宽度学习的教育价值及其意义

袁利平　陈川南

摘要：宽度学习神经网络模型结构更加简单，性能更加完善，不仅保留了机器学习中深度学习的优势，而且弥补了深度学习的缺陷。在教育数据挖掘技术中引入宽度学习，能为教育大数据以在数据提取中获取有意义的规律与模式、有效知识与信息提供有益帮助。宽度学习的教育价值主要包含其本体价值、工具价值、规范价值和智慧价值。此外，通过坚持以人为本的理念来实现宽度学习的本体价值、借助教育数据挖掘来实现宽度学习的工具价值、规范数据隐私保护来实现宽度学习的规范价值以及维持以人为主导的人机协作来实现宽度学习的智慧价值这四条路径，可构建一个完善的宽度学习视野下教育价值实现体系。宽度学习基于其丰富的教育价值内涵对于人工智能时代当下的意义无疑是肯定的，探讨宽度学习教育融合的实现，我们期待其在实现差异化教学、进行个性化学习、实施智能化服务、及时给予高效反馈等方面带来重要的发展机遇，推动教育事业蓬勃发展。

关键词：宽度学习;人工智能;机器学习;教育数据挖掘

中图分类号：G434 文献标识码：A

新技术的兴起通常会给人类带来新的变革机遇。人工智能（Artificial Intelligence）作为一种颠覆性和变革性的技术正在影响着各行各业，在教育领域也不例外。对于人工智能而言，教育是其重要的应用领域;而对教育来说，人工智能的核心技术将直接关系教育现代化发展的核心命运。三十多年来，人工智能在教育领域的应用一直是学术研究的主题之一。人工智能教育应用是指以人工智能和学习科学（包括教育学、心理学、社会学等）的结合为理论基础，将教育、社会和心理学等学科隐性知识（Tacit Knowledge）转换为现代计算机容易识别和处理的编码或形式，进而推动智慧教育的科技发展。

“人工智能教育应用相关系统以教育数据挖掘技术（Educational Data Mining，EDM）为主要基础，然后利用学习分析等其他相关技术对学生的行为数据进行跟踪及预测其学习表现，达到个性化学习支持的目的。其中以深度学习（Deep Learning）为代表的机器学习（Machine Learning，ML）是影响EDM效率的关键技术。事實上，深度神经网络无论是在数据处理，还是在应用层面上都取得了巨大的成就。然而，因为深度神经网络结构及其复杂性并且涉及到大量的超参数（Hyper-parameter），所以基于深度网络所构建的模型常常面临训练时间过长和层数及参数增加而导致的训练难度提升的两重困扰。因此，学者们就如何解决这双重困扰做出了很多努力。学术界内目前最新提出的宽度学习系统（Broad Learning System，BLS）可有效解决这一问题，这标志着人工智能机器学习算法的又一大进步。

一、宽度学习：一种新的网络学习模型

“宽度学习系统是作为一种深度学习网络的替代方法而被提出来的，它是以随机向量函数链接神经网络为映射特征，基于单隐层神经网络通过神经增强节点并将映射特征与增强节点直接连接到输出端的一种网络横向扩展的高效增量学习系统”。宽度学习系统对于扩展到其他神经网络十分便利，是机器学习领域中一个十分高效灵活的新模型。

（一）系统基本结构

宽度学习系统的设计思路为：首先，从输入数据中生成“映射特征”，形成网络的“特征节点（Feature Nodes）”;其次，将映射特征增强为随机生成权重的“增强节点（Enhancement Nodes）”。最后，将所有的“映射特征”和“增强节点”连接后到输出端。宽度学习系统的结构以随机向量函数链接神经网络为基础，此外如果模型需要扩展特征节点和增强节点，宽度学习系统可以加入新数据以有效且高效的方式更新系统（输入的增量学习），此宽度学习系统不需要二次训练就可以动态逐步更新，因此这种学习是相当高效的。“除此之外，这种增量学习算法可以高效地运用于宽度扩展的快速模型重建中”。宽度学习系统为了得到更多紧凑的输入数据的特征，随机特征映射被应用于增强节点的建立过程中，宽度学习的网络模型是在增强节点的宽度扩展与映射特征的增加有关成立的假设下构建的。有学者提出了“增强节点建立方式截然不同的两种宽度学习结构，当且仅当两个模型中建立的映射特征和增强节点的维度完全相同时，模型具有等价性”。

