教育数据挖掘和信息技术结合实施教学诊断探索x

1、教育数据挖掘和信息技术结合实施教学诊断探索一、引言“互联网+”时代的到来给传统的教育教学带来了巨大的变革，在教育创新 的大背景下，教育理念、教学技术、教学方法不断发展。2018年4月， 教育部出台了教育信息化2.0行动计划，进一步明确了教育信息 化在教育新时代发展中的重要地位卩卜利用估息化于段开附浮改革日益成为了岛校处教学如的研亢 烝点.信息化教学要求教师学习研究先进教学理念，并辅助以适合的信 息化技术手段，结合典型的工作情境开展教学活动如威化的-个翊特 征就足现代教符技术手段的运用.敎師在课堂上需妥根朋教学设计的対lh合理的调用尽可能教学媒俶 丰富的佶息化资嫁来构建良好的学习环境. 有时仪也

2、可以利用微弹低 何卷星彎方兀进行实时互幼已达到充分调动了学生的学习主动性的目的使得学生真正成为知识佶息的主动it构者. 达到良好的教学效果由于信息化技术手段的介入，教师可以在有数据相佐证的情况下， 全程跟踪学生的学习情况。教师课前可以基于网络平台统计到学生预 习工作的完成情况，课中可以实时的得到学生的问卷结果、测验数据, 课后也可以及时接收学生反馈。由于传统的教学诊断方法往往只能给出教学环节中的单个节点信 息，忽视了不同环节之间的相关性，教学质量分析结果的体现形式也只 局限于比例分布、平均差、方差等信息。上述传统方法的特性显然不能 满足信息化教学改革对于全过程、多样性教育数据的分析要求。因此

3、开 展一种可以能够与信息化教学相匹配，甚至利用教育学、计算机科学、统 计学等多学科融合理论来进行教学质量评估、教学方法诊断的方法研究具 有较强的实际意义和现实价值。二、教育挖掘技术的内涵2012年10月，美国教育部发布“大数据教育应用”报告。报告 中详细阐述了教育数据挖掘和学习分析两大领域技术，主张通过教育数据挖掘、 学习分析和可视化数据分析来改进自适应学习系统。区别于学习分析 技术主要对于学习行为和过程的分析理解，教育数据挖掘是一种综合运 用数理统计、计算机技术来对教育数据进行处理分析，从而揭示学习者 学习模型各因素之间的内在关系，预测学习者未来学习趋势的技术。教育数据特指在教育领域中产生的

4、，或者是根据教育需要采集到 的、一切用于教育发展并可创造巨大潜在价值的数据集合。早期在教 育领域应用的数据挖掘技术受制于技术水平，以及有限的诸如调查问卷 等信息来源，研究成果主要局限于对于统计结果的关联分析。随着互联 网的日益普及，计算机技术日新月异，各类教育平台和信息化教学手段 层出不穷，这些都进一步促进了 EDM技术的快速发展。另一方面，教 育数据挖掘的研究成果也进一步促使教育管理XX信息化开始深度融合, 在推动教育发展，提升教育质量、实现个性化学习、优化教育资源配置、 辅助教育科学决策等方而发挥有效作用。三、基于信息化技术数据的教育挖掘方法教育数据挖掘包含的研究内容可大致分为预测和描述两

5、类环fii測主要極向干通过已有数1的分析.揭示其規律从而去Fft测未知的数1而描述则更强在分析敌M的过程屮发现新的模兀和结构.本文关注在信息化教学中引入EDM的途径和方法。因此，从这个 角度岀发，木文将一个典型的信息化教学中EDM工作笼统分为数据预 处理、数据挖掘和效果评估三个阶段。其中的信息化课堂并非特指真 实的课堂教学，而是包括课前、课中和课后的开放式教学环境。它不 仅仅是信息化数据的来源，也是EDM介入后最终需要改进的目标对象。从教育的角度来看，这是一个从教育环境（信息化课堂）产生的 数据中发现知识，再利用这些知识来改善教育环境的循环过程。图1EDM应用于信息化教学流程（-）数据收集及预

6、处理数据是教育数据挖掘研究的基础。具体到信息化教学的数据收集，是指在开 放式课堂过程中，充分利用网络教学平台、信息化手段和资源库资源，收集的整个 教育教学过程中静态和动态的所有数据。理论上可以在不影响教师和学生活动的情况 下，连续记录整个教学活动的所有数据，如课前预习、教学资料、课堂实时互动， 甚至学生在每个知识点上停留的时间等。收集到数据之后，山于数据挖掘算法需要处理的数据通常是符合固定标准或者 规范的数据。而有学者们收集到原始数据包含诸如问卷调查，网络统计，平台在线 测试等多个来源。其中有可能包含有噪声（比如学生随意评分），缺失（比如没 有学生数据）和不一致（比如数据分项和总项前后矛盾）等

