大数据在教育领域的应用23

大数据在教育领域的应用大数据在教育领域中的应用2019/8/1大数据在教育领域中的应用，主要指的是在线决策、学习分析、数据挖掘三大要素，其主要作用是进行预测分析、行为分析、学业分析等的应用和研究，大数据含义指的是对学生学习过程中产生的大量数据（数据来源包括两方面，即显性行为和隐性行为，其中隐性行为包括论坛发帖、课外活动、在线社交等不直接作为教育评价的活动，显性行为包括考试成绩、作业完成状况以及课堂表现等）进行分析，大数据模型以及显示的数据能够为学校和教师的教学提供参考，及时、准确的评估学生的学业状况，发现学生潜在存在的问题，进而预测学生未来可能的表现。1）构建学习者经验模型•收集学习者的学习满意调查问卷•课程学习中的存留数据、表现、行为、选择等，构建学习者的经验模型•构建学习者体验模型，进行线上课程评估2）建立学习者行为模型•收集学习者在学校情景中学习行为变化的情况•学习者完成课程学习的状况•学习者在网络系统中花费的学习时间以及学习者的考试成绩等数据3）构建学习者知识模型•学习者请求帮助的性质和数量•学习者回答问题花费的实践•学习者回答错误的重复率•学习者回答的正确率等•通过数据挖掘和学习分析构建的学习者知识模型4）构建领域知识模型•对现有的领域知识进行重新建模•研究学习者与知识点、学习单元、课程等学习内容之间的关系•采集和处理学习者的相关数据，画出学习者的学习曲线5）构建学习者档案•收集学习者的基本学习信息，建立基本信息数据•通过数据挖掘、学习分析和机器学习算法，根据学习者的学习特征，将相同学习特征的学习者进行分组和聚类6）教学策略分析•收集的学习者的信息进行分析，探索学习系统中各种组件的功能•分析学习者学习结果与教学策略之间的关系，然后对教学策略进行分析和总结7）其他应用•大数据在教育领域的运用还包括个性化学习、自适应学习系统、以及趋势分析等方面•通过大数据的收集、分析与处理，为学习者提供个性化学习、与自适应学习的环境国外教育大数据公司介绍2019/8/1当IBM刚刚开始与这一学区合作时，除了学生成绩不好之外，该县还面临着辍学率已增加到48%的严峻情况。根据联邦政府的《不让一个孩子掉队法》（NoChildLiftBehind，NCLB），学生成绩糟糕的地方政府将受到惩罚。为了应对这一巨大的挑战，该县此前已经在学生数据的基础上建立了一个辍学指示工具，并将其用于全县层面的决策。但IBM认为这仍不足以改善莫白儿县窘迫的现状，需要借助IBM的技术支持重新建立大数据，进而利用大数据分析来改善学区内所有学生的整体成绩1IBM“希维塔斯学习”是一家专门聚焦于运用预测性分析、机器学习从而提高学生成绩的年轻公司。该公司在高等教育领域建立起最大的跨校学习数据库。通过这些海量数据，能够看到学生的分数、出勤率、辍学率和保留率的主要趋势。通过使用100多万名学生的相关记录和700万个课程记录，这家公司的软件能够让用户探测性地知道导致辍学和学习成绩表现不良的警告性信号。此外，还允许用户发现那些导致无谓消耗的特定课程，并且看出哪些资源和干预是最成功的。2希维塔斯学习”（CivitasLearning）推出了基于他们自己过去的学习成绩数据预测并改善其未来学习成绩的大数据服务项目。这家公司的新产品名为“学生成功系统”（StudentSuccessSystem）。“渴望学习”声称加拿大和美国的1000多万名高校学生正在使用其学习管理系统技术。“渴望学习”的产品通过监控学生阅读电子化的课程材料、提交电子版的作业、通过在线与同学交流、完成考试与测验，就能让其计算程序持续、系统地分析每个学生的教育数据。老师得到的不再是过去那种只展示学生分数与作业的结果，而是像阅读材料的时间长短等这样更为详细的重要信息，这样老师就能及时诊断问题的所在，提出改进的建议，并预测学生的期末考试成绩3渴望学习”（Desire2Learn）国外教育大数据应用案例成功创造并发布了各自版本的利用大数据的适应性学习（adaptivelearning）系统。