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)在近年也得到了長足的發(fā)展。這些技術(shù)也直接促進了教育領(lǐng)域4項基于計算機支持的應(yīng)用研究：學(xué)習(xí)分析、預(yù)測分析、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，并達到教育教學(xué)持續(xù)改進的目的。

【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)造了大量存儲教育數(shù)據(jù)的大規(guī)模數(shù)據(jù)庫。這些基于網(wǎng)絡(luò)的教育系統(tǒng)正以指數(shù)級的速度增長，也造成以不同的格式和不同的粒度級別存儲來自多個來源的大量潛在數(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/增強環(huán)境、移動/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)來自動分析這類數(shù)據(jù)的工具，因為所有這些信息提供了一個教育數(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。事實上，如今高等教育機構(gòu)面臨的最大挑戰(zhàn)之一就是教育數(shù)據(jù)的指數(shù)級增長，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。

美國為了更好地促進大數(shù)據(jù)在教育領(lǐng)域的應(yīng)用，集中領(lǐng)域?qū)＜疫M行研究，并在2012年由美國教育部 （U.S. Department of Education）發(fā)布藍皮書《通過教育數(shù)據(jù)挖掘和學(xué)習(xí)分析促進教與學(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：可定義為測量、收集、分析和報告關(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。該定義涉及三個關(guān)鍵要素：數(shù)據(jù)、分析和行動。

這兩種對教育研究的方向有著顯著的重疊：都關(guān)注教育數(shù)據(jù)，并且都有著強化教育實踐的共同目標(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)動的決策，并通過應(yīng)用已知的預(yù)測模型整合學(xué)習(xí)的技術(shù)和社會/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)動數(shù)據(jù)挖掘、社會網(wǎng)絡(luò)分析、心理教育學(xué)、認知心理學(xué)、心理測量學(xué)等。事實上，它們可以由三個主要領(lǐng)域組成：計算機科學(xué)、教育和統(tǒng)計學(xué)。這三個領(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，如計算機教育（Computer Based Education， CBE）、數(shù)據(jù)挖掘DM和機器學(xué)習(xí)（Machine Learning， ML）以及教育統(tǒng)計（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)測學(xué)生的表現(xiàn)、成績、預(yù)測/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)可以通過準確預(yù)測學(xué)生在特定課程中的最終成績，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評估學(xué)生對學(xué)習(xí)活動的參與程度;③持續(xù)評估學(xué)生的學(xué)習(xí)表現(xiàn);④識別學(xué)習(xí)動機弱的學(xué)生;⑤確定學(xué)生是否會完成作業(yè);以及⑥評估學(xué)生與在線學(xué)習(xí)資源的互動。

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，從而改進整個決策過程?；诖?，分類的使用將使決策者能夠更靈活地評估一組學(xué)生的表現(xiàn)和行為，從而確定他們的特定知識或能力不適合該任務(wù)，小組中的個別成員在學(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，特別是激勵那些在特定活動或課堂上表現(xiàn)不佳的學(xué)生，并準確地測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

聚類是對相似類對象的識別或分組。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，向相似的用戶推薦活動和資源，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），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。這些活動可以幫助教育決策者在早期階段識別潛在的輟學(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)測學(xué)生的學(xué)習(xí)結(jié)果，識別不受歡迎的學(xué)生行為，并通過監(jiān)控學(xué)生之間的集體互動，來支持教師在合作學(xué)習(xí)模式中，以評估學(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、個人的學(xué)習(xí)風(fēng)格偏好、學(xué)習(xí)成績和行為互動，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)校能夠在早期識別出存在學(xué)習(xí)風(fēng)險學(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)來促進對學(xué)生學(xué)習(xí)活動的監(jiān)控，并評估他們在與學(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)的進一步反饋，以評估學(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)者對課程材料的在線參與度，教師可以操縱學(xué)生活動的圖形化表示，這使教師能更好地了解遠程課堂上正在發(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

統(tǒng)計學(xué)是一種數(shù)學(xué)方法，側(cè)重于使用統(tǒng)計軟件收集、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）評估對指導(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)器日志信息進行形成性評價。教師可以使用這些技巧來了解學(xué)生參與在線活動與學(xué)習(xí)成果之間的聯(lián)系。

