个性化学习中数据挖掘技术的研究热点与发展趋势

冯秀强

摘   要：信息化、智能化信息处理技术的兴起，特别是数据挖掘技术的应用，为个性化学习的发展开辟了新的方向。文章借助CiteSpace V软件，对个性化学习中数据挖掘技术的已有研究进行可视化分析，发现相关文献中技术方法研究较多，能充分发挥技术优势，但研究成果数量较少、研究力量分散、技术应用范围狭窄且风险意识淡薄。为促进该领域的研究，应加强沟通交流，促进合作研究;拓展研究视野，转换研究视角;增强安全意识，防范潜在风险。

关键词：个性化学习;数据挖掘;可视化分析

中图分类号：G40-057 文献标志码：A 文章编号：1673-8454（2019）21-0019-7

关于个性化学习的讨论由来已久。早在两千五百年前，孔子就提出因材施教的教育思想，关注不同学生的个性区别及能力差异，实施不同的教学内容和教学方法。个性化学习的实现要能够了解学习者的不同需求，为学习者提供针对性的学习支持。然而，无论是精英教育向大众教育的过渡，还是班级授课制的广泛应用，都在一定程度上限制了教育的个性化，使得学习者的个性特点、经验背景以及需求偏好等信息难以准确把握。信息化、智能化信息处理技术的兴起，特别是数据挖掘技术的应用，为个性化学习的发展开辟了新的方向。数据挖掘技术能在大量不完全或模糊的数据中提取潜在的有用信息或知识[1]。本文借助CiteSpace V软件，对个性化学习中数据挖掘技术的已有研究进行可视化分析，从而展示和分析个性化学习中数据挖掘技术应用的研究现状、热点问题以及发展趋势。

一、研究方法

1.研究工具

CiteSpace是需要在Java环境下运行的一款信息可视化软件，它的开发和使用以共引分析理论和寻径网络算法为主要基础。该软件能够对某领域的样本文献进行计算，分析该学科研究内容演化的主要路径和知识的转换节点，并且通过分析所生成的可视化图谱可以发现该学科演化的内在动力及其发展的前沿内容[2]。本研究利用CiteSpace V.5.3.R4绘制可视化知识图谱。将检索到的样本研究文献的题录以“Refworks”的格式导出，并按该软件的格式要求命名为“download_data mining.txt”。因为CiteSpace读取数据的标准是Web of Science数据库所对应的数据格式，所以在处理数据之前使用CiteSpace的内置转换工具对导出的文献题录数据进行格式转换。

2.数据来源

本文以CNKI（中国期刊全文数据库）为样本来源，以“个性化学习”和“数据挖掘”为“主题”，以“精确”为匹配模式，对截至2019年6月28日的文献进行检索。共搜索到文献316篇，筛选并剔除无效文献4篇，共得到有效文献312篇。其中包括183篇期刊论文、117篇硕士论文、7篇博士论文和5篇会议论文。

二、可视化分析

1.载文量分析

通过文献检索发现，若单独以“个性化学习”或“数据挖掘”为主题进行检索，可分别得到6150篇、80643篇文献，发文量均较多。而将两个主题词组合搜索，则得到如图1所示的发文量时间分布图。由图可见，首篇文章发表于2001年，隨后有所增长。进入21世纪以后，数据挖掘技术的研究相对成熟，并逐渐应用于教育领域，为个性化学习的发展提供了新的方向。经过几年相对稳定的发展之后，2016年的发文量达到峰值47篇。其原因可能与2015年8月31日国务院发布的《促进大数据发展行动纲要》有关。数据挖掘是大数据技术的重要组成部分，二者具有密切的联系。大数据的发展也为个性化学习注入了新的活力。通过搜索发现，仅2016年以来，以“个性化学习”和“大数据”为主题的文献就有363篇。随着个性化学习中以大数据为主题研究的迅速增长，数据挖掘逐渐内含于大数据之中并被取代，进而导致以个性化学习和数据挖掘为主题的相关文献数量减少，甚至2019年上半年仅有三篇文献发表。

