目錄
前言
第1章 學(xué)習(xí)分析概述 1
1.1 學(xué)習(xí)準(zhǔn)備 2
1.1.1 學(xué)習(xí)分析體驗 2
1.1.2 學(xué)習(xí)過程的數(shù)據(jù)化 3
1.1.3 量化自我與量化學(xué)習(xí) 4
1.1.4 教育數(shù)據(jù)挖掘與學(xué)習(xí)分析 6
1.2 學(xué)習(xí)分析的概念和內(nèi)涵 7
1.2.1 學(xué)習(xí)分析的定義 7
1.2.2 學(xué)習(xí)分析的特征 9
1.2.3 學(xué)習(xí)分析的應(yīng)用 10
1.3 學(xué)習(xí)分析產(chǎn)生的時代背景 15
1.3.1 智慧教育時代的應(yīng)然訴求 15
1.3.2 數(shù)據(jù)科學(xué)方法在教育領(lǐng)域的彰顯 16
1.3.3 網(wǎng)絡(luò)學(xué)習(xí)空間建設(shè)的基本要求 16
1.3.4 實施個性化教學(xué)的助推力量 17
1.4 學(xué)習(xí)分析與教育教學(xué)變革 17
1.4.1 從教育過程不同層面的視角 18
1.4.2 從教學(xué)結(jié)構(gòu)的視角 19
1.5 學(xué)習(xí)分析的現(xiàn)狀與趨勢 22
1.5.1 學(xué)習(xí)分析的研究組織與機構(gòu) 22
1.5.2 從學(xué)習(xí)分析技術(shù)到學(xué)習(xí)分析學(xué) 24
第2章 學(xué)習(xí)分析的本質(zhì)與模型 27
2.1 學(xué)習(xí)分析的本質(zhì) 28
2.1.1 數(shù)據(jù)、信息與知識 28
2.1.2 信息熵與世界的不確定性 30
2.1.3 數(shù)據(jù)驅(qū)動范式 32
2.1.4 教育人工智能 38
2.1.5 數(shù)據(jù)驅(qū)動教學(xué) 42
2.1.6 學(xué)習(xí)分析的研究 43
2.2 學(xué)習(xí)分析的理論基礎(chǔ) 47
2.2.1 數(shù)據(jù)科學(xué)為數(shù)據(jù)價值分析提供學(xué)科指導(dǎo) 47
2.2.2 教育神經(jīng)科學(xué)為多模態(tài)分析提供生物學(xué)依據(jù) 48
2.2.3 量化學(xué)習(xí)為精準(zhǔn)刻畫學(xué)習(xí)者提供技術(shù)支撐 48
2.2.4 聯(lián)通主義學(xué)習(xí)觀為靈活學(xué)習(xí)提供理論指南 49
2.3 學(xué)習(xí)分析模型 50
2.3.1 學(xué)習(xí)分析模型的演進(jìn) 50
2.3.2 學(xué)習(xí)分析的過程模型和生命周期模型 51
2.3.3 學(xué)習(xí)分析的框架模型 53
2.4 學(xué)習(xí)分析研究新進(jìn)展：多模態(tài)學(xué)習(xí)分析 57
2.4.1 眼動分析技術(shù) 57
2.4.2 多模態(tài)整合分析 60
第3章 教育數(shù)據(jù)挖掘 67
3.1 數(shù)據(jù)采集 68
3.1.1 數(shù)據(jù)采集的概念 68
3.1.2 數(shù)據(jù)的分類 68
3.1.3 數(shù)據(jù)采集技術(shù) 70
3.2 數(shù)據(jù)預(yù)處理 81
3.2.1 教育數(shù)據(jù)挖掘概述 81
3.2.2 數(shù)據(jù)預(yù)處理內(nèi)容 83
3.2.3 數(shù)據(jù)清洗 84
3.2.4 數(shù)據(jù)集成 87
3.2.5 數(shù)據(jù)歸約 88
3.2.6 數(shù)據(jù)變換 88
3.3 關(guān)聯(lián)規(guī)則 90
3.3.1 關(guān)聯(lián)規(guī)則概述 90
3.3.2 Apriori算法 92
