当前，大数据以其独特的功能及优势应用于教育领域，开启了教育科学发展的新时代，推动了教育领域的众多变革。基于大数据的个性化教学、科学化评价、精细化管理、智能化决策、精准化科研等，将对促进教育公平、提高教育质量、培养创新人才具有不可估量的作用。  与电子商务、交通、医疗、金融保险等领域的大数据相比，教育大数据的采集过程更加复杂，模式应用更具挑战，挖掘分析更重因果。考核评价作为加强和改进教育教学过程、促进人才培养质量提升的重要途径，其数据挖掘、分析与应用尤为重要。然而现行教育考试制度的关注重点往往集中在考试方法创新、考试题型变革、考试成绩评定等方面，对考试数据的分析和利用不够深入，一定程度上造成了教育信息和资源的浪费。高校应建设基于大数据的教学分析与质量监控系统，在考核评价数据挖掘利用方面进行重点研究，开展精准化的学习诊断、分析和绩效评估，进而对教育教学工作给予客观科学的评价和指导。 《教育大数据：考核评价数据分析、挖掘与应用》著者团队长期致力于研究挖掘考核评价数据的深层价值，从一门课程、一个专业、一类群体、一所学校的视角，深入解析考核评价数据分析挖掘的系统设计、模型构建、算法验证、拓展应用的全过程，旨在提供一些可操作、可移植、可推广的典型应用案例。 基于课程考核数据的知识点关联分析 Apriori算法是一种布尔型的关联规则挖掘算法，通过生成候选集、向下封闭检测两阶段对频繁项集进行挖掘。在考核评价数据的分析研究中，运行Apriori算法的原理为：（1）获取考核评价数据，对数据进行清洗和预处理，分析数据有效性，根据需要对数据进行变量转换；（2）定义事务项集，项集R包含具有某些知识点属性的事务A和具有不同知识点属性的事务B；（3）设置最小支持度阈值，项集R的支持度Support（A→B）=（同时出现事务A和事务B的事件总数）÷（所有事件总数）；（4）设置最小置信度阈值，项集R的置信度Confidence（A→B）=（同时出现事务A和事务B的事件总数）÷（出现事务B的事件总数）；（5）筛选有效的关联规则，将所有项集的支持度、置信度与设定的最小支持度阈值、最小置信度阈值进行比较，提取满足阈值条件的关联规则；（6）对提取的每条关联规则进行分析，通过对比、整理、综合、归纳，得出结论。  Apriori算法的运行原理 《教育大数据：考核评价数据分析、挖掘与应用》一书中，通过对某领域升学考试高中数学考试成绩分析，得出结论：考生整体对“5-圆锥曲线（抛物线）性质”“15-排列”“16-极坐标”3个知识点掌握一般，导致对“22-导数综合应用”掌握一般、对“12-圆锥曲线（双曲线）”“17-数学归纳法”掌握差；由于考生整体对“12-圆锥曲线（双曲线）”“16-极坐标”“17-数学归纳法”掌握差，导致对“21-分布列与数学期望”“23-直线与圆综合应用”“24-空间几何体（四棱柱）”3个知识点的掌握差。因此，考生整体的弱项知识点是“5-圆锥曲线（抛物线）性质”“15-排列”“16-极坐标”3个知识点。  试卷知识点结构图 基于改进Apriori 算法构建的试卷知识点结构图，可以直观反映出学生的知识掌握过程，找出考生的弱项知识点，从根源上帮助考生突破知识点的学习瓶颈；同时，可为院校教育教学决策、教师改进教学方法、促使学生个性化学习提供重要参考。 基于考试数据的课程体系优化 人才培养方案中课程体系的优化是一项复杂的系统工程，涉及诸多因素，研究的视角也很多。《教育大数据：考核评价数据分析、挖掘与应用》一书中，尝试从社会网络分析的视角，通过对考试成绩的定量分析与挖掘，提出一种新的验证方法和优化方案。 在社会网络分析中，中心度和威望度是两个十分重要的统计特征。节点中心度越大表示该节点越处于中心位置，对其他节点的影响也越大，若剔除它们则网络会变得七零八落。