（二）两大基本要素

与机器学习的深度学习网络结构相比，它有RVFL神经网络和快速增量学习算法两个基本要素。

首先，“宽度学习系统是基于RVFL神经网络而设计的一种网络学习模型”。RVFL神经网络是在1992年包·约翰（Yoh-Han Pao）等人为了弥补提出函数连接型神经网络（Functional Link Neural Network，FLNN）缺陷的基础上提出的一种神经网络。RVFL神经网络将原提出的前向单隐层神经网络结构隐层全部下移作为RVFL输入数据的增强部分，是一种无隐层的网络。“RVFL神经网络是一种全局有效的逼近器，只有输出层的参数需要训练，其余参数均为随机值，网迭代次数减少，收敛速度远远优于前向神经网络”。同时，相对于单层前馈神经网络（Single Layer Feed Forward Neural Networks，SLFN），包·约翰提出的随机向量函数链接神经网络不仅可以保证函数逼近的泛化性能，而且成功消除了训练时间过长的缺点，显著提高了感知器的性能，使得基于这种神经网络的算法较深度学习网络更快和准确。“与现有的深层神经网络相比，MNIST数据的实验结果充分验证了宽度学习系统的有效性”。

其次，“该系统充分地利用了快速增量学习算法，这为数据量和数据维度的增长所带来的问题找到了找到一条解决的途径”。随着数据量增长，RVFL神经网络并不能对大容量和时间多变性为本质的大数据进行有效处理。快速增量学习算法弥补了这种缺陷。该算法可以对中等大小数据建模，应用于更新RVFLNN中新增加输入数据和新添加的增强节点的输出权重，解决了数据量和数据维度的增长带来的问题，这项工作为调整遇到新的输入数据的系统铺平了道路。

宽度学习系统主要采用了三种不同的增量学习算法，包括增强节点增量、特征节点增量和输入数据增量。由于更新输出层的Pseudo伪逆时，只需要计算新加入的节点的伪逆，增量学习的训练过程节省了大量的时间。从这个角度分析，宽度学习系统可以高效重建需要在线学习的模型。

此外，由于数据维度的快速增加，处理高维数据越来越成为了亟需解决的问题。处理高维数据常见的方法就是降维（Dimension Reduction）和特征提取（Feature Extraction）。“特征提取”是为了找到从输入数据到特征向量的最佳函数变换。因此，对于“特征提取”，在宽度学习中可以体现为采用“映射特征（Mapped Features）”作为RVFLNN的输入，“宽度学习系统也就是在将映射特征作为RVFLNN输入的思想基础上而设计的”。

（三）宽度学习的优势

机器学习发展实际上包括浅层学习（Shallow Leaming）和深度学习（Deep Leaming）两部分。上世纪80年代末期，人工网络浅层学习算法由于人工神经网络传播反向算法的发明（Back Propagation，BP）而在机器学习领域声势磅礴。但是浅层学习神经网络只有一层隐含层，应用十分有限。深度学习的出现弥补了浅层学习算法的这种弱点，其关键在于它相对于传统机器学习方法，能够自动进行特征提取学习，提取数据中更为高阶和抽象的本质特征，形成对输入数据更为精准的输出结果。因此，“运用深度学习对数据进行挖掘，是机器学习算法适应大数据挖掘的重要产物”。

