數(shù)據(jù)挖掘在學習管理系統(tǒng)中應用的研究進展綜述

【摘要】數(shù)據(jù)挖掘和遠程教育是當前兩大熱點領域，基于前者的學習管理系統(tǒng)是遠程教育領域研究的熱點和方向。文章首先剖析了近年來高等教育面臨的形勢和發(fā)生的變革，在此基礎上引出了學習管理系統(tǒng)和數(shù)據(jù)挖掘的價值和必要性。隨后重點分析了學習管理系統(tǒng)在高校中的使用情況，揭示了在線學習模式對教育領域的新啟示，并介紹了數(shù)據(jù)挖掘在學習管理系統(tǒng)中的成功案例，從中可以看出學習管理系統(tǒng)的發(fā)展歷程、現(xiàn)狀和趨勢。通過調(diào)研，研究者認為高等教育機構更多地采用學習管理系統(tǒng)進行在線教學的方式是未來的趨勢，同時數(shù)據(jù)挖掘技術的采用是成功的關鍵。

【關鍵詞】數(shù)據(jù)挖掘;學習管理系統(tǒng);遠程教育;學術分析;在線考試;社會網(wǎng)絡分析

【中圖分類號】G420 【文獻標識碼】A 【論文編號】1009—8097(2010)09—0127—07

一 引言

作為知識的創(chuàng)造者、保持者和傳播者，長期以來對知識的責任一直是高等教育機構的首要目標。然而，為了適應現(xiàn)代化的知識社會，全世界的高等教育機構需要采用新的方法來履行責任，實現(xiàn)目標。和中國的各大高校一樣，全世界的高等教育機構都正經(jīng)歷著飛速的發(fā)展和變化。一方面，在激烈的競爭環(huán)境下，學生們面臨的壓力越來越大，社會對高等教育也越來越重視;另一方面，在社會期待和監(jiān)督下，教育工作者需要展示出高質(zhì)量的教學成果，同時，現(xiàn)有教育資源的不足又無法滿足日益增長的學生人數(shù)及其日趨多元化的學習需求[1]。

在大學校園中，全日制大學生是非常幸福的，因為他們能和師生們直接接觸，一起參與學術沙龍，而且還能享受到教學設施的服務。然而，這種傳統(tǒng)的理想高等教育模式需要大量的教育資金和勞動力，各國政府給予高等教育的資助無法滿足不斷升級的教育資源需求。為了解決這個問題，各大高校都曾采用了不同程度的擴招辦法來填補教育資金的不足，于是社會開始對高校的教育質(zhì)量感到擔憂。OECD的一份報告[2]對工業(yè)社會中高等教育環(huán)境變化進行了廣泛而又詳細的分析。

高校教師面臨著眾多的挑戰(zhàn)，班級人數(shù)正在增加的同時，社會也對他們提出了更高要求。他們需要使用更有效的教學方式，來提高學生的學習和研究能力，并完成教學目標。此外，越來越多的關于高等教育的教學和學習的研究[3]闡述了以學生為中心的教學方法，強調(diào)鼓勵學生們的合作和互動，以及促進主動學習的重要性，還建議提供及時詳細的反饋，強調(diào)限時任務的需要，同時尊重不同的學習模式。另一方面，教師們在教學過程中發(fā)現(xiàn)，他們發(fā)現(xiàn)難以通過溝通交流的方式來監(jiān)督學生的學習進展[4]。盡管更傳統(tǒng)的“灌輸式”的教學模式在一定的教育環(huán)境下有其立足之地，但對于促進學生的學習來看，它日益被看作是一種落后途徑。與此同時，高等教育領域的競爭日趨激烈，教育成本不斷上升，學生和家長們對教育質(zhì)量、教育支出的透明度提出了更高要求[5]。

1 學習管理系統(tǒng)的應用

面對大量的教育需求，同時為了實現(xiàn)更高效的教學，解決現(xiàn)代社會的教育需求與傳統(tǒng)教育方法的矛盾，高校開始向企業(yè)學習，著手利用以信息技術為基礎的現(xiàn)代教育技術來打造自己的核心競爭力。

