教育数据挖掘

摘要： 随着数据挖掘技术在教育领域的深入应用,使得成绩预测成为改进教学质量的重要手段之一。对学生进行成绩预测,可以督促学生提高学习效率以及鞭策教师改进教学质量,更好地完善教学,达到最佳效果。但在目前研究中,虽然对成绩预测应用已十分广泛,但是多是基于学生全部成绩对某门课程成绩的预测,忽略了成绩预测的时效性。因此提出基于多元线性回归方法构建一年级成绩预测毕业成绩的预测模型。以某学校计算机应用专业的学生课程成绩为研究对象,构建相应的多元线性回归预测模型。通过大量实验以及检验证明,利用一年级成绩预测毕业成绩可行,并且构建的成绩预测模型具有极高的预测精度,可以为改进教学方案提供参考信息,有助于提高学校的教学质量和学生的学习效果。

摘要： 教育数据挖掘是一个跨学科的研究领域,它综合多门学科的方法和技术应用于教育环境,以解决教育问题。为了研究国内近十年教育数据挖掘领域技术使用情况,文章以“教育数据挖掘”为关键词在CNKI进行检索,筛选了2010—2020年125篇教育数据挖掘领域技术类文献,对其技术的使用以及使用变化进行总结分析。研究结果表明,一些传统的数据挖掘方法日渐式微,技术的使用正向多元化、跨领域的方向发展。

摘要： 教育数据爆发式增长为全面理解学习奠定了基础,同时也给教育数据挖掘带来了挑战。复现学习过程是理解学习的重要一环。虽然,当前的教育研究已经广泛应用学习分析技术,但在呈现复杂学习过程方面仍然存在不足。过程挖掘算法强调对日志文件中时间戳数据的分析,相比于传统统计方法更加智能。研究选择教育领域最常见的三种过程挖掘算法:模糊矿工、启发式矿工、感应矿工,通过对比三种算法的特征,分析其对教育研究的应用潜力和实践价值。首先,文献综述三种算法的应用现状;其次,从三种算法的计算原理角度解读它们在教育领域的应用实践;最后,以课程平台时间戳数据为源数据,在自我调节学习理论支持下,对比三种算法的过程挖掘结果。即从理论、原理、实践三方面对三个过程挖掘算法进行探析,总结过程挖掘技术在教育领域中的应用前景和实践价值。研究依据结论提出三种算法在教育领域中的应用启示,为过程挖掘智能技术助力教育研究,提供相关经验和参考。

摘要： 为了解在线学习者在遭遇高程度认知冲突网络学习行为的变化,并探究免传感器条件下基于行为序列的预测模型在识别正遭遇认知冲突的学习者的可行性,本文通过聚类分析和过程挖掘,研究了学习者的资源访问模式具有的差异化特点.研究发现,当学习者遭遇高程度的认知冲突时,两者均表现出了大量的回溯型导航行为,但其行为模式仍保持固有的学习策略,并基于学习者的资源访问序列构建认知冲突识别模型.实验结果验证了该方法的可行性.

摘要： 教育数据挖掘是计算机科学中一个重要的研究内容,有助于预测学生成绩。传统的预测方法分析特征过于单一,没有考虑到同一特征对于学生学习不同科目的影响程度不同和科目之间的相关性。基于此,笔者讨论了同一特征对不同科目的影响程度,分别预测不同科目的学生成绩,对学生成绩进行多维分析。实验选取一个学习管理系统的公开数据集,采用XGBoost算法对数据展开预测及分析。研究结果显示,同一个特征对不同科目成绩的影响程度是不同的,但在同一个学科类别中,同一个特征对不同科目的影响程度是相似的。