1.特征优势

根据宽度学习结构以及对浅层学习、深度学习特征的理解，浅层学习、深度学习与宽度学习的特征对比总结如表1所示。这里为了让大家更加清晰地看见机器学习中学习算法的特征演变，此处将深度学习出现之前的浅层学习也放入表格做一些说明，以便更加直观地反映出深度学习给机器学习所带来的变革，以及宽度学习较深度学习更进一步展现的优势。

结合表1可以看出，相比深度学习，宽度学习明显的重要优势就是在于其简单的单隐层结构和参数量小，解决了开头所提出的深度学习两重困扰，使得神经网络的训练时间快捷，算法大大加快。具体来说，在与以往深度神经网络的调整方式不同，宽度学习不需要增加层数或者调整参数个数，而是采用“横向扩展”的方式，同时利用简单易懂数学推导来做“增量学习”。可以将二者在未来的研究中相结合，将宽度学习结构改进，串联增强节点，结合宽度和深度模型，还可以成为宽深结合学习网络。2016年，谷歌提出的新“宽度&深度学习”框架，将宽深两者结合到同一个模型。并且应用于Google Play的实验结果显示，与单独的宽度或者深度模型相比，这种结合后的模型实现了更优的效果，达到了更宽与更深共同进步。

2.性能优势

作为一个常见的数据集，MNIST经常被用来测试神经网络。为了阐明宽度学习与深度学习相比更具有性能优势，有学者对所提出的宽度学习系统做了实验测试，通过MNIST中的分类任务结果验证了所提出的宽度学习算法的高有效性。具体而言，MNIST包含60000个训练样本和10000+测试样本。其中每一个训练元素都是28*28像素的手写数字图像。在实验中将各种具有深层结构的网络与宽度学习进行了比较。将深度置信网络（DBN），深度玻尔兹曼机器（Deep Boltzmann Machine，DBM），两种堆叠式自动编码器（Stacked Auto Encoders，SAE）和多层感知器（Mutilayer Perception，MLP）等基于梯度下降的学习方法参数均匀设置，即初始学习率为0.1，每个学习时期的衰减率为0.95。他们还考虑了基于ELM的算法，包括多层ELMOVILELM）和改进的分层ELM（HELM）。对于MLELM，BP相关参数如上所述设置，并且三层每层正则化（Regularizations）分别设置为10^-1，10³10⁸。类似地，HELM的惩罚值（Penalty）被设置为10⁸。上述深度学习算法的所有实验均在配备英特尔i7 2.4 GHz CPU的笔记本电脑上进行测试。除此之外，模糊限制玻尔兹曼机（Vuzzy Restricted Boltzmann Machine，FRBM）學习率被设置为0.25，权重衰减（Weight Decay）被设置为0.0005。将宽度学习正则化参数值λ设置为10^-8，相关的固定随机权重W_ei，β_ei（i=1，…，n）和W_hj，β_hj（j=1，…，m）从区间[-1，1]的正态分布采样。增强节点的激活函数是S形函数（Sigmoid Function），随机特征映射被用作线性映射。此外，模糊限制玻尔兹曼机和宽度学习系统都在配备2.30GHz英特尔Xeon E5-2650 CPU处理器的笔记本电脑上上进行测试。

每种算法的测试精度和训练时间，如表2所示。实验结果说明，宽度学习系统的测试准确度为98.74%，它优于MLP、SAE、SDA和单层FRBM。虽然准确度略低于RBM、DBN、MLELM和HELM，但宽度学习模型却因其平坦的扩展结构而相对简单得多。此外，与RBM和DBN等非常受欢迎的深度学习方法相比，宽度学习是这其中最高效的方法。在保持相当准确性的前提下，宽度学习的训练过程仅在29.6968秒内就已经完成，比RBM网络快千倍。通过增加输入数据和增强节点来测试增量宽度学习算法，结果也证明了所涉及的算法的高效性。此外，与其他MLP训练方法相比，宽度学习系统在分类精度和学习速度方面具有良好的性能。与数百个迭代的高性能电脑下几十小时或几天的训练相比，宽度学习系统可以在几分钟内很容易地构建，即使在普通计算机中也是如此。宽度学习系统在训练速度方面明显优于现有的深层结构神经网络。与深度学习方法相比，宽度学习结构简单，性能强大，完全适用于大数据时代。

