理此三類數(shù)據(jù)時的優(yōu)異表現(xiàn)和良好應(yīng)用（見表2），為了更加精確和有效地發(fā)現(xiàn)教育問題的本質(zhì)進而促進智能教育的發(fā)展，很多學(xué)者將深度學(xué)習(xí)技術(shù)引入教育大數(shù)據(jù)挖掘領(lǐng)域。

（二）基于深度學(xué)習(xí)技術(shù)的教育大數(shù)據(jù)挖掘的目的

教育大數(shù)據(jù)挖掘面向的對象有學(xué)習(xí)者、教師、教育管理者以及教育研究者。如圖2所示，基于深度學(xué)習(xí)的教育大數(shù)據(jù)挖掘擬通過分類、預(yù)測、回歸、關(guān)聯(lián)規(guī)則挖掘等方法，為學(xué)習(xí)者制定合理的學(xué)習(xí)方案并輔助其進行學(xué)習(xí);為教師提供學(xué)生狀態(tài)的監(jiān)測情況，便于教師及時對教案進行調(diào)整并給出相應(yīng)的個性化指導(dǎo);為教育管理者提供連續(xù)的海量數(shù)據(jù)，使他們能夠進行全面的分析，從而規(guī)避片面性的決定，進而為學(xué)生和教師提供更好的政策支持;為教育研究者預(yù)測教育發(fā)展趨勢，使研究追溯教育本質(zhì)，為正確引領(lǐng)教育的發(fā)展方向給予更多科研成果支持。學(xué)習(xí)者、教師、教育管理者和教育研究者這四個群體都有其自身的變化過程，且不同群體之間相互關(guān)聯(lián)和影響，這些都是在教育大數(shù)據(jù)挖掘過程中表現(xiàn)出來的微觀層面的問題。同時，在宏觀層面上，教育大數(shù)據(jù)挖掘能夠解決傳統(tǒng)

教育面臨的資源不協(xié)調(diào)、發(fā)展不均衡的問題。基于深度學(xué)習(xí)技術(shù)的教育大數(shù)據(jù)挖掘以微觀和宏觀的教育問題的本質(zhì)為導(dǎo)向，以期推動教育事業(yè)走向智能化。

（三）基于深度學(xué)習(xí)技術(shù)的教育大數(shù)據(jù)挖掘流程

教育大數(shù)據(jù)的特征之一是復(fù)雜多樣性，即它可以從各種教育環(huán)境里不同對象的活動中獲取。為了更好地從表征數(shù)據(jù)中提取有效、有價值的信息，基于深度學(xué)習(xí)技術(shù)的教育大數(shù)據(jù)挖掘的工作流程具體分為教育大數(shù)據(jù)獲取和預(yù)處理、深度學(xué)習(xí)模型對教育大數(shù)據(jù)的處理以及教育大數(shù)據(jù)挖掘應(yīng)用三個層次（如圖3所示）。

