深度學習技術在教育大數據挖掘領域的應用分析

陳德鑫 占袁圓 楊兵

[摘? ?要] 隨著全球人工智能與教育大數據峰會的召開，多國學者探討了教育變革的新趨勢，印證了技術與教育深度融合會帶來更多的機遇和挑戰。其中，深度學習作為AI領域的熱點問題，將成為教育發展的關鍵。文章通過對相關研究進行篩選統計研究，辨析不同領域深度學習的概念并簡要分析典型的深度學習模型及其應用領域;以教育大數據挖掘的特點為基礎，總結基于深度學習的教育大數據挖掘目的和流程;系統探討深度學習在教育大數據挖掘領域的四個應用研究方向和主要應用機構;最后，明確了教育大數據挖掘領域引入深度學習的重要意義，同時，針對教育大數據挖掘所服務的對象和需要解決的問題，提出了深度學習技術在教育大數據挖掘領域進一步發展的意見。

[關鍵詞] 深度學習; 教育大數據; 學習追蹤; 教學輔助; 學習行為

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 陳德鑫（1989—），女，湖北武漢人。講師，博士，主要從事人工智能、教育大數據挖掘、情景感知計算研究。E-mail：202chendexin@163.com。

一、引? ?言

《中國基礎教育大數據發展藍皮書（2016—2017）》認為，教育大數據挖掘是實現智慧教學的主要手段。教育大數據挖掘是指運用相關大數據挖掘方法和技術對教育過程中產生的海量數據進行處理、分析和建模，發現并解決教育過程中的問題，提高教育質量[1-3]。隨著教育大數據挖掘研究的迅速發展以及相關學術會議、文獻期刊的增加，教育大數據挖掘的方法層出不窮。但傳統的數據挖掘方法存在的缺點仍有待解決，例如：樸素貝葉斯算法對數據輸入的表達形式很敏感;決策樹算法會忽視數據集之間的相關性，這些缺陷容易造成結果的偏差，影響教育大數據挖掘的準確性。

研究者在教育領域中嘗試各種數據挖掘技術，期望能夠發現更適用于精準捕捉教育數據特征的技術。2017年的新媒體聯盟《地平線報告》中，來自世界各國的專家經過探討都一致認為，深度學習算法會對教育改革產生重大影響[4]。將深度學習技術應用到教育大數據挖掘領域，能更好地描述教育數據的內在信息，幫助教育研究者發現教育問題的關鍵。國外學者對于深度學習技術在教育大數據挖掘領域應用的研究起步較早，Okoli和Schabram在2010年調查教育數據挖掘中使用深度學習技術情況的研究時，已經確定了深度學習技術可以幫助解決教育任務和教育數據挖掘中的研究問題[5]。國內的研究起步則相對較晚，與教育數據挖掘相關的研究成果都主要致力于教育方面而非技術層面，關于深度學習技術在教育大數據挖掘領域的研究較少。本文通過闡述當前深度學習技術在教育大數據挖掘領域的應用情況，希望能為后續相關研究提供參考。

二、深度學習技術簡介

近年來，深度學習技術越來越廣泛地應用到實際問題中，其價值得到了不同領域研究者的認可。但人工智能領域和教育領域對深度學習的定義有差異，本文首先探討人工智能領域和教育領域中深度學習概念的關系，并簡要分析數據挖掘中即人工智能領域典型的深度學習模型及其主要應用。

（一）深度學習的概念

深度學習（Deep Learning）作為機器學習算法中的一項新技術，于2006年被多倫多大學的Hinton教授提出[6]。深度學習的出現打破了神經網絡發展的瓶頸，引起了學術界的重視。深度學習神經網絡是包括輸入層、隱藏層和輸出層的多層網絡，它可以通過這種多層的神經網絡結構實現復雜函數的逼近。深度學習具備擬合任何復雜函數的特點，不同的神經網絡模型可以對不同類型的數據進行特征提取，使得深度學習神經網絡對輸入數據有更強的識別能力。并且深度學習可以在隱藏層中存儲長期狀態，這樣可以保存數據間的聯系。深度學習算法與其他的數據挖掘方法相比較，更具有靈活性和準確性，它可以彌補許多數據挖掘方法的缺點，其在語音識別、圖像識別、情感分析、學習預測、自然語言處理等多個領域發揮了重大作用。

除了人工智能（Artificial Intelligence，AI）領域中的深度學習，在教育領域中也有深度學習的概念。1956年，布魯姆提出了“認知有維度層次之分”的觀點[7]。1976年，針對淺層次的學習，美國學者Marton和S？覿lj？觟首次提出了關于高層次認知方面的深度學習概念[8]。這里的深度學習是指對知識的深層次了解，使學習者開拓思維并注重學習者自身的思維養成。深度學習在教育領域受到了教育者的高度重視，每一個學習者通過深度學習都能在理解的基礎上更好地整合處理信息和學以致用，最終發散所學知識并提出更有創造性的觀點。