宽度学习系统结构简单、速度快，具有高效的学习性能。然而，它在几个数据集中的表现并不令人满意。基于大数据背景，有学者构建了一种基于K-means聚类算法特征提取的新型改良宽度学习系统。这种新型改良的系统主要是通过K-means聚类算法为无监督特征表示提供一种强效的方法。结果也证明宽度学习系统在各种应用中具有灵活性和无限潜在价值。此外，也可以应用宽度学习系统对径向基函数（RBF）网络和层次极限学习机（HELM）两种常用的神经网络进行了改进。总之，宽度学习系统具有“横向扩展”和“增量学习”两大优势，是人工智能领域中一个特别高效灵活的学习系统。

二、宽度学习的教育价值

基于对宽度学习的认识和研究，我们可以看到宽度学习神经网络系统结构更加简单，同时在实际应用中表现出更完善的优秀性能。宽度学习不仅保留了深度学习的优势，而且弥补了深度学习的缺陷。宽度学习系统大大提高的网络算法的速度，并且可以通过增量学习高效扩展重建网络模型，同时具有自动获取和学习特征的能力，拥有对海量大数据进行超预期分析的能力。宽度学习相对深度学习不但更能高效地进行教育大数据的挖掘，提高机器学习在教育数据挖掘中的实用性，而且可以通过对相关数据的高效挖掘，为从学习分析角度对其挖掘的数据结果进行意义再建构提供参考依据。因此，将宽度学习引人教育领域，对于教育数据挖掘及教育领域发展的价值不言而喻。然而，研究表明对“价值”概念的误读是导致技术工具论困难的根本原因。囿于宽度学习应用教育的进程才刚刚起步，我们有必要深刻探讨和研究宽度学习的教育价值分类与关系，以期促成宽度学习与教育融合的成功实现。宽度学习的教育价值主要包含本体价值、工具价值、规范价值和智慧价值。其中宽度学习教育价值的本体价值是工具价值和规范价值的认知基础。工具价值是智慧价值实现的途径，而规范价值是智慧价值得以实现的重要保障。基于本体价值、工具价值和规范价值之上，宽度学习教育价值最终统一于智慧价值。要实现宽度学习教育融合，必须充分挖掘并利用宽度学习的这些价值，同时注意各价值的有机结合和互相渗透。

（一）本体价值

本体价值是一种作为其他一切价值的存在基础和最终依据的价值，它是判断其他一切具体价值之合理性的最高准则和标准。“每个人的全面而自由的发展是当代中国的本体价值”。本体价值不明确就会导致对价值判断的合理性危机。在中国社会本体价值原则指导下，宽度学习的本体价值在于促进学生的个性化学习，实现因材施教，推进个人的全面意义上的发展。宽度学习相对深度学习能更为优化高效地进行教育大数据的挖掘，大大提高了机器学习在教育数据挖掘中的实用性。

国内外对教育数据应用的研究慢慢开始由宏观层面转向学校的教学和学生的学习微观层面。也就是说，教育数据的挖掘最终还是要促进微观层面每一个学生的发展。利用教育数据挖掘分析可为教育工作者提供更好的教育决策信息，改善其教学形式和内容;同时也可为受教育者量身定制各类适合自己的受教育教学目标及方案，有助于改进其学习方式和行为。然而，无论是对教育者还是学习者，宽度学习数据挖掘技术作用于教育的本质和最终目标都是为了促进学生的个性化学习，推进个人的全面发展。因此正确掌握宽度学习的本体价值，将会给宽度学习技术的合理使用提供正确的价值导向，有利于避免社会隐性价值冲突，维护社会同一价值理念，推进宽度学习教育应用的和谐发展。

