教育大数据《中国教育信息化》编辑部：mis@moe.edu.cn基于教育数据挖掘的*个性化自适应学习系统研究徐焱渊武汉市广播电视大学信息中心袁湖北武汉430033冤摘要院随着大数据时代的到来和在线学习的蓬勃发展袁个性化自适应学习日益成为人们关注的热点遥本文从教育数据挖掘的目标和关键技术出发袁在个性化自适应学习系统中应用教育数据挖掘技术袁研究了学习者模型尧领域知识模型和社交网络模型的构建尧融合和应用袁设计出基于教育数据挖掘的个性化自适应学习系统的架构和流程袁探讨了模型的构建和个性化自适应学习引擎机制的建立袁提出了基于聚类的个性化自适应学习内容呈现尧基于序列挖掘和关联规则的最佳学习路径推荐尧基于协同过滤和社交网络的个性化资源推荐方法遥关键词院大数据曰教育数据挖掘曰个性化自适应学习中图分类号院TP393一尧引言随着信息技术和互联网技术的快速发展袁人们越来越多的行为发生在网络中袁网络中的数据呈现爆炸式增长袁人们已经被网络信息淹没袁但却时常感叹缺少有用信息袁于是袁数据挖掘技术应运而生遥通过数据挖掘技术袁我们可以收集尧处理规模庞大而复杂的数据袁从而获得知识和洞见遥在教育领域袁一直未能真正解决野因材施教冶的问题袁学生的学习能力尧学习习惯尧行为偏好尧知识水平尧兴趣爱好等方面都存在个性差异袁教师一般按照自己的认知授课袁很少关注学生真正的个性需求袁不能实时跟踪学生的知识掌握情况袁也就无法及时对学生的学习策略作出调整遥随着在线学习的蓬勃发展袁越来越多的学校尧教师尧学生认可并积极参与在线学习袁通过在线学习系统袁学习者可以获得优质的学习资源袁但是袁目前大多数主流的在线学习系统仍然是照搬传统的教学模式袁以课程为中心而非以学生为中心袁没有真正收集尧挖掘尧利用学生的学习过程数据袁因此造成了在线学习完成率低下遥随着学习平台实现个性化自适应学习提供了可能遥野大数据时代冶的到来袁数据挖掘技术的快速发展袁为在线本研究设计的个性化自适应学习系统可以全面实时记录学习者的学习过程袁通过教育数据挖掘对学生的学习数据进行加工尧处理尧利用袁及时给予学生反馈信息袁预测学生的学习趋势袁动态呈现个性化自适应学习文献标志码院A文章编号院1673-8454渊2019冤11-0060-06内容袁规划学习路径袁推荐个性化学习资源袁最终实现学生的个性化自适应学习遥二尧教育数据挖掘概述大数据是指无法在一定时间内用传统数据库软件工具进行获取尧管理和处理的数据集合遥[1]大数据需要使用数据挖掘技术才能从中挖掘出价值袁获取知识和洞见遥与传统数据相比袁大数据具有4V特征院数据量大渊Volume冤尧种类多样渊Variety冤尧时效性强渊Velocity冤尧价值巨大渊Value冤遥教育数据挖掘是指应用统计理论尧数据挖掘和机器学习方法对教育大数据进行获取尧处理以及利用袁发现存在于教育大数据背后的潜在模式袁挖掘教育大数据背后的潜藏价值遥[2]通过构建数据模型袁发现学习者学习结果与学习时长尧学习内容尧答题正确率等一系列特征的相关关系袁来预测学习者将来的学习趋势袁从而对学习者进行指导和干预曰挖掘隐藏在教学评价尧学生成绩等数据中有用的知识和规律袁为教师优化教学提供支持和决策遥教育数据挖掘主要有四个研究目标院景尧学习需求等详细信息构建学习者模型遥淤通过整合学习者的知识水平尧学习风格尧学习背于通过探索教学内容尧教学顺序与学习者学习结果的相关关系袁构建最佳教学内容尧教学顺序的领域知识模型遥号院2017039冤遥*基金项目院武汉2017年市属高校教学研究重点项目野在线课程共享平台建设与应用研究要要要以武汉市属高校为例冶渊项目编60中国教育信息化／2019.11《中国教育信息化》编辑部：mis@moe.edu.cn学习者社交网络模型盂通过研究学习者远程协同学习交流等信息遥袁构建交网络模型榆通过融合学习者模型袁构建数据计算模型尧领域知识模型和学习者社袁