教育过程挖掘智能技术：研究框架、现状与趋势

黄琰 赵呈领 赵刚 刘军 疏凤芳 李红霞

[摘   要] 在指数增长的教育大数据中，挖掘抽象复杂的教育过程规律需要智能技术的加持。教育过程挖掘是通过建立完整、紧凑的教育过程模型，揭示教学活动规律，优化教育实践的一种融合数据科学和过程科学的智能技术与方法。教育过程挖掘以研究框架为指导，可采用过程模型发现、一致性检验和过程模型增强三类场景中的关键技术和常用模型开展研究与实践，助力发现学习行为模式、预测学习效果趋势、改进教学评价反馈、提供教学决策支持和提升教育管理服务。教育过程挖掘发展亟须增强决策推荐与理论引领作用、探索深层次与多模态数据应用、优化算法以开发教育领域工具以及在各类新兴教育领域进行推广与创新。

[关键词] 教育过程; 智能技术; 教育过程挖掘; 教育大数据

[中图分类号] G434            [文献标志码] A

[作者简介] 黄琰（1988—），女，贵州赤水人。讲师，博士研究生，主要从事教育数据挖掘、在线教学研究。E-mail：hyan2016@163.com。赵呈领为通讯作者，E-mail：zhcling@mail.ccnu.edu.cn。

一、引   言

智能教育作为我国人工智能发展规划的重要组成部分，探索以大数据、物联网感知、人工智能等为代表的智能技术与教育的深度融合。智能技术为提升学生学习体验、辅助教师高效教学、助力教师发展与培养、提供精准评测和科学化的教学治理等提供了智能化教育环境和工具[1]，为推动教育创新与变革带来了新的机遇[2]。智能技术与教育的融合路径不仅应强调借助智能技术解决教育问题，还应进一步从更广阔的研究视角，通过跨领域合作共同探究教育问题本质[3]。

面对教育研究领域的众多挑战，需要从教育数据中提炼新知识和新模型。借助教育数据挖掘（EDM），通过分类、聚类、回归、关联、序列和偏差等识别模式，可以获取对教学内容、教学资源、教学行为、教学结果等变量的描述性解释，实现对教与学未来趋势的预测[4]。但把握教育规律不仅需要关注教育细节，更需要对教育过程实现全局性分析。面对指数增长的教育大数据，大多数传统的EDM技术缺少对数据整体性的关注，未能提供完整的教育过程可视化呈现方法[5]。如何改进技术以应对教育大数据的复杂性[6]，怎样运用教育大数据精准而全面地透析教育过程？教育过程挖掘（EPM）作为可以洞察教育过程全貌并支持教育过程改进的智能技术，或将成为这类重要问题的突破口。基于此，文章聚焦于EPM智能技术，从内涵、研究框架、应用案例、未来展望四个模块，分析EPM在教育领域应用的现状与趋势，为推进数据密集型科学研究提供参考与借鉴。

二、教育过程挖掘的内涵

科学研究在数据爆发式增长的引领下正迈入“数据密集型”范式[7]。在教育领域，挖掘教育过程数据中的有效信息和核心价值是探索教育规律的重要依据，准确把握教育过程挖掘内涵是洞悉教育机理的关键。

（一）教育过程

教育过程（Educational Process，EP）是教育者和受教育者围绕教育目标开展的双向活动过程[8]。从时间上看，教育过程可以是一节课、一个知识点的教学时长，也可以涵盖学生的所有学业记录，或是一个地区的教育规划阶段，甚至可以是终生学习的整个时长[9]。从结构上看，教育过程是由教育要素、运行阶段、教育事件等组成的复杂、有机系统，杂乱的教育事件中隐藏着有序的教育规律，是教学理论的现实表现。从特征上分析，教育过程是以提高学生认识和促进学生发展为中心，具有很强的教育目的性;是教学活动的延续与展开，具有生成性与发展性;是教育要素之间交互作用的变化和发展，具有必然性和规律性;是教育事件的变迁序列及其关系性集群，呈现出一定的无序性和不确定性[10]。因此，解析教育过程需要透过教育事件把握整体规律并理解其多重特征，同时发挥整体与部分的积极性，才能推动教育目标的实现。