因此，要实现宽度学习本体价值，必须坚持以人为本的理念。在充分尊重人的目标需要的同时，注意考虑个人的实际水平，将宽度学习的本体价值目标建立在个人的实际情况和要求的基础上。利用宽度学习挖掘学生学习有用信息进行学习分析时，要根据学生实际学习能力及掌握知识情况，以每个个体的全面发展为指导目标，为每一个学生个体提供适应学生个人前途发展的课程材料以及学习成长方案等。

（二）工具价值

工具价值是相对于本体价值而言的，工具价值的实现必须以本体价值的实现为基础。离开本体价值，工具价值便成为无源之水，无本之木。“工具价值是促进社会发展的价值，其对教育价值的实质取向乃是社会”。宽度学习的工具价值在于其对促进受教育机会公平和社会资源均衡发展的意义。宽度学习的内部算法运行的本质是利用计算机自动且高效地提取教育环境中学习者的有关行为数据，这些数据通常具有潜在的意义和价值，这也就是教育数据挖掘。通过利用教育数据挖掘所获信息，宽度学习可以助力于智慧教育及时、全面且深层地理解学习者的学习行为与状态，不但可以幫助学习者找到适合其学习的最佳方式，同时可以支持教学者利用其优势实施智能化又高效的教学方式。宽度学习通过实现其教育的工具使用价值，使人人都有机会接受针对性个性化辅导，可有效缓解偏远落后地区教育资源匮乏、教师水平参差不齐等问题，改善教育质量;也可通过技术手段扩大优质教育资源覆盖面，促进人的全面发展和社会教育公平，避免资源重置和浪费，完善现有的教育系统结构。

因此，要实现宽度学习工具价值，必须充分利用教育数据挖掘手段。利用宽度学习进行更为准确的教育数据挖掘，能为教育大数据以在数据提取中获取有意义的规律与模式、有效知识与信息提供有益帮助。必须充分利用教学资源、教学管理、教学行为和教学评估等教育大数据，将挖掘所分析得到的信息有效用于完善困难地区教育资助及资源供给、改进地域差异等带来的高校公平招生问题和改善教育评价体系公正问题。通过逐步实现教育的公平来实现社会公平，宽度学习的工具价值进而可加强教育的变革，推动社会的繁荣与进步。

（三）规范价值

规范价值主要是指在一定时代和一定社会中，人的道德意志和行为必须合乎一定的社会要求和基本原则。实际上，价值相关要素之间存在一定的紧张和矛盾。为推进价值论研究的深入，我们必须对这种复杂性进行认真的剖析。其中开展和重视规范价值的研究是这种矛盾的重要解决方式。宽度学习教育价值中的规范价值在于我们需要确保安全、有益和合理地使用这种技术，与此同时将道德原则和社会责任需要纳入其规范价值范畴，确保人类正确使用宽度学习，维护自身合法利益。利用宽度学习处理教育大数据集意味着要考虑这些数据的道德规范。当利用宽度学习所挖掘的数据应用于解决教育问题或改进教学时，道德和隐私的基本问题始终应值得重点对待。只有这样，才能确保个人合法权益的同时充分发挥大数据挖掘价值，带动人工智能教育应用的健康发展。

因此，“要实现宽度学习规范价值，必须采取相关数据隐私保护手段”。一方面，可对包括宽度学习在内的人工智能技术应用制定与其发展相适应的相关行为准则或法律法规，保障人工智能应用中的安全隐私以及伦理问题。另一方面，需要对宽度学习应用的研究技术人员进行相关职责培训，树立规范，强化其责任意识，并扛起对社会进步发展使命担当。