实现学习者个性化自适应学习袁促进有效学习的发生遥为了实现以上四个研究目标袁需要采用以下五种教育数据挖掘技术聚类过程中要求簇内数据相似度尽可能大而簇间数据淤聚类遥根据数据本身特征将它们合成若干簇院袁在相似度尽可能小遥聚类主要用于对学生进行分组袁以便开展个性化教学值区间于预测遥遥例如遥院通过整合多个变量来预测某一变量的值或根据学生的网上学习时间尧单元测试情况尧发帖数等预测学生课程成绩或该课程学习是否会失败盂关联规则遥通过置信度和支持度探索变量之间的遥关联关系遥例如院研究者通过关联规则挖掘学习者学习行为与学习成绩的相关关系袁结果反馈作用于指导和干预学习者的学习行为榆可视化遥可视化是用一种人们易于理解的方式描遥述数据袁以便人们可以快速区分和辨别数据特征遥例如院姜强等研究者采用统计和可视化的方法用不同颜色尧进度条尧图尧表等工具显示学生的学习进度尧学习时间尧学习次数以及学习者社交网络等信息进行分析的方法社交网络分析袁通过发现学习者之间的关系遥社交网络分析是对在线社交关系袁以激励学习者学习遥[3]虞袁来实现资源推荐遥研究者采用社交网络分析计算远程协同学习中学习偏好相似度袁来实现个性化资源推荐遥[4]三尧基于教育数据挖掘的个性化自适应学习系统每个学习者有不同的生物遗传基础袁来自不同的社会文化环境袁在智力和非智力因素方面有突出的个体差异袁表现在认知尧情感尧注意力尧态度尧学习能力尧学习动机和需求等方面袁即使同一个学习者在不同的学习时段学习需求也不同遥[5]而传统的统一教学内容和方式不能满足学习者的个性化学习需求袁不利于学习者学习和成长遥解决这一问题的方法之一就是个性化自适应学习遥教育数据挖掘的发展为个性化自适应学习提供了可能袁通过对学习系统中大量详细的学习者信息和相关行为数据袁如学习路径尧学习日志尧学习成果尧学习管理数据尧课程数据等的采集尧存储和挖掘袁根据学习者个性特征差异为学习者提供个性化学习内容袁以可视化方式呈现数据结果袁促进学习者自适应学习曰帮助教师优化教学内容袁提升教学水平曰发现学习者潜在的学习问题并预教育大数据测未来表现袁教学管理者根据预测结果进行指导和干预袁促进有效学习的发生遥在个性化自适应学习系统中应用教育数据挖掘主要包括院[6]构建学习者模型尧构建领域知识模型尧构建社交网络模型尧模型融合袁通过模型构建尧融合和应用促进学习者有效学习的发生渊1冤遥构建学习者模型包括学习者建档构建学习者模型尧构建学习者知识模型尧经历模型尧行为模型等四个方面遥息数据淤学习者建档袁通过聚类分析学习者的学习特征院采集学习者学习相关数据和个人信袁对学习者进行分簇袁建立学习者档案袁为不同簇的学习者提供个性化学习内容和学习路径袁促进有效学习的发生遥本研究通过对学习者学习新知识前进行前驱知识测试袁为学习者建立学习档案袁根据学习者的不同特征袁为学习者呈现个性化和适应性的学习内容据袁包括回答正确率于构建学习者知识模型尧请求帮助的次数院学习者的在线远程学习数遥尧每次回答的时间尧重复答错的数据袁这些数据可以是课程层次的尧也可以是单元层次的或者是知识点层次的遥通过挖掘分析袁构建学习者知识模型遥可用于可视化显示学习者的知识掌握情况袁也可用于系统自动反馈学习内容给学习者遥本研究通过收集个性化自适应系统中学习者学习每一个学习单元的详细数据袁为学习者构建学习者知识模型袁一方面用于可视化显示学习者的真实学习情况袁另一方面用于自动判断学习者是否已掌握本单元学习内容袁如果未掌握袁则根据学习者知识模型给学习者自动反馈个性化自适应学习内容元或课程学习中的选择盂构建学习者经历模型遥尧表现院通过采集学习者在后续单尧行为和学习效果以及学习者学习满意度问卷调查等数据袁构建学习者经历模型袁使用该模型可以对在线远程学习中的课程再设计袁提高教学效率和学生学习成绩遥本研究通过收集学习者在课程学习中单元学习顺序的选择尧行为尧学习结果和学