从发文情况来看，关于个性化学习中数据挖掘技术的研究相对薄弱。由于个性化学习和数据挖掘分别属于两个截然不同的学科门类，关于二者相结合的研究，可能存在一定的困难。从载文期刊的学科分布（如图2所示）也可以看出，关于个性化学习中数据挖掘的研究，有47%的文献发表于计算机学科类别中，43%的文献发表于教育学科类别中，其他学科类别中的文献仅占10%。计算机学科和教育学科期刊是相关文献发表的主要载体，均占有近乎一半的比重。数据挖掘和个性化学习分别与计算机和教育类别相对应，二者相互渗透，在研究中各有侧重。此外，在检索得到的183篇期刊文献中，核心期刊共有49篇。其中教育学科期刊35篇，计算机学科期刊8篇，其他类别期刊6篇。虽然教育学科期刊发文总量（43%）不如计算机学科（47%），但文献质量相对较高，约占核心期刊和CSSCI总量的71%，具有更高的参考价值。

2.研究作者及机构

对作者或机构的合作网络分析，可以了解研究者或机构之间的合作关系以及影响力比较突出的研究者或团队。在CiteSpace中导入转换格式后的文献数据，根据已有文献发表时间选择时间区间为2001-2019年，在“Node Types”面板中分别选择“Author”和“Institution”，分别生成作者和机构合作网络图谱（如图3、图4所示）。其中，节点大小反映的是作者或机构发文数量，作者或机构之间的连线反映的是其合作关系。

通过图谱可以看出，作者和机构合作较少，研究力量均相对分散，并没有形成一定规模的合作群体，且发文量较少。在作者合作网络中，两人及以上的合作团体只有七个，并且合作次数最多的也只有两次。此外，多数合作团体中的成员来自同一院校，如余明华、冯翔、祝智庭均来自华东师范大学，徐鹏、王以宁、张海均来自东北师范大学。研究者之间不仅合作较少，更缺少学校之间的合作。同时，在机构合作网络中出现的合作关系也基本存在于校内不同部门之间，缺乏校际合作，如华东师范大学教育信息技术学系、华东师范大学开放教育学院、华东师范大学上海数字化教育装备工程技术研究中心之间的合作。进一步分析发现，在该领域发文量超过两篇的研究者只有何克抗和余延冬两人，其中何克抗是以独立作者发表文章，其研究领域主要为教育技术理论与应用，文章涉及促进个性化学习的理论和关键技术方法的系统介绍。而余延冬有两篇文章是在与赵蔚和张赛男合作下完成的，其研究致力于解决在线学习中个性化系统存在的问题和挑战，主要涉及Web数据挖掘技术的应用。虽然所得图谱并没有显示出明显的合作关系和影响力较大的研究者，但是以上两人的研究内容也反映了该领域研究的主要内容。而反观四人的学科背景均同时包含教育和计算机两个方向，其他研究者的学科背景以计算机方向为主。说明一定的计算机基础是进行该方面研究的前提，学科的交叉可能在一定程度上限制了研究的发展。