（二）过程挖掘

过程挖掘（Process Mining，PM）的基本思想由Cook等人于1995年首次提出，最初目的是从软件事件日志中自动发现过程模型[11]。1998年，Agrawal教授正式将其命名为过程挖掘[12]，并将该技术引入业务过程管理领域。PM吸收了数据科学中的数据挖掘、统计学理论、数据库和分布式系统等技术，同时结合了过程科学所包含的推理学、业务过程管理、并发理论、优化技术等方法，将“以数据为中心”的事件日志分析和“以模型为基础”的过程分析进行融合，以过程全局性的视角为研究起点，以具备过程属性的事件数据为研究对象，通过模型发现、合规性检查、偏差探测、瓶颈检测、预测执行和辅助过程再造等技术提取过程知识，并提供可视化技术以助于阐释与改进实践，已在商业、工程、医疗、物流等多个领域展开广泛应用。

（三）教育过程挖掘

教育过程挖掘（Educational Process Mining，EPM）是以教育事件为研究对象，实现教育过程数据的提取、分析与可视化[13]，通过建立完整、紧凑的教育过程模型，揭示教学活动规律，优化教育实践的智能技术与方法。EPM作为一种面向过程的知识发现新技術，并非传统方法的简单混合。EPM直接借助教育事件日志自动生成完整且简洁的教育过程模型[14]，提高了复杂情境下教育过程模型的建模效率;EPM可以不依赖专家知识与经验发现各种教学活动的真实轨迹，最大限度地减少建模过程中人为因素的干扰;与序列模式挖掘（SPM）、滞后序列分析（LAS）等相关技术有着一定的区别，这些技术适用于相对较短的重复行为序列和行为之间的关联分析，而EPM以全局性过程观为指导，不仅可以自动生成教育过程模型，还可以采用检验技术比较不同过程模型之间的差异，通过瓶颈查找改进过程模型并指导实践，为科学把握教育规律带来了巨大的潜能。因此，EPM拓展了教育数据挖掘（EDM）的边界，或将成为突破当前教育研究困境的新契机。

三、教育过程挖掘研究框架

（一）研究框架

本文在继承PM研究框架的基础上[15-17]，参考DIKW（Data、Information、Knowledge、Wisdom）层次结构模型[18]，搭建了教育过程挖掘循环框架（如图1所示）。

研究框架包括四个模块：（1）教育世界，是多元化、多维度的复杂系统，学生处于教育世界的中心，既是教学活动设计的出发点，又是教育过程评价的落脚点，而教师为保障教学活动的有效进行提供设计、组织、提供、监督、评价等支持;（2）信息系统，是EPM的重要载体，提供支持教学交互行为的技术环境，记录教育事件的技术平台，分析学生基本情况的工具等;（3）事件日志，每个事件对应一个案例和活动，日志质量直接影响过程挖掘的实施与结果;（4）过程模型，是通过技术得到的过程性知识表征，为改进教育世界与教育信息提供充实的理论与实践引导。

数据的转换可分为四个环节：（1）数据收集，是探索教育规律的起点，所有的挖掘工作都是围绕教育事件数据展开，如课程注册行为、教师教学行为、学生学习痕迹、学生考试记录、教学资源使用、教学人员配置等;（2）信息提取，将各类教育过程事件数据中的有效信息转化为可直接分析的事件日志;（3）知识转换，根据需求适配智能场景，实现事件日志与过程模型之间的信息转换;（4）智慧应用，提炼过程性知识并修正教育信息系统，通过可视化模型呈现并指导教育实践，进而改进教育世界。

（二）智能场景

1. 过程模型发现

过程模型发现（Process Model Discovery）包含EPM最基础、最重要的技术，实现从事件日志中自动抽取有价值的客观信息，构建完整而紧凑的教育过程模型[19-20]。过程模型发现又最具技术复杂性，需要以精准的算法为依托，并追求达到适合度、泛化度、精确度和简洁度四个质量指标之间的平衡。

1995年，Cook教授等人针对顺序序列的软件过程发现，使用RNet、KTail 和Markov算法开始对过程挖掘进行探索[11]。Wil教授等人提出了α算法、启发式挖掘和区域挖掘等算法[15，21-22]，进一步为过程挖掘研究奠定了理论和实践基础。随着相关研究的深入，涌现出了许多过程模型发现算法，包括模糊挖掘算法、遗传挖掘算法、变迁系统挖掘算法等。