习者满意度问卷调查等数据袁构建学习者经历模型袁一方面通过预测方法预知学习者下一步的学习需求袁为学习者提供个性化的自适应学习内容袁另一方面通过关联规则挖掘学习顺序尧行为和结果之间的相关关系袁优化课程学习顺序袁为优化领域知识模型提供支持学习中的学习时长榆构建学习者行为模型遥尧完成课程的学习情况院通过采集学习者在线远程尧学习行为的TheChineseJournalofICTinEducation61教育大数据变化情况尧考试成绩等数据袁挖掘学习者学习行为和学习成绩的相关关系袁构建学习者行为模型遥本研究通过收集学习者在在线远程学习中的学习时长尧学习次数尧测试完成情况尧发帖数尧任务完成度和学习成绩等数据袁以关联规则挖掘构建学习者行为模型袁预测学习者课程学习失败的可能性袁把预测信息反馈给教师和管理者袁及时对学习者进行指导和干预渊2冤遥构建领域知识模型构建领域知识模型院领域知识模型包括领域知识的组成元素和元素之间的关系遥通过采集知识点尧课程单元和课程内容组织方式与学习结果之间的相关关系袁对现有领域知识模型进行优化遥根据优化的领域知识模型袁可以为学习者推荐最佳学习路径遥本研究依据联通主义理论袁将课程知识点以有向图的方式形成知识地图袁一方面构建领域知识模型袁另一方面以可视化方式呈现给学习者遥此外通过对学习者经历模型的构建优化现有领域知识模型渊3冤遥构建社交网络模型构建社交网络模型院通过采集在线远程学习中的协作与交流数据袁形成链接学习者的社交网络袁构建学习者的社交网络模型遥根据学习者的关系网络模型进行偏好预测袁预测结果推荐给学习者曰也可以根据社交网络模型袁计算协作者之间的内聚力袁对协作进行评价和干预遥构建社交网络模型袁一方面进行偏好预测袁推荐个性化资源给学习者袁另一方面可视化显示学习者的社交网络袁学习者可以查看同伴的学习进度等信息渊4冤袁激励学习者自主学习遥模型融合包含两方面的含义模型融合院一方面构建学习者模型和领域知识模型完成后袁这两个模型任意一个单独使用都无法为学习者提供帮助袁两个模型必须融合才能给学习者提供服务遥例如袁对学习者建档完成后袁已经了解学习者的前驱知识掌握情况袁这时必须结合领域知识模型袁才能给学习者提供个性化适应性学习内容遥又例如袁根据答题时间和重复答错的数据构建学习者知识模型完成后袁再结合领域知识模型袁为学习者呈现个性化自适应学习内容遥另一方面袁模型融合还体现在通过构建学习者经历模型袁来优化领域知识模型遥本研究提出了基于教育数据挖掘的个性化自适应学习系统模型袁如图1所示袁下面详细分析本模型的运行流程遥62中国教育信息化／2019.11《中国教育信息化》编辑部：mis@moe.edu.cn图1基于教育数据挖掘的个性化自适应学习系统模型元袁在开始学习之前淤在本系统中袁袁学习者根据学习需求选择学习单系统为了解学习者的单元前驱知识掌握情况渊包括概念尧过程性知识尧技能和高级思维技能冤袁为学习者提供学前测试误尧每题用时等数据于根据学习者的学前测试遥袁采用聚类方法对学习者进行建档袁采集答题正确尧答题错袁个性化自适应学习引擎根据建档结果和领域知识模型袁为学习者呈现个性化自适应学习内容盂学习者学习过程中的全部行为数据会自动采集遥到学习者数据库中袁包括学习需求数据尧学前测试数据尧学习过程数据尧单元测试数据等袁此外该数据库还包含学习者的个人信息详细数据遥习单元测试数据榆学习完成后袁构建学习者知识模型袁系统会给出一个单元测试袁一方面可视化袁根据学显示这些详细数据给学习者袁让学习者全面了解单元学习结果曰另一方面袁对于测试未通过的学习者袁个性化自适应学习引擎根据学习者知识模型和领域知识模型袁给学习者提供新的个性化自适应学习内容和测试数据虞系统会自动采集学习者数据库中的学习者行为遥袁通过关联规则挖掘学习者行为和测试成绩的相关性袁构建学习者行为模型袁个性化自适应学习引擎再根据学习者最近