3.研究热点分析

文献中的关键词是对全文内容主题的浓缩表达。通过CiteSpace软件对关键词进行共现分析，有助于把握个性化学习中数据挖掘技术的研究热点。将CiteSpace的时间跨度设置为2001-2019 年，单个时间分区设置为1年，在“Node Types”面板中选择“Keyword”，同时将阈值设置为“Top50”，即在每个时间分段中选择出现次数排名前50的关键词，生成关键词共现网络图谱。由于不同学者对同一类型问题的表达可能会选择不同的关键词，并且部分关键词之间具有明显的包含关系，笔者将此类关键词进行了合并处理。例如在“Web挖掘”关键词中，合并后包括“Web數据挖掘”、“Web日志”、“Web日志挖掘”、“Web使用挖掘”和“Web挖掘技术”等关键词。为了使结果显示更加简洁，图谱中已去掉了频次低于10且中心性小于0.1的关键词。最后对节点、标签和连线的大小和颜色进行调整，从而使最终生成的图谱更加清晰。在如图5所示的图谱中，节点大小表示关键词共现的次数，节点越大说明其所对应的关键词出现的次数越多。具有深色外圈围绕的节点表示该节点在图谱中具有关键性的决定作用，即中心性较高，它反映的是该节点在网络中的“媒介”能力。各节点之间的连线表示关键词之间的共现关系。其粗细表示共现的强度，连线越粗说明相关关系越密切。颜色则对应年份，即首次共现出现的时间，从冷色调到暖色调的变化代表早期到近期的变化。

通过图谱可以发现，各节点所代表的关键词以个性化学习和数据挖掘为核心紧密相连，充分表明图谱所显示的关键词之间具有密切联系且相互交叉。个性化服务虽然出现频次不多，但却具有较高的中心性，说明个性化服务在相关研究中具有关键性“媒介”作用。此外，远程教育和Web挖掘节点较大且颜色较深，是研究之初的热点问题。关联规则和聚类分析也受到了一定的关注，而学习分析和大数据则是近年来关注的焦点。以上关键词反映了2001年以来个性化学习中数据挖掘技术的研究热点。由于个性化学习和数据挖掘是检索文献的两个主题词，并且在引言中已经介绍，因此不再作为热点关键词进行分析。图谱中的热点关键词按照研究倾向可分为三个维度：聚焦技术的研究、聚焦应用环境的研究和聚焦学习者的研究。聚焦技术的研究倾向于从技术特点出发研究其应用的价值和功能，包括关联规则、聚类分析、大数据和学习分析等关键词;聚焦应用环境的研究倾向于从学习的具体情境出发探寻技术实施的可行性，包括远程教育和Web挖掘两个关键词;聚焦学习者的研究倾向于从学习者的角度出发满足不同学习者的个性化需求，包含的关键词为个性化服务。

（1）聚焦技术的研究

第一，关联规则。关联规则是数据挖掘中相对成熟且重要的研究方法之一，其目的是为了发掘数据之间的某种关系，最初是用于分析消费者的购买习惯[3]。将关联规则应用于个性化学习中，能够有效地挖掘出学习者的学习关联，掌握学生的学习动态，进而更深入地了解学生的学习规律与特点[4]。例如，刘爱民将关联规则应用于成绩分析系统中，分析影响学生学习结果的各种因素，从而为学生提供针对性指导[3];文堂柳、李雯应用关联规则算法对学生个人信息、行为信息和评价信息等远程教学反馈信息进行数据挖掘，帮助教师制定个性化的教学策略[5]。

第二，聚类分析。聚类分析是按照相似程度把数据划分为不同的组，每个聚类（或组）均由具有相似特征的对象构成。在教育领域中，可使用聚类分析辅助进行分组教学，为分组提供科学的数据支持，进而有利于合作学习的开展，提高团队学习的质量[6]。例如，首先按照学习进程和知识掌握程度的差别将学习者分为不同的组群，然后根据制定好的教学策略为学习者提供个性化的学习资料和指导，并且随着学习过程的变化及时调整分组情况，能够使学习者长期保持良好的学习状态[7]。

