人口統(tǒng)計(jì)和學(xué)習(xí)成績(jī)是預(yù)測(cè)學(xué)生綴學(xué)的重要數(shù)據(jù)。例如，Aulck等采用機(jī)器學(xué)習(xí)方法跟蹤32500名學(xué)生收集成績(jī)數(shù)據(jù)和人口統(tǒng)計(jì)數(shù)據(jù)，使用邏輯回歸正則化、k最近鄰算法和隨機(jī)森林等方法來預(yù)測(cè)輟學(xué)變量，并對(duì)學(xué)生數(shù)據(jù)中預(yù)測(cè)輟學(xué)的最佳要素進(jìn)行了檢測(cè)。研究結(jié)果發(fā)現(xiàn)，邏輯回歸正則化相比另外兩種算法能夠提供最有力的預(yù)測(cè)，并檢測(cè)出學(xué)生流失的個(gè)人預(yù)測(cè)指標(biāo)，包括數(shù)學(xué)、英語、化學(xué)和心理學(xué)課程的GPA以及入學(xué)和出生年月等。
5、學(xué)習(xí)支持和評(píng)測(cè)
學(xué)習(xí)支持和反饋是増強(qiáng)在線教育系統(tǒng)個(gè)性化和定制化的關(guān)鍵。在學(xué)習(xí)者與系統(tǒng)交互的過程中，學(xué)習(xí)支持提供個(gè)性化學(xué)習(xí)服務(wù)提高學(xué)習(xí)表現(xiàn)，或者糾正學(xué)生的學(xué)習(xí)誤區(qū)。前者是“先發(fā)制人”，后者是“亡羊補(bǔ)牢”。例如，Ahadi等將機(jī)器學(xué)習(xí)方法和大學(xué)生編程過程中的源代碼快照數(shù)據(jù)相結(jié)合，讓系統(tǒng)能夠在課程入門第一周，就精準(zhǔn)地檢測(cè)出高表現(xiàn)和低表現(xiàn)的學(xué)生。該研究首先對(duì)特征進(jìn)行了抽取和選擇，然后選擇最精確的分類器來檢測(cè)預(yù)測(cè)模型。其中，選取了貝葉斯(樸素貝葉斯、貝葉斯網(wǎng)絡(luò))、規(guī)則學(xué)習(xí)者(決策表、連接規(guī)則和PART)和決策樹(AD樹、J48、隨機(jī)森林和決策樹)等分類器進(jìn)行評(píng)估，發(fā)現(xiàn)決策樹分類器的整體準(zhǔn)確度最高，而在決策樹中隨機(jī)森林的預(yù)測(cè)準(zhǔn)確度最高，因此，選擇隨機(jī)森林作為分類器來評(píng)價(jià)學(xué)生的表現(xiàn)。
Xing等結(jié)合學(xué)習(xí)分析和教育數(shù)據(jù)挖掘方法，基于小數(shù)據(jù)來預(yù)測(cè)學(xué)生在CSCL學(xué)習(xí)環(huán)境中的表現(xiàn)，從而為學(xué)生提供相應(yīng)的教學(xué)干預(yù)。該研究使用活動(dòng)理論來整體量化環(huán)境中的學(xué)生參與情況，并得到六個(gè)特征變量，然后使用遺傳規(guī)劃技術(shù)來構(gòu)建預(yù)測(cè)模型。結(jié)果顯示，基于遺傳規(guī)劃的模型是可解釋的，并且與傳統(tǒng)建模算法相比預(yù)測(cè)率得到優(yōu)化。
對(duì)學(xué)習(xí)者的領(lǐng)域知識(shí)獲取、技能發(fā)展和完成結(jié)果，以及反思、探究和情緒等的監(jiān)控和評(píng)價(jià)，也是機(jī)器學(xué)習(xí)研究的重要主題。例如，Kinnebrew和Biswas使用探索性數(shù)據(jù)挖掘方法，從學(xué)生的交互軌跡中評(píng)測(cè)和比較學(xué)生的學(xué)習(xí)行為。其中，核心方法結(jié)合迭代行為抽象和逐段線性分割，迭代行為抽象是區(qū)別識(shí)別頻繁活動(dòng)模式的序列挖掘技術(shù)，逐段線性分割是關(guān)于評(píng)估表現(xiàn)或進(jìn)展衡量的活動(dòng)階段。研究結(jié)果發(fā)現(xiàn)，高表現(xiàn)和低表現(xiàn)學(xué)生具有不同的閱讀行為模式和監(jiān)控行為。
6、資源推薦