一周的学习行为数据袁实时预测学习者课程学习失败的可能性袁把预测信息反馈给预警管理模块袁教师和管理者及时对学习者进行指导和干预遥这种实时预警可以及早发现学习者当前的异常情况袁尽可能地避免学习者学习失败据袁通过关联规则挖掘单元学习顺序与成绩之间的相关愚系统自动采集学习者数据库中的学习经历等数遥性袁构建学习者经历模型袁个性化自适应学习引擎再根据当前学习内容袁预测学习者下一个学习需求袁为学习者呈现个性化自适应的学习内容遥另一方面根据学习者经历模型袁对领域知识模型进行优化遥《中国教育信息化》编辑部：mis@moe.edu.cn的知识点分为前驱知识点和后继知识点以表示知识点舆将知识点以有向图的方式形成知识地图袁地图中之间的相关关系遥本系统以此为基础构建领域知识模型袁并根据学习者经历模型对领域知识模型进行优化完善遥个性化自适应学习引擎根据领域知识模型袁一方面系统可以为学习者推荐最佳学习路径袁另一方面系统还可以根据学习者当前学习路径和设置阈值判断学习者是否偏离最佳学习路径袁如果偏离袁则对学习者进行引导袁实现学习者个性化自适应学习遥构建社交网络模型余系统自动采集学习者数据库中的协作交流数据袁个性化自适应学习引擎采用协同过袁滤技术袁计算学习者间偏好的相似度袁进行偏好预测袁找出学习者可能感兴趣的内容或活动袁给学习者推荐个性化资源袁另一方面可视化显示学习者的社交网络袁学习者可以允许或不允许同伴查看自己学习进度等信息袁激励学习者自主学习遥在本系统中袁学习者学习数据循环使用并且实时更新袁图2中每一个模块的内容随着数据的实时更新而更新遥首先学习者学习产生的数据进入学习者数据库袁系统根据学习者数据库的数据构建学习者模型尧领域知识模型和社交网络模型袁个性化自适应学习引擎根据这些模型和学习者实时的行为数据袁进行预测和推荐袁给学习者呈现动态的尧个性化的尧适应的学习内容袁找到最佳学习路径并推荐个性化资源遥学习者对新内容的学习过程产生新的数据袁再次进入学习者数据库袁系统根据新的学习过程数据不断对学习者模型尧领域知识模型和社交网络模型进行优化袁再结合学习者当前学习数据进行预测和推荐袁将动态结果呈现给学习者袁此过程循环往复袁系统能够不断进化袁自我改善和提升袁使推荐和预测的内容更适应学习者遥图2数据循环使用四尧建立机制在本系统中袁学习者模型尧领域知识模型尧社交网路模型和个性化自适应学习引擎是核心部分袁下面介绍这四部分的机理和机制遥教育大数据学习者模型渊学习者建档尧行为模型尧知识模型尧经历模型冤遥其中学习者建档包括学前测试中的答题正确尧答题错误尧部分正确尧重复错误尧每题作答时间等信息遥行为模型包括登录时间尧访问页面尧学习时长尧学习次数尧测试完成情况尧作业完成情况尧发帖数尧任务完成度和测试成绩等信息遥知识模型包括单元测试中答题正确率尧每题用时尧重复答错袁已学课程尧掌握的知识点等信息遥经历模型包括知识点学习顺序的选择尧行为尧评价和成绩遥领域知识模型包含两方面的内容袁[7]一方面是知识点本身的描述信息尧学习内容渊视频尧文本尧图片尧语音冤尧练习活动尧学习活动尧知识网络信息曰另一方面是知识点之间的相关关系遥本研究采用有向图的形式来构建领域知识模型遥如图3所示袁每一个节点代表一个知识点袁每个知识点又包含多项内容遥箭头指向的方向为后继知识点袁箭头的起始端为前继知识点遥如知识点3的前继知识点为知识点1和2袁后继知识点为知识点4遥图3知识地图每一个知识本身都是一个独立的学习内容袁学习者可以在任何时候获取需要的知识袁自主选择知识点内的资源尧学习顺序等遥起始的领域知识模型可以按照教材或者教师的经验来构建袁后期可以通过对学习者学习经历模型的挖掘袁发现知识点之间的相关关系袁不断优化和完善领域知识模型遥社交网络是指社会行为者及其关系的集合遥社交网络图包含节点和点之间的连线遥节点表示信息的接收者和发出者袁连线的粗细袁表示信息传递