互聯(lián)網(wǎng)是當今最重要的收集、共享和發(fā)布信息的媒介。隨著高校信息化的發(fā)展，基于網(wǎng)絡的信息技術迅速成功地應用于高等教育領域。如今國內(nèi)外眾多高校提供的在線課程就是最好的例證，它為師生提供了一種有效的網(wǎng)絡教育環(huán)境。更值得一提的是，在線的學習管理系統(tǒng)(Learning Management System， LMS)在國內(nèi)外有了飛速發(fā)展和普及。

學習管理系統(tǒng)擁有支持教學的資料和工具，它集課程設計、學生管理、學習管理、主題討論、問卷投票、在線考試、教學評價等于一體，還包括會議系統(tǒng)、學生社區(qū)以及其他工具，還能用于對學習效果和學習進度進行評估。

2 數(shù)據(jù)挖掘技術的利用

高校逐漸普及了學習管理系統(tǒng)，然而僅僅利用這些系統(tǒng)的表面功能，無法讓教師在網(wǎng)絡教學過程中及時、徹底、準確地了解學生們的學習活動及其動態(tài)進展情況，并評估課程內(nèi)容結(jié)構和教學效果，更無法將其潛力挖掘出來。雖然有些系統(tǒng)提供了一些基礎的統(tǒng)計匯總功能，比如常被訪問的頁面、最喜愛的交流方法等，但這些信息是不夠用來分析學生的學習行為和學習進展的。

在網(wǎng)絡學習環(huán)境中，近距離師生關系的缺失是問題的關鍵所在。這種關系的缺乏導致教師無法直接監(jiān)督學生，學生不能以一種自然而然的方式來表達他們所面臨的問題。換句話說，教師需要獲得更多的潛在信息和知識來輔助他們進行指導和決策，學生則需要得到及時指導。為此，借鑒商業(yè)領域的成功應用，高校需要向現(xiàn)代教育技術中引入數(shù)據(jù)挖掘技術來改進基于網(wǎng)絡的學習環(huán)境。

數(shù)據(jù)挖掘(Data Mining)[7]是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數(shù)據(jù)中，抽取出潛在的、有價值的知識、模型或規(guī)則的過程。同樣，它也能從教育數(shù)據(jù)的汪洋中發(fā)現(xiàn)被忽視的規(guī)律和模式，從而更好地支持和指導教學工作。

經(jīng)過長時間的積累，任何一個信息系統(tǒng)中都蘊含著大量數(shù)據(jù)，學習管理系統(tǒng)也是一樣。眾多的學生和教師在使用系統(tǒng)過程中，都會產(chǎn)生兩個不斷發(fā)展和更新的數(shù)據(jù)集，其中包括師生們使用的在線課程資源，以及師生在使用這些資源的過程中所留下的“足跡”。本文正是將探索利用數(shù)據(jù)挖掘技術從這兩個數(shù)據(jù)集中抽取出潛在、有價值的知識、模型或規(guī)則，從而為在線學習環(huán)境提供支持。

二 學習管理系統(tǒng)的發(fā)展

1 LMS的廣泛使用

對于高校來說，正因為學習管理系統(tǒng)會給教學帶來諸多好處，所以目前很多高校都已購買商業(yè)軟件、使用開源系統(tǒng)，或是自主開發(fā)學習管理系統(tǒng)。

據(jù)美國Campus Computing Project的2008年調(diào)查[8]發(fā)現(xiàn)，超過70%的美國高等教育機構使用了校園范圍內(nèi)的LMS。2007年數(shù)據(jù)顯示，超過39萬名美國學生(高于20%的美國高校學生)在2007秋季學期就注冊了至少一個在線課程[9]。更重要的是，更多的教師利用LMS來對傳統(tǒng)課程進行支持，形成了混合的課程教學方式。例如，超過4500名學生在2008年注冊了不列顛哥倫比亞大學提供的109門在線課程。數(shù)據(jù)顯示LMS已經(jīng)在許多高校中獲得了廣泛應用。同樣在2008年，超過22.5萬名學生注冊登錄了由超過3800位教師教授的3169個不同LMS支持的課程。