在教育大數(shù)據(jù)獲取和預(yù)處理中，根據(jù)數(shù)據(jù)的特點，其采集和預(yù)處理的難度也在逐步增加。表現(xiàn)為量化結(jié)果的數(shù)據(jù)（如學(xué)生成績數(shù)據(jù)）通常使用二維表存儲，可直接進行調(diào)用;而復(fù)雜的非結(jié)構(gòu)化數(shù)據(jù)（如學(xué)生行為數(shù)據(jù)）的采集方式則較為多樣化，如使用物聯(lián)網(wǎng)感知技術(shù)、視頻監(jiān)控技術(shù)、智能錄播技術(shù)、在線學(xué)習(xí)與管理平臺技術(shù)等。針對教育大數(shù)據(jù)挖掘中不同服務(wù)對象的不同應(yīng)用目的，需要將原始數(shù)據(jù)進行預(yù)處理。以數(shù)據(jù)生成和分類為目的，則需要使用有標(biāo)注的教育數(shù)據(jù)進行有監(jiān)督學(xué)習(xí)，即通過將教育數(shù)據(jù)分為訓(xùn)練集和驗證集對模型進行調(diào)參優(yōu)化以提高準(zhǔn)確率。以聚類和異常檢測為目的，可以采用無監(jiān)督學(xué)習(xí)自主識別模型規(guī)律，在大多數(shù)情況下也可以采用半監(jiān)督學(xué)習(xí)，在降低成本的同時提高準(zhǔn)確率。對教育大數(shù)據(jù)進行預(yù)處理后，需要對教育大數(shù)據(jù)集進行變量轉(zhuǎn)換作為深度學(xué)習(xí)模型的輸入，即將圖像數(shù)據(jù)、文本數(shù)據(jù)、語音數(shù)據(jù)轉(zhuǎn)化為輸入向量。圖像數(shù)據(jù)主要利用一些軟件和工具進行處理，如利用IMread函數(shù)把圖像轉(zhuǎn)化為矩陣向量，以此構(gòu)成特征圖作為深度學(xué)習(xí)模型的輸入。文本數(shù)據(jù)可以利用TF詞頻方法、TF-IDF詞頻—逆文檔頻率、One-hot以及Word2vec等方法進行向量化，一般以一維向量的特征圖作為輸入。語音數(shù)據(jù)通過聲學(xué)特征提取，將每一幀波形變成一個多維的向量作為輸入。深度學(xué)習(xí)模型的輸出向量則以教育大數(shù)據(jù)挖掘的目的和服務(wù)的對象進行向量輸出轉(zhuǎn)化。圖3所示的深度學(xué)習(xí)處理過程為通用的深度神經(jīng)網(wǎng)絡(luò)模型，在具體使用過程中應(yīng)根據(jù)教育大數(shù)據(jù)挖掘的目的和服務(wù)對象進行深度學(xué)習(xí)模型選擇。

四、深度學(xué)習(xí)技術(shù)在教育大數(shù)據(jù)領(lǐng)域的應(yīng)用進展

隨著深度學(xué)習(xí)技術(shù)在不同領(lǐng)域取得的巨大成功，近年國內(nèi)外越來越多的學(xué)者基于教育大數(shù)據(jù)的特點和挖掘目的將深度學(xué)習(xí)技術(shù)應(yīng)用到教育大數(shù)據(jù)挖掘領(lǐng)域。通過對相關(guān)文獻進行整理和分析，基于深度學(xué)習(xí)的教育大數(shù)據(jù)挖掘的主要應(yīng)用研究方向涉及學(xué)生學(xué)習(xí)追蹤及表現(xiàn)預(yù)測、輔助教學(xué)、考試應(yīng)用、學(xué)生行為和心理識別等;微軟、谷歌、科大訊飛、IBM、百度、哈工大訊飛聯(lián)合實驗室等主要機構(gòu)已將相關(guān)研究產(chǎn)品化。

（一）深度學(xué)習(xí)技術(shù)在教育大數(shù)據(jù)挖掘領(lǐng)域的應(yīng)用研究方向

本研究文獻檢索日期截至2018年6月30日，以深度學(xué)習(xí)、教育大數(shù)據(jù)、MOOC等為主要檢索主題詞，通過人工方式過濾掉教育領(lǐng)域關(guān)于高層次認知思維上深度學(xué)習(xí)（即教育領(lǐng)域中非技術(shù)支持的深度學(xué)習(xí)）的相關(guān)文章，共得到27篇文獻。其中，2015年5篇、2016年3篇、2017年14篇、2018年5篇，據(jù)此整理、分析出目前深度學(xué)習(xí)技術(shù)在教育大數(shù)據(jù)挖掘領(lǐng)域應(yīng)用的四個主要研究方向。