在算法构建过程模型的基础上，还需要借助良好的表示模型向最终用户呈现挖掘到的有效知识，如Petri网、工作流网（WF-net）、业务流程图（BPMN）、模糊网、启发式网等。其中，Petri网是由德国Petri博士于1962年提出[23]，由于其具有简单化图形表达的特点和丰富的分析功能，能对并发、选择和迭代结构进行建模，已成为使用频率最高的表示模型之一。

2. 一致性检验

一致性检验（Conformance Checking）可以发现观测行为与过程模型之间的共性和差异，量化和诊断偏差并筛选出离群值。一般采用两种方法：（1）线性时态逻辑（LTL），将事件日志与一组由线性时态逻辑描述的需求进行比较[24]，只需要定义标准属性，适用于无模型参考的复杂情境;（2）一致性检验器，通过日志回放、状态空间分析和结构分析来检测度量模型与事件日志之间的契合度[25]，可以评估过程模型所允许的行为，也可以评估过程模型的适合度、精度和结构。

3. 过程模型增强

过程模型增强（Process Model Enhancement），实现对已有教育过程模型的改进，进而指导教育实践。其分析起点是一组事件日志和初始过程模型。主要分为两种方式：（1）修复，指通过修改过程模型一小部分，使其能够更好地平衡四个质量标准，比如：两个教学活动在过程模型中为顺序关系，但在现实教育过程中它们却可以随机发生，就需要对这两个活动的执行语义进行调整;（2）扩展，通过给模型增加一个新的视角解释教育过程，例如：资源视角，利用决策树方法为资源建设与分配提供策略;组织视角，可结合社会网络分析法（SNA）等可视化技术对教学角色或组织单元进行分析与聚类，实现对模型的拓展应用。

四、教育过程挖掘应用与实践案例

智能技术如何让数据在教學情境中真正发挥作用，提升教学问题分析的实效性，是突破当前教育发展瓶颈最关键的挑战之一。通过多项理论分析与实践探索，智能技术对教育应用产生了多维效应[1，26-27]。从已有实践案例的研究来看，这种多维效应包含发现学习行为模式、预测学习效果趋势、改进教学评价反馈、提供教学决策支持和提升教育管理服务五个维度（见表1）。

（一）发现学习行为模式

学习行为是推动学习有效发生的关键因素[50]。发现学习行为模式可以明晰学习过程的发生机制，有助于解密“学习黑箱”。Reimann等人关注教育研究领域中的方法论研究，提出了以创新理论解释为目的的自我调节学习过程挖掘模式[51]。在此基础上，Bannert等人对比高低分学生的自我调节学习过程模型，发现高分学生表现出更多规则性的深度加工学习行为，与自我调节学习、元认知理论提出的结论相吻合[28]。Trcka等人将学生的多门课程考试记录转换为事件日志，分析选修课程的学习路径，比较学生实际参与课程学习的顺序是否符合预先的课程设计规则[29]。另外，Bergenthum等人针对群体学习行为，提出了一种关注动态角色表示的学习流建模语言，通过小组协作活动的方式来关注群体学习[30]。Schoor和Bannert选择CSCL为研究背景，使用模糊算法分别构建高分组与非高分组的协作学习过程模型[31]。Fernández-Gallego等人聚焦3D教育虚拟世界中的学习互动行为，借助Petri网解释学生学习过程与规律[32]。由于虚拟世界的学习互动更频繁、更不可控，学生在预设学习流程的基础上会创新出新的学习行为，因此，选用一致性检验技术从众多噪音数据中筛选行为路径。随着研究的推进，新的插件可以更好地解决过程探索重复、使用烦琐等问题，Emond和Buffett采用过程探索插件（归纳视觉挖掘IVM）和序列分类技术（留一法交叉验证LOOCV）构建学习过程并识别学生的技能水平，发现学生的实际学习过程与课程设计的半结构化过程存在差异[33]。

