教育数据挖掘研究进展
发布时间：2021-02-15 09:15
教育数据挖掘（Educational Data Mining,EDM）是一门涉及计算机科学、教育学、统计学的交叉学科。它致力于探索来自教育环境的独特数据,其目的是更好地了解学生及其学习环境,从而提高教育成效。为了深入分析EDM的研究进展,从Web of Science库相关文献、国内外研究现状对EDM进行了系统性梳理,介绍了EDM的工作流程,把数据挖掘技术在教育领域的应用归纳为4类,对处于快速发展阶段的一些EDM典型案例进行了统计分析并讨论了其不足与发展趋势。
【文章来源】：计算机工程与应用. 2019,55(14)北大核心
【文章页数】：9 页
【部分图文】：
EDM相关研究领域
治觥?二是兴起阶段（2013—2014），2013年大数据时代到来之后[13]，教育大数据作为大数据的子集也开始受到教磖计算机科学统计学教育学学习分析基于计算机的教育数据挖掘与机器学习教育数据挖掘图1EDM相关研究领域1995—19992000—200420052006200720082009201020112012201320142015201620172018350300250200150100500年份篇数图21995—2018发文量16
]。此外，像特征选择[23]、数据平衡[24-25]等技术也经常被用来解决教育大数据存在的数据不平衡以及高维度等问题。数据预处理是后续工作的基础，直接关系到后续工作的质量和效率。3.3数据挖掘数据挖掘技术中的分类与回归、聚类、关联规则、推荐系统等方法在教育领域已得到了广泛的应用[26]，但即便是相同的算法在教育领域内也有不同的应用场景，具体见表1。数据数据预处理数据挖掘解释与评估数据准备数据挖掘分析与评价数据源知识教育环境未处理数据已处理数据模型或模式图3EDM流程图方法分类与回归聚类关联规则推荐系统机制预测数据对象所属类别（离散变量）或它的取值（连续变量）将一组数据对象集合分成由类似的对象组成的多个类的过程发现数据对象之间的关联或相关性将可能受喜好的资源推荐给使用者常见算法决策树[27]、贝叶斯[28]、支持向量机[29]、线性回归[30]、逻辑回归[28]等k-means[31]、fuz-zycmeans[32]等Apriori算法[33]、FP-树频集算法[34]等协同过滤、基于的内容推荐、混合推荐等[35]EDM应用学生成绩预测、学习风格预测、判断学生是否辍学等关键词聚类分析、学生分组等课程推荐、关联分析等试题、学习方法等个性化学习资源推荐表1数据挖掘算法与EDM应用李宇帆，等：教育数据挖掘研究进展17
【参考文献】：
期刊论文
[1]不平衡数据挖掘方法综述[J]. 向鸿鑫,杨云. 计算机工程与应用. 2019(04)
[2]“以用户为中心”的教育数据挖掘应用研究[J]. 于方,刘延申. 电化教育研究. 2018(11)
[3]考虑多粒度属性约简的关联规则挖掘研究[J]. 杨珍,耿秀丽. 计算机工程与应用. 2019(06)
[4]基于数据挖掘技术的在线学习行为研究综述[J]. 柴艳妹,雷陈芳. 计算机应用研究. 2018(05)
[5]基于MOOC数据的学习者辍课预测研究[J]. 王雪宇,邹刚,李骁. 现代教育技术. 2017(06)
[6]基于认知诊断的个性化试题推荐方法[J]. 朱天宇,黄振亚,陈恩红,刘淇,吴润泽,吴乐,苏喻,陈志刚,胡国平. 计算机学报. 2017(01)
[7]教育数据挖掘研究进展综述[J]. 周庆,牟超,杨丹. 软件学报. 2015(11)
[8]教育大数据的应用模式与政策建议[J]. 杨现民,王榴卉,唐斯斯. 电化教育研究. 2015(09)