1. 基于深度學(xué)習(xí)的學(xué)生學(xué)習(xí)追蹤及表現(xiàn)預(yù)測

實時了解學(xué)生學(xué)習(xí)狀態(tài)并對學(xué)生的發(fā)展做出合理的預(yù)測，這對改善教學(xué)狀況、提高教學(xué)質(zhì)量有著十分重要的作用。由于影響學(xué)習(xí)狀況的因素十分復(fù)雜，傳統(tǒng)的建模方法不能很好地進行學(xué)習(xí)追蹤，而深度學(xué)習(xí)技術(shù)可以利用任何可向量化的學(xué)生數(shù)據(jù)作為輸入且不需要特別的注解和標(biāo)記，這對于學(xué)生表現(xiàn)建模極具優(yōu)勢，因此，最終對學(xué)生績效的預(yù)測也十分準(zhǔn)確[22]。通過深度學(xué)習(xí)技術(shù)完成學(xué)生學(xué)習(xí)追蹤及表現(xiàn)預(yù)測，可以幫助教師與學(xué)生實現(xiàn)自動反饋，因此，可以在教與學(xué)兩方面進行同步改進。基于深度學(xué)習(xí)的學(xué)生學(xué)習(xí)追蹤及表現(xiàn)預(yù)測相關(guān)研究見表3。已有研究主要從兩個方面展開：一是對學(xué)生平時的表現(xiàn)情況進行數(shù)據(jù)建模來預(yù)測最終的學(xué)習(xí)表現(xiàn)，如Kim等的GritNet模型（基于雙向長短時記憶模型）在收到某個給定學(xué)生8周數(shù)據(jù)后，在幾個星期內(nèi)提高學(xué)生畢業(yè)預(yù)測的準(zhǔn)確性[23];Okubo等使用循環(huán)神經(jīng)網(wǎng)絡(luò)挖掘教育系統(tǒng)中的日志數(shù)據(jù)預(yù)測學(xué)生最終成績，并通過實驗證明RNN對最終成績的早期預(yù)測是有效的[24];Wang等將嵌入的程序輸入到一個循環(huán)的神經(jīng)網(wǎng)絡(luò)中，根據(jù)學(xué)生在完成一項練習(xí)時的連續(xù)快照分析他的學(xué)習(xí)能力，并在隨后的編程練習(xí)中預(yù)測學(xué)生的成果[25];Smith等構(gòu)建了基于深度學(xué)習(xí)的示意圖模型，利用學(xué)生繪制軌跡的時間和拓撲特征來預(yù)測學(xué)生的繪畫動作[26];Piech等利用循環(huán)神經(jīng)網(wǎng)絡(luò)對一系列知識跟蹤數(shù)據(jù)集建模，預(yù)測學(xué)生學(xué)習(xí)情況[27]。二是用學(xué)生在其他環(huán)境中的表現(xiàn)來推測學(xué)生的學(xué)習(xí)認知能力，如Min等基于深度學(xué)習(xí)提出一種新型評估框架，在一個基于游戲的學(xué)習(xí)環(huán)境中推斷學(xué)生的能力，對于準(zhǔn)確評估學(xué)習(xí)者的計算思維有很大幫助[28]。

