摘要：近五年网络教育的变革和深度学习等人工智能技术的飞速发展给学习者模型的研究和应用带来了新的机遇和挑战。目前,教学数据中蕴含的大量价值亟待挖掘,而实践中绝大部分教学环境对学习者的理解、状态跟踪和自适应性仍处于初级阶段。如何从数据中建立学习者模型、如何在教学环境中设计和使用学习者模型是下一阶段教育变革的核心技术问题。为此,本文从知识状态模型、认知行为模型、情感模型和综合模型四个类别分别阐述了具有代表性的学习者模型及其主要应用场景。研究认为,深度学习未来将在学习者模型的研究和实践中扮演重要角色,而基于各种学习者数据对学生进行全面而综合性建模的综合模型应用是大势所趋。

摘要：自教育数据挖掘成功从人工智能中独立出来,就获得研究学者的广泛关注,现已成为教育研究领域的热点。为了实现学生表现的准确预测,首先阐述了教育数据挖掘的概念、方法、核心应用及研究动态,并在此基础上从学生表现预测教育数据准备、数据筛选、数据预处理、数据转换、数据挖掘模型建立及结果分析等六个方面详细阐述了教育数据挖掘方法下学生表现预测模型构建的方法及设计流程,以期为未来的研究者提供一种思路和借鉴。

摘要：教育数据量的急剧增长、类型的多样性与可获取性以及教育计算的兴起推动了教育数据研究的发展,并引起了国际研究者的深度关注与探索。研究以Web of Science数据库中的教育数据挖掘类文献为样本数据,以知识图谱分析、社会网络分析、聚类分析为研究方法,分别采用CiteSpcae Ⅲ、Unicet 6.0、Bicomb 2.0、SPSS 20.0对数据进行定量分析。研究结果显示,数据刻画学习者模型、生成有效学习的教学支持、学习行为模式与特征、学习表现预测、学习反馈与评价等为主要研究热点。最后,文章从学习情感识别与计算、人工智能分析与应用、学习推荐系统、个性化学习路径等方面对研究趋势进行讨论。

摘要：现有对教育数据挖掘(EDM)的应用研究多从技术角度出发探究实施有效性或应用创新性,缺少从用户视角对教育数据挖掘主体用户的深入分析。为了遵循教育应用问题研究"来自于教育、回归于教育"的本质要求,文章借鉴软件工程领域的"瀑布模型"设计了"以用户为中心"的EDM应用研究框架,采用分析法分析不同教育场景下、不同教育用户对EDM应用的情感意愿和功能需求,运用对比法研究不同数据挖掘技术对EDM应用实现的支持方式,构建用户体验评估体系检验用户对EDM应用的体验效果满意度。研究结果提供了一个"用户驱动"的完整的EDM应用研究流程,拓展了EDM应用研究的范畴,为实现精准教育服务目标提供了有效的实施路径和坚实的理论支撑。

摘要：随着大数据时代的到来和在线学习的蓬勃发展,个性化自适应学习日益成为人们关注的热点。本文从教育数据挖掘的目标和关键技术出发,在个性化自适应学习系统中应用教育数据挖掘技术,研究了学习者模型、领域知识模型和社交网络模型的构建、融合和应用,设计出基于教育数据挖掘的个性化自适应学习系统的架构和流程,探讨了模型的构建和个性化自适应学习引擎机制的建立,提出了基于聚类的个性化自适应学习内容呈现、基于序列挖掘和关联规则的最佳学习路径推荐、基于协同过滤和社交网络的个性化资源推荐方法。

摘要：互联网时代的到来引起了科技变革,教育数据挖掘技术便是其中之一。当前教育数据挖掘已受到众多学者的关注,如何应用数据挖掘技术提高教学质量,提升自主学习效率,成为各界学者关注的课题。基于此,通过分析教育数据挖掘的国内外研究现状,以辽宁林业职业技术学院为例,设计基于教育数据挖掘的高职学生自主学习研究思路。通过非线性分析方法,分析高职学生自主学习成果,且确定运用更多信息技术,全面深入探讨学生自主学习成果,成为下一个研究目标。

摘要：随着移动学习和在线学习的普及,教育数据也进入了大数据时代,教育大数据应用一般有教育数据挖掘和学习分析两类。文章分析了教育数据挖掘的工作流程和常见数据挖掘技术,探讨了学习分析关键技术,分析了自适应系统并总结出该系统会越来越受欢迎。

摘要：宽度学习是以随机向量函数链接神经网络为载体,并通过神经节点的增量以实现所设计网络横向扩展的一种随机向量单层神经网络学习系统。宽度学习神经网络系统不仅保留了深度学习的优势,而且弥补了深度学习的缺陷,能更高效地进行教育大数据的挖掘。基于宽度学习内部算法和系统结构,宽度学习在教育应用中主要可以通过分类、聚类、回归、时序预测等挖掘技术手段作用于教育大数据。未来,宽度学习可以在准确预测学生学业成绩、给予学生演示精准评价、提供小组个性学习支持、智能辅助教师进行教学和促进远程教学交互发展等方面发挥其优势,并助力于教育事业现代化和智能化的发展。

摘要：学业拖延是一种回避性适应行为,会给拖延者带来压力和焦虑情绪,及早发现拖延行为并进行干预对学生顺利完成学业尤为重要。目前针对学业拖延识别主要采用主观性量表,容易导致测评结果出现偏差。本研究使用教育数据挖掘技术设计在线学业拖延识别方法,对学生学业拖延倾向进行客观判断,并结合神经网络、决策树等算法验证了该识别方法划分学生拖延倾向的精准性。基于时间决策模型,采用学习分析仪表盘自我调节和即时通讯软件教师消息提醒的方法对存在强、弱拖延倾向学生实施教学干预。实验表明,研究成果实现了及早、精准地发现存在学业拖延倾向的学生,个性化干预能够有效引导学生,减缓或控制学生的拖延倾向,规避学业风险。

摘要：文章以教育视频日志为数据基础,构建了智能感知的多维情境模型:首先,文章分析了教育视频日志的主要来源、格式及特殊性,并从功能、目的、价值观三个角度阐述了教育视频与通用视频之间的差异;随后,在"5W"元素结构的基础上,文章进一步揭示了教育视频日志中隐藏的多维情境信息;最后,文章构建了基于教育视频日志的多维情境模型,并将其设计为包含时间情境、物理情境、用户情境、计算情境以及各情境之间耦合交互的混合体。多维情境模型可以对多维情境空间进行结构化操作,所得结论可作为情境感知推荐系统的模型基础,也可作为数据驱动自适应推荐系统的技术框架。