教育数据挖掘研究进展

doi:10.3778/j.issn.1002-8331.1903-0153

计算机工程与应用 ›› 2019, Vol. 55 ›› Issue (14): 15-23.DOI: 10.3778/j.issn.1002-8331.1903-0153

教育数据挖掘研究进展

李宇帆1，张会福2，刘上力2，唐兵1

1.湖南科技大学计算机科学与工程学院，湖南湘潭 411201
2.湖南科技大学网络信息中心，湖南湘潭 411201

出版日期:2019-07-15 发布日期:2019-07-11

Research Progress on Educational Data Mining

LI Yufan1, ZHANG Huifu2, LIU Shangli2, TANG Bing1

1.School of Computer Science and Engineering, Hunan University of Science and Technology, Xiangtan, Hunan 411201, China
2.Network Information Center, Hunan University of Science and Technology, Xiangtan, Hunan 411201, China

Online:2019-07-15 Published:2019-07-11

摘要/Abstract

摘要： 教育数据挖掘（Educational Data Mining，EDM）是一门涉及计算机科学、教育学、统计学的交叉学科。它致力于探索来自教育环境的独特数据，其目的是更好地了解学生及其学习环境，从而提高教育成效。为了深入分析EDM的研究进展，从Web of Science库相关文献、国内外研究现状对EDM进行了系统性梳理，介绍了EDM的工作流程，把数据挖掘技术在教育领域的应用归纳为4类，对处于快速发展阶段的一些EDM典型案例进行了统计分析并讨论了其不足与发展趋势。

关键词: 教育大数据, 教育数据挖掘, 数据挖掘

Abstract: Educational Data Mining（EDM） is an interdisciplinary research field which is concerned with three main areas：computer science, education and statistic. Its goal is to better understand students, the settings which they learn in and improve educational effect by exploring the unique data that comes from educational settings. In order to understand research progress on EDM, systematical overview of relative literatures from Web of Science and related research at home and abroad is made firstly. Then educational knowledge discovery and data mining process is introduced. Next, it discusses the data mining technology in the application of four categories in education domain. Finally, some typical instances in rapid development stage are analyzed and discussed.

Key words: educational big data, educational data mining, data mining

李宇帆1，张会福2，刘上力2，唐兵1. 教育数据挖掘研究进展[J]. 计算机工程与应用, 2019, 55(14): 15-23.

LI Yufan1, ZHANG Huifu2, LIU Shangli2, TANG Bing1. Research Progress on Educational Data Mining[J]. Computer Engineering and Applications, 2019, 55(14): 15-23.

[1]	宗晓萍，陶泽泽. 基于掌握速度的知识追踪模型[J]. 计算机工程与应用, 2021, 57(6): 117-123.
[2]	高天宇，王庆荣，杨磊. 粗糙集属性依赖度强化的应急数据挖掘模型[J]. 计算机工程与应用, 2021, 57(3): 87-93.
[3]	吴昊，徐行健，孟繁军. 课程资源的融合知识图谱多任务特征推荐算法[J]. 计算机工程与应用, 2021, 57(21): 132-139.
[4]	马洋，赵旭俊. 基于相关子空间的多源离群检测算法[J]. 计算机工程与应用, 2021, 57(17): 88-95.
[5]	张念蓬，吴旭，朱强. 基于熵的过采样框架[J]. 计算机工程与应用, 2021, 57(13): 96-101.
[6]	张博文，刘智，桑国明. 基于核密度波动的异常检测算法[J]. 计算机工程与应用, 2021, 57(12): 132-136.
[7]	饶加旺，马荣华. 改进核密度估计的空间点密度算法[J]. 计算机工程与应用, 2021, 57(11): 260-265.
[8]	王杰，陈志刚，刘加玲，程宏兵. 基于聚类的云隐私行为挖掘技术[J]. 计算机工程与应用, 2020, 56(5): 80-84.
[9]	王子龙，李进，宋亚飞. 基于距离和权重改进的K-means算法[J]. 计算机工程与应用, 2020, 56(23): 87-94.
[10]	纪文璐，王海龙，苏贵斌，柳林. 基于关联规则算法的推荐方法研究综述[J]. 计算机工程与应用, 2020, 56(22): 33-41.
[11]	衣俊艳，吴博雅，雍巧玲. 具有加权特性的弹性网络聚类算法研究[J]. 计算机工程与应用, 2020, 56(22): 55-65.
[12]	刘文芬，穆晓东，黄月华. 基于多分辨率网格的异常检测方法[J]. 计算机工程与应用, 2020, 56(17): 78-85.
[13]	孟海东1，2，孙新军2，宋宇辰1. 基于数据场的改进LOF算法[J]. 计算机工程与应用, 2019, 55(3): 154-158.
[14]	雷乐，王丽珍，肖清. 空间co-location模式挖掘中的模糊技术初探[J]. 计算机工程与应用, 2019, 55(21): 158-166.
[15]	郭鹏，蔡骋. 基于聚类和关联算法的学生成绩挖掘与分析[J]. 计算机工程与应用, 2019, 55(17): 169-179.

教育数据挖掘研究进展

Research Progress on Educational Data Mining

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics