什么是教育数据挖掘？（Educational Data Mining, EDM）EDM是数据挖掘（Data Mining, DM）：「从资料中提取出隐含的过去未知的有价值的潜在信息」、「一门从大量资料或者资料库中提取出有用信息的科学」在教育领域的分支，正常的数据挖掘过程包含以下五种：数据采集、数据预处理、挖掘方法、结果呈现、建议与对策等形成一个闭环。但教育领域的数据多为非结构化数据，如视频、语音、文本，且采集不易，系统间还可能有数据孤岛的问题，于是国家从2002年开始建设教育信息化的基础设施，并在2018年提出2.0来推动信息技术与教育的深度融合。为什么需要教育数据挖掘？随着基础设施的迭代，数据的采集与计算不再受限，除了让教师工作自动化达到减负外，当中核心的机器学习可以弥补我们的主观意识偏差（或称经验主义的盲点），而这也是AI+教育让人振奋的地方：我们有机会实现因材施教，并遏止“教鱼爬树”的现象不断发生，从而实现精准教研，进而让教学产生无限的可能性。数据的作用在于关心学生的内在，与发现新的可能透过课堂教学数据的反馈我们必须认知到：教的好坏、学的好坏都是表象，只有合适才是正解。在AI变革的时代，尽管教师可能不懂技术，但都应试着理解机器的作用，为学生找出最合适的教学模式，这也是政府推动信息/数据素养相关政策的用意，以下是常见的五种教育数据挖掘技术：1.预测（Prediction）：在端倪出现时，及时干预。当学生的日常指标变化，如专注度、疲劳度、情绪等，找出可能的风险，例如学生有可能近视的情况下及时预警。2.聚类（Clustering）：用相似的特点找出与众不同的学生群体。当我们用统一的教学，必然会有不适应的群体出现，要能找出不适应的原因，例如特定某些同学在学方程式时专注力特别的差。3.关联（Relationship Mining）：跳脱框架，找出未现的逻辑，变数之间的关联。例如：学生在听特定知识点时，专注度、情绪有显著变化，我们能进而找出学生的兴趣。4.多模态（Discovery with models）：混合探索不同数据模型的关联。例如结合主观、客观、衍生、生理等数据，我们能与学习风格、习惯等进行关联，找出适合学生的学习模式或教学方法。5.蒸馏（Distillation of Data for Human Judgement）：加入教育专家对数据的认知（打标签，Labeling）压缩与去除无效的数据集合。其中每种的技术又会再细分成不同的算法，比如聚类有K均值（K-means）、DBSCAN、DPEAK、Mediods、Canopy等算法，在实际应用中更会围绕教学不断重叠与重构。课堂视频、语音、文本等数据挖掘应用比如，我们现在要透过文本来挖掘老师的授课内容，我们会使用拾音器收集语音转写成文本（数据收集），接着进行关键词提取（数据处理）、与知识图谱关联（挖掘），最后产生出词云（呈现）。透过这个过程，我们可以知道老师的讲授的知识点，再搭配视频中的专注度跟情绪变化，我们就可以进行多模态来找到学生的兴趣以及发展天赋，并因此实现精准教学；反之，透过授课知识的关联分析，我们能得知教师的讲授思路，加上学生的透明数据反馈，可以得出学生对该课堂教学方法的适应性，让教研可以更微观与精准。参考资料
- 孙众，有意义的大数据与教学优化改革，2018
- 何普亮，大数据时代的教育数据挖掘：方法、工具与应用，2019
- Abdulmohsen Algarni, Data Mining in Education, 2016
- Ryan S.J.d. Baker, Data Mining for Education, 2010