摘要： 学习成绩早期预测是解决在线学习辍学率高、参与度低等问题的关键要素,如何实现在线学习成绩精准预测是亟待解决的科学议题。已有研究主要采用单一算法训练单一分类器和集成分类器预测学习成绩,然而该方法预测精准性较低。研究设计基于多算法的在线学习成绩预测框架,融合神经网络、决策树、K-近邻、随机森林和逻辑回归算法预测学习者在线学习成绩,并进行了预测性能分析。研究结果表明,多算法融合预测精准性优于单一算法,预测结果在应用中有助于学习者意识到潜在的学业风险,促进其积极参与学习活动,显著提高在线课程学习质量。

摘要： 学业拖延是一种回避性适应行为,会给拖延者带来压力和焦虑情绪,及早发现拖延行为并进行干预对学生顺利完成学业尤为重要。目前针对学业拖延识别主要采用主观性量表,容易导致测评结果出现偏差。本研究使用教育数据挖掘技术设计在线学业拖延识别方法,对学生学业拖延倾向进行客观判断,并结合神经网络、决策树等算法验证了该识别方法划分学生拖延倾向的精准性。基于时间决策模型,采用学习分析仪表盘自我调节和即时通讯软件教师消息提醒的方法对存在强、弱拖延倾向学生实施教学干预。实验表明,研究成果实现了及早、精准地发现存在学业拖延倾向的学生,个性化干预能够有效引导学生,减缓或控制学生的拖延倾向,规避学业风险。

摘要： 介绍了知识追踪(KT)的相关概念与任务,梳理其发展脉络,综述KT的原理、相关算法和数据集,分析了不同结构的KT模型的优缺点.在此基础上,对KT领域未来发展方向进行了深入探讨,提出了数据表征、认知建模、模型可解释性三个重要的发展方向,并作出了一定的展望.

摘要： 知识追踪是教育数据挖掘领域的一个重要研究方向,其目标是通过建立学生知识状态随时间变化的模型,来判断学生对知识的掌握程度并从学生的学习轨迹中挖掘出潜在的学习规律,从而提供个性化的指导,达到人工智能辅助教育的目的.深度学习因其强大的特征提取能力,已被证明能显著提升知识追踪模型的性能而越来越受到各方重视.以最基本的深度知识追踪模型为起点,全面回顾了该研究领域的研究进展,给出了该研究领域技术改进、演化脉络图,并从针对可解释问题的改进、针对长期依赖问题的改进、针对缺少学习特征问题的改进3个主要技术改进方向做了深入阐述和比较分析,同时对该领域中的已有模型做了归类,整理了可供研究者使用的公开数据集,考察了其主要应用,最后,对基于深度学习的知识追踪的未来研究方向进行了展望.

摘要： 对大数据概念与内涵的界定主要有3种方式,即生产导向的方式、过程导向的方式和认知导向的方式。大数据在高等教育领域的应用对完善学校规划、促进学校发展,感知教学现实、提升教学效能,优化学习经历、提高学习质量以及促进科学研究、推动跨学科发展具有重要意义。教育大数据分析主要采用两种技术,即教育数据挖掘与学习分析。在高等教育的教与学领域中,这两种技术常用的方法包括分类与预测、聚类以及异常值检测等。大数据在高等教育领域应用面临认识论、方法论、审美、技术、法律和伦理以及政治和经济的两难挑战。

摘要： 教育数据挖掘是一门新兴的多学科交叉研究领域,利用数据挖掘技术来发现教育数据背后的隐藏价值,以提高学习、教学和管理三方面的水平.首先,对教育数据挖掘的发展历程以及相关的国际会议、国际期刊、经典论文以及历年发表的论文数量进行整理和总结.在此基础上,从技术的视角对教育数据挖掘的研究进展进行综述,着重对使用最多的预测、聚类、异常点监测、关联规则挖掘和社会网络分析等五类方法进行综述.最后,总结出教育数据挖掘领域的研究趋势和建议.