（四）智慧价值

智慧价值，也就是其内在价值，是相对于外在价值而言的。“所谓内在价值，是指价值主体在选择和创生自身价值过程中所生成的自利性价值”。智慧价值之所以重要，是因为它是对满足主体需要的核心本质价值所在，只有意识到这一点，才能发挥其真正意义上的价值。此处宽度学习的智慧价值主要指的是宽度学习本身现实综合意义所在。宽度学习教育价值之智慧价值在于其对教育主体的实质帮助，学习者可以通过人工智能获得认知上的提升及对世界的综合感知。在基于宽度学习的本体价值、工具价值和规范价值的认识基础上，实现宽度学习的智慧价值乃是最终目标。当然，宽度学习与教育融合并不是简单的数学相加，寻求宽度学习与教育融合的实现，更在于其产生的“化学反应”，这才是宽度学习在教育中的智慧价值所在。正如麻省理工学院前校长Charles Vest教授所说，“机器无法取代那些聪明且富有创造力的年轻人在高度敬业的教师陪同下一起生活和学习的魔力”。也就是说，宽度学习所带来的人工智能教育的发展背景下，我们不能只是一个有用工具利用的参与者，更多的应该占据主导地位，引导人工智能前进。这也就是宽度学习教育价值之智慧价值的核心思想体现。

因此，要实现宽度学习智慧价值，必须坚持人机协同合作，充分发挥人的智慧和主导作用。为了更好地实现人机协作，教育主体可以通过继续对宽度学习技术的研究，强化对下一代的知识教学，以及积极探索开发适应宽度学习技术的国际合作战略，坚持其主导地位，促进宽度学习技术的进一步发展。

综合宽度学习的四方面价值体现以及相对应的四条实现路径的探究，我们相信通过坚持以人为本的理念来实现宽度学习的本体价值、借助教育数据挖掘来实现宽度学习的工具价值、规范数据隐私保护来实现宽度学习的规范价值以及维持以人为主导的人机协作来实现宽度学习的智慧价值这四条路径，可构建一个完善的宽度学习视野下教育价值实现体系（如下图所示）。

三、基于宽度学习的教育变革

宽度学习基于其丰富的教育价值内涵对于人工智能时代当下的意义无疑是肯定的，我们期待其在实现差异化教学、进行个性化学习、实施智能化服务、及时给予高效反馈等方面带来重要的发展机遇，以实现宽度学习教育的深度融合，推动教育事业蓬勃发展。

（一）帮助教师实现差异化教学

宽度学习网络通过机器对学生学习状况数据特征提取和分析，可以帮助老师分析隐性的信息，及时掌握学生的情况，预测学生未来的学习发展趋向，为教师实现因材施教、为学生制定针对性指导计划提供巨大的帮助。教师的工作应该具有创造性，而不应该被繁杂的功课批阅所占据大多时间。另一方面，由于人工批阅具有主观性，也会对学生学习成果评价带来影响。准确且合适的批阅和评价对学生学习发展来说就显得尤关重要。将宽度学习运用于学生作业和试卷评阅，进行机读网上操作优化，无论在客观题、还是主观题上，都能给予对学生公平高效的成绩和评价，真实反映学生的学习状况，实现学习评价智能化、差异化，以便教师更好地安排其他工作。教师与学生之间的沟通在学习者的学习过程中也是很重要的。给予宽度学习的人工智能可以帮助教师及时准确回答学生的问题，带动学生参与问题的分析和理解过程。这将会实现人机交互拟人化，为学生带来真正一对一、面对面教学的体验，提高学生对教师工作的理解和满意度，弥补了教师精力和时间有限的现实情况。这样，宽度学习技术就帮助了教师在保证教育规模的同时实现了差异化教学，真正做到了有教无类、因材施教。