2. 基于深度學(xué)習(xí)的教學(xué)輔助工具

新時代的教學(xué)模式擺脫了傳統(tǒng)的板書課堂，像線上學(xué)習(xí)、多媒體輔助教學(xué)、智能輔導(dǎo)系統(tǒng)等新技術(shù)帶來了更加豐富的學(xué)習(xí)體驗。在基于深度學(xué)習(xí)的教學(xué)輔助工具的作用下，新時代的教學(xué)模式將得到進一步豐富和改進。表4列舉了深度學(xué)習(xí)技術(shù)下一些教學(xué)輔助工具的相關(guān)研究。近年來發(fā)展迅速的MOOC學(xué)習(xí)平臺，在深度學(xué)習(xí)技術(shù)的支持下有三個方面的研究：一是通過模型預(yù)測輟學(xué)率來判斷學(xué)生是否會退出課程，如Xing等利用深度學(xué)習(xí)算法構(gòu)建輟學(xué)預(yù)測模型，進一步預(yù)測個體學(xué)生的輟學(xué)概率[29];Wang等基于卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)的混合架構(gòu)，提出了一種能夠自動提取原始MOOC數(shù)據(jù)特征的模型，得到了與特征工程方法預(yù)測相似的結(jié)果[30]。二是有關(guān)MOOC論壇中的問題交流，如Lin等基于卷積神經(jīng)網(wǎng)絡(luò)對MOOC論壇中的討論主題進行分類[31];Wei等針對不同課程中存在的偏差，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)模型和長短期記憶模型的、名為ConvL的遷移學(xué)習(xí)框架，以自動識別文本是否表達了困惑，并對帖子進行情感極性分類，確定其需求緊急程度來及時地解決學(xué)習(xí)者的困惑[32]。三是MOOC平臺根據(jù)學(xué)生的特點推送個性化的教學(xué)資源，如Tang等使用長短時記憶模型預(yù)測學(xué)生的學(xué)習(xí)趨勢，為MOOC中尋找指導(dǎo)的學(xué)生提供廣泛的建議[33];在另一篇文章中，Tang等通過長短時記憶模型和遞歸網(wǎng)絡(luò)模型，根據(jù)學(xué)生的點擊流活動預(yù)測學(xué)生行為，并在學(xué)習(xí)者陷入困難時向其提供資源[22]。除了MOOC平臺外，基于深度學(xué)習(xí)的教學(xué)輔助工具還以教學(xué)資源、科研論文、多媒體軟件、英語語音為挖掘?qū)ο?，如寇媛媛通過卷積神經(jīng)網(wǎng)絡(luò)模型表達教學(xué)資源的特征，實現(xiàn)精準(zhǔn)高效的移動平臺教學(xué)資源推薦[34];Hassan等利用循環(huán)神經(jīng)網(wǎng)絡(luò)發(fā)現(xiàn)論文的連續(xù)和潛在語義特征，使研究人員用少量的時間找到滿意的研究文獻[35];劉瑞梅通過深度學(xué)習(xí)識別學(xué)習(xí)者對多媒體畫面的情感傾向，用以指導(dǎo)多媒體軟件制作，最終給用戶帶來更好的學(xué)習(xí)體驗[36];陳嘉華基于深度學(xué)習(xí)進行英語語音識別和發(fā)音質(zhì)量的研究，進而有效地幫助學(xué)生進行英語發(fā)音練習(xí)[37]。

3. 基于深度學(xué)習(xí)的考試應(yīng)用

考試作為考查學(xué)生學(xué)習(xí)成果的重要手段，在應(yīng)試教育中占有很高的地位，基于深度學(xué)習(xí)的考試應(yīng)用使考試更加便捷和高效。表5總結(jié)了深度學(xué)習(xí)技術(shù)支撐下的三個方面的考試應(yīng)用。一是作文自動批改，如陳珊珊結(jié)合卷積神經(jīng)網(wǎng)絡(luò)模型和長短時記憶模型兩者的優(yōu)點，設(shè)計并實現(xiàn)了作文自動評分系統(tǒng)，此系統(tǒng)在給出客觀評分的同時，能夠?qū)ο鄳?yīng)的要點進行反饋，最終讓用戶更好地理解作文的優(yōu)劣點[38];陳一樂通過卷積神經(jīng)網(wǎng)絡(luò)模型得到篇章表示，從而用篇章向量來完成評分任務(wù)實驗[39];劉明楊利用深度學(xué)習(xí)中的受限玻爾茲曼機模型自動學(xué)習(xí)作文的特征，并將其應(yīng)用到嶺回歸模型的訓(xùn)練和測試中，最終完成作文分數(shù)預(yù)測[40]。二是數(shù)學(xué)自動閱卷，如李磊在數(shù)學(xué)主觀題自動閱卷中運用深度學(xué)習(xí)技術(shù)的理念，基于此設(shè)計的系統(tǒng)對于提高閱卷效率以及減輕教師繁復(fù)的工作量有較大的幫助[41];劉逸雪等提出的基于Bi-LSTM的數(shù)學(xué)主觀題自動閱卷方法，在客觀給出評分的同時提高教學(xué)效率[42]。三是以深度學(xué)習(xí)為基礎(chǔ)的智能命題考試建設(shè)，試卷命題需要涵蓋所學(xué)知識點且還需要考察學(xué)生的綜合能力，而基于深度學(xué)習(xí)的智能命題可以通過組建題庫來很好地解決這一問題[43]。