第三，大数据。大数据的概念还没有确切的定义，很多人将大数据视为各种各样的海量数据，也就是传统工具不能有效处理的数据;也有一些人将大数据视为一种技术方法，即收集、挖掘和分析大量复杂的数据，从而得出趋势预测的方法[8]。2012年10月，美国教育部发布的题为《通过教育数据挖掘和学习分析技术来提高教与学：问题简述》（Enhancing Teaching and Learning Through Educational Data Mining and Learning Analytics： An Issue Brief）的报告中提出，大数据应用于教育主要体现在教育数据挖掘和学习分析两大技术领域，主张利用大数据技术对自适应学习系统进行改进，促进个性化学习的发展[9]。在探讨了科学范式、大数据在教育技术领域的应用以及不同的教育技术范式后，祝智庭、沈德梅认为个性化自适应学习系统能够更好地贯彻“以学习者为中心”的教育理念，将成为以大数据为基础的新的教育技术范式[10]。应用大数据技术实现精准的个性化学习是未来教育的发展方向，使得每个学习者的学习活动都能够建立在对以往各类数据分析的前提下[11]。

第四，学习分析。2011年，由美国多位国际知名学者组织的跨学科团体——学习分析研究协会（The Society for Learning Analytics Research，简称SoLAR）成立，标志着学习分析作为一个新兴领域从数据挖掘中独立出来。学习分析是对学习者和学习环境中的相关数据进行测量、收集、分析和报告的过程，从而有助于剖析和完善学习及其发生环境。随着大数据在教育领域的渗透，学习分析已经成为国内外教育工作者关注的热点[12]。例如，郑晓薇利用学习分析技术构建了面向对象的学习分析模型。通过实验证明，该模型能够在教学过程中进行个性化的干预，有效提升教学效果，促进个性化教学[13]。除此之外，唐丽以学习分析技术为基础，探讨了学习分析系统中的干预措施。个性化的干预流程首先要挖掘学习者的个性信息、行为信息、社会网络关系等隐含信息，并将当前成绩与目标成绩进行比较，然后根据系统结果分别利用基于内容的过滤技术和基于协作的过滤技术对学习者做出干预，从而促进个性化学习的实现[14]。

（2）聚焦应用环境的研究

第一，远程教育。远程教育又称网络教育，是利用网络和多媒体等技术手段进行教学的一种模式。相对于传统教育，远程教育中师生分离，以学生自学为主。远程教育对象在年龄、学习基础和学习方式等多方面具有较大差异性。然而，无论是学习内容还是学习反馈等方面，现有的远程教育均不能很好地适应个性化学习存在的问题[15]。数据挖掘技术的应用可以有效促进远程教育的个性化发展。因此远程教育成为个性化学习中数据挖掘技术应用的热点研究方向之一。例如，宋永生针对网络学习在学习氛围、学习管理和因材施教等方面存在的问题，利用数据挖掘技术设计了个性化的网络学习平台，从而实现个性化教学[16]。邓晖则认为，个体的学习特征会影响在远程教育中的学习行为，通过构建学生特征分析系统，对包含知识结构、信息加工方式、社会特征和情感、意动类型等因素的学习特征进行挖掘和分析，可以促进在网络教育中实现个性化学习[17]。

第二，Web挖掘。Web挖掘是指利用数据挖掘技术从Web文档和访问数据中发现和抽取知识。因其具有相应的处理步骤和对象，也可视作一种数据挖掘的方法[18]。实现个性化的远程教育需要从以网站为中心向以学生为中心转变。将Web挖掘应用于远程教育，能够在海量的Web数据中发现学习者的学习规律、学习兴趣和学习取向，进而为学习者提供个性化的定制网站、推荐个性化的学习内容，同时教师也可以根据个性化的反馈及时做出相适应的策略调整[19]。例如，赵蔚利用Web挖掘处理了E-learning解决方案推荐系统存在的学习者兼容性、资源充足性、智能挖掘性、推荐整合性等四大问题，促进了数字学习服务的个性化[20]。