（二）预测学习效果趋势

通过预测学习效果与发展趋势，可以进一步优化学习内容、时间和方式，促进教育优化。基于不同层级和类型的教育过程事件数据，能够反映学生学习效果的评价指标，实现对教育趋势与走向的预测。Mukala等人采用模糊挖掘算法，提取学生在慕课中的学习行为模式，发现不成功学生的行为结构差且不可预测，而成功学生的学习行为序列总体相似，这类有规律的行为是影响学习效果的重要因素[34]。Vahdat等人进一步论证，模糊挖掘算法通过定义不同的粒度级别，可以实现对过程模型的抽象和简化，可以检测与学习过程无关的活动[35]。另外，学习任务的难度与学习成绩呈负相关，学生交互行为的复杂性与该小组的最终平均成绩呈正相关，都是预测成绩的有效指标。Southavilay等人使用启发式挖掘算法分析本科生的小组协作写作过程，以及这些学习过程对最终产品的质量和语义特征的影响[36]。Doleck等人基于知识的发现方法，追踪和理解医学智能辅导系统中的学习者行为，获取关于学生练习并掌握临床诊断推理的连贯行为图像，诊断不同阶段的行为特征，以洞察学生进步的趋势[37]。

（三）改进教学评价反馈

智能教育背景下的技术、方法和思维让教学评价与教学反馈不再仅限于传统的测试方式，评价对象也不再仅限于学生测试分数。学习过程、学习体验、课程运行、师生互动、资源建设等环节都可以通过EPM开展多维度、全过程的评价与反馈，从而实现教学评价促发展这一根本目标。Pechenizkiy等人将过程发现、一致性检查和绩效分析等多种技术应用于在线多项选择题测试数据的分析与评估，在把握学生答题行为整体规律与趋势的基础上给予评价反馈[38]。Reimann等人针对在线协作学习，使用启发式算法，对在线互动聊天内容进行过程模型建模，评价不同小组的决策过程，进而提出改进意见[39]。Toth等人重点探索如何基于个体在问题解决中的表现行为，识别学生的学习困难与困境[40]。Sedrakyan等人提出一种针对解决复杂问题的学习者行为数据分析方法，通过构建一个语义上正确的概念模型，反映给定域描述的结构和动态视图，改变传统的结果反馈方式，为学生提供面向过程的、持续的学习反馈[41]。

（四）提供教学决策支持

对教育大数据进行过程挖掘，不仅有助于分析教育过程历史数据，更有助于教育主管、学习顾问和教师改进教学决策，为学生提供教学支持。对此，Porouhan和Premchaiswadi使用多种EPM技术，对高、低绩效组学生的协作学习过程进行分析，以提高教师对每个小组协作动态的认识[42]。Trcka和Pechenizkiy进一步提出课程挖掘框架假设，预定义一组模式模板，以便教育工作者在极其复杂的教学情境中发现存在的过程性问题，探索针对不同学习情境和学习群体的最有效教学支持[5]。针对课程培养方案，Wang和Zaiane使用有色Petri网将学生的课程学习路径可视化，通过一致性检验发现学生偏离课程方案设计的特殊行为，帮助教师在了解学生行为的基础上改进课程设计方案，并向学生推荐更恰当的课程[43]。针对大样本数据，Schulte等人使用了20年里30万名学生的600万条课程注册日志，通过EPM技术分析学位路径问题，为在校学生提供了有效的课程路径指导与建议，包括课程选修策略、课程要求与期望、所需投入程度等[44]。

相比学校教育，教育培训机构为满足学员的个性化需求，其课程设置与教学服务需更具灵活性。Ariouat等人试图从一家全球咨询公司的真实职业培训数据库中找出最佳培训路径[45]。在另一项研究中，Cairns等人使用一致性检验分析学员参与培训过程与课程设计路径之间的契合度，并使用执行时间、瓶颈和决策点等绩效指标来增强培训过程模型，探索了过程模型扩展技术在EPM中的适用性[20]。

（五）提升教育管理服务

通过集成教育系统中的各类管理与服务事件日志，EPM技术可以促进学籍管理、课程管理、学历学位审核与管理、行政业务管理、网络安全管理等工作的科学性与规范性，进一步优化学生择校、就业、心理健康辅导等服务[52]。学籍管理涉及学生在校期间的所有复杂又琐碎的事件数据，精准的学生学业过程报告是学生学籍管理科学高效的基本保障。对此，Ayutaya等人选择使用具有较好稳健性的启发式挖掘算法，应对学籍系统中日志数据的噪聲和异常情况，以准确解读泰国大学生的在校学习过程[46]。Anuwatvisit等人使用一致性检查器，检测教学计划与学生的实际选课情况之间的差异，并通过性能特征和业务规则对原有模型进行拓展[47]。针对培训类课程管理，Cairns等人使用过程挖掘相关算法与社会网络分析方法，从关键的性能指标中提炼典型的培训模式，得到课程与培训提供者之间的社交网络，实现对专业培训领域教育过程的监控和改善[48]。Poncin等人借鉴了软件库和过程挖掘相关研究方法，对多个软件库提取的事件日志进行分析，通过过程模型构建与可视化，实现对美国高校综合特色课程“顶点项目”的优化管理[49]。