圖1? ?AI領域和教育領域中深度學習概念的關系

在教育數據挖掘領域中，無論是技術層面還是教育思維層面的深度學習都有著十分重要的作用。二者的研究范圍都是信息和知識的提取，它們的主要區別在于研究方向的不同。人工智能領域機器學習和數據挖掘中的深度學習與教育領域中的深度學習的關系如圖1所示，前者側重于教育智能化的研究，后者則側重于學習者本身對知識的掌握和運用。通過深度學習技術驅動學習者對知識更深層次的掌握，是將深度學習引入教育數據挖掘領域的研究意義。本文側重于AI領域的深度學習技術在教育大數據挖掘中的應用分析，希望通過深度學習技術賦予教育大數據更多的價值。

（二）典型的深度學習模型

深度信念網絡（Deep Belief Networks，DBN）、卷積神經網絡（Convolutional Neural Network，CNN）、循環神經網絡（Recurrent Neural Network，RNN）和遞歸神經網絡（Recursive Neural Network，RNN）等是典型的、應用較為廣泛的深度學習模型。

深度信念網絡是由若干個受限玻爾茲曼機和一層前饋神經網絡組成，通過在各層之間進行逐層訓練，最終使輸出神經元最大近似于輸入信號的分布[6]。卷積神經網絡是一種深度前饋神經網絡，它由卷積層和池化層組成，其基本結構分為特征提取層和特征映射層兩層[9]。CNN將原始信號作為輸入進而減少了預處理的過程，其獨特的網絡結構（利用權值共享降低模型復雜度），使得卷積神經網絡得到了非常廣泛的應用。循環神經網絡的誕生是為了存儲輸入之間的聯系，以便模型更好地去理解事物。深度循環神經網絡由輸入層、多個堆疊的隱藏層以及輸出層組成，通過在隱藏層的輸入中加入權重矩陣的值來達到循環運算的目的[10]。長短時記憶網絡（Long Short Term Memory Networks，LSTM）是為了解決傳統循環神經網絡存在梯度爆炸和梯度消失的問題而提出的特殊RNN，其通過新增的狀態來保存對長期數據的記憶，解決了長期依賴的問題，成為廣泛使用的RNN模型之一[11]。遞歸神經網絡可以將信息循環傳遞，進而更好地處理語義理解等方面的問題并進行預測分析[12]。

隨著深度學習技術的發展，越來越多的深度學習模型被改進或結合在一起解決更加復雜的問題。典型的深度學習模型的特點及適用范圍見表1，利用神經網絡各模型的優點構建混合深度學習模型，更好地去處理問題是深度學習新的研究方向。

（三）深度學習技術的應用

深度學習技術在問題的提取以及大數據的自動化評估等方面具有非常良好的表現。隨著深度學習模型能力的逐漸強大，其對于數據的描述和解釋能夠更有層次化地展現出樣本特征。對于不同類型的數據，在當前一些領域中深度學習的應用見表2。由于在教育活動中產生的數據也可以按圖像、語音、文本這三個類型進行分類，而基于深度學習技術在處理這些類型數據時優越的表現力，可以將深度學習更好地應用于教育數據挖掘領域。

三、基于深度學習技術的教育大數據挖掘

基于深度學習技術的教育大數據挖掘主要包含教育大數據的輸入、基于深度學習模型的教育大數據處理以及教育大數據挖掘結果的輸出。其中，教育大數據挖掘的特點決定教育大數據挖掘的輸入，而教育大數據挖掘的目的決定教育大數據挖掘結果的輸出，所使用的深度學習模型則根據不同模型的適用范圍由輸入和輸出共同決定。

（一）教育大數據挖掘的特點

教育數據挖掘是在大數據背景下理解教育問題的一個新方向。20世紀后期，教育領域開始引進數據挖掘技術，但數據的來源較少（一般來自調查問卷和信息管理軟件），且算法較為簡單，因此，研究非常受限制。21世紀以來，隨著科技的發展，教育數據采集越來越方便，且來源也更加廣泛。依據獲得數據的場合，教育大數據的來源可以分為四個方面：一是教育管理中的檔案數據庫，其記錄了學校、教師以及學生的基本信息;二是教學活動過程中所產生的數據，如學生的考試成績以及教師的授課評價等;三是學生成長過程中的行為記錄，如學生的閱讀記錄、健身記錄、興趣愛好等;四是教育科研活動中的數據，如研究課題、研究意義、論文發表情況等。在數據挖掘方面，挖掘方法也由之前較為單一的統計分析轉變為利用可視化、聚類、預測、文本挖掘以及本文所探討的深度學習神經網絡等。

