王盛

摘 要： 本文旨在通過(guò)對(duì)教育數(shù)據(jù)的特征分析，結(jié)合大數(shù)據(jù)的特點(diǎn)，闡述利用數(shù)據(jù)挖掘技術(shù)進(jìn)行教育數(shù)據(jù)分析的方法，促進(jìn)大學(xué)生個(gè)性化學(xué)習(xí)資源的構(gòu)建、個(gè)性化學(xué)習(xí)共同體的建立和個(gè)性化學(xué)習(xí)風(fēng)格的形成，為大學(xué)生提供個(gè)性化學(xué)習(xí)服務(wù)和為教師制訂個(gè)性化教學(xué)方案提供較為準(zhǔn)確的依據(jù)。

關(guān)鍵詞： 大數(shù)據(jù)分析 教育數(shù)據(jù)挖掘 個(gè)性化學(xué)習(xí)

1.引言

隨著大數(shù)據(jù)成為互聯(lián)網(wǎng)信息技術(shù)行業(yè)的流行詞匯，教育逐漸被認(rèn)為是大數(shù)據(jù)可以大有作為的重要應(yīng)用領(lǐng)域。美國(guó)聯(lián)邦政府教育部2012年參與了一項(xiàng)耗資2億美元的公共教育中的大數(shù)據(jù)計(jì)劃，這一計(jì)劃旨在通過(guò)運(yùn)用大數(shù)據(jù)分析改進(jìn)教育。下面旨在通過(guò)對(duì)教育數(shù)據(jù)的特征分析，結(jié)合大數(shù)據(jù)的特點(diǎn)，闡述利用數(shù)據(jù)挖掘技術(shù)進(jìn)行教育數(shù)據(jù)分析的方法，促進(jìn)大學(xué)生個(gè)性化學(xué)習(xí)資源的構(gòu)建、個(gè)性化學(xué)習(xí)共同體的建立和個(gè)性化學(xué)習(xí)風(fēng)格的形成，為大學(xué)生提供個(gè)性化學(xué)習(xí)的服務(wù)和為教師制訂個(gè)性化的教學(xué)方案提供較為準(zhǔn)確的依據(jù)。

2.教育數(shù)據(jù)挖掘的目標(biāo)

美國(guó)教育部教育技術(shù)辦公室在2012年4月10日發(fā)布的《通過(guò)教育數(shù)據(jù)挖掘和學(xué)習(xí)分析增進(jìn)教與學(xué)（公共評(píng)論草案）》指出了教育數(shù)據(jù)挖掘的主要目標(biāo)：（1）通過(guò)對(duì)學(xué)生的知識(shí)構(gòu)成、學(xué)習(xí)動(dòng)機(jī)、元認(rèn)知和學(xué)習(xí)態(tài)度等具體信息的綜合分析創(chuàng)建學(xué)生模型，預(yù)測(cè)學(xué)生未來(lái)的學(xué)習(xí)行為[1]。（2）發(fā)現(xiàn)或改進(jìn)學(xué)科領(lǐng)域模型，使這些模型能表達(dá)或描述學(xué)習(xí)內(nèi)容，并以此優(yōu)化教學(xué)過(guò)程。（3）研究基于各種學(xué)習(xí)軟件的不同類型教學(xué)支持體系所產(chǎn)生的影響。（4）通過(guò)建立綜合學(xué)生模型、學(xué)科領(lǐng)域模型和軟件教學(xué)模型的計(jì)算模型，推進(jìn)學(xué)生對(duì)科學(xué)知識(shí)的學(xué)習(xí)[2]。

3.教育數(shù)據(jù)挖掘?qū)Ω咝W(xué)生個(gè)性化學(xué)習(xí)的促進(jìn)

3.1基于教育數(shù)據(jù)挖掘的學(xué)生模型構(gòu)建

教育數(shù)據(jù)挖掘（Educational Data Mining， EDM）是邁向大數(shù)據(jù)分析的一項(xiàng)主要工作。本文主要針對(duì)高校學(xué)生個(gè)性化學(xué)習(xí)的特點(diǎn)，構(gòu)建學(xué)生模型（如下圖所示），對(duì)學(xué)生層的數(shù)據(jù)進(jìn)行匯聚、分析和過(guò)濾，為促進(jìn)學(xué)生個(gè)性化學(xué)習(xí)提供依據(jù)。

3.2.利用教育數(shù)據(jù)挖掘技術(shù)促進(jìn)高校學(xué)生個(gè)性化學(xué)習(xí)

美國(guó)教育部教育技術(shù)辦公室在2012年4月10日發(fā)布的《通過(guò)教育數(shù)據(jù)挖掘和學(xué)習(xí)分析增進(jìn)教與學(xué)（公共評(píng)論草案）》中指出了從大數(shù)據(jù)中提取價(jià)值的五種主要技術(shù)，分別是預(yù)測(cè)（Prediction）、聚類（Clustering）、關(guān)系挖掘（Relationship Mining）、模式發(fā)現(xiàn)（Discovery with models）和升華人的判斷（Distillation for human judgment）[3]。下面根據(jù)高校學(xué)生個(gè)性化學(xué)習(xí)特點(diǎn)，主要對(duì)前三種技術(shù)對(duì)個(gè)性化學(xué)習(xí)的促進(jìn)作用進(jìn)行闡述。