五、教育过程挖掘发展趋势

教育过程挖掘作为一种可洞察教育过程全貌并支持教育过程改进的智能技术，从教学活动的过程全局性视角为大规模教育数据研究提供了新契机，在教育领域中已涌现出多项研究成果。作为一个新兴领域，EPM教育应用虽显现出一些问题，但仍有极大的发展前景。

（一）应用导向：增强决策推荐与理论引领作用

一方面，借助EPM技术可以为改进教育实践提供决策推荐。例如：为学习者提供最佳课程单元或学习路径建议，Bannert等人指出，为学习者提供易读的操作提示比单独呈现过程模型更具指导作用[28];Cairns等人进一步提出将决策推荐增设为EPM第四类场景，强调了决策推荐在EPM研究中的重要性[48]。但目前大部分实证研究还停留在技术筛选与模型构建阶段[20，43]。智能教育的发展重心应落脚于教育，而非技术。应该加强教育基础研究和理论构建，更应该以创建理论解释和发展教学理论为价值导向[9]。另一方面，教育过程是教育理论的基本范畴，教育过程的解读需要以教学理论为基础，以教学活动发生的情境为背景，用理论指导技术应用[1]。因此，EPM不仅应捕获过程事件中的客观模型，实现对教育过程的直接跟踪，理解教学活动的发生机制，还需为教学改进提供决策推荐，更需要重视理论引领的作用，并为教学理论发展提供支持。

（二）数据驱动：探索深层次与多模态数据应用

数据密集型科学研究中，学者大多聚焦于如何提升挖掘“海量数据”中有效信息的方法探究，缺少对“深度数据”的探索。EPM教育应用中的研究对象大多是易观察到的单通道行为数据，如鼠标点击[47]、考试成绩[29]或写作文档[36]。Reimann等人基于现代科学哲学观的批判主义观点指出，在复杂教学环境中，学习行为是影响学习成效的关键因素，但并不是唯一因素[51]。将EPM作为唯一的方法论工具，仅依靠事件日志推导教学结论或理论趋势存在一定的研究局限性。越来越多的认知科学和神经科学研究表明，理解复杂的教育过程需要从多角度、多层面进行探索。可以借鉴经典的信息处理与统计方法分析显性行为，并关注感知和体验的内隐性情境认知数据[53]，例如：在沉浸式虚拟环境中，学生的学习认知和非认知行为，同一时间发生的身体和大脑反应，包括操作行为、眼球追踪、脑电活动、皮肤电反应等。因此，多模态数据逐渐成为洞察教育过程规律的新范式，并推进EPM教育应用向真正全面、客观、自动地挖掘教育过程规律进一步迈进。

（三）技术创新：优化算法以开发教育领域工具

“以事件为中心”的EPM算法不同于“以数据为中心”的EDM算法，并非是现有方法的简单混合与变换，需要不断地进行优化，以更好地应对越来越复杂的教育过程事件。现有的EPM教育应用中，模糊挖掘算法和启发式挖掘算法使用频率较高，这两种算法可以较好地平衡过程模型的四个质量指标，能避免结构庞大、逻辑杂乱的意大利面模型。但随着智能技术的不断发展，相关算法的应用门槛将越来越高，且与具体的业务场景关联度较低，很大程度上影响了技术的推广与发展。因此，算法需要以面向用户的工具为依托，将技术封装于工具底层，为上层应用提供服务，才能更好地为各个实践领域提供支持与保障。ProM作为一个开源的、可拓展的工作环境，虽已汇聚了上百种实用插件，成为最常用的工具。但ProM在處理特殊的教育事件日志时存在盲区，例如：（1）概念漂移，课程在不同学期变换了名称;（2）学生下线，自学行为发生在线下环境;（3）数据隐私，学生信息的权限保护等[54]。对此，开发针对教育领域研究的专用插件，持续改进智能算法是推进教育科学研究的充分必要条件，这样才能使教育过程挖掘更加有效和高效。

