教育數據挖掘研究現狀及趨勢

丁 波 孫 力

（江南大學 人文學院，江蘇 無錫 214000）

教育數據挖掘研究現狀及趨勢

丁 波 孫 力

（江南大學 人文學院，江蘇 無錫 214000）

本文對教育數據挖掘（Educational Data Mining,EDM）的興起、發展、未來研究趨勢等進行了最新的概述，旨在為各類群體進行教育數據挖掘研究或實踐提供實時、有價值的參考。本文首先對EDM研究背景進行了闡述，然后重點介紹了影響EDM應用的三要素：教育數據挖掘目標、教育數據來源、教育數據挖掘過程，最后分析了EDM主要應用及未來研究趨勢。

教育數據挖掘；影響要素；應用；研究趨勢

一、教育數據挖掘（EDM）研究背景及現狀

(一)教育數據挖掘簡介

隨著在線教育的成熟、網絡教育資源的增加、數據應用的普及，各類教育系統中產生了大量特殊類型的數據。通過對這些教育數據的分析，教育工作者可以對學生及其如何學習進行更深入的探究。[1]

教育數據挖掘是一個跨學科領域，不僅涉及信息檢索、可視化數據分析、數據驅動、社會網絡分析，還涉及教育心理學、認知心理學、心理統計學等。

近年來，EDM已成為一個獨立的研究領域，其目的是分析教育系統中產生的獨特類型的數據來解決教育研究問題。EDM往往也涉及算法的開發、研究及應用，利用算法構建并集成出教育數據模型，從而通過模型分析出海量數據背后隱藏的意義。因此，教育數據挖掘可以定義為，應用數據挖掘技術獲取來自教育系統的特殊類型數據，提取有意義的信息并分析出有價值的結果，這些分析結果可供學習者、教育工作者、教育軟件開發者、教育管理者、教育研究者等對象利用。[2]

(二)研究背景及現狀

教育數據挖掘起源于對智能教學系統（ITS）、人工智能教育（AIED）、用戶模型（UM）、技術增強學習（TEL）、自適應智能教育超媒體（AIEH）等的研究。[3]直至2008年，“教育數據挖掘國際會議”獨立召開，不再依附于計算機應用學術會議。

目前，關于EDM的書籍只出版了寥寥數本。國外出版了Data Mining in E-Learning(《教育數據挖掘》)和Handbook of Educational Data Mining(《教育數據挖掘手冊》)，國內出版了《教育數據挖掘：方法與應用》。近年來，關于EDM的文章在一些具有廣泛國際影響、與EDM主題相關的著名雜志上大量發表。如JEDM（《教育數據挖掘》雜志，Journal of Educational Data Mining），JAIED（《教育人工智能》雜志，Journal of Artificial Intelligence in Education），JLS（《學習科學》雜志，Journal of the Learning Sciences），CAE（《計算機與教育》雜志，Computer and Education），KDE（《知識與數據工程》雜志，IEEE Transactions on Knowledge and Data Engineering），等等。

隨著EDM的發展，對該領域有重要貢獻的學者也越來越多。

在谷歌學術和知網分別檢索關鍵字“educational data mining”和“教育數據挖掘”，獲取從2008年到2015年來的論文數量，并對論文數量進行對比，可以看出谷歌學術和知網內的關于EDM文章的數量都在以指數方式增長，這顯示出人們對于EDM的高度關注。目前關于EDM的文章中有許多理論性及綜述類論文，不過涉及EDM具體應用的論文還較少。

二、教育數據挖掘影響要素分析

依據EDM研究教育問題的思路，可以將教育數據挖掘目標、教育數據來源、教育數據挖掘過程作為影響EDM應用的三要素。

(一)教育數據挖掘目標

EDM涉及不同的對象群體。不同群體根據他們的任務、愿景和目標，從不同的角度看待教育信息并使用數據挖掘技術。

對學習者而言，EDM的目標是實現個性化在線學習；向學習者推薦學習活動、學習資源及學習任務從而進一步提高他們的學習效率；提供有意義的學習經驗；提供自適應提示、推薦課程和相關討論、書籍等。對于教育者而言，EDM的目標是獲得客觀的教學反饋；分析學生的學習和行為；發現需要幫助的學生；預測學生成績；對學習者分組；發現學習者的學習規律；發現學習者最常犯的錯誤；確定更有效的活動；提供自適應內容和定制課程等。對于教育軟件開發者和教育研究者而言，EDM的目標是評估和維護課件；提高學生的學習效率；評價課程內容結構及其在學習過程中的有效性；自動構建學習者模型和教育者模型；對比數據挖掘技術以便為每個任務推薦最有用的EDM方法；制定特定的教育數據挖掘工具等。對于管理者而言，EDM的目標是：開發最佳方式以組織人力物力資源以及教育資源；更有效地利用資源；提高教育計劃、遠程學習方法的有效性；評估教師和課程；設置參數以提高網站效率及適應性。

