文章标题：A Review of Data Mining in Personalized Education: Current Trends and Future Prospects
作者：Zhang Xiong , Haoxuan Li , Zhuang Liu , Zhuofan Chen , Hao Zhou, Wenge Rong , Yuanxin Ouyang
期刊：Frontiers of Digital Education
doi:10.3868/s110-009-024-0004-9
日期：26 Jan 2024
微信链接：点击此处阅读微信文章
文章背景
在当今数字化教育的浪潮中，个性化教育已成为提升学习效果的重要途径，它通过利用教育技术和人工智能（AI）来满足学生的个性化需求。随着AI的快速发展和在教育平台中的广泛应用，教育数据挖掘成为优化学习过程的关键工具，不仅帮助学生更好地理解自己的学习状况和偏好，也为教育工作者和机构提供了制定个性化学习方案的有力支持。
内容解读
近日，对外经贸大学信息学院院长熊璋教授在《数字教育前沿（英文）》（Frontiers of Digital Education）期刊上发表了一篇综述，深入探讨了利用数据挖掘技术与AI在数字化时代优化学生的学习过程，提供个性化的学习体验，并介绍了当前常用的教育数据挖掘工具，最后展望了未来个性化教育数据挖掘方向，例如大语言模型（LLMs）、多模态学习、增量学习等。
个性化教育聚焦学生的个体需求、偏好和能力，与当代教育趋势相契合，并且在数字时代背景下，教育技术成为学习环境的关键组成部分。AI技术的快速进步和广泛应用极大地增强了个性化教育的有效性。在海量教育数据的支持下，结合数据挖掘等先进技术，深入理解并优化学生的学习轨迹、学习目标及能力。为了全面回顾个性化教育数据挖掘领域的最新进展，文章聚焦于四个关键领域：教育推荐、认知诊断、知识追踪和学习分析。
教育推荐
教育推荐是基于学生与教育对象的历史交互数据，将课程信息、知识概念、学生画像等丰富的内容融入推荐系统，推荐与学习需求相符的课程、知识概念及教育资源。
认知诊断
认知诊断旨在确定学生的优势和和劣势，指导特定的教学干预措施。认知诊断分为宏观层次和微观层次，宏观层次评估学生的潜在技能，例如利用经典测试理论（CTT）和项目反应理论（IRT），而微观层次则对学生进行详细诊断，细致地评估学生对每个知识单元的掌握程度，例如通过更广泛的信息进行分析，设计相应的诊断函数或模型。
知识追踪
知识追踪采用序列中心的知识追踪技术，凭借深度神经网络建立学生与练习交互序列的模型，旨在精确地诊断学生的优势和劣势。此过程融合了学习参与度的支持手段，细致入微地分析学生的即时表现及长远学习轨迹，设计指标包括学习速度、尝试次数，与遗忘规律。此外，知识增强策略利用练习中的附带的多维度信息，以此增强对学习者知识状态的全面追踪与准确预测。
学习分析
学习分析旨在综合分析学生的行为模式、交互方式和学习习惯。行为分析旨在深入探索学生在学习过程中的行为模式和习惯，例如序列挖掘、线性分割和机器学习。预测分析旨在根据学生过去和当前的学习参与度，预测未来的行为和结果，例如辍学预测和学习成果预测。
未来，促进个性化教育数据挖掘的的发展，关键在于深入强调对学生心理状态的理解，并融合可解释性和多模态学习的最新进展。可解释性旨在提升教育系统的透明度，确保学生、教师和决策者能够洞察推荐背后的原因。同时，多模态学习通过整合不同形式的数据输入（如文本、音频、视频），提供了更全面的学生学习行为和认知过程的视角，使得对学习者心理状态的洞察更为深刻和细腻。
此外，知识增强方法的持续探索也是不可或缺的一环，这包括利用练习-概念图谱、问题难度评估及练习内容文本分析等，来丰富对学习交互的理解，进一步细化对学习者知识状态的追踪和预测。通过这些综合方法，个性化教育数据挖掘不仅能够更精准地评估学生的认知水平，还能促进更加个性化和心理适应性强的教学策略，从而在维持学生学习动力的同时，提升教学质量和学习成效。因此，未来的个性化教育将更加注重利用数据驱动的洞见，来构建既符合学生个性化需求，又能有效促进其心理健康和认知发展的教育环境。
文章信息
Zhang Xiong, Haoxuan Li, Zhuang Liu, Zhuofan Chen, Hao Zhou, Wenge Rong, Yuanxin Ouyang. A Review of Data Mining in Personalized Education: Current Trends and Future Prospects. Frontiers of Digital Education, 2024, 1(1): 26–50https://doi.org/10.3868/s110-009-024-0004-9
https://journal.hep.com.cn/fde/EN/10.3868/s110-009-024-0004-9
识别二维码，免费获取全文
作者信息
熊璋，对外经济贸易大学信息学院院长，北京航空航天大学教授、校学术委员会副主任，国家教材委员会科学学科专家委员会委员、教育部基础教育信息科技课指委副主任、教育部义教信息科技课程标准专家组组长，教育部普通高中信息科技课程标准修订组组长，中国教育学会学术委员会委员，国家级精品课负责人、国家一流本科课程负责人。曾获全国优秀教师、北京市教学名师、北京市师德标兵、北京市优秀教学团队带头人等称号，曾获国家科技进步一等奖、国家级教学成果二等奖、霍英东青年教师奖。
期刊及主编介绍
期刊特点
1. 国际化投审稿平台Editorial Manager方便快捷。
2. 严格的同行评议（Peer Review）。
3. 免费语言润色，有力保障出版质量。
4. 不收取作者任何费用。
5. 不限文章长度。
6. 审稿周期：第一轮平均30天，投稿到录用平均60天。
7. 在线优先出版（Online First）。
8. 通过Springer Link平台面向全球推广。
在线浏览
https://journal.hep.com.cn/fde（中国大陆免费下载）
https://link.springer.com/journal/44366
在线投稿
https://www.editorialmanager.com/fode/
联系我们
fde@hep.com.cn
10-58582344, 10-58581581
主管单位：中华人民共和国教育部
主办单位：高等教育出版社
主编：谭方正
联合主编：杨宗凯 李永智
CN 10-1952/G4
p-ISSN 2097-3918
e-ISSN 2097-3926
本刊地址：北京市朝阳区惠新东街4号
《数字教育前沿（英文）》编辑部
电子邮箱：fde@hep.com.cn
电话：010-58582344, 010-58581581
《前沿》系列英文学术期刊
由教育部主管、高等教育出版社主办的《前沿》（Frontiers）系列英文学术期刊，于2006年正式创刊，以网络版和印刷版向全球发行。系列期刊包括基础科学、 、工程技术和人文社会科学四个主题，是我国覆盖学科最广泛的英文学术期刊群，其中12种被SCI收录，其他也被A&HCI、Ei、MEDLINE或相应学科国际权威检索系统收录，具有一定的国际学术影响力。系列期刊采用在线优先出版方式，保证文章以最快速度发表。
中国学术前沿期刊网
http://journal.hep.com.cn
特别声明：本文转载仅仅是出于传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，请与我们接洽。