（四）领域拓展：各类新兴教育领域的推广创新

海量的教育数据蕴藏着巨大的应用价值，数据驱动学习分析，智能技术变革教育[1]。EPM不仅侧重于从教育事件日志中提取有价值的过程知识，还可以通过过程模型优化教育实践。目前，EPM教育应用涵盖的学段包括基础教育、高等教育和职业培训，分析的对象包括学生学习行为、小组写作文档、在线考试成绩、学业选课记录等，涉及的领域包括慕课、在线评估、游戏学习、3D教育虚拟世界等。随着教育需求的不断发展，新兴的技术环境创新出更多教育实践领域，如智能导学、人工智能学伴、“区块链+教育”、虚拟助手、智能校园管理等，将EPM应用到各类新兴教育实践领域，才能推动技术与应用的双向创新，为教育改革提供有效参考。

六、结   语

教育过程挖掘最初的切入点是以数据驱动为视角，通过采集与分析学习行为事件，提炼出学习流程的描述性与预测性模型。但随着教育需求的转变与增长，教育过程挖掘不再只是一种数据挖掘算法，越发凸显出智能化的属性与特征，已在教育评价、教育服务和教育管理等方面涌现出一定数量的个性化、情境化支撑研究，极大地拓展了教育数据挖掘的边界。

在“智能教育”战略性发展道路上，教育过程挖掘智能技术注重整体性、差异性、实践性与创新性的知识挖掘与实践改进，可以较好地应对教育大数据的复杂性，实现对教育规律、教育本质与教育价值的科学把握。教育过程挖掘为教育过程提供智能化的教学支持与服务，为实现技术与教育的深度融合，进一步颠覆教育模式并推动智能教育生态体系创新[55]，对教育真正的转型与变革带来更多可能。

[参考文献]

[1] 严晓梅，高博俊，万青青，尹霞雨.智能技术变革教育的发展趋势——第四届中美智慧教育大会综述[J].中国电化教育，2019（7）：31-37.

[2] 赵婀娜.国际人工智能与教育大会闭幕，形成《北京共识》[N].人民日报，2019-05-19（02）.

[3] CHAD L H， GORDON M， LOOI C， et al.The next 25 years：how advanced interactive learning technologies will change the world[J]. International journal of artificial intelligence education，2016， 26：539-543.

[4] 任庆东，王璐璐. 通过教育数据挖掘和学习分析促进教与学[J]. 自动化与仪器仪表， 2016（10）： 193-194.

[5] TRCKA N， PECHENIZKIY M. From local patterns to global models： towards domain driven educational process mining[C]//2009 Ninth International Conference on Intelligent Systems Design and Applications. Piscataway： IEEE， 2009： 1114-1119.

[6] 邓仲华，李志芳. 科学研究范式的演化——大数据时代的科学研究第四范式[J]. 情报资料工作， 2013， 34（4）： 19-23.

[7] BELL G， HEY T， SZALAY A. Beyond the data deluge[J]. Science， 2009， 323（5919）： 1297-1298.

[8] 柳海民. 教育原理[M]. 长春：东北师范大学出版社，2000.

[9] 黄平，李太平.教育过程的界定及其生成特性的诠释[J].教育研究，2013，34（7）：18-27.

[10] 郭元祥.论教育的过程属性和过程价值——生成性思维视域中的教育过程观[J].教育研究，2005（9）：3-8.

[11] COOK J，WOLF A. Automating process discovery through event- data analysis[C]//Proceedings of the 17th International Conference on Software Engineering.New York：ACM，1995：73-82.

[12] AGRAWAL R， GUNOPILOS D， LEYMANN F. Mining process models from workflow logs[C]//Proceedings of 6th International Conference on Extending Database Technology. Berlin： Springer，1998： 469-483.

[13] MUKALA P， BUIJS J C A M， VAN DER AALST W M P. Uncovering learning patterns in a mooc through conformance alignments[J]. BPM reports， 2015， 1509： 1-20.

[14] 邓璐娟，董东晓，陈欣欣. 过程挖掘技术的研究与应用[J]. 微型机与应用， 2017， 36（18）： 11-14.

[15] VAN DER AALST W M P. Process mining： discovery， conformance and enhancement of business processes[M]. Berlin： Springer， 2011.