2 商業(yè)與開源LMS的角逐

據(jù)美國Campus Computing Project的2009年調(diào)查[10]發(fā)現(xiàn):從2000年到2009年，在美國的5類大學中，使用學習管理系統(tǒng)的課程數(shù)呈逐年上升趨勢，并且平均普及率從2000年的15%上升到了2009年的55%左右。其中，商業(yè)的學習管理系統(tǒng)目前占據(jù)絕大部分的高校市場，世界上最著名的Blackboard和WebCT公司已于2005年10月合并，成為全球最大的LMS提供商。隨著全世界對于開源(Open Source)這一概念逐漸產(chǎn)生共鳴，開源的學習管理系統(tǒng)也如雨后春筍般出現(xiàn)，其中較有名的主要有Moodle、Claroline、Sakai、OLAT等。同時，還有一些高校針對自身情況，選擇自主開發(fā)學習管理系統(tǒng)。美國EDUCAUSE公司的一項調(diào)查[11]結(jié)果顯示，目前正在使用課程管理系統(tǒng)的美國高校中，約有12%的院校所使用的軟件屬于自主開發(fā)或是與其他院校合作開發(fā)，其中“具有博士授予權的大學”比例最高達到14.9%。

值得一提的是，Campus Computing Project的2008年調(diào)查[8]顯示，商業(yè)化的代表Blackboard在高校中的占有率已從2007年的66.3%下降到2008年的56.8%，以Moodle、Saiki等開源學習管理系統(tǒng)為校園標準的高校則從2006年的7.2%上升到2007年10.3%。此外，在2008年的調(diào)查中，在被問及在未來5年內(nèi)(即在2013年之前)，是否會將原有體系遷移到開源的系統(tǒng)上時，約四分之一(24.4%)的被調(diào)查者表示他們會遷移到開源的學習管理系統(tǒng)上，約六分之一(15.3%)表示會遷移到開源的內(nèi)容管理系統(tǒng)上，還有一小部分表示會遷移到開源的ePortfolio管理系統(tǒng)(12.9%)和ERP系統(tǒng)(少于5%)上。

3 在線考試模塊的嵌入

大部分學習管理系統(tǒng)都配備了在線考試(Web-based Examination)模塊，在線考試、測驗在學生使用學習管理系統(tǒng)的過程中起著十分重要的作用。比如，BlackBoard和Moodle等學習管理系統(tǒng)中的在線考試模塊都具備了生成試題庫、隨機組卷、各種題型的選擇、考試限時、考試評分等基本功能，同時還有許多考試系統(tǒng)在自適應考試、主觀題評分等技術上有了新的進展。

通過在線考試模塊的數(shù)據(jù)，學習管理系統(tǒng)才能獲得學生學習情況的總結(jié)性結(jié)果，為其他教學分析提供學習效果指標。Campbell等[12]對學生的在線考試成績和在線活動數(shù)據(jù)進行了回歸分析，并且發(fā)現(xiàn)美國學生的學術能力評估考試(SAT)分數(shù)能夠溫和地預測學生未來的成功，而且如果加入了學習管理系統(tǒng)登錄次數(shù)這一變量，則該模型的預測能力將會翻三倍。他們還通過數(shù)據(jù)表明，學生以中等偏低的在線考試分數(shù)進入一個課程，能夠通過努力(用LMS登錄次數(shù)表示)取得成功(用期末在線考試的成績表示)。

4 監(jiān)控學習進展的挑戰(zhàn)

