学习分析技术与方法
全新正版 极速发货
￥ 38.89 6.6折 ￥ 59 全新
库存4件
广东广州
认证卖家担保交易快速发货售后保障
作者张琪
出版社科学出版社
ISBN9787030599773
出版时间2018-12
装帧平装
开本其他
定价59元
货号1201814963
上书时间2024-06-21
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
张琪，博士，江苏师范大学教育技术学硕士生导师，北京师范大学数字学习与教育公共服务教育部工程研究中心兼职研究员。先后赴日本京都大学、加拿大阿萨巴斯卡大学、罗马尼亚克拉约瓦大学、印度理工学院、新加坡南洋理工大学做学术访问或交流。主持全国教育科学规划课题、教育部人文社科青年基金项目、江苏高校哲学社会科学研究项目等科研项目。作为靠前作者在SSCI期刊、CSSCI期刊发表论文30余篇。指导学生参加靠前大学生程序设计竞赛、中国“互联网+”大学生创新创业大赛等重量、省级比赛并获得奖项10余项。
目录
前言
章 学习分析概述 1
1.1 学习准备 2
1.1.1 学习分析体验 2
1.1.2 学习过程的数据化 3
1.1.3 量化自我与量化学习 4
1.1.4 教育数据挖掘与学习分析 6
1.2 学习分析的概念和内涵 7
1.2.1 学习分析的定义 7
1.2.2 学习分析的特征 9
1.2.3 学习分析的应用 10
1.3 学习分析产生的时代背景 15
1.3.1 智慧教育时代的应然诉求 15
1.3.2 数据科学方法在教育领域的彰显 16
1.3.3 网络学习空间建设的基本要求 16
1.3.4 实施个性化教学的助推力量 17
1.4 学习分析与教育教学变革 17
1.4.1 从教育过程不同层面的视角 18
1.4.2 从教学结构的视角 19
1.5 学习分析的现状与趋势 22
1.5.1 学习分析的研究组织与机构 22
1.5.2 从学习分析技术到学习分析学 24
第2章 学习分析的本质与模型 27
2.1 学习分析的本质 28
2.1.1 数据、信息与知识 28
2.1.2 信息熵与世界的不确定性 30
2.1.3 数据驱动范式 32
2.1.4 教育人工智能 38
2.1.5 数据驱动教学 42
2.1.6 学习分析的研究 43
2.2 学习分析的理论基础 47
2.2.1 数据科学为数据价值分析提供学科指导 47
2.2.2 教育神经科学为多模态分析提供生物学依据 48
2.2.3 量化学习为精准刻画学习者提供技术支撑 48
2.2.4 联通主义学习观为灵活学习提供理论指南 49
2.3 学习分析模型 50
2.3.1 学习分析模型的演进 50
2.3.2 学习分析的过程模型和生命周期模型 51
2.3.3 学习分析的框架模型 53
2.4 学习分析研究新进展：多模态学习分析 57
2.4.1 眼动分析技术 57
2.4.2 多模态整合分析 60
第3章 教育数据挖掘 67
3.1 数据采集 68
3.1.1 数据采集的概念 68
3.1.2 数据的分类 68
3.1.3 数据采集技术 70
3.2 数据预处理 81
3.2.1 教育数据挖掘概述 81
3.2.2 数据预处理内容 83
3.2.3 数据清洗 84
3.2.4 数据集成 87
3.2.5 数据归约 88
3.2.6 数据变换 88
3.3 关联规则 90
3.3.1 关联规则概述 90
3.3.2 Apriori算法 92
3.3.3 FP-Growth算法 94
3.4 回归 96
3.4.1 回归分析概述 97
3.4.2 一元线性回归 97
3.4.3 多元线性回归 100
3.5 分类 102
3.5.1 分类概述 103
3.5.2 KNN算法 103
3.5.3 决策树算法 105
3.6 聚类 109
3.6.1 聚类概述 110
3.6.2 K-means聚类算法 112
3.6.3 层次聚类算法 114
3.7 离群点诊断 116
3.7.1 离群点概述 116
3.7.2 基于统计的离群点诊断 117
3.7.3 基于距离的离群点诊断 120
3.8 时间序列 122
3.8.1 时间序列概述 122
3.8.2 ARMA模型 123
3.8.3 ARIMA模型 127
第4章 学习者画像与应用 134
4.1 学习者画像的本质 135
4.1.1 学习者画像的概念 135
4.1.2 学习者画像的表征 135
4.2 学习者画像的类型 136
4.2.1 知识状态建模 137
4.2.2 学习风格建模 141
4.2.3 学习行为建模 142
4.2.4 学习认知建模 143
4.2.5 学习情感建模 145
4.2.6 其他建模形式 148
4.2.7 学习者综合建模 149
4.3 个性化推荐系统 151
4.3.1 协同过滤推荐 152
4.3.2 基于内容的推荐 152
4.3.3 混合推荐 154
4.3.4 学习路径的推荐 154
4.4 信息设计 155
4.4.1 数据可视化 155
4.4.2 学习状态可视化 162
4.4.3 基于隐喻的界面设计 165
4.5 学习分析工具概述 166
4.5.1 学习仪表盘 166
4.5.2 学习路径规划 173
4.5.3 个性化推荐 176
4.5.4 学习诊断与预警 177
4.5.5 自适应学习系统 179
第5章 学习分析工具设计 185
5.1 从“沃森”看学习分析的设计 186
5.1.1 何谓“沃森” 186
5.1.2 “沃森”如何被运用到学习分析领域 187
5.1.3 “沃森”如何实现与学生的学习互动分析 188
5.2 学习分析工具的设计流程 190
5.2.1 学习者建模与课程分析 190
5.2.2 学习行为分析 195
5.2.3 结构发现与关系挖掘 198
5.2.4 趋势分析 201
5.2.5 监督与控制 205
5.2.6 预警与干预 207
5.2.7 适应性学习 210
5.3 学习行为投入可视化分析工具设计 212
5.3.1 在线学习行为投入理论模型 213
5.3.2 在线学习行为投入周期反馈循环框架 214
5.3.3 在线学习行为投入评测框架的实证研究 217
5.3.4 框架指标对学习结果的预测分析 219
5.3.5 学习行为投入度计算 221
5.3.6 仪表盘信息界面设计 222
5.3.7 实证研究与讨论 225
参考文献 230
内容摘要
“互联网+”时代，技术支撑的教与学日益常态化，人类的认知规律、教学的交互规律及知识生产和进化规律正发生重要的变化。对过程性学习数据进行评价、发现学习者行为习惯的规律、预测学习者反应及提供及时反馈的学习分析日益受到重视。学习分析的“引人入胜”之处在于能够对教育行为进行更直接的干预。与此同时，学习分析又依赖对学习现象本身的深入理解，而不只强调分析手段在技术上的优选性和数据量的大小。学习分析的出现，为认识教育教学规律、探究个性化教学提供了全新的研究范式。《学习分析技术与方法》共5章，前两章分别介绍学习分析的概念、本质、相关模型与很新进展；第3章讨论学习分析的关键技术与应用；第4章介绍学习者画像、个性化推荐系统与学习分析工具；第5章讨论学习分析工具的综合设计。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价