以追踪学生的学习轨迹。运筹学通过设计优化数学模型和统计方法
使目标最优化。人工智能和数据挖掘中的机器学习技术建立在数据
挖掘和人工智能方法上,它能够检测数据中的模式。在学习分析中
的类似技术可用于智能教学系统,以更加动态的方式对学生进行分
类而不是简单地进行人口统计分类,可以通过协同过滤技术对特定
的资源建立模型。社会网络分析可以分析出隐含的人及人(如在论
坛上的互动)和外显的人及人(如朋友或者关注对象)之间的关系,
在学习分析中可用于探索网络集群、影响力网络、参及及不参及状
况。信息可视化是很多分析的重要一步(包括上面列出的 那些分析
方法),它可以用来对所提供的数据进行意义建构,John Tukey1977
年在他的《探索性数据分析 》一书中给我们介绍了如何更好地利
用信息可视化,Turkey强调使用可视化的价值在于帮助在形成正式
的假设之前做检验。以上这些学习分析技术都可以对大量数据进行
[2]
分析和处理,形成分析报告为教育提供帮助。
三、国内外研究现状
2011年2月底,首届“学习分析技术及知识国际会议”在加拿
大的阿尔伯达省班芙市举行,主题之一就是学习分析技术。美国新
媒体联盟发布的2010年度和2011年度《地平线报告》均预测学习分
析技术将在未来的四到五年内成为主流。可见,学习分析技术已逐
渐成为教育中的一项新兴技术。事实上,在“学习分析技术”概念
出现之前,及之相关的技术、工具及其应用研究已经开展起来。2004
年在高等教育中出现的“智能导师系统”和“人工智能系统”掀起
了“教育数据挖掘”研究的热潮,也促使学术分析技术这一关注学
习者行为的分析技术的诞生。Romero & Ventura(2007)以及 Baker
& Yacef(2009)对10余年的教育数据挖掘研究进行分析,归纳出5类
教育数据挖掘方法,它们是统计分析及可视化;聚类(聚类、离群点
分析);预测(决策树、回归分析、时序分析);关系挖掘(关联规则挖
掘、序列模式挖掘、相关 挖掘);文本挖掘。另外,随着网络学习及
相关学习管理系统的不断普及,数据挖掘方法在学习管理系统中得
到应用, 并开启了利用网络分析技术对学习者行为加以分析的研
究, Romero等人(2005)对Moodle学习平台的日志分析是这方面研究
的典范。记录在学习管理系统中的学习者行为数据,经过聚集、分
第 2 页
评论0
最新资源