統(tǒng)計技術(shù)在高等教育中的應(yīng)用廣泛地與以下預(yù)測相關(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;③學(xué)生動機;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)測的結(jié)果可能會為決策者提供新的知識，用于解決各種學(xué)習(xí)問題。這有助于教師和課程設(shè)計者對學(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，它還可用于促進協(xié)作學(xué)習(xí)，提供反饋以支持教師的決策，識別不尋常的學(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)測學(xué)生的表現(xiàn)（最終成績），學(xué)業(yè)表現(xiàn)的監(jiān)測和評估（測試和考試成績），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)測技術(shù)，用于確定因變量（目標(biāo)域）與一個或多個獨立變量之間的關(guān)系，以及確定這些關(guān)系如何對個體的學(xué)習(xí)結(jié)果做出貢獻?；貧w在高等教育中的一些常見用途包括預(yù)測學(xué)生的表現(xiàn)、行為、知識和分數(shù)或成績。此外，教師可以利用這一技術(shù)提出有效的策略，以加強學(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)生的特點和經(jīng)歷如何影響他們對學(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)測大學(xué)課程的成功率?；貧w可以像分類技術(shù)一樣有效地用于預(yù)測目的。然而，在分類中，預(yù)測值是分類任務(wù)，而在回歸中，它是一個數(shù)值或連續(xù)任務(wù)?；谶@個原因，EDM研究者經(jīng)常使用一些回歸技術(shù)來預(yù)測學(xué)生的學(xué)習(xí)成績，并識別出可以預(yù)測大學(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)個性化建議，并有效獲取構(gòu)建學(xué)生模型所必需的知識。在協(xié)作學(xué)習(xí)中，它可以用來發(fā)現(xiàn)哪個信息序列可以用來預(yù)測學(xué)生群體中的高分者。這包括預(yù)測學(xué)生在一系列可以在問題解決環(huán)境中執(zhí)行的動作的中間步驟。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)序列過濾項目或事件來識別潛在的學(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。雖然隨機數(shù)據(jù)挖掘技術(shù)的重點是找出某些事件的原因，但如果使用自動實驗隨機選擇一個教育事件，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的過程。這項技術(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行的自動形成性評估。文本挖掘可以提高教師評估小組討論進度的能力，促進由在線討論板上的信息構(gòu)建概念圖的過程，從一個大的在線學(xué)習(xí)數(shù)據(jù)量，并探討學(xué)生的認知學(xué)習(xí)結(jié)果是否存在差異，尤其是對于那些具有不同學(xué)習(xí)背景的學(xué)生?；谶@些觀察結(jié)果，預(yù)計教育政策制定者可能會應(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)測未來趨勢和個人行為方面提供更優(yōu)異的計劃，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)域知識內(nèi)容、表現(xiàn)和評估的模式和預(yù)測方面都能發(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，具體可劃分為四個主要維度：計算機支持的學(xué)習(xí)分析（Computer-Supported Learning Analytics， CSLA）、計算機支持的預(yù)測分析（Computer-Supported Predictive Analytics， CSPA）、計算機支持的行為分析（Computer-Supported Behavioral Analytics， CSBA），以及計算機支持的可視化分析（Computer-Supported Visualization Analytics， CSVA）。

2.1計算機支持的學(xué)習(xí)分析CSLA

計算機支持的學(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)境中的互動來獲得可操作的信息。參與持續(xù)監(jiān)控學(xué)習(xí)活動的教師需要評估小組中學(xué)生之間互動的方法，以確定可能采取的干預(yù)措施，并評估課程的有效性。EDM和LA通常通過評估學(xué)生的互動和學(xué)習(xí)結(jié)果來識別學(xué)習(xí)問題。從這些評估中得出的數(shù)據(jù)有助于估計或改變提高學(xué)生對活動和內(nèi)容的自我意識所需的支持水平。例如，來自課程相關(guān)活動（如論壇、內(nèi)容交付和評估）的學(xué)習(xí)管理系統(tǒng)LMS數(shù)據(jù)可用于將系統(tǒng)級對象與學(xué)生的偏好相關(guān)聯(lián)。這也為教師提供了一個全面了解可能的學(xué)習(xí)結(jié)果的機會，并在對學(xué)習(xí)過程的不當(dāng)控制發(fā)生時發(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，最終可能有助于評估教育效果，并有助于設(shè)計提高學(xué)生認知能力的干預(yù)策略。