摘要： 该文在对国内外相关文献分析的基础上，介绍了教育数据挖掘这一新领域的兴起历程及相关概念，并对意义价值进行分析。接着介绍了教育数据挖掘的一般过程，并在对已有研究成果进行内容分析的基础上对数据来源、数据挖掘算法两个环节进行了重点介绍，提出了教育数据挖掘中主要用到的五类挖掘算法。最后，综合已有研究，提出了教育数据挖掘的三个研究重点。

摘要： 本发明公开了一种解耦WEB客户端与大数据挖掘分析的数据挖掘平台及实现方法，本方案由WEB客户端，数据挖掘服务单元，以及数据挖掘开发平台配合构成，数据挖掘服务单元分别与WEB客户端和数据挖掘开发平台数据连接，其接收并管理WEB客户端的请求，以及感知数据挖掘开发平台开发打包的相关数据挖掘算法，在WEB客户端和数据挖掘开发平台之间搭建调用通道；WEB客户端通过数据挖掘服务单元调用数据挖掘开发平台开发的相关数据挖掘算法。本方案能够将WEB客户端开发技术与大数据挖掘分析技术进行解耦，通过R数据挖掘服务把前端及分析人员的工作连接了起来，这样使得大数据挖掘分析人员专注实现R函数。

摘要： 本发明涉及数据挖掘领域，具体涉及数据挖掘系统及数据挖掘方法，通过对用户的访问行为数据的挖掘；确定用户的购买迟疑程度以及计算用户对已购目标产品的倾向程度；基于已购目标产品的倾向程度、购买迟疑程度以及支付时间长度，计算任意两两用户的行为差异性，得到不同类别的用户群体；同时引入用户群体中任意两用户的历史设定时间内对已购目标产品的查询次数以及滑动速度构成的用户行为向量以及对应的评价特征码，计算任意两两用户之间的邻域距离，基于各用户对应的所有邻域距离，并计算该用户的偏向程度，进而获取各用户群体中偏向程度最大与最小对应的状态向量，确定推送的产品。即本发明的方案能够为网购平台的优化提供依据。

摘要： 本发明涉及数据挖掘技术领域，尤其涉及一种数据挖掘算法，包括：将等待挖掘的数据集合上传至文件系统中，并设置支持度阈值；对数据集合进行扫描，得到所有出现过的数据，作为候选频繁k项集；计算统计候选频繁k项集中数据的支持度；去除候选频繁k项集中支持度低于支持度阈值的数据，得到频繁k项集，若得到的频繁k项集为空，则直接返回频繁k‑1项集的集合作为算法结果，算法结束，若得到的频繁k项集只有一项数据，则直接返回频繁k项集的集合作为算法结果，算法结束；基于频繁k项集，令k+k+1，连接生成候选频繁k+1项集。本发明为手术室智能化、规范化管理提供了便捷，同时本发明中还请求保护一种基于数据挖掘的智能手术室监测管理系统。

摘要： 本申请实施例提供一种大数据挖掘方法、装置及数据挖掘服务器，通过综合考虑不同兴趣度度量维度，以对每个维度的所有业务大数据进行聚类后，可以保证不同兴趣度度量维度在不同的数据挖掘项目待应用场景下性能表现更加统一，提高大数据挖掘的能力，并且可以根据各聚类簇的特征信息，动态确定待挖掘服务的多个数据挖掘项目以及每个数据挖掘项目对应的待挖掘数据维度，并以此进行后续数据挖掘，可以避免现有技术中采用固定挖掘数据维度可能出现挖掘效果较差，或者数据挖掘结果存在准确性不高的问题。

摘要： 本发明涉及数据挖掘领域，具体涉及数据挖掘系统及数据挖掘方法，通过对用户的访问行为数据的挖掘；确定用户的购买迟疑程度以及计算用户对已购目标产品的倾向程度；基于已购目标产品的倾向程度、购买迟疑程度以及支付时间长度，计算任意两两用户的行为差异性，得到不同类别的用户群体；同时引入用户群体中任意两用户的历史设定时间内对已购目标产品的查询次数以及滑动速度构成的用户行为向量以及对应的评价特征码，计算任意两两用户之间的邻域距离，基于各用户对应的所有邻域距离，并计算该用户的偏向程度，进而获取各用户群体中偏向程度最大与最小对应的状态向量，确定推送的产品。即本发明的方案能够为网购平台的优化提供依据。