與傳統教育數據不同，教育大數據精準涵蓋了與教育相關的所有記錄，具有數據量大、類型繁多、連續性強、價值密度低等特點。在教育大數據中，很多數據不能直接等同于教育信息，為了更好地挖掘教育大數據的內涵，需要處理不同類型的數據。例如：校園的視頻監控、拍照搜題以及在線學習中識別學習者的情緒等，需要使用圖像信息識別技術;學生作業和考試分析、教育資源評價以及教師培訓、備課輔助等，需要使用文本數據分析技術;口語輔導軟件和學生演講的錄音識別需要使用語音數據分析技術。除此之外，一些更為復雜的高價值行為數據也可以劃分為圖像、語音、文本三類。鑒于深度學習在處理此三類數據時的優異表現和良好應用（見表2），為了更加精確和有效地發現教育問題的本質進而促進智能教育的發展，很多學者將深度學習技術引入教育大數據挖掘領域。

（二）基于深度學習技術的教育大數據挖掘的目的

教育大數據挖掘面向的對象有學習者、教師、教育管理者以及教育研究者。如圖2所示，基于深度學習的教育大數據挖掘擬通過分類、預測、回歸、關聯規則挖掘等方法，為學習者制定合理的學習方案并輔助其進行學習;為教師提供學生狀態的監測情況，便于教師及時對教案進行調整并給出相應的個性化指導;為教育管理者提供連續的海量數據，使他們能夠進行全面的分析，從而規避片面性的決定，進而為學生和教師提供更好的政策支持;為教育研究者預測教育發展趨勢，使研究追溯教育本質，為正確引領教育的發展方向給予更多科研成果支持。學習者、教師、教育管理者和教育研究者這四個群體都有其自身的變化過程，且不同群體之間相互關聯和影響，這些都是在教育大數據挖掘過程中表現出來的微觀層面的問題。同時，在宏觀層面上，教育大數據挖掘能夠解決傳統

教育面臨的資源不協調、發展不均衡的問題。基于深度學習技術的教育大數據挖掘以微觀和宏觀的教育問題的本質為導向，以期推動教育事業走向智能化。

（三）基于深度學習技術的教育大數據挖掘流程

教育大數據的特征之一是復雜多樣性，即它可以從各種教育環境里不同對象的活動中獲取。為了更好地從表征數據中提取有效、有價值的信息，基于深度學習技術的教育大數據挖掘的工作流程具體分為教育大數據獲取和預處理、深度學習模型對教育大數據的處理以及教育大數據挖掘應用三個層次（如圖3所示）。

在教育大數據獲取和預處理中，根據數據的特點，其采集和預處理的難度也在逐步增加。表現為量化結果的數據（如學生成績數據）通常使用二維表存儲，可直接進行調用;而復雜的非結構化數據（如學生行為數據）的采集方式則較為多樣化，如使用物聯網感知技術、視頻監控技術、智能錄播技術、在線學習與管理平臺技術等。針對教育大數據挖掘中不同服務對象的不同應用目的，需要將原始數據進行預處理。以數據生成和分類為目的，則需要使用有標注的教育數據進行有監督學習，即通過將教育數據分為訓練集和驗證集對模型進行調參優化以提高準確率。以聚類和異常檢測為目的，可以采用無監督學習自主識別模型規律，在大多數情況下也可以采用半監督學習，在降低成本的同時提高準確率。對教育大數據進行預處理后，需要對教育大數據集進行變量轉換作為深度學習模型的輸入，即將圖像數據、文本數據、語音數據轉化為輸入向量。圖像數據主要利用一些軟件和工具進行處理，如利用IMread函數把圖像轉化為矩陣向量，以此構成特征圖作為深度學習模型的輸入。文本數據可以利用TF詞頻方法、TF-IDF詞頻—逆文檔頻率、One-hot以及Word2vec等方法進行向量化，一般以一維向量的特征圖作為輸入。語音數據通過聲學特征提取，將每一幀波形變成一個多維的向量作為輸入。深度學習模型的輸出向量則以教育大數據挖掘的目的和服務的對象進行向量輸出轉化。圖3所示的深度學習處理過程為通用的深度神經網絡模型，在具體使用過程中應根據教育大數據挖掘的目的和服務對象進行深度學習模型選擇。

四、深度學習技術在教育大數據領域的應用進展

隨著深度學習技術在不同領域取得的巨大成功，近年國內外越來越多的學者基于教育大數據的特點和挖掘目的將深度學習技術應用到教育大數據挖掘領域。通過對相關文獻進行整理和分析，基于深度學習的教育大數據挖掘的主要應用研究方向涉及學生學習追蹤及表現預測、輔助教學、考試應用、學生行為和心理識別等;微軟、谷歌、科大訊飛、IBM、百度、哈工大訊飛聯合實驗室等主要機構已將相關研究產品化。