[9]面向在线教育领域的大数据研究及应用[J]. 陈池,王宇鹏,李超,张勇,邢春晓. 计算机研究与发展. 2014(S1)
[10]基于MOOC数据的学习行为分析与预测[J]. 蒋卓轩,张岩,李晓明. 计算机研究与发展. 2015(03)
本文编号：3034590
【文章来源】：计算机工程与应用. 2019,55(14)北大核心
【文章页数】：9 页
【部分图文】：
EDM相关研究领域
治觥?二是兴起阶段（2013—2014），2013年大数据时代到来之后[13]，教育大数据作为大数据的子集也开始受到教磖计算机科学统计学教育学学习分析基于计算机的教育数据挖掘与机器学习教育数据挖掘图1EDM相关研究领域1995—19992000—200420052006200720082009201020112012201320142015201620172018350300250200150100500年份篇数图21995—2018发文量16
]。此外，像特征选择[23]、数据平衡[24-25]等技术也经常被用来解决教育大数据存在的数据不平衡以及高维度等问题。数据预处理是后续工作的基础，直接关系到后续工作的质量和效率。3.3数据挖掘数据挖掘技术中的分类与回归、聚类、关联规则、推荐系统等方法在教育领域已得到了广泛的应用[26]，但即便是相同的算法在教育领域内也有不同的应用场景，具体见表1。数据数据预处理数据挖掘解释与评估数据准备数据挖掘分析与评价数据源知识教育环境未处理数据已处理数据模型或模式图3EDM流程图方法分类与回归聚类关联规则推荐系统机制预测数据对象所属类别（离散变量）或它的取值（连续变量）将一组数据对象集合分成由类似的对象组成的多个类的过程发现数据对象之间的关联或相关性将可能受喜好的资源推荐给使用者常见算法决策树[27]、贝叶斯[28]、支持向量机[29]、线性回归[30]、逻辑回归[28]等k-means[31]、fuz-zycmeans[32]等Apriori算法[33]、FP-树频集算法[34]等协同过滤、基于的内容推荐、混合推荐等[35]EDM应用学生成绩预测、学习风格预测、判断学生是否辍学等关键词聚类分析、学生分组等课程推荐、关联分析等试题、学习方法等个性化学习资源推荐表1数据挖掘算法与EDM应用李宇帆，等：教育数据挖掘研究进展17
【参考文献】：
期刊论文
[1]不平衡数据挖掘方法综述[J]. 向鸿鑫,杨云. 计算机工程与应用. 2019(04)
[2]“以用户为中心”的教育数据挖掘应用研究[J]. 于方,刘延申. 电化教育研究. 2018(11)
[3]考虑多粒度属性约简的关联规则挖掘研究[J]. 杨珍,耿秀丽. 计算机工程与应用. 2019(06)
[4]基于数据挖掘技术的在线学习行为研究综述[J]. 柴艳妹,雷陈芳. 计算机应用研究. 2018(05)
[5]基于MOOC数据的学习者辍课预测研究[J]. 王雪宇,邹刚,李骁. 现代教育技术. 2017(06)
[6]基于认知诊断的个性化试题推荐方法[J]. 朱天宇,黄振亚,陈恩红,刘淇,吴润泽,吴乐,苏喻,陈志刚,胡国平. 计算机学报. 2017(01)
[7]教育数据挖掘研究进展综述[J]. 周庆,牟超,杨丹. 软件学报. 2015(11)
[8]教育大数据的应用模式与政策建议[J]. 杨现民,王榴卉,唐斯斯. 电化教育研究. 2015(09)
[9]面向在线教育领域的大数据研究及应用[J]. 陈池,王宇鹏,李超,张勇,邢春晓. 计算机研究与发展. 2014(S1)
[10]基于MOOC数据的学习行为分析与预测[J]. 蒋卓轩,张岩,李晓明. 计算机研究与发展. 2015(03)
本文编号：3034590
本文链接：https://www.wllwen.com/jiaoyulunwen/jgkg/3034590.html