有了先進的學習管理系統(tǒng)，高校仍然面臨著許多問題。在網(wǎng)絡教育環(huán)境下，教師如何有效地跟蹤學生的學習進展情況，以及如何對新執(zhí)行的教學策略的影響進行有意義的評估已經(jīng)成為一項挑戰(zhàn)。和全世界一樣，中國的教師常常會給學生布置作業(yè)，并通過這種傳統(tǒng)的總結(jié)性方法來評估學生的學習情況。這種方法為教師和學生提供了必要的反饋，但這通常需要課程進展到一定階段時才能獲得反饋信息。因此，這種方法起不到太大作用，教師能采取的指導措施也很有限。此外，總結(jié)性評估方式只能在較低程度上對學生的學習方式、學習氛圍的發(fā)展、學生之間的接觸、溝通、交流和合作的實際程度給予最低的洞察力[13]。更令人焦慮的是，隨著班級人數(shù)的上升，缺勤、被孤立或者無法充分參與到合作完成的課程作業(yè)中來的學生將會逐漸被忽視，而且教師們往往只關注得到那些積極參與的學生。

教師在網(wǎng)絡教育環(huán)境中急需新的方法來快速識別高危學生，并且設計學習策略來指導他們的學習。基于初步的調(diào)研發(fā)現(xiàn)，Wang等[14]認為可以從BlackBoard和Desire 2 Learn等學習管理系統(tǒng)中找到學生在線活動的數(shù)據(jù)與學習期末成績之間的映射關系。延續(xù)前人的觀點，Campbell等[6][16]建議，該高校和教師能從LMS數(shù)據(jù)中挖掘出有益的知識和模式，以便開發(fā)“預警”報告工具，反映高危學生情況，并且讓教師及時形成指導策略。

5 社會網(wǎng)絡的注重

近年來，教育工作者已經(jīng)越來越認識到遵循社會構建(Socio-Constructivist)的原則來進行學習設計的教育收益所在。社會構建的教育方法強調(diào)以學生為中心來進行教學設計，加強對學習的社會本質(zhì)的認識，要求學生主動地和同學、學習資料和教師進行交互[17]。開發(fā)和支持學習社區(qū)來促進學生的學習已經(jīng)成為教師的共同目標。為了進一步支持社區(qū)中心的做法，眾多學者描述了信息和通信技術能力，以促進學生之間的通訊和接觸，從而促進社會網(wǎng)絡和社會意識(Sense of Community)的發(fā)展[18]。

與此同時，新的方法正不斷涌現(xiàn)，它使教師按照學生社區(qū)、互動和參與等指標來評估設計的教學活動的學習影響。Dawson等[19][20][21]指出，LMS跟蹤變量表明學生通信交流行為是社會意識的重要指標。然而，到目前為止，很少有研究表明如何將學生在線交流行為和社會意識映射到學生最終的學業(yè)成功上。

6 跟蹤變量的數(shù)據(jù)積累和數(shù)據(jù)挖掘的可行性

LMS捕捉和儲存了大量、復雜的學生活動和交互的數(shù)據(jù)，使數(shù)據(jù)挖掘成為可能。學生跟蹤變量包括了學生訪問LMS的上線時間和連接持續(xù)時間、LMS工具的使用情況、信息的閱讀和發(fā)布情況、內(nèi)容頁面訪問等數(shù)據(jù)的測量。這些數(shù)據(jù)能被實時捕獲到，而且可以在課程進展的任何階段開采。LMS對這些數(shù)據(jù)的收集不是侵入式的，也不需要教師的干預。重要的是，盡管這些數(shù)據(jù)通過其他方式難以理解，但可以代表學習行為的某些方面:學習模式以及學生接觸、溝通、參與網(wǎng)絡學習的程度和方式[21]。

