教育數(shù)據(jù)挖掘和信息技術(shù)結(jié)合實(shí)施教學(xué)診斷探索x

1、教育數(shù)據(jù)挖掘和信息技術(shù)結(jié)合實(shí)施教學(xué)診斷探索一、引言“互聯(lián)網(wǎng)+”時(shí)代的到來給傳統(tǒng)的教育教學(xué)帶來了巨大的變革，在教育創(chuàng)新 的大背景下，教育理念、教學(xué)技術(shù)、教學(xué)方法不斷發(fā)展。2018年4月， 教育部出臺了教育信息化2.0行動計(jì)劃，進(jìn)一步明確了教育信息 化在教育新時(shí)代發(fā)展中的重要地位卩卜利用估息化于段開附浮改革日益成為了島校處教學(xué)如的研亢 烝點(diǎn).信息化教學(xué)要求教師學(xué)習(xí)研究先進(jìn)教學(xué)理念，并輔助以適合的信 息化技術(shù)手段，結(jié)合典型的工作情境開展教學(xué)活動如威化的-個(gè)翊特 征就足現(xiàn)代教符技術(shù)手段的運(yùn)用.敎師在課堂上需妥根朋教學(xué)設(shè)計(jì)的対lh合理的調(diào)用盡可能教學(xué)媒俶 豐富的佶息化資嫁來構(gòu)建良好的學(xué)習(xí)環(huán)境. 有時(shí)儀也

2、可以利用微彈低 何卷星彎方兀進(jìn)行實(shí)時(shí)互幼已達(dá)到充分調(diào)動了學(xué)生的學(xué)習(xí)主動性的目的使得學(xué)生真正成為知識佶息的主動it構(gòu)者. 達(dá)到良好的教學(xué)效果由于信息化技術(shù)手段的介入，教師可以在有數(shù)據(jù)相佐證的情況下， 全程跟蹤學(xué)生的學(xué)習(xí)情況。教師課前可以基于網(wǎng)絡(luò)平臺統(tǒng)計(jì)到學(xué)生預(yù) 習(xí)工作的完成情況，課中可以實(shí)時(shí)的得到學(xué)生的問卷結(jié)果、測驗(yàn)數(shù)據(jù), 課后也可以及時(shí)接收學(xué)生反饋。由于傳統(tǒng)的教學(xué)診斷方法往往只能給出教學(xué)環(huán)節(jié)中的單個(gè)節(jié)點(diǎn)信 息，忽視了不同環(huán)節(jié)之間的相關(guān)性，教學(xué)質(zhì)量分析結(jié)果的體現(xiàn)形式也只 局限于比例分布、平均差、方差等信息。上述傳統(tǒng)方法的特性顯然不能 滿足信息化教學(xué)改革對于全過程、多樣性教育數(shù)據(jù)的分析要求。因此

3、開 展一種可以能夠與信息化教學(xué)相匹配，甚至利用教育學(xué)、計(jì)算機(jī)科學(xué)、統(tǒng) 計(jì)學(xué)等多學(xué)科融合理論來進(jìn)行教學(xué)質(zhì)量評估、教學(xué)方法診斷的方法研究具 有較強(qiáng)的實(shí)際意義和現(xiàn)實(shí)價(jià)值。二、教育挖掘技術(shù)的內(nèi)涵2012年10月，美國教育部發(fā)布“大數(shù)據(jù)教育應(yīng)用”報(bào)告。報(bào)告 中詳細(xì)闡述了教育數(shù)據(jù)挖掘和學(xué)習(xí)分析兩大領(lǐng)域技術(shù)，主張通過教育數(shù)據(jù)挖掘、 學(xué)習(xí)分析和可視化數(shù)據(jù)分析來改進(jìn)自適應(yīng)學(xué)習(xí)系統(tǒng)。區(qū)別于學(xué)習(xí)分析 技術(shù)主要對于學(xué)習(xí)行為和過程的分析理解，教育數(shù)據(jù)挖掘是一種綜合運(yùn) 用數(shù)理統(tǒng)計(jì)、計(jì)算機(jī)技術(shù)來對教育數(shù)據(jù)進(jìn)行處理分析，從而揭示學(xué)習(xí)者 學(xué)習(xí)模型各因素之間的內(nèi)在關(guān)系，預(yù)測學(xué)習(xí)者未來學(xué)習(xí)趨勢的技術(shù)。教育數(shù)據(jù)特指在教育領(lǐng)域中產(chǎn)生的