（3）聚焦学习者的研究

個性化服务关注用户的个性化需求，致力于为用户提供针对性的信息，在收集、整理和分析各类资源的基础上，尽可能满足用户的需求[21]。数据挖掘应用于个性化学习的主要目的，就是为了进行个性化的数据分析，从而推荐个性化的学习内容、选择适合的学习方法、做出针对性的学习评价和规划等，也就是提供个性化服务。例如，个性化服务在个性化的远程教育中主要体现在以下几个方面：向学习者推荐感兴趣或与其能力相适应的学习内容;通过学习者的提问或考核情况发现薄弱知识点并提供补习内容和学习建议;辅助教师全面把握学习者的个性、学习习惯和评价反馈，为学生制定个性化的教学策略[22]。

4.研究趋势分析

在运行软件得到关键词共现网络图谱的基础上，选择时间线视图（Timeline View），并选择关键词（Keyword）进行聚类，得到如图6所示的时间线图谱。时间线视图（Timeline）主要用于展现聚类之间的关系以及各聚类中对应文献的时间跨度。为了说明聚类后的结构及其清晰度，证明图谱呈现效果的有效性，CiteSpace提供了可供参考的两个指标Q值（模块值）和S值（平均轮廓值）。一般情况下，当Q值大于0.3时，表明所划分出的网络结构是显著的，当S值大于0.5时，表明聚类的结果是有效的[2]。从图中聚类结果可以看出：Q= 0.3714、S=0.6021，说明所得图谱相对有效。图中共形成四个反映该领域研究热点的聚类中心，分别是：#0个性化学习、#1数据挖掘、#2个性化推荐、#3学习分析。

“#0个性化学习”聚类包括自适应学习系统、学习者特征、学习者模型、智慧教育、人工智能等关键词。此类关键词反映了通过数据挖掘技术实现个性化学习的主要方式，即通过构建各种学习系统或学习者模型，利用数据挖掘技术发现学习者特征等个性化信息。数据挖掘技术的应用往往与信息化、智能化等技术手段结合以促进个性化学习，也是智慧教育的体现。

“#1数据挖掘”聚类包括决策树、agent、E-learning等关键词。决策树和agent是数据挖掘技术的两种算法，E-learning则体现出数据挖掘技术应用的主要载体。

“#2个性化推荐”聚类包括远程教育、Web挖掘、关联规则、个性化服务、聚类分析、移动学习、协同过滤等关键词。个性化推荐是为学习者提供个性化服务的主要方式，相关研究主要聚焦于远程教育和移动学习领域，Web挖掘、关联规则、聚类分析和协同过滤是进行数据挖掘的主要方法。

“#3学习分析”聚类包括学习分析、社会网络分析、大数据等关键词。学习分析和教育数据挖掘是大数据在教育领域的两个主要技术，而结合社会网络分析则可以获得更丰富、更准确的信息。

通过图谱可以看出，“#0个性化学习”和“#2个性化推荐”聚类中所包含的相关研究主题，从该领域研究初始至今，除中期相对停滞外，始终受到一定的关注。“#1数据挖掘”聚类中的相关主题，虽然在前期具有较高的中心性，但在2008年后终断。而“#3学习分析”聚类中的相关内容凸现为近几年的研究热点。研究发现，虽然个性化学习中数据挖掘的研究在早期受到了一定的关注，但研究者和发文量仍相对匮乏。并且随着数据量的增多，单纯的数据挖掘技术已无法满足技术需求，因此经过几年发展后便陷入瓶颈。随着技术的发展以及学科之间的交叉越来越多，为研究带来了新的活力。而数据挖掘技术在不断发展中逐渐内含于学习分析、大数据、人工智能等相关技术中，成为各类技术中必不可少的关键技术。个性化学习随着技术的进步和更迭逐渐发展。

三、结论与展望

1.结论

本研究对近20年来CNKI数据库关于个性化学习中数据挖掘技术研究的相关文献进行梳理，并通过CiteSpace V对作者、机构、关键词等进行可视化分析，得出以下结论：