Campbell等[22]指出對從各種信息系統(tǒng)中獲取的數(shù)據(jù)進行分析的方法可以用到高校教學的決策過程中來。然而，到目前為止研究人員只能通過緩慢的人工方式獲取、分析、可視化、解釋這些數(shù)據(jù)，并且當前的LMS提供非常有限的數(shù)據(jù)報告功能[23]。而且，對于哪些獲取的跟蹤變量有教學意義，哪些可用的數(shù)據(jù)能夠象征學生參與有目的教學活動，并且有助于他們提高在課程中的學習和收獲，目前的研究還很少，而且沒有任何可以提供給教師的指南。數(shù)據(jù)挖掘長期以來一直在商業(yè)領域成功地應用，到目前為止在學術領域還沒體現(xiàn)出較大的興趣[15]。

7 學術分析的出現(xiàn)

通過數(shù)據(jù)挖掘技術在教育技術領域的努力探索，學術分析(Academic Analytics)[24]這個概念出現(xiàn)了，它涉及教育數(shù)據(jù)庫中大量數(shù)據(jù)的提取和各種統(tǒng)計技術的應用，以確定模式及相關性。學術分析帶來了對數(shù)據(jù)獲取選擇和組織、儲存和匯報等過程。更重要的是，這個分析方法能用統(tǒng)計技術和預測模型來整理合并數(shù)據(jù)，為高校面臨的挑戰(zhàn)提供報告和輔助決策。Campbell等[6][24]認為對LMS的數(shù)據(jù)進行學術分析應用，能夠識別高危的學生，評估課程的效果，還能對學生的成功提供全新的見解。

目前，各高校的LMS已經(jīng)儲存了海量的多樣性數(shù)據(jù)。因此，高校可以充分利用學術分析從中挖掘出潛在的有價值的知識，以識別一系列與學術相關的關鍵活動，為從戰(zhàn)略決策到教學實踐的實施提供參考。這個挑戰(zhàn)對于高校來說，不再僅僅是產(chǎn)生和獲取數(shù)據(jù)，還要能輕松、準確地解釋數(shù)據(jù)，并將發(fā)現(xiàn)的知識、模式或規(guī)律付諸實踐。

盡管在這些系統(tǒng)中記錄和獲取的數(shù)據(jù)量非常龐大，但目前只出現(xiàn)了很少的研究人員探索了如何讓學術分析適合教學實踐的設計、交付和評價[15]。同樣，只有為數(shù)不多的幾個例子顯示了學術分析在高校的成功應用，從而提高了教學和學習質(zhì)量。

三 數(shù)據(jù)挖掘的應用

數(shù)據(jù)挖掘在學習管理系統(tǒng)中的應用方法和步驟和數(shù)據(jù)挖掘在其他領域的應用類似，如圖1所示，所不同的是主要是針對的數(shù)據(jù)源不同。

沿襲前人的研究成果，一些高校實踐了數(shù)據(jù)挖掘的方法，對學生在線學習、交流、討論所產(chǎn)生的數(shù)據(jù)結(jié)合在考試數(shù)據(jù)進行數(shù)據(jù)挖掘，發(fā)現(xiàn)了潛在的規(guī)律和模式，在教學中幫助教師及早地預測出學習情況不佳的學生，從而實施及時的教學支持和指導。

1 初步探索

從學習管理系統(tǒng)中獲得數(shù)據(jù)源后，可以對數(shù)據(jù)進行初步探索。初步探索有助于用戶更好地了解數(shù)據(jù)的性質(zhì)，從而為隨后的數(shù)據(jù)預處理以及挖掘分析奠定基礎。

在澳大利亞的昆士蘭大學，Dawson等[21]從BlackBoard學習管理系統(tǒng)中抽取的數(shù)據(jù)揭示了在這門課程中工具類型的使用情況。在他們的研究中，占主導地位的工具是論壇，它占據(jù)了網(wǎng)絡環(huán)境中所有交互的80%;另外，學生和教師第二個最常用的工具是內(nèi)容頁面的瀏覽，如圖2所示。在課程剛開始的幾個星期里，公告和作業(yè)等其他LMS工具也在被使用，但是使用程度比較論壇的討論和內(nèi)容頁面的瀏覽低很多。對LMS數(shù)據(jù)的初步探索可以匯總為一個重要結(jié)果，在整個網(wǎng)絡課程學習過程中，為教師提供給了有關LMS的使用情況。例如，根據(jù)匯總互動記錄的數(shù)量，論壇討論在本研究中被確定為主要工具，而諸如在線測驗評估、維客、博客等工具則被學生很少利用。但是，這并不是說這些工具還沒有被納入個人學習和教學實踐中，而是很多學生可能使用了其他外部平臺來代替。