資源推薦通過分析學(xué)習(xí)者學(xué)習(xí)記錄來預(yù)測(cè)學(xué)習(xí)者的喜好，為學(xué)習(xí)者推薦最合適的資源(內(nèi)容、活動(dòng)或服務(wù))或資源序列。其最大的特征是通過分析學(xué)習(xí)者的行為，來“猜”學(xué)習(xí)者的表現(xiàn)和興趣，并生成個(gè)性化推薦，旨在幫助學(xué)習(xí)者選擇感興趣的課程、科目、學(xué)習(xí)材料和學(xué)習(xí)活動(dòng)等。例如，等使用機(jī)器學(xué)習(xí)方法構(gòu)建編程學(xué)習(xí)系統(tǒng)的推薦模型，能夠自動(dòng)地適應(yīng)學(xué)習(xí)者的興趣和知識(shí)水平。系統(tǒng)通過測(cè)試學(xué)習(xí)者學(xué)習(xí)風(fēng)格和挖掘服務(wù)日志，來識(shí)別學(xué)習(xí)風(fēng)格和學(xué)習(xí)者習(xí)慣的不同模式。研究首先基于不同的學(xué)習(xí)風(fēng)格處理集群，然后，通過AprioriAll算法挖掘頻繁序列，分析學(xué)習(xí)者的習(xí)慣和興趣，最后，系統(tǒng)根據(jù)頻繁序列的等級(jí)推薦個(gè)性化學(xué)習(xí)內(nèi)容。
Wang和Liao設(shè)計(jì)了一個(gè)基于不同學(xué)生特征推薦個(gè)性化教學(xué)內(nèi)容的英語自適應(yīng)學(xué)習(xí)系統(tǒng)。系統(tǒng)的核心技術(shù)是人工神經(jīng)網(wǎng)絡(luò)(ANN)，并選擇ANN的BP算法用于學(xué)生特征和學(xué)習(xí)表現(xiàn)的監(jiān)督聚類分類。該研究應(yīng)用了一個(gè)四步核心方法來構(gòu)建每個(gè)學(xué)生的特征與詞匯、語法和閱讀的學(xué)習(xí)表現(xiàn)的關(guān)系，方法步驟包括構(gòu)建學(xué)生特征和學(xué)習(xí)表現(xiàn)的關(guān)系、獲得所有不同特征組合的學(xué)習(xí)表現(xiàn)、設(shè)置α-截和不同學(xué)習(xí)表現(xiàn)水平的α-截，以及為不同學(xué)生特征組合設(shè)置教學(xué)
內(nèi)容的不同等級(jí)。該方法支持系統(tǒng)根據(jù)學(xué)生的性別、性格和學(xué)習(xí)焦慮程度等特征，來適應(yīng)、推薦不同層次的學(xué)習(xí)內(nèi)容。
同樣，Aher和Lobo發(fā)現(xiàn)聚類和關(guān)聯(lián)規(guī)則算法等數(shù)據(jù)挖掘技術(shù)可用于課程推薦系統(tǒng)，系統(tǒng)能夠基于其他學(xué)生在Moodle選擇的課程來為學(xué)生推薦相關(guān)課程。該研究發(fā)現(xiàn)，使用樸素K均值聚類技術(shù)和Apriori關(guān)聯(lián)規(guī)則算法的綜合方法，無需經(jīng)歷數(shù)據(jù)準(zhǔn)備階段，而且關(guān)聯(lián)規(guī)則的數(shù)目還更多。課程推薦系統(tǒng)能夠根據(jù)學(xué)生的興趣，幫助學(xué)生選擇適當(dāng)?shù)恼n程組合。
(二)典型應(yīng)用：個(gè)性化自適應(yīng)學(xué)習(xí)平臺(tái)
個(gè)性化學(xué)習(xí)是指優(yōu)化學(xué)習(xí)步調(diào)和教學(xué)方法來滿足每位學(xué)習(xí)者需求的教學(xué)[58]?；趯W(xué)習(xí)者的需求，學(xué)習(xí)目標(biāo)、教學(xué)方法和教學(xué)內(nèi)容是不同的，并且對(duì)于學(xué)習(xí)者來說，學(xué)習(xí)活動(dòng)是有意義且相關(guān)的，是受興趣驅(qū)動(dòng)且經(jīng)常是自我發(fā)起的。智慧教育的發(fā)展目標(biāo)之一就是為學(xué)習(xí)者提供個(gè)性化學(xué)習(xí)服務(wù)，體現(xiàn)學(xué)生的差異化，改變傳統(tǒng)教育一刀切的局面。