（二）促进学生进行个性化学习

相关机构研究曾表明，人类共拥有70多种不同学习方法。而不同的人有不同的学习需求，需要应用不同的学习方法。因此，基于宽度学习的数据挖掘技术，可以让机器对学生以往的学习状况进行分析和挖掘，获取学生的真实所需，诊断学生学习的薄弱环节，推荐相适应的学习方法，從而促进学生进行个性化学习。同时，学习者的背景复杂多样，学习需求各不相同，学习进度、掌握知识的程度都各不相同，要针对不同学生进行针对性学习指导是非常困难的。基于教育大数据，可以根据对学生的不同思维方式和学习特征进行分组，建立不同小组的个性化学习，促进小组内部之间合作，达到共同进步和有效学习的一种多赢有机互动局面;同时可以实现对不同学习者的学习背景进行数据上的测量与分析，利用有效的数据来归纳学习者所类属的学习风格，以便进行学习者分类与提供学习者所需的个性化学习支持。

（三）推动学校实施智能化服务

教育管理者制定决策所依据的数据往往是通过传统方式获得的，这些数据通常是零散、静态、不全面和滞后的，因此具有局限性。而基于数据挖掘而得到的数据往往是综合了社会各个方面的结果，对于教育管理者进行分析和决策具有非常重要的指导意义，可以推进决策智能化。比如，SHERPA系统可以给予高等教育中的老师和学生提供个性课程设置化服务。主要包括将反馈信息提供给课程设计者，使他们能够不断改进教材，将根据学生个性特点和实际情况帮助学校课程咨询专家解决学生课程选择难题。此外，学校要想提升自身竞争力和服务能力，必须充分合理利用数据来做决策，给予意见，进行管理。因此，对教育大数据收集和准确分析就显得尤为重要。目前大数据的采集来源渠道广，但对数据的挖掘分析技术需要宽度学习系统的支持，以期为学习者、家长和教师等提供更有价值的信息和服务。美国教育科学院新研发的项目在学生和家长择校的方面就很好地做到了这一点。这项名称为高效导航（College Navigator）的学校推荐项目通过大数据智能分析，将美国7众多高校的资源指标信息提供给学生，帮助学生进行合理理性择校，找到最适合的大学。

（四）给予在线教育及时性反馈

网络教育的飞速发展带来的大量在线教育课程为学习者的学习带来了便利。比如，备受推崇的慕课（MOOC）平台能同时满足数以万计的学习者的需求，完全突破了传统受教育环境的限制。慕课平台在教学过程中依据大数据为学习者构建相应的学习模型，根据学习者的不同认知水平和基础经验等方面的评估进行相应课程的推荐和调整，实现大规模下的个性化教学。但是，由于平台很多时候不能提供及时的反馈，造成学生留存率降低。因此，将宽度学习系统应用于在线教育数据的挖掘分析中，可以实现随时随地有效、快捷的答疑和反馈，这将在很大程度上提高学生的学习效率和学习成果，同时也优化了在线教育教学的教学效果，为在线教育平台的进一步发展提供了重要保障。

四、结语

教育是一个极其复杂的系统，对学生的学习行为和状况进行科学的评价和精准的预测及干预是一项非常难的任务。而人工智能、机器学习和宽度学习等的出现为我们借助新兴技术收集和分析教育大数据提供了可能。在大数据的帮助下，我们可以更好地做到不放弃每一个学生的个性，尊重每一个学生的真正潜能，实现真正意义上的教育公平。同时，即便要做到充分利用大数据所带来的成果，将其运用到教师的教学和学生的评价之中，提升大数据挖掘的品质和效率，也不要忘了建立规范的数据挖掘和分析进程，尊重和保护学生的隐私。全球各国的实证经验成果也告诉我们教育的智能变革愈发会成为教育现代化的一个重要方向，“数据挖掘分析变革教育”已成为新时代必不可挡的前进趋势。教育研究者必须始终关注技术发展前沿动向，努力探索和应用新的技术。我们也必须向发达国家学习，加大对教育数据挖掘分析的投入，整合人力资源，将教育人工智能提升到国家发展战略层面，以期能够推进我国的教育现代化进程，改变传统面貌，推动教育变革，实现跨越式发展。