3.3.3 FP-Growth算法 94
3.4 回歸 96
3.4.1 回歸分析概述 97
3.4.2 一元線性回歸 97
3.4.3 多元線性回歸 100
3.5 分類 102
3.5.1 分類概述 103
3.5.2 KNN算法 103
3.5.3 決策樹算法 105
3.6 聚類 109
3.6.1 聚類概述 110
3.6.2 K-means聚類算法 112
3.6.3 層次聚類算法 114
3.7 離群點診斷 116
3.7.1 離群點概述 116
3.7.2 基于統(tǒng)計的離群點診斷 117
3.7.3 基于距離的離群點診斷 120
3.8 時間序列 122
3.8.1 時間序列概述 122
3.8.2 ARMA模型 123
3.8.3 ARIMA模型 127
第4章 學(xué)習(xí)者畫像與應(yīng)用 134
4.1 學(xué)習(xí)者畫像的本質(zhì) 135
4.1.1 學(xué)習(xí)者畫像的概念 135
4.1.2 學(xué)習(xí)者畫像的表征 135
4.2 學(xué)習(xí)者畫像的類型 136
4.2.1 知識狀態(tài)建模 137
4.2.2 學(xué)習(xí)風(fēng)格建模 141
4.2.3 學(xué)習(xí)行為建模 142
4.2.4 學(xué)習(xí)認(rèn)知建模 143
4.2.5 學(xué)習(xí)情感建模 145
4.2.6 其他建模形式 148
4.2.7 學(xué)習(xí)者綜合建模 149
4.3 個性化推薦系統(tǒng) 151
4.3.1 協(xié)同過濾推薦 152
4.3.2 基于內(nèi)容的推薦 152
4.3.3 混合推薦 154
4.3.4 學(xué)習(xí)路徑的推薦 154
4.4 信息設(shè)計 155
4.4.1 數(shù)據(jù)可視化 155
4.4.2 學(xué)習(xí)狀態(tài)可視化 162
4.4.3 基于隱喻的界面設(shè)計 165
4.5 學(xué)習(xí)分析工具概述 166
4.5.1 學(xué)習(xí)儀表盤 166
4.5.2 學(xué)習(xí)路徑規(guī)劃 173
4.5.3 個性化推薦 176
4.5.4 學(xué)習(xí)診斷與預(yù)警 177
4.5.5 自適應(yīng)學(xué)習(xí)系統(tǒng) 179
第5章 學(xué)習(xí)分析工具設(shè)計 185
5.1 從“沃森”看學(xué)習(xí)分析的設(shè)計 186
5.1.1 何謂“沃森” 186
5.1.2 “沃森”如何被運用到學(xué)習(xí)分析領(lǐng)域 187
5.1.3 “沃森”如何實現(xiàn)與學(xué)生的學(xué)習(xí)互動分析 188
5.2 學(xué)習(xí)分析工具的設(shè)計流程 190
5.2.1 學(xué)習(xí)者建模與課程分析 190
5.2.2 學(xué)習(xí)行為分析 195
5.2.3 結(jié)構(gòu)發(fā)現(xiàn)與關(guān)系挖掘 198
5.2.4 趨勢分析 201
5.2.5 監(jiān)督與控制 205
5.2.6 預(yù)警與干預(yù) 207
5.2.7 適應(yīng)性學(xué)習(xí) 210
5.3 學(xué)習(xí)行為投入可視化分析工具設(shè)計 212
5.3.1 在線學(xué)習(xí)行為投入理論模型 213
5.3.2 在線學(xué)習(xí)行為投入周期反饋循環(huán)框架 214
5.3.3 在線學(xué)習(xí)行為投入評測框架的實證研究 217
5.3.4 框架指標(biāo)對學(xué)習(xí)結(jié)果的預(yù)測分析 219
5.3.5 學(xué)習(xí)行為投入度計算 221
5.3.6 儀表盤信息界面設(shè)計 222
5.3.7 實證研究與討論 225
參考文獻(xiàn) 230