而在有向网络中，那些收到许多正选择的节点被认为是有威望的节点，如果正选择不是双向互利共惠的，那么这个节点的威望就尤为稳固。以某校管理科学专业主干课程为例，运用社会网络分析方法，分析该课程体系中课程之间的支撑关系，从而确定课程的中心度、威望度。  基于中心度优化的学科基础与工程技术课程关系网络 如上图所示，边的方向代表了课程之间的依存关系，边的权值表示该依存关系的大小，节点的大小随节点中心度的改变而改变，节点的不同颜色则代表不同的学期。在35门主干课程之间相互影响关系基于中心度优化的网络中，仅有15门课程对其他课程有不同程度的影响，按照中心度大小排序分别是：高等数学、电工电子技术、概率论与数理统计、大学物理、C语言程序设计等。比如，《高等数学》作为基础性极强的主干核心课程，必须放在突出位置予以重点关注。同理，基于威望度视角，也能构建类似的课程关系网络，从而对课程体系优化问题提供重要的参考信息。 基于学生成绩的学习能力评价 规则空间模型（Rule Space Model）是将统计模式识别与分类取向相结合而发展起来的一种认知诊断模型。其基本假设是测试项可以使用特定的认知能力或者属性描述，而这些认知能力或者属性通常情况下是不可能被观察到的。该模型通过被测验者的测验项目，来测试被测验者某些方面能力的掌握情况，如知识、技能、策略或加工过程等。被测验者个体的知识状态或结构通常可以表示为一组无法被直接观察到的认知属性掌握模式，而利用相关测试方法，可以通过可观察的项目反应模式来反映不可观察的认知属性掌握模式，进而诊断出被测验者状态。 《教育大数据：考核评价数据分析、挖掘与应用》一书中，运用规则空间模型方法，研究某群体560名学生能力掌握情况，可判归为13种典型反应模式，从而进一步对学生个体能力掌握模式进行诊断。如下表所示，ID为EXAM2058和EXAM2129两名学生课程平均成绩均为76.79分。按照传统的评价方式，一般认为两名学生课程平均成绩相同，均处于中等水平，其能力水平也基本相当。但运用规则空间模型进行建模分析，在相同能力指标系统中这两名学生潜在能力值并不相同，分别为0.2和0.03，ID为2058的学生能力值明显高于学生2129。通过分析两名学生所属典型反应模式（如下图所示），可以发现，ID为2058的学生掌握了7种核心能力中的前5种，即逻辑思维能力、语言应用能力、数据分析能力、工程思维能力和信息处理能力。ID为2129的学生只掌握了前4种能力，对信息处理能力掌握不够理想。 相同成绩学生典型反应模式情况表  EXAM2058（76.79，MOD010）  EXAM2129（76.79，MOD006）  相同成绩学生能力掌握情况图 这说明学生的课程成绩只能从一个侧面反映学生知识学习和能力掌握的大概情况，由于各门课程培养能力的侧重点不同，相同成绩的学生在相同的能力指标体系中很有可能呈现不同的能力掌握状态。 运用规则空间模型理论，不仅可以准确诊断学生能力，分析典型能力掌握模式，生成个体能力诊断报告，还可以对比核心能力指标差异，构建能力掌握路径，为改进院校人才培养和教学管理工作提供参考。   教育大数据：考核评价数据分析、挖掘与应用 王凤肆 等 著 责任编辑：乔宇尚，张春贺 北京：科学出版社，2020.6 ISBN：978-7-03-065500-4  即刻购书 内容简介： 本书以大数据思维为指导，深入解析教育教学考核评价数据的分析、挖掘与应用。本书以一门课程、一个专业、一类群体、一所学校的考核评价数据为基础，从典型案例的角度系统介绍考核评价数据分析、挖掘与应用的总体设计、算法建模、程序实现，以及结果描述与实际应用的整个过程，以期为读者提供从理论到实践的有益借鉴。 本期编辑丨小文 |
|
|