在2012年国际消费电子展的高等教育技术峰会上，世界最大的教育出版公司培生集团（Pearson）与适应性学习领域里的先行者纽顿公司共同发布了主要由培生集团开发的适应性学习产品——“我的实验室/高手掌握”（MyLab/Mastering）。这款产品在将全球范围内向数百万名学生提供个性化的学习服务，向他们提供真实可信的学习数据，让学校通过这些数据提高学生的学习效果并降低教学成本。首款产品将在美国的数十万名学生中使用，包括数学、英语，以及写作等技能开发课4“纽顿”（Knewton）总部设在英国伦敦的培生集团和其他出版公司共同开发的“课程精灵”系统（CourseSmart），也允许教授们通过让学生使用电子教科书来跟踪他们的学业进展，并向助教们显示学生的学习参与度和学习成绩等大量的数据信息，只是这一系统尚不具备预测的功能。5培生集团学习分析关键技术与主要工具⑴内容分析法•是一种对文献内容作客观系统的定量分析的专门方法•是弄清或测验文献中本质性的事实和趋势•建立有意义的类目分解交流内容⑵话语分析•利用话语的生产模式来行使权力•是权力的替代品•掌握话语权的人掌握社会规范⑶社会网络分析•来分析其他类型数据对关系数据的影响•数据主要分为两类，属性数据和关系数据⑷聚类•是在“物以类聚”这一理念之上•专门•针对大量的样品，按各自的特性进行相对合理的分类⑸预测•根据已有数据或信息对整体或个体数据发展态势做出合理预测⑹关系挖掘•在信息领域当中发展最快的技术•数据的高维特征并不是传统数据分析方法可•以轻易解决的⑺文本挖掘•文本数据中抽取有价值的信息和知识的计算机处理技术•文本数据挖掘是数据挖掘的一个分支1.从学生方面来说，学习分析技术在了解学生学习现状之后，通过分析学生数据，找出相关问题，对学生学习过程进行优化，帮助学生培养良好学习习惯，从而达到学生自我学习的目的。2.从教师以及管理人员方面来说，学习分析技术可以评估教学课程和相关机构，帮助同步改善学校既定考核方式，深入分析教学数据，为教师帮助学生解决实际问题指明教学不足和更优方法。3.从研究人员方面来说，学习分析技术是一种研究学生和网络学习的有效工具。4.从技术开发人员方面来说，学习分析技术管理系统各模块各不相同的使用频次和路径能有效指导系统界面的相关优化设计，并可以完善系统日志相关管理功能。数据挖掘在教育信息化中的具体应用空间学习者特征由学习者的知识结构和学习风格组成。知识结构说明了学习者对正在或将要学习知识的掌握情况，主要包括学习者初始技能、当前技能和目标技能。学习风格包括学习者的生理特征、心理特征和社会特征三个方面1学习者特征分析学校教学管理数据库中记录着各届学生与教师的学习、工作、社会活动、奖励、处罚等情况，利用数据挖掘的关联分析与演变分析等功能，寻找师生各种行为活动之间的内在联系。如“当存在A，B时可以推出C”这样的规则，即当有A行为和B行为发生时，还会有C行为。在实际情境中，如果发现学生或教师已有A，B行为时，马上可以分析其产生C行为的可能性，及时制定策略促进或制止C行为的发生2干预师生行为利用学校教学数据库中存放的历届学生各门学科的考试成绩，结合数据挖掘的关联分析与时间序列分析等相关功能，就能从这些海量数据中挖掘出有用的信息，帮助分析这些数据之间的相关性、回归性等性质，得出一些具有价值的规则和信息，最终找到影响学生成绩的原因。3合理设置课程在教学科研网络普遍建立的今天，利用数据挖掘工具，对学生的学习成绩数据库、行为记录数据库、奖励处罚数据库等进行分析处理，可以即时得到学生的评价结果，对学生出现的不良学习行为进行及时指正。另外，这种系统还能够克服教师主观评价的不公正、不客观的弱点，减轻教师的工作量。