7、无效数据。如果直接 基于原始数据进行数据挖掘，那么最终得到的结果质量将大打折扣。此时，就需要 对于原始数据进行预处理。已达到消除数据中存在的噪声，合并及归类不同数据源 数据，进行数据压缩提升挖掘效率等口的。常用的数据预处理一般包括数据清理、 数据集成和数据融合、数据变换和数据规约等步骤。山于新型教育数据的多样化、 大量化、非结构化等特征，大大加剧了预处理的复杂度。因此，通常来说，数据收 集和预处理环节往往是EDM研究中工作量最多的。（二）教育数据挖掘数据经过预处理之后，已有的结果变量和真实值将会被完全标注。下一步就 需要选择合适的数据挖掘算法进行挖掘分析。信息化教学数据的教育挖掘一般用于 在数

8、据中建立预测模型。其常用的数据挖掘方法包括分类、聚类、回归、关联规则挖 掘、文本挖掘、马尔可夫模型、序列模式挖掘以及推荐算法等等冈在上述方法中，根据训练数据是否拥有标记信息，学习任务可大致划分为“监督 学习” （supervised learning）和无监督学习（imsupervised learning）叼。无监督学 习用于未知惜况下，特定的组织或模式。监督学习是使用一个已知的结果的记录， 研究该组数据的背后规律行为。其中，分类和回归是监督学习的代表，而聚类则是 无监督学习的代表。在数据挖掘开始，通常假设样本空间中全体样本服从一个未知的分布D,所 有前期获得的样本数据都是独立地从这个分布采

9、样获得的，及“独立同分布”。 一般而言，训练样本越多，得到的关于D的信息也越多，这样越有可能通过数据 挖掘获得具有强泛化能力的模型。一旦一个模型表现良好，分析师可以将之迁移到 新的数据集上去，用于预测新的数据集会产生的结果。所有的这些步骤自动化形成 迅速准确的估计，相比传统方法将大大节约时间和资源。（三）模型评估及知识生成在预测模型训练的时候，不论是采样诸如决策树和回归树算法，还是各种关 联规则、贝叶斯模型等手段。为了考量模型的正确性和泛化能力，往往需要对于模 型进行评估。具体的做法是将原有的实验数据分为训练集、验证集和测试集三个部分。其 中，训练集用于模型训练；验证集用于模型的优化选择；测试

10、集则用于对于模型的 实际效果进行评估。划分方法可以使用“留出法”（直接将数据集划分为两个互 斥的集合）、“交义验证法”（数据集划分为k个数据子集，子集多次交义）、“自 助法”（从原始数据集中随机不删除选取样本）等。其中，自助法在数据集较小， 难以有效划分训练/测试集时很有用。在得到不同部分的数据集之后，通常采用 模型的准确率，召回率，精度、FScore以及AUC等指标对于模型进行性能衡量， 选取最优的模型以及模型参数作为学习到的知识，继而反馈到信息化教学过程中。（四）教学诊断应用实例在信息化教学诊断研究中，最终U的是找到影响教学效果的关键因素，并 预测学习效果。以常州信息职业技术学院虚拟仪器应

11、用技术课程的“机器视 觉物品分类检测”项LI为例，本次课的口标主要是让学生理解视觉系统的硬件选 型依据，掌握基于颜色和图案纹理的视觉图像检测分类处理算法流程。教学设讣 环节运用课程团队提出的“三角环式课堂模型勺”开展教学。对应模型中的 “概念探索、应用分析、展示:成果”三步骤分别设计课前、课中和课后拓展任务， 分层、逐级实现技能提升和岗位对接。所采用的的信息化手段包括课程教学平台 （发布课程资源，课程测试），微视频（真实案例展示）、硬件仿真软件和交互 式图像处理软件等。为了达到信息化教学诊断的U的，确定本次数据与处理的的U标主要是清楚 噪声，统计出每个学生在开放教学环境中的课前平台使用频次及时

12、间、测试成绩 以及错误部分统汁，从中确定分类器的特征。分别统计得出学生网络平台使用时间、 课程测试及格情况和主要错误失分点作为特征集，用于接下来的预测模型。数据挖掘阶段，有学者们利用SPSS统计软件工具包创建提纯现有特征和 特征空间缩减。选取朴素贝叶斯分类法开展模型训练。最终的对比结果表明， 该分类器在特异度指标以及敬感度指标上都好于其他常用分类器效果。因此，在 得到该分类器模型只有，有学者们将之反馈到信息化教学中用于预测某位学生课 程中存在的问题以及最后不合格的可能性。如果预测的数值大于设定的警示阈值， 那么教师就可以及时的为该学生提供帮助。通过信息化教学改革尝试，学生反映这种上课方式充满新鲜感，同时试点 班相较传统班的应用技术水平有了较大