2.2計算機支持的預(yù)測分析CSPA

在分析促進學(xué)生學(xué)習(xí)的主要原因時，EDM和LA可用于預(yù)測學(xué)生在特定課程中的成績、參與、獲得、分數(shù)和領(lǐng)域知識的評估和評價。這包括對學(xué)習(xí)材料的評估，以評估任務(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)中的知識和隱藏模式，并對結(jié)果或行為做出預(yù)測。EDM和LA可用于發(fā)現(xiàn)知識，幫助教師識別學(xué)生中的早期輟學(xué)，并確定哪些人需要特別關(guān)注。

2.3計算機支持的行為分析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，并揭示學(xué)生學(xué)習(xí)行為的有價值的模式。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)挖掘來識別學(xué)生在參與在線學(xué)習(xí)活動時的行為模式和偏好，使用EDM和LA可以改善學(xué)生在遠距離協(xié)作時的學(xué)習(xí)體驗。目前，EDM和LA的研究主要集中在使用實時數(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可以通過評估學(xué)生在線活動與他們的最終成績之間的關(guān)系來檢測學(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。

2.4計算機支持的可視化分析CSVA

計算機支持的可視化分析CSVA是一種將信息可視化技術(shù)與數(shù)據(jù)挖掘和知識表示技術(shù)相結(jié)合的一種查詢形式，主要是對個體與活動相關(guān)的行為進行可視化分析。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。例如，繪制在線討論圖，并根據(jù)主題的結(jié)構(gòu)特征評估每個帖子（參與度）的質(zhì)量，可以幫助學(xué)生識別相關(guān)的帖子和討論。將可視化數(shù)據(jù)挖掘應(yīng)用于高等教育評估系統(tǒng)中，可以使評估方法更加靈活、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)問題提供機會和解決方案。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)計和回歸等通常都是跨這四個維度使用的。然而，一些數(shù)據(jù)挖掘技術(shù)，如文本挖掘、相關(guān)挖掘、離群點檢測、因果挖掘和密度估計等，由于在獲取調(diào)節(jié)或適應(yīng)個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，供各院校用于實時預(yù)測，有效的提高教學(xué)質(zhì)量。

參考文獻

[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)動的教學(xué)行為分析：現(xiàn)狀、邏輯與發(fā)展趨向[J].遠程教育雜志， 2021， 39（01）：84-93.

[15]陳凱泉，高蕾，孟祥紅. 高校混合式教學(xué)中的線上學(xué)習(xí)路徑挖掘及對教學(xué)改革的啟示[J].高教探索， 2020（05）：5-13.

基金項目：①廣東省教育廳2020年度普通高校特色創(chuàng)新類項目（2020WTSCX297）;②廣東省教育廳2019年度普通高校特色創(chuàng)新類項目（2019GKTSCX152）;③廣東省教育廳2018年度重點平臺及科研項目特色創(chuàng)新項目（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)改革研究與實踐項目（GDJG2019309）;⑤廣州涉外經(jīng)濟職業(yè)技術(shù)學(xué)院2019年校級教研項目（2019JY06）;⑥廣州涉外經(jīng)濟職業(yè)技術(shù)學(xué)院2018年校級教科研項目（2018JY29）。

作者簡介：陳茂（1985.1-），女，講師，廣州涉外經(jīng)濟職業(yè)技術(shù)學(xué)院數(shù)字媒體教研室主任。研究方向為人工智能，大數(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，高級工程師，華南師范大學(xué)博士生，廣州涉外經(jīng)濟職業(yè)技術(shù)學(xué)院教育研究院教授。研究方向為大數(shù)據(jù)應(yīng)用技術(shù)，人工智能，高職教育管理與國際化。

胡翌丹（1978.9—），男，副教授，廣州涉外經(jīng)濟職業(yè)技術(shù)學(xué)院外國語學(xué)院副院長。研究方向為高職教育管理 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)濟職業(yè)技術(shù)學(xué)院計算機應(yīng)用與軟件技術(shù)教研室專任教師。研究方向為軟件技術(shù)，人工智能。

1.廣州涉外經(jīng)濟職業(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