摘要： 本申请的基于可视化业务的大数据挖掘方法及大数据挖掘系统，根据本申请，在对空白业务会话NoneLabelSession进行可视化业务会话的主题标签添加后即可以得到主题标签业务会话LabelSession以实现偏好挖掘策略调试集的调整。本申请通过测试挖掘质量评价值实现了没有进行主题标签添加的可视化业务会话的智能化筛选，从而提高针对空白业务会话的主题标签添加效率，在一定程度上提高业务偏好挖掘策略的调试效率，确保后续采用业务偏好挖掘策略进行业务偏好挖掘的时效性。

摘要： 本申请实施例提供一种应用于智慧医疗的大数据挖掘评估方法及大数据挖掘系统，通过分别进行同一个医疗行为样本数据中不同医疗需求定位数据的需求变量聚合以及不同医疗行为样本数据中不同医疗需求定位数据的需求变量聚合，不仅可以提高后续的医疗需求关联分析效率，而且可以使得每个医疗需求定位数据的需求变量可以充分融合标的医疗行为样本数据和对照医疗行为样本数据的深度特征信息，从而可以提取到医疗行为样本数据中的长跨度变量，以便于之后确定标的医疗行为样本数据中任意一个医疗需求定位数据与对照医疗行为样本数据中任意一个医疗需求定位数据的需求关联值时，提高医疗行为样本数据中医疗需求匹配准确性。

摘要： 本申请实施例公开了针对在线话题的大数据挖掘方法及大数据挖掘系统；鉴于指定话题兴趣挖掘模型为基于轻量化配置规则配置所得，因此通过指定话题兴趣挖掘模型对待进行兴趣挖掘的在线话题大数据进行挖掘处理，一方面可以快速地得到用户兴趣知识分布，提高用户兴趣挖掘的时效性，另一方面还能够提高用户兴趣知识分布的准确性和完整性，提高用户兴趣挖掘的质量。综上，借助指定话题兴趣挖掘模型以及轻量化配置，能够提高用户兴趣知识分布的效率和质量。

摘要： 本发明公开了一种数据挖掘方法及数据挖掘系统，涉及大数据处理技术领域，解决了现有技术在数据挖掘过程中，数据处理量巨大，导致数据挖掘效率低，不利于数据挖掘程序移植的技术问题；本发明中数据分析模块获取挖掘需求之后，结合数据采集模块对基础数据进行层层筛选并构建目标知识图谱，再根据预设条件从目标知识图谱中检索数据，以完成数据挖掘，能够减少大量数据挖掘过程中的数据处理量，提高数据挖掘效率的同时方便移植；本发明在数据库更新时，会对目标知识图谱进行更新，保证数据挖掘所获取数据的时效性和准确性；在挖掘的数据与预期不符时，灵活调节挖掘类型和设定条件，能够保证挖掘的数据尽可能符合预期。

摘要： 本发明涉及一种基于多任务对数据挖掘结果和目标关联的数据挖掘方法，包括：获取目标库和单个任务下的单个数据挖掘结果；循环遍历目标库里的目标，判断数据挖掘结果的完整PRI特征序列和当前目标的完整PRI特征序列中PRI的特征类型，若二者的PRI的特征类型同时为固定类型或者同时为组变类型，则先调用固定/组变_目标库比对方法对数据挖掘结果与当前目标的关联性进行比对；若二者的PRI的特征类型同时为参差类型，则调用参差_目标库比对方法对数据挖掘结果与当前目标的关联性进行比对，根据关联性比对结果完成数据挖掘。本发明通过将在多任务下具有一定关联性的数据挖掘结果和目标进行数据融合，提高数据挖掘结果的完整性和正确性。