(二)教育數據來源

EDM支持的教育系統中存在著大量不同類型的數據，這些數據不僅包括學習者與教育系統交互產生的數據，也包括協作數據、管理數據、人口統計數據、情感數據等。這些數據是教育領域特定的數據，具有一定的內在語義信息和層次結構，有別于其他領域的數據。

國內外眾多學者將EDM的數據來源根據教育環境分為傳統學校數據和網絡教育數據。

傳統教育環境一般包括學前教育環境、中小學教育環境、高等教育環境等。這些教育環境，主要通過課堂教學、課堂討論、講座等教育者與學生面對面的交流中產生課堂教學數據。隨著課堂教學中智能電子教具、課堂互動反饋系統的廣泛使用，課堂教學中師生進行教學活動時產生的豐富數據都會被自動收集保存[4]。網絡教育數據來自網絡教育環境，如智能與自適應網絡教育系統、在線學習系統、在線教學系統等。通過這些系統，能夠獲取學習者基本信息、登錄信息、學習行為數據、網絡課程信息，以及一些日志文件、交互信息、過程性數據和管理數據。隨著互聯網技術、人工智能技術、大數據技術等技術的不斷發展，網絡環境下獲取的教育數據也越來越豐富。

(三)教育數據挖掘過程

教育數據挖掘過程可以看作數據挖掘和知識發現過程，其過程如圖1所示。在這個過程中，不僅僅是將數據轉化為知識，更要將挖掘出的知識作用于教育環境從而對教育環境進行改善，提高學生的學習環境質量。

圖1 教育數據挖掘過程

1．數據獲取

實施教育數據挖掘首先需從各類教育環境中收集不同類型的數據，這些數據包括管理數據、現場觀測數據、問卷調查數據等。然而這些原始數據并不能直接使用，所以預處理是必要的。

2．預處理

數據預處理既重要又復雜，教育數據結構、格式往往不符合數據挖掘要求或者不符合要解決問題的類型，因此必須先將數據轉換為某種適當的形式，以解決特定的教育問題。數據預處理包括濾除冗余數據、填充丟失數據、統一數據格式等。

3．數據挖掘

數據挖掘是整個EDM過程中非常重要的一環，在此過程中運用EDM技術，從數據中提取相應的知識。眾多傳統數據挖掘算法、技術已在教育領域廣泛運用，如分類技術、聚類技術、關聯分析技術等。然而，教育數據不同于其他領域的數據，所以需要一些特定的、區別于傳統數據挖掘的方法來解決教育問題。

4．數據解釋

數據解釋是最后一步也是非常重要的一步，利用發現的知識制定決策，改善教育環境，并將結果直觀地顯示給用戶。這里可以利用可視化技術顯示分析結果[5]。

三、教育數據挖掘應用研究

EDM已在教育領域中廣泛應用。如貝克提出的四個EDM關鍵應用[6]，卡斯特羅（Castro）提出的EDM主要應用[7]。然而還有更多新型的EDM應用趨勢，下面簡要描述這些最新EDM應用及其涉及的EDM技術。

(一)給教師提供反饋

為教師提供反饋的目的是幫助教師做決策。關聯規則是最常用的，利用關聯規則進行教育數據挖掘可以揭示出變量間的關系，并根據不同的意義程度將它們以規則的形式呈現出來。另外，統計相關分析、模糊聚類分析、灰色關聯分析、K-means聚類分析和模糊關聯分析這些數據挖掘技術已被應用于支持形成性評價[8]，從而幫助教師理解影響學習者表現的主要影響因素，幫助教師開發更合理的試題、活動等。

(二)預測學生表現

預測學生的表現是EDM的一個典型應用，該應用中常用的EDM技術有神經網絡技術、貝葉斯網絡技術、回歸相關分析等。預測學生表現的目的是通過評估一個變量未來的可能值來判斷學生的表現，可以用來預測學生期末成績，預測學生可能會犯的錯誤，預測學生正確回答問題的概率，預測學生可能進入的大學，等等。