在西班牙的坎塔布里亞大學，Zorrilla等[25]對WebCT學習管理系統(tǒng)進行聯(lián)機分析處理(On-Line Analytical Processing， OLAP)，以便了解學習管理系統(tǒng)的使用情況、課程結(jié)構設計得怎樣，如以及學生在線學習行為如何隨著時間變化。圖3顯示了學生使用學習管理系統(tǒng)的訪問次數(shù)、訪問平均時間和網(wǎng)頁瀏覽頁數(shù)。其中，左圖顯示了某學期所有課程的情況，右圖則選擇了精心設計的課程的情況。

從圖3(a)中可以發(fā)現(xiàn)，在一門課程初期，學生們傾向于探索許多不同的系統(tǒng)功能(每次訪問更多的頁面)。然而，隨著時間的推移，他們會越來越集中于某種功能。

從圖3(b)中可以觀察到，本學期學生的平均在線時間是很低的，不到15分鐘，介于20到30分鐘之間。這表明大部分課程設計成了內(nèi)容庫(例如，教師設計了鏈接到了PDF文件的許多網(wǎng)頁)。因此，學生只需要連接到系統(tǒng)下載這些文件;另一方面，可能表明學生不經(jīng)常使用協(xié)同的互動工具(如聊天室)，因為它們需要長時間的在線時間。

2 分類

美國的密歇根州立大學使用了LON-CAPA學習管理系統(tǒng)中的跟蹤數(shù)據(jù)對學生進行了分類，并對學生最終的在線考試成績進行預測[26]。該項目用遺傳算法和其它算法來實現(xiàn)分類，對LON-CAPA中的歷史數(shù)據(jù)訓練出分類模型，來對某課程的新學生的在線學習情況的測試數(shù)據(jù)進行分類，其中遺傳算法表現(xiàn)出了最好的分類效果，如圖4所示。

3 預測

加拿大英屬哥倫比亞大學的Macfadyen等[28]在BlackBoard學習管理系統(tǒng)中用散點圖展示了一些LMS跟蹤變量和最終在線考試成績呈現(xiàn)正相關的趨勢。散點圖是一個用來很好地識別調(diào)查的變量之間潛在的相關趨勢的初始方法。圖5為一個代表性的散點圖，顯示了挑選出的LMS跟蹤變量和最終在線考試成績之間的相關趨勢。前人研究[22][27]表明，LMS跟蹤變量和學習成績之間存在著顯著的相關性。

為了進一步考察課程中選定的變量作為學生成績指標的重要性，Macfadyen對每個變量和最終在線考試成績之間做了一個簡單的相關分析[28]。Macfadyen對22個變量進行了考察，其中的13個標量表現(xiàn)出了和最終學生成績之間的正向的和統(tǒng)計上顯著的相關性(P<0.05)。在LMS變量的重要子集中，其中的7個顯示出了中等偏大的影響大小，并且變量解釋了學生最終成績的差異的9%至27%;其余6個變量具有中等偏小的影響力，并且變量解釋了學生最終成績的差異的5%至9%。正如先前Morris等所強調(diào)的[27]，積極參與交流和討論的學生比交互少的學生更容易成功地完成課程學習。