4. 基于深度學(xué)習(xí)的學(xué)習(xí)者心理和行為分析

關(guān)注學(xué)生的心理活動和行為表現(xiàn)能更好地引領(lǐng)其良好的自我意識和價值觀的形成?；谏疃葘W(xué)習(xí)的學(xué)習(xí)者心理和行為分析能夠幫助教師和教育管理者及時了解學(xué)習(xí)者的心理和行為，高效地給予其相應(yīng)的支持和幫助?；谏疃葘W(xué)習(xí)的學(xué)習(xí)者心理和行為分析研究總結(jié)見表6。Xiao等人通過深度信念網(wǎng)絡(luò)分析微博上大學(xué)生發(fā)布的經(jīng)歷文本，了解學(xué)生的身心發(fā)展和興趣愛好[44];廖鵬等人通過卷積神經(jīng)網(wǎng)絡(luò)模型對學(xué)生課堂視頻中的目標(biāo)特征進行提取，準(zhǔn)確識別學(xué)生的課堂異常行為，能夠讓教師及時發(fā)現(xiàn)學(xué)生存在的問題[45];曾志通過深度置信網(wǎng)絡(luò)挖掘大五人格特質(zhì)與人臉特征之間的關(guān)系，有效判斷學(xué)生的特質(zhì)，進而幫助教師對學(xué)生的潛力進行挖掘[46]。

除了上述四個方面，基于深度學(xué)習(xí)的教育大數(shù)據(jù)挖掘還可以應(yīng)用到中文人物關(guān)系挖掘[47]和歷史知識庫標(biāo)注分類[48]等方面。隨著深度學(xué)習(xí)技術(shù)的日趨成熟和成功，其在教育大數(shù)據(jù)挖掘領(lǐng)域的研究內(nèi)容和研究范圍將不斷擴展。

（二）深度學(xué)習(xí)技術(shù)在教育大數(shù)據(jù)挖掘領(lǐng)域的主要應(yīng)用機構(gòu)

以已有的理論研究為依托，一些機構(gòu)通過與高校合作或是自主研發(fā)將深度學(xué)習(xí)相關(guān)的技術(shù)應(yīng)用到教育大數(shù)據(jù)挖掘?qū)嵺`中，主要的應(yīng)用機構(gòu)及其產(chǎn)品見表7?；谏疃葘W(xué)習(xí)的教育大數(shù)據(jù)挖掘相關(guān)產(chǎn)品的研發(fā)主要集中在自然語言處理領(lǐng)域，即英語的聽說讀寫及翻譯;同時智能問答和搜索引擎等方面也是未來深度學(xué)習(xí)在教育大數(shù)據(jù)挖掘領(lǐng)域應(yīng)用研究的重點方向。