第一，研究成果数量较少，且研究力量分散。相关研究成果的年发文量均比较稳定，但是300多篇的文献总数仍显不足。数据挖掘技术在教育领域的应用促进了学习的个性化，为个性化学习的研究开拓了新的思路，并在应用研究的过程中使得技术自身逐渐发展和完善。但学科的交叉也为相关研究增加了一定的难度。跨学科人才短缺使得具有不同专业背景的研究者之间的合作显得尤为重要。然而研究发现，作者和机构合作较少，并没有形成一定规模的合作群体。并且，研究者和研究机构之间的合作关系大多为校内合作，缺乏校际合作。具有不同学科背景的研究者和研究机构各自为营，使得研究力量和资源分散。

第二，技术方法研究较多，但应用领域有限。虽然关联规则和聚类分析是数据挖掘中比较常用的两种方法，但也有研究涉及决策树、Agent和协同过滤等方法。同时，学习分析、大数据、人工智能等新兴技术领域也逐渐脱离单纯的数据挖掘技术，成为近几年研究的热点话题。个性化学习中关于数据挖掘技术的方法研究越来越丰富。由于在远程教育过程中会产生较多便于挖掘的数据，数据挖掘技术的应用研究多集中在远程教育领域。相关研究涉及学习策略、学习内容、学习评价与反馈等方方面面的内容，但是对于远程教育之外存在的海量数据信息关注度较低。个性化学习中数据挖掘技术的应用范围仍显狭窄。

第三，技术优势发挥充分，但风险意识淡薄。无论是应用关联规则发现学习者的学习关联，还是利用聚类分析进行分组教学，研究者均能充分认识技术的特点，发挥技术优势。各种数据挖掘方法及其相关技术的应用，多角度、全方位地促进了个性化学习的发展。然而，相关研究在感叹技术发展为个性化学习带来巨大收益的同时，却忽视了技术应用过程中可能存在的数据安全和隐私风险等潜在问题。少部分研究者虽在文献结尾论及此类问题，但也只是停留在表面，缺乏系统的研究。该领域并没有得到应有的关注，研究者对技术应用的风险意识相对淡薄。

2.展望

基于对已有研究的分析和总结，笔者认为，促进个性化学习中数据挖掘技术的研究应注意以下几个方面：

第一，加强沟通交流，促进合作研究。信息化、智能化的社会背景下，原有技术方法更新迅速，各种新兴技术蓬勃兴起。个性化学习的发展也应与时俱进，及时吸纳新技术并灵活运用于教育中来。由于数据挖掘、学习分析和大数据等技术均比较复杂，其在个性化学习中的应用研究需要具有一定专业知识的人来实现，而这些人往往不具备相应的教育理论知识。这就直接决定了具有单一学科背景的研究者难以进行该领域的研究或者研究质量不高。因此，不同学科领域的研究者和研究机构之间应该加强沟通和交流，促进合作研究，实现优势互补。

第二，拓展研究视野，转换研究视角。《教育信息化十年发展规划（2011-2020年）》提出，要“努力為每一名学生和学习者提供个性化学习的信息化环境和服务”。《中国教育现代化2035》也提出，要“利用现代技术加快推动人才培养模式改革，实现规模化教育与个性化培养的有机结合”。应用现代技术促进个性化学习应面向所有学习者并适用于各种学习环境，使每个学习者都能随时随地享受到个性化的学习服务。因此，在应用数据挖掘、学习分析和大数据等现代技术时，不能仅聚焦在远程教育领域。研究者应该将视野放宽，全方位关注各种教育领域和教育形式中的学习，努力挖掘更加全面、有效的信息。此外，要积极转换研究视角，从以技术为中心逐渐向以学习者为中心转变。研究者要站在学习者的立场，从学习者的个性化需求出发，寻找解决问题的方法。