[16] VAN DER AALST W M P. Business alignment： using process mining as a tool for Delta analysis and conformance testing[J]. Requirements engineering， 2005， 10（3）：198-211.

[17] DE MEDEIROS A K， WEIJTERS A J， VAN DER AALST W M P， et al. Genetic process mining： an experimental evaluation[J]. Data mining and knowledge discovery， 2007， 14（2）： 245-304.

[18] ROWLEY J. The wisdom hierarchy： representations of the DIKW hierarchy[J]. Journal of information science， 2007， 33（2）： 163-180.

[19] 黃黎，谭文安. 支持复杂社会网络演化的过程挖掘技术综述[J]. 计算机工程与应用， 2017， 53（16）： 18-28.

[20] CAIRNS A H， GUENI B， ASSU J， et al. Analyzing and improving educational process models using process mining techniques[C]//IMMM 2015 Fifth International Conference on Advances in Information Mining and Management. Wilmington： IARIA XPS Press， 2015： 17-22.

[21] VAN DER AALST W M P， ADRIANSYAH A A， DE MEDEIROS A K， et al. Process mining manifesto[C]// Lecture Notes in Business Information Processing. Berlin： Springer， 2012： 169-194

[22] VAN DER AALST W M P， SCHONENBERG M H， SONG M. Time prediction based on process mining[J]. Information systems， 2011， 36（2）： 450-475.

[23] PETRI C A. Kommunikation mit automaten（bonn） trans[D].Germany： University of Bonn， 1962.

[24] VAN DONGEN B F， DE MEDEIROS A K， VERBEEK H M， et al. The prom framework： a new era in process mining tool support[C]//Aapplications and Theory of Petri Nets. Berlin： Springer， 2005： 444-454.

[25] ROZINAT A， VAN DER AALST W M P. Conformance testing： measuring the fit and appropriateness of event logs and process models[C]//International Conference on Business Process Management. Heidelberg： Springer， Berlin， 2005： 163-176.

[26] 胡弼成，王祖霖. “大數据” 对教育的作用， 挑战及教育变革趋势——大数据时代教育变革的最新研究进展综述[J]. 现代大学教育， 2015（4）： 98-104.

[27] 牟智佳，俞显，武法提. 国际教育数据挖掘研究现状的可视化分析： 热点与趋势[J]. 电化教育研究， 2017， 38（4）： 108-114.

[28] BANNERT M， REIMANN P， SONNENBERG C， et al. Process mining techniques for analysing patterns and strategies in students' self-regulated learning[J]. Metacognition and learning， 2014， 9（2）： 161-185.

[29] TRCKA N， PECHENIZKIY M， VAN DER AALST W M P. Process mining from educational data[M]//Handbook of educational data mining. London： CRC Press， 2010：123-142.

[30] BERGENTHUM R， DESEL J， HARRER A， et al. Modeling and mining of learnflows[M]//Transactions on petri nets and other models of concurrency V. Berlin： Springer， 2012： 22-50.

[31] SCHOOR C， BANNERT M. Exploring regulatory processes during a computer-supported collaborative learning task using process mining[J]. Computers in human behavior， 2012， 28（4）： 1321-1331.

[32] FERN？魣NDEZ-GALLEGO B ， LAMA M， VIDAL J C， et al. Learning analytics framework for educational virtual worlds[J]. Procedia computer science， 2013， 25： 443-447.

[33] EMOND B， BUFFETT S. Analyzing student inquiry data using process discovery and sequence classification[C]//International Educational Data Mining Society. Madrid： ERIC， 2015 ：412-415.

[34] MUKALA P， BUIJS J C， LEEMANS M， et al. Learning analytics on coursera event data： a process mining approach[C]//Proceedings of the 5th International Symposium on Data-driven Process Discovery and Analysis. Aachen：CEUR-WS.org， 2015（1527）： 18-32.

[35] VAHDAT M， ONETO L， ANGUITA D， et al. A learning analytics approach to correlate the academic achievements of students with interaction data from an educational simulator[C]//10th European Conference on Technology Enhanced Learning. Berlin： Springer， 2015： 352-366.

[36] SOUTHAVILAY V， YACEF K， CALVO R A， et al. Process mining to support students' collaborative writing[C]// The 3th International Conference on Educational Data Mining. Pittsburgh： Educationaldatamining.org，2010： 257-266.