五、總結(jié)與展望

在實現(xiàn)教育現(xiàn)代化、智能化的過程中，深度學(xué)習(xí)技術(shù)具有不可替代的重要地位。盡管深度學(xué)習(xí)技術(shù)能給教育大數(shù)據(jù)挖掘帶來諸多幫助，但仍存在以下四個方面的問題有待進一步研究：（1）教育大數(shù)據(jù)的質(zhì)量。教育大數(shù)據(jù)的復(fù)雜性和多樣性使其作為數(shù)據(jù)集來訓(xùn)練深度學(xué)習(xí)模型時存在很多問題，需要考慮數(shù)據(jù)的稀疏性、冗余性和缺失值。受限于現(xiàn)實條件，海量的教育數(shù)據(jù)無法做到在短時間內(nèi)高質(zhì)量的、全面的采集和處理，在分析過程中一些子目標(biāo)的缺失也會造成錯誤的結(jié)果，所以提高教育大數(shù)據(jù)的質(zhì)量是影響深度學(xué)習(xí)技術(shù)在教育大數(shù)據(jù)挖掘領(lǐng)域應(yīng)用的關(guān)鍵。（2）深度學(xué)習(xí)技術(shù)的應(yīng)用范圍。從現(xiàn)有的研究中可以看到，使用深度學(xué)習(xí)技術(shù)進行教育大數(shù)據(jù)挖掘的應(yīng)用范圍還很局限，基于深度學(xué)習(xí)的教育大數(shù)據(jù)挖掘的結(jié)果多服務(wù)于學(xué)習(xí)者和教師，而關(guān)于教育管理者在教育決策等方面的研究幾乎沒有。（3）基于深度學(xué)習(xí)的教育大數(shù)據(jù)挖掘的應(yīng)用的整體性。教育大數(shù)據(jù)挖掘的結(jié)果往往只被應(yīng)用于一個問題或一個層面的群體，不能很好地從整體層面去看待、解決問題。如何對資源進行宏觀調(diào)控，把握好不同服務(wù)對象之間的相互影響，是解決教育均衡快速發(fā)展的前提。（4）深度學(xué)習(xí)模型結(jié)果的解釋。深度學(xué)習(xí)模型較難從外部理解其運作，然而教育問題的研究除了追求挖掘模型性能的優(yōu)化，深度學(xué)習(xí)模型結(jié)果的教育解釋還需要深入探析。

由于國家對教育領(lǐng)域的發(fā)展十分重視，在未來，關(guān)于教育的需求一定是人們迫切關(guān)注的。我們已經(jīng)見證了深度學(xué)習(xí)巨大的魅力，相信隨著深度學(xué)習(xí)技術(shù)的逐漸成熟，它在教育大數(shù)據(jù)挖掘領(lǐng)域的進一步發(fā)展能有效解決不足之處，可以在以下幾個方面做出努力：（1）產(chǎn)業(yè)專業(yè)化。培養(yǎng)一批掌握深度學(xué)習(xí)技術(shù)、懂得教育的人才，確定行業(yè)發(fā)展的重點方向，持續(xù)推進教育大數(shù)據(jù)挖掘的有序發(fā)展。（2）極致體驗。在學(xué)習(xí)分析與評測、在線與移動學(xué)習(xí)環(huán)境構(gòu)建、虛擬與增強現(xiàn)實學(xué)習(xí)環(huán)境、教學(xué)知識可視化、教育智能體等教育信息科學(xué)與技術(shù)研究方向中，更多地去探索基于深度學(xué)習(xí)技術(shù)的教育大數(shù)據(jù)挖掘能帶來的幫助。（3）與教育管理者協(xié)同前進。一方面通過教育大數(shù)據(jù)挖掘的結(jié)果指導(dǎo)管理者進行精準(zhǔn)化管理，另一方面通過教育管理者實現(xiàn)多方平臺合作，發(fā)揮各方面的優(yōu)勢，同時，推進深度學(xué)習(xí)技術(shù)和教育應(yīng)用兩方面的進步。相信未來在教育大數(shù)據(jù)挖掘領(lǐng)域，深度學(xué)習(xí)技術(shù)能為人們提供更多價值。

[參考文獻]

[1] 周慶，牟超，楊丹. 教育數(shù)據(jù)挖掘研究進展綜述[J]. 軟件學(xué)報，2015，26（11）：3026-3042.

[2] BAKER R S，INVENTADO P S. Educational data mining and learning analytics[M] //Learning analytics. New York：Springer，2014：61-75.

[3] 舒忠梅，徐曉東. 學(xué)習(xí)分析視域下的大學(xué)生滿意度教育數(shù)據(jù)挖掘及分析[J]. 電化教育研究，2014（5）：39-44.

[4] BECKER S A，CUMMINS M，DAVIS A，et al. NMC horizon report：2017 library edition[R]. Austin：The New Media Consortium，2017.

[5] OKOLI C，SCHABRAM K. A guide to conducting a systematic literature review of information systems research[J]. Ssrn electronic journal，2011，10：1-49.

[6] HINTON G E，OSINDERO S，TEH Y W. A fast learning algorithm for deep belief nets[J]. Neural computation，2006，18（7）：1527-1554.