(三)指導學生分組

對學生進行分組的目的是根據學生個人特征及定制內容創建不同的學生組，這樣教師可以為不同的學生組建立個性化學習系統，提供自適應內容，促進有效的小組學習。可以根據學生的技能利用聚類技術和貝葉斯網絡混合技術進行分組，還可以根據學生考試分數和在線學習記錄，利用K-means算法進行分組。

四、未來研究趨勢

數據挖掘技術在教育教學領域的應用前景已得到了國內外研究者的肯定，但其發展速度依舊緩慢，想要達到數據挖掘在其他領域的應用成就，還有許多工作需要做。

(一)開發專門的EDM工具

由于傳統的數據挖掘技術過于復雜，應用難度也較大，且現有的一些廣泛應用的數據挖掘工具并不能直接適用于教育領域，所以需要針對教育領域的特點，開發專門的、便于教育工作者使用的EDM工具。

(二)在教育環境中集成EDM工具

數據挖掘工具須集成到數字化學習環境中。從數據預處理到結果解釋，所有的教育數據挖掘任務都必須在一個應用程序中進行。這樣，教育數據挖掘的反饋結果可以直接應用于數字化學習環境，EDM工具才能被教育工作者廣泛使用。

(三)將EDM數據及模型標準化

教育數據資源的收集還未形成統一的數據標準，教育系統中的教育數據挖掘工具還未普適化。為了更規范地進行預處理、知識發現等任務，標準化、規范化教育數據以及數據輸入、輸出模型是必要的。

(四)研究特定的EDM技巧

EDM研究不僅涉及教育學、心理學，還需要計算機科學及統計學的支持。為了盡可能準確地描述EDM研究對象的屬性，可通過整合教育領域知識、數據挖掘算法，尋求特定的EDM方法以獲得精準有效的量化數據，從而促進教育數據管理、教學設計和教學決策，這是未來EDM研究的重要課題。

五、結語

EDM是一個融合了計算機科學、心理學、統計學等領域的跨學科領域，它利用統計、機器學習、數據挖掘等技術分析教育數據并為改善教育現狀做出決策。EDM領域近年來發展較快但并未成熟，想要得到廣泛應用，不僅需要研究者的努力，還需要教師、學生等各個不同群體的認可和支持。

[1]Koedinger，D’Mello，McLaughin，etal．Data mining and education[J]．Wiley Interdisciplinary Reviews：Cognitive Science，2015，6：333-353．

[2]李婷，傅鋼善．國內外教育數據挖掘研究現狀及趨勢分析[J]．現代教育技術，2010，20 (10)：21-25．

[3]顧小清，林仕麗，袁海軍．教育數據30年：從CMI到DDDM[J]．電化教育研究，2010，(9)：55-63．

[4]魏順平．教育數據挖掘：現狀與趨勢[C]．信息化、工業化融合與服務創新——第十三屆計算機模擬與信息技術學術會議論文集．2011．

[5]葛道凱．E-Learning數據挖掘：模式與應用[J]．中國高教研究，2012，(3)：8-14．

[6]張馳，陳剛，王敏娟，等．移動學習中使用EM算法的學生聚類分析[J]．中國遠程教育，2009，(5)：68-71．

[7][8]Romero，Ventura．Educational Data Mining：A Review of the State of the Art[J]．IEEE Transactions on Systems，Man，and Cybernetics Part C：Applications and Revious．2010，40 (6)：601-618．

（責任編輯 孫震華）

Research Status and Trend of Educational Data Mining

DING Bo，SUN Li
(School of Humanities，Jiangnan University，Wuxi，Jiangsu，China 214000)

This paper has summarized the rise，development，and future research trends，etc．of Educational Data Mining (EDM)，the purpose of which is to provide real-time and valuable reference for all kinds of groups’ research and practice of educational data mining． Firstly，this paper describes the background of EDM，and then focuses on the three elements of influencing EDM application，namely，the goal of educational data mining，educational data sources，and educational data mining process，and finally analyzes the EDM application and future research trends．

Educational Data Mining；influence factors；application；research trend

G4

A

2096-0069（2015）06-0013-04

2015-09-30

丁波（1989— ），女，江蘇泰州人，江南大學人文學院教育技術學碩士研究生，研究方向為網絡教育系統的構建及開發；孫力（1966— ），男，江蘇無錫人，博士，江南大學人文學院教授，繼續教育與網絡教育學院副院長，研究方向為網絡教育系統的構建及開發。