基于智慧课堂的教育大数据分析与应用研究

教育大数据分析与应用正如火如荼地展开,并不断向课堂的教与学聚焦。围绕智慧课堂的常态化应用,对基于智慧课堂的教育大数据分析进行实证性研究,具有现实意义。智慧课堂的教学互动可以用"STM三角模型"来描述,包括教师与媒介互动、学生与媒介互动、教师对学生互动、学生对教师互动、学生与学生互动等互动行为及数据关系。智慧课堂数据建模与分析,总体上采取基于学习者行为建模与分析的"1+3模式"以及基于学习内容和结果建模与分析的"3+1模式"两种方式。智慧课堂的数据挖掘流程,分为目标理解、数据清洗、数据分析、数据展现等步骤,常用的挖掘算法和技术有多元回归分析、分类聚类、关联规则挖掘、文本分析、图挖掘技术等方法。基于某中学智慧课堂常态化应用的真实数据,通过构建师生互动指数分析模型并进行实证分析,为教育大数据的分析和应用,提供了一个应用参考实例。

智慧课堂数据挖掘分析与应用实证研究

文章基于智慧课堂大数据,利用教育数据挖掘技术进行建模、分析和处理,从教学设计过程、学习活动过程和学习结果三个层面进行整体设计,包括基于学习者行为建模与分析的"1+3模式"以及基于学习内容和结果建模与分析的"3+1模式",构建了学习行为影响分析、学习行为路径分析、学生行为关联性分析和学业成绩预测分析四类应用模型,并基于真实数据对智慧课堂数据挖掘应用进行实证分析。以学生的行为路径分析为例,得出成绩上升的学生行为共同模式是先学习微课再收藏,而成绩下降的学生则相反,收藏并不一定会学习,而学习行为发生在收藏前则表明成绩上升的学生肯定了微课对自己的价值,这也从一定程度上解释了学业成绩变动的原因。

面向智慧课堂的数据挖掘与学习分析框架及应用

国内外对教育大数据的研究正从概念、理念层面走向建模分析与应用层面,而应用层面的研究也从教育质量监测统计、教育决策等宏观层面向学校教学、学生学习等微观层面深入发展。该文在教育数据挖掘与学习分析内涵讨论的基础上,结合智慧教学实际提出了智慧课堂的数据模型和体系架构,阐述了"四建模三分析"的教育大数据研究方法论,构建了智慧课堂数据挖掘分析的"整体棋盘"及13个具体研究问题,并提出了智慧课堂数据挖掘分析的四类应用模式,最后基于真实数据探讨了学生主观行为对成绩的影响分析应用案例。

融合评分矩阵与评论文本的商品推荐模型

随着电子商务的迅速发展和Web上信息的不断增长,推荐系统成为有效帮助用户做出决策的重要智能软件之一.基于评分数据的矩阵分解推荐模型被广泛研究和应用,但数据稀疏性问题影响了该模型的推荐质量.另一方面推荐系统中用户撰写的评论文本可以反映用户的兴趣偏好,有研究工作提出了相应的文本分析及观点挖掘方法来缓解评分数据的稀疏性.评分矩阵分解模型与评论文本挖掘模型的融合有助于提高推荐质量,因此该文首先提出了一种融合评分数值和评论文本的推荐模型DTMF(Double Topics with Matrix Factorization),将用户评论集和商品评论集各自的潜在主题向量分别与传统矩阵分解的用户潜在因子向量和商品潜在因子向量建立正向映射关系,然后通过添加潜在主题为预测评分引导项进一步优化DTMF模型提出了DTMF+模型.在两组公开数据集上,以推荐结果的均方误差(MSE)为评估指标进行了实验验证.实验结果表明本文提出的DTMF和DTMF+两个模型整体上优于仅融入商品评论集的HFT(Hidden Factors as Topics)(item)模型,在子类数据上预测误差最大分别降低了3.68%和7.31%.该文最后探讨了有用性评论排序问题来增强推荐结果的可解释性.