[7] 布盧姆. 教育目標(biāo)分類學(xué)[M]. 蔣小平，張琴美，羅晶晶，譯. 上海：華東師范大學(xué)出版社，1986.

[8] MARTON F，S？魧LJ？魻 R. On qualitative differences in learning：I—Outcome and process[J]. British journal of educational psychology， 1976，46（1）：4-11.

[9] LECUN Y，BOTTOU L，BENGIO Y，et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE， 1998，86（11）：2278-2324.

[10] KOUTNIK J，GREFF K，GOMEZ F，et al. A Clockwork RNN[J]. Computer science，2014：1863-1871.

[11] HOCHREITER S，SCHMIDHUBER J. Long short-term memory[J]. Neural computation，1997，9（8）：1735-1780.

[12] POLLACK J B. The induction of dynamical recognizers[M]//Connectionist approaches to language learning. Boston：Springer，1991： 123-148.

[13] KRIZHEVSKY A，SUTSKEVER I，Hinton G E. ImageNet classification with deep convolutional neural networks[C]// Proceedings of International Conference on Neural Information Processing Systems. New York：Curran Associates Inc. 2012：1097-1105.

[14] 周凱龍. 基于深度學(xué)習(xí)的圖像識別應(yīng)用研究[D]. 北京：北京工業(yè)大學(xué)，2016.

[15] BADRI H，YAHIA H，DAOUDI K. Fast and accurate texture recognition with multilayer convolution and multifractal analysis[C]// Proceedings of European Conference on Computer Vision. Cham：Springer，2014：505-519.

[16] 周燕. 基于語音稀疏表示的謊言檢測研究[D]. 蘇州：蘇州大學(xué)，2017.

[17] 王冰倩. 基于深度學(xué)習(xí)的語音質(zhì)量評價方法研究[D]. 大連：大連理工大學(xué)，2015.

[18] 李翔. 噪聲環(huán)境下基于深度學(xué)習(xí)的語音識別研究[D]. 武漢：武漢工程大學(xué)，2017.

[19] 吳嘉偉. 電子病歷實體關(guān)系抽取研究[D]. 哈爾濱：哈爾濱工業(yè)大學(xué)，2014.

[20] 梁軍，柴玉梅，原慧斌，等. 基于深度學(xué)習(xí)的微博情感分析[J]. 中文信息學(xué)報，2014，28（5）：155-161.

[21] 曹宇慧. 基于深度學(xué)習(xí)的文本情感分析研究[D]. 哈爾濱：哈爾濱工業(yè)大學(xué)，2016.

[22] TANG S，PETERSON J C，PARDOS Z A. Deep neural networks and how they apply to sequential education data[C]// Proceedings of the Third （2016） ACM Conference on Learning @ Scale. New York：ACM，2016：321-324.

[23] KIM B H， VIZITEI E， GANAPATHI V.GritNet： student performance prediction with deep learning[EB/OL]. （2018-04-19） [2018-06-15].https：//arxiv.org/pdf/1804.07405.pdf

[24] OKUBO F，YAMASHITA T，SHIMADA A，et al. A neural network approach for students' performance prediction[C]//Proceedings of the Seventh International Learning Analytics & Knowledge Conference. New York：ACM，2017： 598-599.

[25] WANG L，SY A，LIU L，et al.Deep knowledge tracing on programming exercises[C]//Proceedings of the Fourth（2017）ACM Conference on Learning@ Scale.New York：ACM，2017：201-204.

[26] SMITH A，MIN W，MOTT B W，et al. Diagrammatic student models：modeling student drawing performance with deep learning[C]//International Conference on User Modeling，Adaptation，and Personalization. Cham：Springer，2015：216-227.

[27] PIECH C，BASSEN J，HUANG J，et al. Deep knowledge tracing[J]. Computer science，2015，3（3）：19-23.

[28] MIN W，F(xiàn)RANKOSKY M H，MOTT B W，et al. DeepStealth：leveraging deep learning models for stealth assessment in game-based learning environments[C]//Proceedings of the International Conference on Artificial Intelligence in Education. Cham：Springer，2015： 277-286.

