教育数据挖掘促进高校学生个性化学习途径分析

王盛

摘 要： 本文旨在通过对教育数据的特征分析，结合大数据的特点，阐述利用数据挖掘技术进行教育数据分析的方法，促进大学生个性化学习资源的构建、个性化学习共同体的建立和个性化学习风格的形成，为大学生提供个性化学习服务和为教师制订个性化教学方案提供较为准确的依据。

关键词： 大数据分析 教育数据挖掘 个性化学习

1.引言

随着大数据成为互联网信息技术行业的流行词汇，教育逐渐被认为是大数据可以大有作为的重要应用领域。美国联邦政府教育部2012年参与了一项耗资2亿美元的公共教育中的大数据计划，这一计划旨在通过运用大数据分析改进教育。下面旨在通过对教育数据的特征分析，结合大数据的特点，阐述利用数据挖掘技术进行教育数据分析的方法，促进大学生个性化学习资源的构建、个性化学习共同体的建立和个性化学习风格的形成，为大学生提供个性化学习的服务和为教师制订个性化的教学方案提供较为准确的依据。

2.教育数据挖掘的目标

美国教育部教育技术办公室在2012年4月10日发布的《通过教育数据挖掘和学习分析增进教与学（公共评论草案）》指出了教育数据挖掘的主要目标：（1）通过对学生的知识构成、学习动机、元认知和学习态度等具体信息的综合分析创建学生模型，预测学生未来的学习行为[1]。（2）发现或改进学科领域模型，使这些模型能表达或描述学习内容，并以此优化教学过程。（3）研究基于各种学习软件的不同类型教学支持体系所产生的影响。（4）通过建立综合学生模型、学科领域模型和软件教学模型的计算模型，推进学生对科学知识的学习[2]。

3.教育数据挖掘对高校学生个性化学习的促进

3.1基于教育数据挖掘的学生模型构建

教育数据挖掘（Educational Data Mining， EDM）是迈向大数据分析的一项主要工作。本文主要针对高校学生个性化学习的特点，构建学生模型（如下图所示），对学生层的数据进行汇聚、分析和过滤，为促进学生个性化学习提供依据。

3.2.利用教育数据挖掘技术促进高校学生个性化学习

美国教育部教育技术办公室在2012年4月10日发布的《通过教育数据挖掘和学习分析增进教与学（公共评论草案）》中指出了从大数据中提取价值的五种主要技术，分别是预测（Prediction）、聚类（Clustering）、关系挖掘（Relationship Mining）、模式发现（Discovery with models）和升华人的判断（Distillation for human judgment）[3]。下面根据高校学生个性化学习特点，主要对前三种技术对个性化学习的促进作用进行阐述。

4.2.1 预测（Prediction）

预测需要开发一个域模型，使其能利用预测变量从其他相关方面数据中推断出某一方面的数据。主要用于追踪学生学习过程，研究学生学习行为，并以实践测试预测学生的教学结果。根据这一预测结果，学生可以了解自己的学习状况，及时调整学习方法和学习进度；教师可以给学生提供及时有效的反馈信息，引导学生使用合适资源提高成绩[4]。对于高校学生个性化学习，通过分析学生的学习行为，可以对个性化学习资源类型、学习情境需求等做出预测，从而开发出适合高校学生开展个性化学习且类型多样的学习资源库。

4.2.2 聚类（Clustering）

聚类是在没有先验知识的情况下，将物理的或抽象的对象集合划分为由类似的对象组成多个簇，使得处于同簇中的对象具有最大相似性，处于不同簇的对象具有最大差异性[5]。在高校学生个性化学习中，可以根据学生的学习困难、交互模式、学习风格等非结构化的数据进行聚类，并提取特征数据，由此了解学生的学习需求，及时调整教学资源的结构、内容和传授手段，使学生的个性化学习始终保持最适宜的状态，为具有相似学习兴趣的学习者提供针对性服务。同时，便于这些同类学习者形成学习共同体，分享不同的学习体验，不至于在个性化学习中产生孤独感而中途放弃。

4.2.3 关系挖掘（Relationship mining）

关系挖掘主要用于发现数据集中各种变量之间的关系，并对它们编码，从而描述不同项在同一个事务中同时出现的规律。其中包括两种挖掘技术：第一，关联挖掘（Association rule），关联挖掘常被用来发现一些学生共性的错误。第二，序列模式（Sequential pattern）挖掘，主要用于构建捕获序列事件发生间的关联的规则[6]。我们可以在学生个性化学习过程中设置不同变量，利用关系挖掘技术发现并分析变量间的关系， 以此发现某门课程在整个课程序列中的关联，并提出使学习更高效的教学策略，促进学生个性化学习的顺利开展。

4.结语

教育数据挖掘不仅是教育信息化发展的必然趋势，而且是数字化教育研究的充分体现，必将引起更多国内外教育数据挖掘研究者的关注。我们要充分利用数据挖掘技术发现教育数据中隐藏的规律和模式，努力为每一位学生营造适合的学习环境，设计个性化课程序列、富有挑战性的学习计划，进一步促进高校学生个性化学习的有效开展。

参考文献：

[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]王岚，王萍.数据挖掘在远程教育系统中个性化教育的应用研究[J].计算机工程与科学，2008，30（10）：93-95.

[6]李婷，傅钢善.国内外教育数据挖掘研究现状及趋势分析[J].现代教育技术，2010，10（20）：21-25.