4 論壇網(wǎng)絡分析

Macfadyen[28]從論壇討論數(shù)據(jù)中探索性地提取和分析，以一種簡單的可解釋的圖來代表社會網(wǎng)絡能給給教育工作者帶來價值。網(wǎng)絡的可視化提供了更容易識別學生的方法，教師能確認在學習網(wǎng)絡中處于外圍的或缺席狀態(tài)的學生，如圖6所示。社會關系網(wǎng)絡圖中的每個節(jié)點代表在本課程中參與論壇討論一個學生或教師，節(jié)點的大小代表“中心性”——由每個用戶所完成的直接連接的數(shù)量。雖然學生的名字沒有在網(wǎng)絡中顯示，但是這個社會關系網(wǎng)絡圖清楚地表明群體內(nèi)接觸的總體程度，以及每個學生的接觸程度。

此外，這種分析和網(wǎng)絡可視化的模式提供給了當今教師一個機會，利用這個機會他們可以調(diào)整適應教學方法，以滿足學生群體的不斷變化的學習動態(tài)。例如，圖6還說明了在這個學習網(wǎng)絡中教師的中心位置。如果理想的教學結(jié)果是產(chǎn)生以學生自己為主導的學習社區(qū)，這些信息將建議教師可能需要在戰(zhàn)略上調(diào)整他們的活動或指導，來創(chuàng)造更多的學生與學生的交流關系(雖然理想的學生之間通過其他方式來完成互動也是可行的)。網(wǎng)絡可視化的產(chǎn)生因此為教師提供了關于他們在形成的學習網(wǎng)絡中的位置，讓他們評估自己在網(wǎng)絡行為中的活動的影響，以及學習網(wǎng)絡是否朝著他們預期的教學成果的方向發(fā)展。

四 結(jié)論

從本文的調(diào)研結(jié)果不難看出，伴隨全球教育領域的不斷變革，學習管理系統(tǒng)也開始在全球高等教育機構的環(huán)境中飛速發(fā)展，在發(fā)展過程中遇到了挑戰(zhàn)的同時，也為數(shù)據(jù)挖掘的應用開辟了另一片新天地，甚至出現(xiàn)利用“學術分析”這一新概念來預示數(shù)據(jù)挖掘?qū)⒃诮逃夹g領域的成功應用。本文調(diào)研了數(shù)據(jù)挖掘在學習管理系統(tǒng)中的成功應用案例，并強調(diào)學生在線學習的行為模式與學生參與情況對在線考試的最終考核成績之間的映射具有代表性。通過對學生在線學習情況的歷史數(shù)據(jù)進行挖掘和可視化，預測其未來概況，為“高危”的學生建立早期預警“指示器”，及時為教師提供早期指導學生的機會。教師通過及時地再指導，實時調(diào)整在線教學資源，就能促進學生良好在線學習行為的形成，進而取得好成績。

顯然，高等教育機構將會更多地采用在線教學方式，這是未來發(fā)展趨勢，并且數(shù)據(jù)挖掘技術將會起重要作用。因此，高校要讓教師擁有更多的機會來監(jiān)督學生在線學習時對課程內(nèi)容資料的利用、對課程活動的參與以及同學之間的互動情況。對相關數(shù)據(jù)的分析是與學生參與的學習活動評估直接相關的，有關學生如何以及何時參與活動，什么活動能促進學生參與等問題，都可以通過監(jiān)督和分析學生的在線行為來解答。盡管對一些研究結(jié)果的還需要更科學的解釋，但這些分析結(jié)果對傳統(tǒng)教育來說提供了新的見解。

參考文獻

[1]Twigg， Carol A. The changing definition of learning[J]. Educom Review， 1994， 29(4): 23-25.

[2]OECD. Education at a Glance 2008: OECD Indicators[EB/OL].Paris:Directorate for Education， Organisation for Economic Co-operation and Development.

[3]Chickering， Arthur W， Gamson， Z. Seven principles for good practice in undergraduate education[J]. AAHE Bulletin， 1987， 39(7): 3–7.

[4]Smith B.， MacGregor J， Matthews R， Gabelnick F. Learning communities: Reforming undergraduate education[M]. San Francisco: Jossey-Bass， 2004.

