綜上可知，機(jī)器學(xué)習(xí)方法能夠自動(dòng)從大量數(shù)據(jù)中提取隱含的、未知的、卻潛在有用的信息和知識(shí)，支持智慧教育教師開展智能化教學(xué)和學(xué)生進(jìn)行個(gè)性化學(xué)習(xí)。因此，機(jī)器學(xué)習(xí)應(yīng)用于智慧教育是適合的，也是必要的。
四、機(jī)器學(xué)習(xí)教育應(yīng)用的潛力與進(jìn)展
如前文所述，機(jī)器學(xué)習(xí)屬于數(shù)據(jù)挖掘的分析技術(shù)，而數(shù)據(jù)挖掘技術(shù)最早于1995年應(yīng)用于教育領(lǐng)域。由此推論，機(jī)器學(xué)習(xí)教育應(yīng)用的研究于1995年拉開序幕。同時(shí)，通過文獻(xiàn)梳理發(fā)現(xiàn)，教育數(shù)據(jù)挖掘的研究成果在2000年前僅有7篇[33]，其具有代表性的文獻(xiàn)綜述主要集中于2009-2010年前后[34-36]，這一階段的教育數(shù)據(jù)挖掘研究正接近青春期[37]。因此，從2010年起至今的國(guó)外基于真實(shí)數(shù)據(jù)的機(jī)器學(xué)習(xí)以教育應(yīng)用案例研究成果為主，我們通過對(duì)機(jī)器學(xué)習(xí)技術(shù)在教育數(shù)據(jù)挖掘青春期階段的研究進(jìn)展及其教育應(yīng)用的潛力進(jìn)行梳理，以期為教育者、教育研究者和開發(fā)人員等在智慧教育中的應(yīng)用提供理論和實(shí)踐指導(dǎo)。 其中，機(jī)器學(xué)習(xí)教育應(yīng)用概念圖如圖4所示。
(一)研究目標(biāo)
我們通過對(duì)文獻(xiàn)梳理發(fā)現(xiàn)，機(jī)器學(xué)習(xí)教育應(yīng)用主要集中在學(xué)生建模、學(xué)生行為建模、預(yù)測(cè)學(xué)習(xí)表現(xiàn)、預(yù)警失學(xué)風(fēng)險(xiǎn)、學(xué)習(xí)支持和評(píng)測(cè)以及資源推薦等方面(見表2)。
1、學(xué)生建模
學(xué)生建模是創(chuàng)建和維護(hù)學(xué)生模型模塊的過程，學(xué)生模型模塊主要負(fù)責(zé)學(xué)生當(dāng)前知識(shí)狀態(tài)模型的開發(fā)和維護(hù)，旨在對(duì)學(xué)生的誤解和次優(yōu)表現(xiàn)做出假設(shè)，以便教師能夠指出并建議修正。學(xué)生建模包括學(xué)生模型和診斷模型，學(xué)生模型存儲(chǔ)學(xué)生知識(shí)的數(shù)據(jù)結(jié)構(gòu)，診斷模型執(zhí)行診斷過程并更新學(xué)生模型。其中，領(lǐng)域模型是學(xué)生模型的基礎(chǔ)。例如，Yudelson等通過使用自動(dòng)化方法提取領(lǐng)域模型來支持大學(xué)生編程語言的學(xué)習(xí)，在解決程序練習(xí)的過程中對(duì)學(xué)生知識(shí)進(jìn)行建模，以支持系統(tǒng)推薦下一個(gè)解決問題。該研究所用的數(shù)據(jù)來自某大學(xué)三門程序入門課程的代碼快照數(shù)據(jù)，處理方法主要基于兩點(diǎn)：在每個(gè)程序提交之后，使用程序語言的內(nèi)在結(jié)構(gòu)來建模知識(shí);使用一組測(cè)驗(yàn)自動(dòng)測(cè)試程序的正確性。該研究選擇Null模型和Rasch模型用于學(xué)生建模，并使用AFM模型結(jié)合PC算法對(duì)學(xué)生學(xué)習(xí)建模。研究發(fā)現(xiàn)，PC算法的使用能夠提高AFM模型對(duì)過濾概念列表的精準(zhǔn)度。