4、，或者是根據(jù)教育需要采集到 的、一切用于教育發(fā)展并可創(chuàng)造巨大潛在價(jià)值的數(shù)據(jù)集合。早期在教 育領(lǐng)域應(yīng)用的數(shù)據(jù)挖掘技術(shù)受制于技術(shù)水平，以及有限的諸如調(diào)查問卷 等信息來源，研究成果主要局限于對于統(tǒng)計(jì)結(jié)果的關(guān)聯(lián)分析。隨著互聯(lián) 網(wǎng)的日益普及，計(jì)算機(jī)技術(shù)日新月異，各類教育平臺和信息化教學(xué)手段 層出不窮，這些都進(jìn)一步促進(jìn)了 EDM技術(shù)的快速發(fā)展。另一方面，教 育數(shù)據(jù)挖掘的研究成果也進(jìn)一步促使教育管理XX信息化開始深度融合, 在推動教育發(fā)展，提升教育質(zhì)量、實(shí)現(xiàn)個(gè)性化學(xué)習(xí)、優(yōu)化教育資源配置、 輔助教育科學(xué)決策等方而發(fā)揮有效作用。三、基于信息化技術(shù)數(shù)據(jù)的教育挖掘方法教育數(shù)據(jù)挖掘包含的研究內(nèi)容可大致分為預(yù)測和描述兩

5、類環(huán)fii測主要極向干通過已有數(shù)1的分析.揭示其規(guī)律從而去Fft測未知的數(shù)1而描述則更強(qiáng)在分析敵M的過程屮發(fā)現(xiàn)新的模兀和結(jié)構(gòu).本文關(guān)注在信息化教學(xué)中引入EDM的途徑和方法。因此，從這個(gè) 角度岀發(fā)，木文將一個(gè)典型的信息化教學(xué)中EDM工作籠統(tǒng)分為數(shù)據(jù)預(yù) 處理、數(shù)據(jù)挖掘和效果評估三個(gè)階段。其中的信息化課堂并非特指真 實(shí)的課堂教學(xué)，而是包括課前、課中和課后的開放式教學(xué)環(huán)境。它不 僅僅是信息化數(shù)據(jù)的來源，也是EDM介入后最終需要改進(jìn)的目標(biāo)對象。從教育的角度來看，這是一個(gè)從教育環(huán)境（信息化課堂）產(chǎn)生的 數(shù)據(jù)中發(fā)現(xiàn)知識，再利用這些知識來改善教育環(huán)境的循環(huán)過程。圖1EDM應(yīng)用于信息化教學(xué)流程（-）數(shù)據(jù)收集及預(yù)

6、處理數(shù)據(jù)是教育數(shù)據(jù)挖掘研究的基礎(chǔ)。具體到信息化教學(xué)的數(shù)據(jù)收集，是指在開 放式課堂過程中，充分利用網(wǎng)絡(luò)教學(xué)平臺、信息化手段和資源庫資源，收集的整個(gè) 教育教學(xué)過程中靜態(tài)和動態(tài)的所有數(shù)據(jù)。理論上可以在不影響教師和學(xué)生活動的情況 下，連續(xù)記錄整個(gè)教學(xué)活動的所有數(shù)據(jù)，如課前預(yù)習(xí)、教學(xué)資料、課堂實(shí)時(shí)互動， 甚至學(xué)生在每個(gè)知識點(diǎn)上停留的時(shí)間等。收集到數(shù)據(jù)之后，山于數(shù)據(jù)挖掘算法需要處理的數(shù)據(jù)通常是符合固定標(biāo)準(zhǔn)或者 規(guī)范的數(shù)據(jù)。而有學(xué)者們收集到原始數(shù)據(jù)包含諸如問卷調(diào)查，網(wǎng)絡(luò)統(tǒng)計(jì)，平臺在線 測試等多個(gè)來源。其中有可能包含有噪聲（比如學(xué)生隨意評分），缺失（比如沒 有學(xué)生數(shù)據(jù)）和不一致（比如數(shù)據(jù)分項(xiàng)和總項(xiàng)前后矛盾）等