的频率或信息量的大小遥[8]本研究根据学习者之间的交流协作次数来构建社交网络模型遥例如在图4中袁学习者11与学习者2尧3尧4尧12和10有过协作交流袁而且与学习者10的交流最为频繁遥渊1冤个性化自适应学习内容的呈现主要体现在两方面基于聚类的个性化自适应学习内容呈现袁一方面是针对学习内容的初次学习袁根据学前测试情况对学习者聚类建档袁为不同类型的学习者提供个性化适TheChineseJournalofICTinEducation63教育大数据图4社交网络模型图应性学习内容曰另一方面是针对学习完成后单元测试情况袁根据作答数据袁构建或更新学习者知识模型袁如果测试通过袁则本次单元学习完成袁如果测试未通过袁则根据详细作答数据自动反馈适合学习者的学习内容遥聚类就是把一组对象按照相似性归成若干簇袁使簇中对象的相似度很高袁而不同簇中的对象相似度很低遥通过采集学前测试的数据袁根据聚类方法对学习者聚类分组袁给学习者建档遥本研究采用K-means均值算法袁根据学习者的答题数据对学习者聚类遥算法的核心思想是首先从聚类N个对象中选择K个对象作为聚类中心袁然后计算剩余对象到聚类中心的距离袁并将它分配给最相似的聚类袁然后重新计算新聚类的聚类中心袁重复这一过程袁直到没有点能改变聚类结果遥本研究根据学前测试即前驱知识测试作答情况袁进行二次聚类遥第一次聚类将学习者分为两簇院A和B袁簇A的对象表示通过学前测试袁可以进行新知识的学习曰簇B表示未通过学前测试袁需要补习前驱知识的学习遥第二次聚类袁簇A中的对象根据不同的知识掌握情况尧答题速度等分为不同的层次袁系统提供不同层次的学习内容曰簇B中的对象根据前驱知识的欠缺情况再细化分簇袁为不同簇提供适应个性化知识的学习内容渊2冤遥学习路径包含两个层次的内容基于序列挖掘和关联规则的最佳学习路径推荐院一个是知识点内资源组织路径袁因为每个知识点可能包含多种不同的资源曰另一个是知识点之间的学习路径袁学习者可以自由选择知识点的学习顺序袁不一定是按照课本的顺序袁有可能是按照同伴的学习路径遥序列挖掘算法是给定一个序列集合袁每个序列都由若干元素按顺序有序排列袁设定用户给出的最小支持度阈值遥序列挖掘模式是找出所有的频繁子集袁即在序列集合中出现的频率不小于最小支持度阈值的子序列遥[9]本研究通过采集用户访问页面的顺序袁建立学习者行为模型袁64中国教育信息化／2019.11《中国教育信息化》编辑部：mis@moe.edu.cn通过序列挖掘方法袁找出相关页面袁尽可能缩短相关内容页面分布的距离袁在用户学习一些内容的时候袁能够预测用户下一步的学习需求袁为用户提供便捷的路径指引遥关联规则能够找出数据集中不同项目之间的相关性{i袁关联规则有两个重要指标院支持度和置信度遥假设I=1的集合袁i2袁i3袁噎im袁每个事务袁}是m个项的集合T是I的非空子集袁数据库遥DX尧Y是数据库事务是I中项的集合袁如果X哿T袁则称事务T包含X遥支持度渊support冤是数据库渊confidence冤D中的事务袁况下袁包含Y是数据库的百分比D同时包含遥中的事务X尧Y如果同时满足最小支持度阈值袁在已经包含的百分比曰置信度X的情和最小置信度阈值袁则认为关联规则是有趣的袁[10]这些阈值是根据挖掘需要人为设定的遥本研究通过采集学习者知识点学习顺序和成绩等数据袁建立学习者经历模型袁通过关联规则分析学习顺序与成绩之间的相关性袁从而得出最佳学习路径渊3冤协同过滤是目前推荐效果最好的算法之一基于协同过滤和社交网络的个性化资源推荐袁用于优化知识模型和推荐学习路径遥袁它的核心思想是计算用户之间的偏好相似度袁并进行推荐遥本研究通过构建学习者之间交流协作的社交网络袁来计算学习者之间的兴趣偏好相似度袁进而进行推荐遥在图4中袁学习者11与学习者2尧3尧4尧12和10有过协作交流袁而且与学习者10的交流最为频繁遥这说明学习者11与学习