基于教育大数据的精准教学评价与学习行为预测方法研究

Information technology has a revolutionary impact on the development of education. In recent years, the online education systems represented by MOOC have brought great influence to the traditional education mode in China. They have played a significant role in making full use of teaching resources and optimizing the allocation of educational resources in China. However, the new teaching environment still lacks the capabilities of precise teaching evaluation and learning behavior prediction, which greatly limits its advantages and restricts its popularization in the field of education. This project aims to solve the key scientific issues including the quantification and calculability of learners, the evaluation and predictability of learning behaviors and teaching outcomes. We aim to achieve practical and theoretical breakthroughs on the accurate teaching evaluation and learning behaviors prediction by focusing on the following aspects: 1) modeling the learners of the online education environment; 2) learning the interacting patterns of online learning community; 3) providing comprehensive and accurate teaching evaluation; 4) predicting and analyzing the massive learners’ behaviors; 5) identifying the collaborative learning mechanism and incentive mechanism in the learning community. Based on the research achievements of the project, we leverage the existing SCHOLAT educational big data resources of our team and the super-computing capability of Tianhe-2 platform to implement the SCHOLAT+　online education big data platform which helps increase the participation and learning effectiveness of learners in large-scale online education environment.

信息技术对于教育发展具有革命性的影响，近年来以MOOC为代表的在线教育模式正强力冲击着传统教育生态，对于我国充分利用教学资源，优化教育资源配置都有着举足轻重的积极意义。然而这种新型教学环境仍然缺乏精准教学评价和学习行为预测方法和手段，极大地限制了其优势的发挥，制约了其在教育领域的普及。本项目旨在重点关注解决学习者的量化和可计算性，学习行为的评价与可预测性及教学成果和学习者的可评价性等关键科学问题，从在线教育环境中的学习者建模、学习共同体建模与管理、全面精准的教学评价、海量学习者行为分析与预测，以及群体学习协同和激励机制等研究内容入手，在教育大数据的精准教学评价及学习行为分析与预测方法方面取得突破性进展和理论成果。基于项目研究成果，利用研究团队现有学者网教育大数据资源和天河二号平台超算能力，研发SCHOLAT+在线教育大数据平台，提升大规模在线教育中学习者的参与度和学习成效。

信息技术对于教育发展具有革命性的影响，近年来以MOOC为代表的在线教育模式正强力冲击着传统教育生态，尤其在疫情期间，在线教育成为了学校教学不可缺少的一部分。研究有效的教育大数据分析方法、知识追踪等技术，对发现和检测学生异常行为并及时干预、学习效果和教学质量评估评价等具有重要作用。本项目基于在线课程教学平台MOOCs及大规模在线教育数据为基础，重点研究学生行为分析、知识追踪、教学资源个性化推荐、教学评价等模型和方法，主要理论研究成果包括：（1）学生异常行为分析检测及教学干预；（2）智慧教育领域中的知识追踪技术研究；（3）面向学习者的群组资源推荐模型研究；（4）知识概念间先决关系的学习研究；（5）学习共同体研究等。部分相关模型和算法也部署到中山大学“天河二号”超级计算机上进行计算和验证。项目组自主研发了基于学术社交网络学者网的SCHOLAT+在线课程教学平台和基于学习者对象数据模型的学习共同体管理平台，为多所高校的数千门课程提供优质服务。项目组基于SCHOLAT+在线课程教学平台及海量相关教学行为数据，构建了教育大数据知识图谱，并公开了社区发现、链接预测、异常节点检测、个性化推荐等相关的5个开放数据集。项目组在国内外期刊和会议发表论文60篇，其中SCI期刊论文24篇，CCF A类期刊和会议（含CCF A类或T1中文期刊）论文13篇，第一标注论文28篇；授权发明专利10件；出版《计算生态导论》著作1部；获广东省教学成果二等奖1项。项目研究成果为教学评估和学生行为分析提供了新理论和新技术，对充分利用教学资源，优化教育资源配置起到了重要意义。