第三，增强安全意识，防范潜在风险。事物的发展都有其两面性。数据挖掘等现代技术的广泛应用在为学习者带来极大便利的同时，也可能存在一些潜在的危险。如何保障海量的数据信息不被非法利用、数据的收集和分析是否需要征得用户同意、分析所得结果会不会给当事人带来不平等待遇、技术的发展和应用究竟是促进了教育公平还是拉大了教育不平衡的差距等等，诸如此类问题必须得到足够重视。个性化学习的实现不能以损害学习者利益为代价，更不能影响教育和社会的长期稳定发展。因此，研究者应提高警惕，认真反思数据挖掘及其相关技术在应用过程中可能存在的诸多挑战。

参考文献：

[1]吴修霆.SAS数据挖掘技术的实现[J].微电脑世界，2000（14）：44-45.

[2]陈悦，陈超美，刘则渊，胡志刚，王贤文.CiteSpace知识图谱的方法论功能[J].科学学研究，2015，33（2）：242-253.

[3]刘爱民.基于关联规则的学生成绩分析系统的设计与实现[D].长春：吉林大学，2014.

[4]缪广寒.关联规则Apriori算法在个性化学习系统中的应用研究[J].硅谷，2014，7（5）：47-48.

[5]文堂柳，李雯.关联规则在远程教育教学反馈中的应用[J].计算机与信息技术，2009（9）：17-18，22.

[6]李汪丽，蒋玲.数据挖掘在中国教育领域的应用研究综述[J].湖北第二师范学院学报，2010，27（2）：55-58.

[7]赵立江.聚类分析在个性化学习中的研究与应用[J].福建电脑，2006（12）：13，2.

[8]张杰夫.大数据，大视野，大教育[J].中小学信息技术教育，2013（10）：12-14.

[9]U.S. Department of Education， Office of Educational Technology. Enhancing Teaching and Learning Through Educational Data Mining and Learning Analytics： An Issue Brief [DB/OL]. Washington， D. C.： M. Bienkowski， M. Y. Feng， and B. Means， 2012，https：//tech.ed.gov/wp-content/uploads/2014/03/edm-la-brief.pdf

[10]祝智庭，沈德梅.基于大数据的教育技术研究新范式[J].电化教育研究，2013，34（10）：5-13.

[11]胡水星.大数据及其关键技术的教育应用实证分析[J].远程教育杂志，2015，33（5）：46-53.

[12]吴青，罗儒国.学习分析：从源起到实践与研究[J].开放教育研究，2015，21（1）：71-79.

[13]郑晓薇，刘静，高悦.面向对象的学习分析模型的构建与实现[J].中国电化教育，2016（10）：116-122.

[14]唐丽，王运武，陈琳.智慧学习环境下基于学习分析的干预机制研究[J].电化教育研究，2016，37（2）：62-67.

[15]徐辉增，孙学农.数据挖掘在现代远程教育中的应用[J].电脑知识与技术（学术交流），2007（10）：1179-1180.

[16]宋永生.基于数据挖掘的个性化学习平台研究[J].电脑知识与技术，2018，14（36）：198-200.

[17]邓晖.网络个性化学习学生特征分析系统的分析与设计[J].远程教育杂志，2003（1）：11-13.

[18]李汪丽，蒋玲.数据挖掘在中国教育领域的应用研究综述[J].湖北第二师范学院学报，2010，27（2）：55-58.

[19]罗兴文，闫友彪，蔡海滨.基于Web挖掘的个性化远程教育系统研究[J].计算机工程与设计，2007（12）：3016-3019，3022.

[20]赵蔚，余延冬，张赛男.基于Web数据挖掘的个性化E-learning解决方案推荐系统研究[J].现代远距离教育，2011（4）：60-63.

[21]魏丹丹，邱乐兴.基于Web3.0的网络教学个性化服务平台构建[J].江西师范大学学报（自然科学版），2013，37（6）：584-588.

[22]李华，何茜，吴中福.基于Web的个性化学习系统研究[J].计算机工程与应用，2002（13）：239-242.

（编辑：王晓明）