者2尧3尧4尧12尧10可能存在相似的学习需求袁或者对相同的资源感兴趣袁我们可以认为他们有相似的学习偏好袁而且学习者11与学习者10的偏好相似度最高袁我们可以把学习者10学过的资源或者感兴趣的资源优先推荐给学习者11遥这种推荐最显著的优点是不需要研究资源本身的内容袁就可以进行效果较好的推荐袁毕竟很难对资源本身的内容进行分析研究遥五尧结束语随着大数据技术的发展袁越来越多的学习者和教师认可在线远程教育并参与其中袁越来越多的行为可以被跟踪和记录袁为实现学习者个性化自适应学习提供了可能遥本文在个性化自适应学习系统中袁应用教育数据挖掘技术袁提出了基于教育数据挖掘的个性化自适应学习系统的架构和流程袁研究了构建学习者模型尧领域知识模型尧社交网络模型和自适应引擎的机制袁通过模型构建尧融合和应用袁为学习者提供了动态的个性化自适应学习内容尧最佳学习路径并推荐了个性化学习资源袁促进了学习者有效学习的发生遥在后期研究中袁我们将进一步研究基于教育数据挖掘的个性化自适应学习系统的改进方法和具体应用效果遥《中国教育信息化》编辑部：mis@moe.edu.cn参考文献院[1]赵刚.大数据技术与应用实践指南[M].北京:电子工业出版社,2013:4-5.[2]江波,邱飞岳,李浩君.教育数据挖掘研究综述要要要技术的视角[J].计算机与教育,2014(8):112-122.[3]姜强,赵蔚,王朋娇,王丽萍.基于大数据的个性化自适应在线学习分析模型及实现[J].中国电化教育,2015(1):85-92.[4]YangF,HanP,etal.Anovelresourcerecommen鄄dationsystembasedonconnectingtosimilare-learners[J].SpringerBerlinHeidelberg,2005(3583):122-130.[5]姜强,赵蔚,王丽萍,李松.个性化自适应学习研究要要要大数据时代数字化学习的新常态[J].中国电化教育,2016(2):25-32.渊上接第59页冤参考文献院[1]姜强,赵蔚,刘红霞等.能力导向的个性化学习路径生成及评测[J].现代远程教育研究,2015(6):104-111.[2]彭绍东.基于SCORM标准的野学习路径冶设计[J].现代教育技术,2010(8).[3]SmetCD,SchellensT,etal.TheDesignandIm鄄plementationofLearningPathsinaLearningManagementSystem[J].InteractiveLearningEnvironments,2016,24(6):1076-1096.[4]ALEXANDERN.AmethodologyforadaptivecompetenceassessmentandlearningpathcreationISAC[C].ProceedingsoftheInternationalConferenceonInter鄄activeComputer-aidedLearning(ICL2010).Diepenbeek院UniversityofHasseltPress,2010院15-17.[5]DUANDG.Graphtheorybasedmodelforlearningpathrecommendation[J].Informationsciences,2013(4):10-21.[6]李浩君,徐佳程,房邵敏等.个性化移动学习路径优化策略应用研究[J].电化教育研究,2016(1):39-44.[7]檀晓红.基于推荐及遗传算法的个性化课程生成与进化研究[D].上海:上海交通大学,2013.