[29] XING W，DU D. Dropout Prediction in MOOCs：using deep learning for personalized intervention[J]. Journal of educational computing research，2018，3：55-62.

[30] WANG W，YU H，MIAO C. Deep model for dropout prediction in MOOCs[C]//Proceedings of the 2nd International Conference on Crowd Science and Engineering. New York：ACM，2017： 26-32.

[31] LIN F，LEI W，LIU S，et al. Classification of discussion threads in MOOC forums based on deep learning[C]// Proceedings of the 2017 2nd International Conference on Wireless Communication and Network Engineering（WCNE 2017）. Lancaster：DEStech Publications，2017：493-498.

[32] WEI X， LIN H，YANG L，et al. A convolution-lstm-based deep neural network for cross-domain MOOC forum post classification[J]. Information，2017，8（3）：1-16.

[33] TANG S，PETERSON J C，PARDOS Z A. Modelling student behavior using granular large scaleaction data from a MOOC[EB/OL]. （2016-08-16） [2018-06-16]. https：//arxiv.org/pdf/1608.04789.pdf

[34] 寇媛媛. 基于深度學(xué)習(xí)的在線教學(xué)推薦系統(tǒng)設(shè)計與研究[J]. 西安職業(yè)技術(shù)學(xué)院學(xué)報，2017（3）：11-14.

[35] HASSAN H A M. Personalized research paper recommendation using deep learning[C]// Proceedings of the 25th Conference on User Modeling，Adaptation and Personalization. New York：ACM，2017： 327-330.

[36] 劉瑞梅， 孟祥增. 基于深度學(xué)習(xí)的多媒體畫面情感分析[J]. 電化教育研究，2018，39（1）：68-74.

[37] 陳嘉華. 基于深度學(xué)習(xí)的英語語音識別與發(fā)音質(zhì)量評價[D]. 廣州：廣東外語外貿(mào)大學(xué)，2015.

[38] 陳珊珊. 自動作文評分模型及方法研究[D]. 哈爾濱：哈爾濱工業(yè)大學(xué)，2017.

[39] 陳一樂. 基于回歸分析的中文作文自動評分技術(shù)研究[D]. 哈爾濱：哈爾濱工業(yè)大學(xué)，2016.

[40] 劉明楊. 高考作文自動評分關(guān)鍵技術(shù)研究[D]. 哈爾濱：哈爾濱工業(yè)大學(xué)，2015.

[41] 李磊. 基于機器學(xué)習(xí)的中小學(xué)數(shù)學(xué)自動閱卷系統(tǒng)研究與實現(xiàn)[D]. 桂林：廣西師范大學(xué)，2017.

[42] 劉逸雪，盧雨軒，丁亮，等. 基于 Bi-LSTM 的數(shù)學(xué)主觀題自動閱卷方法[J]. 管理觀察，2018 （2）：109-113.

[43] 汪張龍. 人工智能技術(shù)在考試中的應(yīng)用[J]. 中國考試，2017（11）：30-36.

[44] YU X，YU H，TIAN X Y，et al. Recognition of college students from Weibo with deep neural networks[J]. International journal of machine learning and cybernetics，2017，8（5）：1447-1455.

[45] 廖鵬，劉宸銘，蘇航，等. 基于深度學(xué)習(xí)的學(xué)生課堂異常行為檢測與分析系統(tǒng)[J]. 電子世界，2018（8）：97-98.

[46] 曾志. 基于人臉特征與深度學(xué)習(xí)的學(xué)生人格特質(zhì)分析[D]. 南昌：江西師范大學(xué)，2017.

[47] 黃蓓靜. 深度學(xué)習(xí)技術(shù)在中文人物關(guān)系抽取中的應(yīng)用研究[D]. 上海：華東師范大學(xué)，2017.

[48] 李依塵. 面向自動問答的中學(xué)歷史知識庫構(gòu)建[D]. 哈爾濱：哈爾濱工業(yè)大學(xué)，2017.