4.2.1 預(yù)測(cè)（Prediction）

預(yù)測(cè)需要開(kāi)發(fā)一個(gè)域模型，使其能利用預(yù)測(cè)變量從其他相關(guān)方面數(shù)據(jù)中推斷出某一方面的數(shù)據(jù)。主要用于追蹤學(xué)生學(xué)習(xí)過(guò)程，研究學(xué)生學(xué)習(xí)行為，并以實(shí)踐測(cè)試預(yù)測(cè)學(xué)生的教學(xué)結(jié)果。根據(jù)這一預(yù)測(cè)結(jié)果，學(xué)生可以了解自己的學(xué)習(xí)狀況，及時(shí)調(diào)整學(xué)習(xí)方法和學(xué)習(xí)進(jìn)度；教師可以給學(xué)生提供及時(shí)有效的反饋信息，引導(dǎo)學(xué)生使用合適資源提高成績(jī)[4]。對(duì)于高校學(xué)生個(gè)性化學(xué)習(xí)，通過(guò)分析學(xué)生的學(xué)習(xí)行為，可以對(duì)個(gè)性化學(xué)習(xí)資源類型、學(xué)習(xí)情境需求等做出預(yù)測(cè)，從而開(kāi)發(fā)出適合高校學(xué)生開(kāi)展個(gè)性化學(xué)習(xí)且類型多樣的學(xué)習(xí)資源庫(kù)。

4.2.2 聚類（Clustering）

聚類是在沒(méi)有先驗(yàn)知識(shí)的情況下，將物理的或抽象的對(duì)象集合劃分為由類似的對(duì)象組成多個(gè)簇，使得處于同簇中的對(duì)象具有最大相似性，處于不同簇的對(duì)象具有最大差異性[5]。在高校學(xué)生個(gè)性化學(xué)習(xí)中，可以根據(jù)學(xué)生的學(xué)習(xí)困難、交互模式、學(xué)習(xí)風(fēng)格等非結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行聚類，并提取特征數(shù)據(jù)，由此了解學(xué)生的學(xué)習(xí)需求，及時(shí)調(diào)整教學(xué)資源的結(jié)構(gòu)、內(nèi)容和傳授手段，使學(xué)生的個(gè)性化學(xué)習(xí)始終保持最適宜的狀態(tài)，為具有相似學(xué)習(xí)興趣的學(xué)習(xí)者提供針對(duì)性服務(wù)。同時(shí)，便于這些同類學(xué)習(xí)者形成學(xué)習(xí)共同體，分享不同的學(xué)習(xí)體驗(yàn)，不至于在個(gè)性化學(xué)習(xí)中產(chǎn)生孤獨(dú)感而中途放棄。

4.2.3 關(guān)系挖掘（Relationship mining）

關(guān)系挖掘主要用于發(fā)現(xiàn)數(shù)據(jù)集中各種變量之間的關(guān)系，并對(duì)它們編碼，從而描述不同項(xiàng)在同一個(gè)事務(wù)中同時(shí)出現(xiàn)的規(guī)律。其中包括兩種挖掘技術(shù)：第一，關(guān)聯(lián)挖掘（Association rule），關(guān)聯(lián)挖掘常被用來(lái)發(fā)現(xiàn)一些學(xué)生共性的錯(cuò)誤。第二，序列模式（Sequential pattern）挖掘，主要用于構(gòu)建捕獲序列事件發(fā)生間的關(guān)聯(lián)的規(guī)則[6]。我們可以在學(xué)生個(gè)性化學(xué)習(xí)過(guò)程中設(shè)置不同變量，利用關(guān)系挖掘技術(shù)發(fā)現(xiàn)并分析變量間的關(guān)系， 以此發(fā)現(xiàn)某門課程在整個(gè)課程序列中的關(guān)聯(lián)，并提出使學(xué)習(xí)更高效的教學(xué)策略，促進(jìn)學(xué)生個(gè)性化學(xué)習(xí)的順利開(kāi)展。

4.結(jié)語(yǔ)

教育數(shù)據(jù)挖掘不僅是教育信息化發(fā)展的必然趨勢(shì)，而且是數(shù)字化教育研究的充分體現(xiàn)，必將引起更多國(guó)內(nèi)外教育數(shù)據(jù)挖掘研究者的關(guān)注。我們要充分利用數(shù)據(jù)挖掘技術(shù)發(fā)現(xiàn)教育數(shù)據(jù)中隱藏的規(guī)律和模式，努力為每一位學(xué)生營(yíng)造適合的學(xué)習(xí)環(huán)境，設(shè)計(jì)個(gè)性化課程序列、富有挑戰(zhàn)性的學(xué)習(xí)計(jì)劃，進(jìn)一步促進(jìn)高校學(xué)生個(gè)性化學(xué)習(xí)的有效開(kāi)展。

參考文獻(xiàn)：

[1][2][3]Baker & Yacef，The State of Educational Data Mining in 2009：A Review and Future Visions[EB/OL].http：//www.educationaldatamining.org/JEDM/images/articles/vol1/issue1/JEDMVol1Issue1_BakerYacef.pdf.

[4]R.Ferguson. The State of Learning Analytics in 2012： A Review and Future Challenges [DB/OL].[2012-12-11]. http：//kmi.open.ac.uk/publications/pdf/kmi-12-01.pdf.

[5]王嵐，王萍.數(shù)據(jù)挖掘在遠(yuǎn)程教育系統(tǒng)中個(gè)性化教育的應(yīng)用研究[J].計(jì)算機(jī)工程與科學(xué)，2008，30（10）：93-95.

[6]李婷，傅鋼善.國(guó)內(nèi)外教育數(shù)據(jù)挖掘研究現(xiàn)狀及趨勢(shì)分析[J].現(xiàn)代教育技術(shù)，2010，10（20）：21-25.