7、無效數(shù)據(jù)。如果直接 基于原始數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，那么最終得到的結(jié)果質(zhì)量將大打折扣。此時(shí)，就需要 對于原始數(shù)據(jù)進(jìn)行預(yù)處理。已達(dá)到消除數(shù)據(jù)中存在的噪聲，合并及歸類不同數(shù)據(jù)源 數(shù)據(jù)，進(jìn)行數(shù)據(jù)壓縮提升挖掘效率等口的。常用的數(shù)據(jù)預(yù)處理一般包括數(shù)據(jù)清理、 數(shù)據(jù)集成和數(shù)據(jù)融合、數(shù)據(jù)變換和數(shù)據(jù)規(guī)約等步驟。山于新型教育數(shù)據(jù)的多樣化、 大量化、非結(jié)構(gòu)化等特征，大大加劇了預(yù)處理的復(fù)雜度。因此，通常來說，數(shù)據(jù)收 集和預(yù)處理環(huán)節(jié)往往是EDM研究中工作量最多的。（二）教育數(shù)據(jù)挖掘數(shù)據(jù)經(jīng)過預(yù)處理之后，已有的結(jié)果變量和真實(shí)值將會被完全標(biāo)注。下一步就 需要選擇合適的數(shù)據(jù)挖掘算法進(jìn)行挖掘分析。信息化教學(xué)數(shù)據(jù)的教育挖掘一般用于 在數(shù)

8、據(jù)中建立預(yù)測模型。其常用的數(shù)據(jù)挖掘方法包括分類、聚類、回歸、關(guān)聯(lián)規(guī)則挖 掘、文本挖掘、馬爾可夫模型、序列模式挖掘以及推薦算法等等岡在上述方法中，根據(jù)訓(xùn)練數(shù)據(jù)是否擁有標(biāo)記信息，學(xué)習(xí)任務(wù)可大致劃分為“監(jiān)督 學(xué)習(xí)” （supervised learning）和無監(jiān)督學(xué)習(xí)（imsupervised learning）叼。無監(jiān)督學(xué) 習(xí)用于未知惜況下，特定的組織或模式。監(jiān)督學(xué)習(xí)是使用一個(gè)已知的結(jié)果的記錄， 研究該組數(shù)據(jù)的背后規(guī)律行為。其中，分類和回歸是監(jiān)督學(xué)習(xí)的代表，而聚類則是 無監(jiān)督學(xué)習(xí)的代表。在數(shù)據(jù)挖掘開始，通常假設(shè)樣本空間中全體樣本服從一個(gè)未知的分布D,所 有前期獲得的樣本數(shù)據(jù)都是獨(dú)立地從這個(gè)分布采

9、樣獲得的，及“獨(dú)立同分布”。 一般而言，訓(xùn)練樣本越多，得到的關(guān)于D的信息也越多，這樣越有可能通過數(shù)據(jù) 挖掘獲得具有強(qiáng)泛化能力的模型。一旦一個(gè)模型表現(xiàn)良好，分析師可以將之遷移到 新的數(shù)據(jù)集上去，用于預(yù)測新的數(shù)據(jù)集會產(chǎn)生的結(jié)果。所有的這些步驟自動化形成 迅速準(zhǔn)確的估計(jì)，相比傳統(tǒng)方法將大大節(jié)約時(shí)間和資源。（三）模型評估及知識生成在預(yù)測模型訓(xùn)練的時(shí)候，不論是采樣諸如決策樹和回歸樹算法，還是各種關(guān) 聯(lián)規(guī)則、貝葉斯模型等手段。為了考量模型的正確性和泛化能力，往往需要對于模 型進(jìn)行評估。具體的做法是將原有的實(shí)驗(yàn)數(shù)據(jù)分為訓(xùn)練集、驗(yàn)證集和測試集三個(gè)部分。其 中，訓(xùn)練集用于模型訓(xùn)練；驗(yàn)證集用于模型的優(yōu)化選擇；測試

