学习分析技术——一种面向学习者的视角

教育大数据的兴起以及机器学习、深度学习等技术的不断进步催生出学习分析这一新兴研究领域，学习分析领域的兴起体现了智能技术与教育逐步走向深度融合，有利于推动智能教育实践与教育高质量发展。学习分析作为教育学、数据科学、计算机科学等领域的交叉研究方向，研究如何对学习者及学习环境产生的数据进行采集、管理、分析，同时挖掘数据背后的教育价值，以期优化教育过程与学习结果。本书综合了学习分析近几年来理论和实践研究的新进展，适合教育技术学特别是智慧教育相关领域的研究者和教育工作者参阅。

 

本书定位于“面向学习者的学习分析技术”，基于智慧教育中学习分析的典型应用场景，讨论各典型场景中使用的人工智能技术，以具体的实例对每种技术的原理与应用过程进行展示，帮助读者更好地理解并应用学习分析技术。本书内容按照横向和纵向两个维度进行组织：横向上，依据学习分析的流程环节，按照面向学习者特征、面向学习过程、面向学习结果、面向教学改进进行典型学习分析场景的提炼；纵向上，针对具体学习分析场景深入讨论其理论模型和算法实现。

武法提，北京师范大学教育技术学院教授、博士生导师，北京师范大学智能学习系统实验室主任，数字学习与教育公共服务教育部工程研究中心主任。主要研究领域是智慧学习环境设计与智能学习系统开发。

田浩，北京师范大学教育学博士，南京信息工程大学教师教育学院讲师，硕士生导师，计算机科学与技术（师范）专业负责人。研究方向为智能教育应用、多模态学习分析。

第一部分　学习分析概览

第一章　学习分析概述

一、学习分析兴起的背景

二、学习分析的内涵概述

三、学习分析的价值

四、学习分析的概念模型

五、面向学习者的学习分析模型

六、小结

第二章　学习分析中的教育数据基础

一、教育数据的背景

二、常见的教育数据类型

三、教育数据采集与预处理方法

四、教育数据的特征工程

五、教育数据建模和分析

六、小结

第二部分　面向学习者特征的学习分析

第三章　学习风格识别

一、学习风格概述

二、学习风格分析框架

三、算法详解：朴素贝叶斯

四、小结

第四章　人格特质挖掘

一、人格特质概述

二、特质流派的人格理论与模型

三、人格特质挖掘典型应用

四、算法详解：逻辑回归

五、小结

第三部分　面向微观学习过程的学习分析

第五章　学业情绪分析

一、学业情绪概述及分类

二、情绪分析的常见方法

三、算法详解：K-最近邻算法

四、小结

第六章　学习专注度识别

一、学习专注度概述

二、学习专注度的识别方法

三、算法详解：支持向量机

四、小结

第四部分　面向宏观学习过程的学习分析

第七章　行为投入测量

一、行为投入概述

二、行为投入测量框架

三、算法详解：决策树

四、小结

第八章　学业拖延分析

一、学业拖延概述

二、学业拖延研究案例

三、学业拖延研究现状

四、算法详解：K 均值算法

五、小结

第五部分　面向学习结果的学习分析

第九章　知识状态诊断

一、知识状态概述

二、知识状态诊断理论及模型

三、知识状态诊断的实践应用

四、算法详解：深度知识追踪

五、小结

第十章　学习结果预测

一、学习结果预测概述

二、学习结果预测的分析框架

三、算法详解：随机森林

四、小结

第十一章　学生能力测评

一、能力发展框架概述

二、基于学习分析的学生能力测量分析框架——以问题解决能力为例

三、算法详解：人工神经网络算法

四、小结

第六部分　改进教学实践的学习分析

第十二章　学习干预

一、学习干预概述

二、经典的学习干预模型

三、学习干预实践

四、学习干预面临的挑战

五、基于人机智能协同的精准学习干预模型

六、小结