[37] DOLECK T， JARRELL A， POITRAS E， et al. Examining diagnosis paths： a process mining approach[C]// 2016 Second International Conference on Computational Intelligence & Communication Technology. Piscataway： IEEE， 2016： 663-667.

[38] PECHENIZKIY M， TRCKA N， VASILYEVA E， et al. Process mining online assessment data[C]// The 2nd International Conference on Educational Data Mining. Córdoba： Educationaldatamining.org， 2009 （1）： 279-288.

[39] REIMANN P， FREREJEAN J， THOMPSON K， et al. Using process mining to identify models of group decision making in chat data[C]// CSCL'09： Proceedings of the 9th International Conference on Computer Supported Collaborative Learning. New York： ACM， 2009： 98-107.

[40] T？魷TH K， R？魻LKE H， GOLDHAMMER F， et al. Educational process mining： new possibilities for understanding students' problem-solving skills[M]//Educational research and innovation. Paris： OECD， 2017 ： 193-209.

[41] SEDRAKYAN G， DE WEERDT J， SNOECK M. Process-mining enabled feedback："tell me what I did wrong" vs."tell me how to do it right"[J]. Computers in human behavior， 2016， 57： 352-376.

[42] POROUHAN P ， PREMCHAISWADI W . Process mining and learners' behavior analytics in a collaborative and web-based multi-tabletop environment[J]. International journal of online pedagogy & course design， 2017， 7（3）：29-53.

[43] WANG R， ZAIANE O R. Discovering process in curriculum data to provide recommendation[C]//The 8th International Conference on Educational Data Mining. Madrid ： Educationaldatamining.org， 2015： 580-581.

[44] SCHULTE J， DE MENDONCA P F， MARTINEZMALDONADO R， et al. Large scale predictive process mining and analytics of university degree course data[C]//LAK '17： Proceedings of the Seventh International Learning Analytics & Knowledge Conference. New York： ACM， 2017： 538-539.

[45] ARIOUAT H， CAIRNS A H， BARKAOUI K， et al. A two-step clustering approach for improving educational process model discovery[C]// 25th IEEE International Conference on Enabling Technologies： Infrastructure for Collaborative Enterprises. Piscataway： IEEE ， 2016： 38-43.

[46] AYUTAYA N S， PALUNGSUNTIKUL P， PREMCHAISWADI W， et al. Heuristic mining： adaptive process simplification in education[C]//2012 Tenth International Conference on ICT and Knowledge Engineering. Piscataway： IEEE， 2012： 221-227.

[47] ANUWATVISIT S， TUNGKASTHAN A， PREMCHAISWADI W， et al. Bottleneck mining and Petri net simulation in education situations[C]//2012 Tenth International Conference on ICT and Knowledge Engineering. Piscataway： IEEE，  2012： 244-251.

[48] CAIRNS A H， GUENI B， FHIMA M， et al. Towards custom-designed professional training contents and curriculums through educational process mining[C]// IMMM 2014： The Fourth International Conference on Advances in Information Mining and Management. Wilmington： IARIA XPS Press， 2014： 53-58.

[49] PONCIN W， SEREBRENIK A， VAN DEN BRAND M， et al. Mining student capstone projects with FRASR and ProM[C]// Proceedings of the ACM International Conference Companion on Object Oriented Programming Systems Languages and Applications Companion- OOPSLA '11. New York： ACM， 2011： 87-96.

[50] WINNE P H. Improving measurements of self-regulated learning[J]. Educational psychologist， 2010， 45（4）： 267-276.

[51] REIMANN P， MARKAUSKAITE L， BANNERT M. e-R esearch and learning theory： what do sequence and process mining methods contribute？ [J]. British journal of educational technology， 2014， 45（3）： 528-540.

[52] 張燕南. 大数据的教育领域应用之研究[D]. 上海：华东师范大学，2016.

[53] BARSALOU LAWRENCE W. Grounded cognition[J]. Annual review of psychology， 2008， 59（1）：617-645.

[54] BOGARIN A， CEREZO R， ROMERO C， et al. A survey on educational process mining[J]. Wiley interdisciplinary reviews-data mining and knowledge discovery， 2018， 8（1）： 1-17.

[55] 黄荣怀，周伟，杜静，孙飞鹏，王欢欢，曾海军，刘德建.面向智能教育的三个基本计算问题[J].开放教育研究，2019，25（5）：11-22.