10、集則用于對于模型的 實(shí)際效果進(jìn)行評估。劃分方法可以使用“留出法”（直接將數(shù)據(jù)集劃分為兩個(gè)互 斥的集合）、“交義驗(yàn)證法”（數(shù)據(jù)集劃分為k個(gè)數(shù)據(jù)子集，子集多次交義）、“自 助法”（從原始數(shù)據(jù)集中隨機(jī)不刪除選取樣本）等。其中，自助法在數(shù)據(jù)集較小， 難以有效劃分訓(xùn)練/測試集時(shí)很有用。在得到不同部分的數(shù)據(jù)集之后，通常采用 模型的準(zhǔn)確率，召回率，精度、FScore以及AUC等指標(biāo)對于模型進(jìn)行性能衡量， 選取最優(yōu)的模型以及模型參數(shù)作為學(xué)習(xí)到的知識，繼而反饋到信息化教學(xué)過程中。（四）教學(xué)診斷應(yīng)用實(shí)例在信息化教學(xué)診斷研究中，最終U的是找到影響教學(xué)效果的關(guān)鍵因素，并 預(yù)測學(xué)習(xí)效果。以常州信息職業(yè)技術(shù)學(xué)院虛擬儀器應(yīng)

11、用技術(shù)課程的“機(jī)器視 覺物品分類檢測”項(xiàng)LI為例，本次課的口標(biāo)主要是讓學(xué)生理解視覺系統(tǒng)的硬件選 型依據(jù)，掌握基于顏色和圖案紋理的視覺圖像檢測分類處理算法流程。教學(xué)設(shè)訃 環(huán)節(jié)運(yùn)用課程團(tuán)隊(duì)提出的“三角環(huán)式課堂模型勺”開展教學(xué)。對應(yīng)模型中的 “概念探索、應(yīng)用分析、展示:成果”三步驟分別設(shè)計(jì)課前、課中和課后拓展任務(wù)， 分層、逐級實(shí)現(xiàn)技能提升和崗位對接。所采用的的信息化手段包括課程教學(xué)平臺 （發(fā)布課程資源，課程測試），微視頻（真實(shí)案例展示）、硬件仿真軟件和交互 式圖像處理軟件等。為了達(dá)到信息化教學(xué)診斷的U的，確定本次數(shù)據(jù)與處理的的U標(biāo)主要是清楚 噪聲，統(tǒng)計(jì)出每個(gè)學(xué)生在開放教學(xué)環(huán)境中的課前平臺使用頻次及時(shí)

12、間、測試成績 以及錯(cuò)誤部分統(tǒng)汁，從中確定分類器的特征。分別統(tǒng)計(jì)得出學(xué)生網(wǎng)絡(luò)平臺使用時(shí)間、 課程測試及格情況和主要錯(cuò)誤失分點(diǎn)作為特征集，用于接下來的預(yù)測模型。數(shù)據(jù)挖掘階段，有學(xué)者們利用SPSS統(tǒng)計(jì)軟件工具包創(chuàng)建提純現(xiàn)有特征和 特征空間縮減。選取樸素貝葉斯分類法開展模型訓(xùn)練。最終的對比結(jié)果表明， 該分類器在特異度指標(biāo)以及敬感度指標(biāo)上都好于其他常用分類器效果。因此，在 得到該分類器模型只有，有學(xué)者們將之反饋到信息化教學(xué)中用于預(yù)測某位學(xué)生課 程中存在的問題以及最后不合格的可能性。如果預(yù)測的數(shù)值大于設(shè)定的警示閾值， 那么教師就可以及時(shí)的為該學(xué)生提供幫助。通過信息化教學(xué)改革嘗試，學(xué)生反映這種上課方式充滿新鮮感，同時(shí)試點(diǎn) 班相較傳統(tǒng)班的應(yīng)用技術(shù)水平有了較大