[5]Mavondo F， Zaman M， Abubakar B. Student satisfaction with tertiary institution and recommending it to prospective students[A]. Proceedings of the Conference of ANZMAC， Gold Coast， 2000.

[6]Campbell J， Oblinger D. Academic analytics[EB/OL]. Washington，DC:EDUCAUSE Center for Applied Research.

[7]Han J， Kamber M. Data Mining: Concepts and Techniques[M]. 2nd ed. Morgan Kaufmann， 2006.

[8]Campus Computing. The 2008 Campus computing survey[EB/OL]. Encino， CA: The campus computing project.

[9]Allen I， Seaman J. Staying the course[EB/OL]. Online education in the United States， 2008. Newburyport， MA: The Sloan Consortium.

[10]Campus Computing. The 2009 Campus computing survey[EB/OL].Encino，CA:The campus computing project.

[11]Hawkins L， Rudy J， Nicolich R， Core Data Service survey: Fiscal Year 2004 Summary Report[EB/OL].

[12]Campbell J， Finnegan C， Collins B. Academic analytics: Using the CMS as an early warning system[A].WebCT impact conference，2006.

[13]Coates H. The value of student engagement for higher education quality[J]. Quality in Higher Education， 2005， 11(1): 25–36.

[14]Wang A， Newlin M. Predictors of performance in the virtual classroom: Identifying and helping at-risk cyber-students[J].The Journal of Higher Education. Academic Matters， 2002， 29(10): 21–25.

[15]Goldstein P， Katz R. Academic analytics: The uses of management information and technology in higher education[EB/OL]. Washington， DC: EDUCAUSE Center for Applied Research.

[16]Yanosky R， Harris M， Zastrocky M. Top technology priorities for higher-education e-learning[EB/OL]. Stamford， CT: Gartner Research Group.

[17]Laufgraben L， Shapiro N. Sustaining and improving learning communities[M]. San Francisco: Jossey-Bass， 2004.

[18]Brook C， Oliver R. Online learning communities: Investigating a design framework[J]. Australian Journal of Educational Technology， 2003， 19(2): 139–160.

[19]Dawson S， Burnett B， O’Donohue M. Learning communities: An untapped sustainable competitive advantage for higher education[J]. The International Journal of Educational Management， 2006， 20(2): 127–139.

[20]Dawson S. A study of the relationship between student communication interaction and sense of community[J]. The Internet and Higher Education， 2006，(9): 153–162.

[21]Dawson S，McWilliam E，Tan J.Teaching Smarter:How mining ICT data can inform and improve learning and teaching practice[A].ASCILITE 2008，Melbourne.Australia， 2008.

[22]Campbell J. Utilizing student data within the course management system to determine undergraduate student academic success: An exploratory study[D]. Indiana: Purdue University， 2007.

[23]Mazza R， Dimitrova V. CourseVis: A graphical student monitoring tool for supporting instructors in web-based distance courses[J]. International Journal of Human Computer Studies， 2007， 65: 125–139.

[24]Campbell J， DeBlois P， Oblinger D. Academic analytics: A New Tool for a New Era[J]. EDUCAUSE Review， 2007， 42(4): 42–57.

[25]Zorrilla ME， Menasalvas E， Marin D， Mora E， Segovia J. Web usage mining project for improving web-based learning sites[J]. Computer Aided Systems Theory - EUROCAST 2005， 3643: 205-210.

[26]Minaei-Bidgoli B， Punch W. Using Genetic Algorithms for Data Mining Optimization in an Educational Web-based System[A]. GECCO 2003 Genetic and Evolutionary Computation Conference， 2003， 7: 2252-2263.

[27]Morris L， Finnegan C， Wu S. Tracking student behavior， persistence and achievement in online courses[J]. The Internet and Higher Education， 2005， 8: 221–231.

[28]Macfadyen L， Dawson S. Mining LMS data to develop an “early warning system” for educators: A proof of concept[J]. Computers Education. 2010， 54(2): 588-599.