4学习评价自适应学习系统中教育大数据应用2019/8/1基于大数据的自适应学习系统运行流程图第一步，学习者生成学习行为数据，经过内容传递模块，数据将被标记上时间戳；第二步，数据按照预先定义的结构存入学习者数据库；第三步，预测模块从学习者数据库和学生信息系统中采集数据，根据不同的分析目的，调用不同的分析工具和模型对数据进行分析；第四步，自适应模块根据预测模块中数据挖掘和分析的结果，通过内容传递模块为学习者提供合适的学习指导和学习策略；第五步，预测模块中数据挖掘和分析的结果同时被传递给显示模块，供教师和教学管理者使用；最后，教师和教学管理者根据分析结果，通过干预模块对系统进行人为干预自适应学习系统包含六大模块：（1}内容传递模块。管理、维护、传递个性化的学习内容与评价给学习者，以支持学习者的学习行为。（2)学习者数据库。存储学习者在学习系统中的时间戳标记的学习者输人和学习行为数据。（3)预测模块。整合系统外部学习者信息系统中的数据和系统内部学习者学习行为数据，通过对数据的处理和分析，对学习者未来的学习行为和结果进行预测。（4)显示模块。将预测模块中的运行结果以可视化的方式显示给各类使用者。（5)自适应模块。根据预测模块的运行结果，触发内容传递模块，再根据学习者的学习水平和兴趣，推送合适的学习内容给学习者。（6)干预模块。允许教师、教学管理者和系统开发人员根据预测模块的运行结果，对自适应系统实施人为干预教育数据挖掘和学习分析的区别2019/8/1教育数据挖掘学习分析技术常用技术是分类、聚类、贝叶斯模型、关系挖掘和用模型来发现数据中有意义的信息常用技术是统计、可视化、系统网络架构、情绪分析、影响分析、话语分析，概念分析和意义建构模型起源源于教育软件、学生建模和预测课程的结果源于语义网络、智能课程和系统干预重点重视对所采用的数据挖掘技术的描述和比较重视对数据和结果的描述发现自动化的发现是关键，利用人类判断是用来完成这个目标的工具利用人类判断的是关键，自动化的发现是用于实现这一目标的工具早期的教育数据挖掘主要是网站日志数据的挖掘，现在新的计算机技术支持的交互式学习方法和工具（智能辅导系统、仿真、游戏），为量化和收集学生行为数据带来了新的机会。特别是更加集成、更加模块化和更加复杂化的在线学习系统提供了更多类型的数据，其中包含了数据挖掘算法需要的许多变量。教育数据挖掘能发现这些数据中的模式和规律，探索建立预测模型，让我们重新发现和预测学生如何学习。1教育数据挖掘对学习分析的定义，指的是对学生学习过程中产生的大量数据进行解释，目的是评估学业进步、预测未来表现、发现潜在问题。数据来自学生的显性行为，如完成作业和参加考试；还有学生的隐性行为，如在线社交，课外活动，论坛发帖，以及其他一些不直接作为学生教育进步评价的活动。学习分析模型处理和显示的数据帮助教师和学校更好地理解教与学。学习分析的目标是使教师和学校创造适合每个学生需要和能力的教育机会。2学习分析教育数据挖掘和学习分析典型应用详细应用领域情况教育数据挖掘和学习分析应用领域主要包括：学习者的知识、行为和经历建模；学习者建档；领域知识建模；趋势分析学习分析应用领域1.学习者知识建模2.学习者行为建模3.学习者经历建模4.学习者建档5.领域知识建模6.学习组件分析和教学策略分析7.趋势分析8.自适应学习系统和个性化学习数字化学习的发展性评价系统的特征分析支持学习过程的全数据采集与存储支持测试类型的多样化支持知识增长的可视化支持学习过程的及时督导支持评价的个性化已有研究认为，基于发展性评价的数字化学习评价系统，如网络教学中的学习评价系统应支持过程信息的全面采集、支持自评与互评、支持多种反馈形式等，结合大数据及数字化学习的特征，大数据背景下的数字化学习发展性评价系统应具备如下特征：数字化学习发展性评价系统设计系统模型设计教师学生干预/评价课程学习活动讨论互动学习契约课前测试过程测试章节测试同学互评期末测试教师评价随堂记录卡评测功能子系统数据采集数据清理数据转化混合存储系统教育数据挖掘社会网络分析语义分析对比分析对比分析结果数据库分析结果大数据分析子系统采集与存储子系统仪表盘及时反馈诊断性评价过程性评价终结性评价反馈子系统可视化数据在对现存问题及系统特征分析的基础上，构建了大数