貝葉斯知識(shí)跟蹤作為一種用戶建模方法，常被應(yīng)用于智能教學(xué)系統(tǒng)。例如，Eagle等在傳統(tǒng)貝葉斯知識(shí)跟蹤模型中插入學(xué)生個(gè)體參數(shù)，基于學(xué)生的活動(dòng)數(shù)據(jù)，來預(yù)測(cè)其在智能教學(xué)系統(tǒng)中學(xué)習(xí)和表現(xiàn)的個(gè)體差異權(quán)重。該方法的優(yōu)點(diǎn)是，如果個(gè)體差異權(quán)重在學(xué)生開始使用系統(tǒng)前能被賦值，將更容易集成入智能教學(xué)系統(tǒng)。研究中的學(xué)生活動(dòng)數(shù)據(jù)包括閱讀表現(xiàn)數(shù)據(jù)和概念知識(shí)預(yù)備測(cè)試數(shù)據(jù)，其中，閱讀表現(xiàn)數(shù)據(jù)包括閱讀時(shí)間和重訪文本頁面(與元認(rèn)知自我監(jiān)管技能有關(guān));概念知識(shí)預(yù)備測(cè)試數(shù)據(jù)包括預(yù)備測(cè)試的準(zhǔn)確性、問題變化和任務(wù)完成時(shí)間。研究結(jié)果得到了四組最佳匹配的個(gè)體差異權(quán)重和三個(gè)貝葉斯知識(shí)跟蹤模型的變體模型。研究發(fā)現(xiàn)，學(xué)生閱讀文本的數(shù)據(jù)在智能教學(xué)系統(tǒng)中對(duì)于預(yù)測(cè)學(xué)習(xí)和表現(xiàn)非常有用。
類似的，Baker等采用貝葉斯知識(shí)跟蹤和線性回歸等方法構(gòu)建學(xué)生模型，對(duì)學(xué)生在特定問題步驟中已獲得技能的可能性進(jìn)行檢測(cè)。研究基于232名中學(xué)生的數(shù)學(xué)課程數(shù)據(jù)，主要分為兩步建模：使用標(biāo)準(zhǔn)貝葉斯知識(shí)跟蹤結(jié)合數(shù)據(jù)和貝葉斯定理來預(yù)測(cè)學(xué)生知識(shí)，生成可能性的標(biāo)簽;訓(xùn)練模型，使用更廣泛的特征集來預(yù)測(cè)標(biāo)簽數(shù)據(jù)。
2、學(xué)生行為建模
學(xué)生行為建模是分析學(xué)生表現(xiàn)、排除潛在的誤區(qū)、呈現(xiàn)學(xué)生目標(biāo)和計(jì)劃、確定先驗(yàn)和獲得的知識(shí)、保持情景記憶，以及描述個(gè)性特征等的過程。機(jī)器學(xué)習(xí)方法能夠支持學(xué)習(xí)行為的自動(dòng)檢測(cè)、識(shí)別和建模，旨在通過描述或預(yù)測(cè)模式行為讓系統(tǒng)適應(yīng)學(xué)習(xí)者的偏好傾向。例如，Doleck等使用機(jī)器學(xué)習(xí)方法來挖掘?qū)W習(xí)環(huán)境中與診斷推理的過程、結(jié)果相關(guān)的學(xué)習(xí)者行為，其中，隱馬爾可夫模型用于問題解決的行為熟練指標(biāo)建模，文本分類算法用于分析學(xué)習(xí)者的案例總結(jié)報(bào)告，這些算法的應(yīng)用描述了不同問題解決階段的學(xué)習(xí)者行為，旨在為系統(tǒng)的維護(hù)提供設(shè)計(jì)指導(dǎo)。