[8]PBRUSILOVSKY.InvestigatingautomatedstudentmodelinginaJavaMOOC[C].Proceedingsofthe7thIn鄄ternationalConferenceonEducationalDataMining.Lon鄄don:UniversityofLondonPress,2014:261-264.[9]姜强,赵蔚,李松等.大数据背景下的精准个性化学习路径挖掘研究要要要基于AprioriAll的群体行为分析[J].电化教育研究,2018(2):45-52.[10]戴红,常子冠,于宁.数据挖掘导论[M].北京:清华大学出版社,2015.1.教育大数据[6]徐鹏,王以宁,刘艳华,张海.大数据视角分析学习变革要要要美国叶通过教育数据挖掘和学习分析促进教与学曳报告解读及启示[J].远程教育杂志,2013(6):11-17.[7]马相春,钟绍春,徐妲.大数据视角下个性化自适应学习系统支撑模型及实现机制研究[J].中国电化教育,2017(4):97-102.[8]葛道凯,张少刚,魏顺平.教育数据挖掘方法与应用[M].北京:教育科学出版社,2012.[9]夏明波,王晓川,孙永强,金士尧.序列模式挖掘算法研究[J].计算机技术与发展,2006,4(4):4-6.[10]蔡伟杰,张晓辉,朱建秋,朱扬勇.关联规则挖掘综述[J].计算机工程,2001,5(5):31-33.渊编辑院王晓明冤[11]AGRAWALR,SRIKANTR.Miningsequentialpattern[C].ProceedingsoftheEleventhInternationalCon鄄ferenceonDataEngineering.WashingtonD.C:IEEECom鄄puterSocietyPress,1995:3-14.[12]吴海燕,朱靖君,高国柱等.基于改进的AprioriAll算法的Web序列模式挖掘研究[J].计算机工程与设计,2010(5).[13]DabrowskiJJ,BeyersC,VilliersJPD.SystemicbankingcrisisearlywarningsystemsusingdynamicBayesiannetworks[M].PergamonPress,Inc.2016.[14]EUGENIJUSK.Recommendingsuitablelearningpathsaccordingtolearners'preferences:experimentalresearchresults[J].Computersinhumanbehavior,2015(51):945-951.[15]李浩君,崔晨萍,徐佳程等.基于遗传算法的移动学习路径生成机制研究要要要以博物馆参观学习为例[J].现代教育技术,2015,25(8):100-106.[16]杨超.基于粒子群优化算法的学习资源推荐方法[J].计算机应用,2014,34(5):1350-1353.[17]BRUSILOVSKYP.Investigatingautomatedstu鄄dentmodelinginaJavaMOOC[C].Proceedingsofthe7thInternationalConferenceonEducationalDataMining.London:UniversityofLondonPress,2014:261-264.[18]IDRISN.Adaptivecoursesequencingforper鄄sonalizationoflearningpathusingneuralnetwork[J].In鄄ternationaljournalofadvancesinsoftcomputinganditsapplications,2009,1(1):49-61.渊编辑院王天鹏冤TheChineseJournalofICTinEducation65