（一）深度學習技術在教育大數據挖掘領域的應用研究方向

本研究文獻檢索日期截至2018年6月30日，以深度學習、教育大數據、MOOC等為主要檢索主題詞，通過人工方式過濾掉教育領域關于高層次認知思維上深度學習（即教育領域中非技術支持的深度學習）的相關文章，共得到27篇文獻。其中，2015年5篇、2016年3篇、2017年14篇、2018年5篇，據此整理、分析出目前深度學習技術在教育大數據挖掘領域應用的四個主要研究方向。

1. 基于深度學習的學生學習追蹤及表現預測

實時了解學生學習狀態并對學生的發展做出合理的預測，這對改善教學狀況、提高教學質量有著十分重要的作用。由于影響學習狀況的因素十分復雜，傳統的建模方法不能很好地進行學習追蹤，而深度學習技術可以利用任何可向量化的學生數據作為輸入且不需要特別的注解和標記，這對于學生表現建模極具優勢，因此，最終對學生績效的預測也十分準確[22]。通過深度學習技術完成學生學習追蹤及表現預測，可以幫助教師與學生實現自動反饋，因此，可以在教與學兩方面進行同步改進。基于深度學習的學生學習追蹤及表現預測相關研究見表3。已有研究主要從兩個方面展開：一是對學生平時的表現情況進行數據建模來預測最終的學習表現，如Kim等的GritNet模型（基于雙向長短時記憶模型）在收到某個給定學生8周數據后，在幾個星期內提高學生畢業預測的準確性[23];Okubo等使用循環神經網絡挖掘教育系統中的日志數據預測學生最終成績，并通過實驗證明RNN對最終成績的早期預測是有效的[24];Wang等將嵌入的程序輸入到一個循環的神經網絡中，根據學生在完成一項練習時的連續快照分析他的學習能力，并在隨后的編程練習中預測學生的成果[25];Smith等構建了基于深度學習的示意圖模型，利用學生繪制軌跡的時間和拓撲特征來預測學生的繪畫動作[26];Piech等利用循環神經網絡對一系列知識跟蹤數據集建模，預測學生學習情況[27]。二是用學生在其他環境中的表現來推測學生的學習認知能力，如Min等基于深度學習提出一種新型評估框架，在一個基于游戲的學習環境中推斷學生的能力，對于準確評估學習者的計算思維有很大幫助[28]。

2. 基于深度學習的教學輔助工具

新時代的教學模式擺脫了傳統的板書課堂，像線上學習、多媒體輔助教學、智能輔導系統等新技術帶來了更加豐富的學習體驗。在基于深度學習的教學輔助工具的作用下，新時代的教學模式將得到進一步豐富和改進。表4列舉了深度學習技術下一些教學輔助工具的相關研究。近年來發展迅速的MOOC學習平臺，在深度學習技術的支持下有三個方面的研究：一是通過模型預測輟學率來判斷學生是否會退出課程，如Xing等利用深度學習算法構建輟學預測模型，進一步預測個體學生的輟學概率[29];Wang等基于卷積神經網絡和遞歸神經網絡的混合架構，提出了一種能夠自動提取原始MOOC數據特征的模型，得到了與特征工程方法預測相似的結果[30]。二是有關MOOC論壇中的問題交流，如Lin等基于卷積神經網絡對MOOC論壇中的討論主題進行分類[31];Wei等針對不同課程中存在的偏差，提出了一種基于卷積神經網絡模型和長短期記憶模型的、名為ConvL的遷移學習框架，以自動識別文本是否表達了困惑，并對帖子進行情感極性分類，確定其需求緊急程度來及時地解決學習者的困惑[32]。三是MOOC平臺根據學生的特點推送個性化的教學資源，如Tang等使用長短時記憶模型預測學生的學習趨勢，為MOOC中尋找指導的學生提供廣泛的建議[33];在另一篇文章中，Tang等通過長短時記憶模型和遞歸網絡模型，根據學生的點擊流活動預測學生行為，并在學習者陷入困難時向其提供資源[22]。除了MOOC平臺外，基于深度學習的教學輔助工具還以教學資源、科研論文、多媒體軟件、英語語音為挖掘對象，如寇媛媛通過卷積神經網絡模型表達教學資源的特征，實現精準高效的移動平臺教學資源推薦[34];Hassan等利用循環神經網絡發現論文的連續和潛在語義特征，使研究人員用少量的時間找到滿意的研究文獻[35];劉瑞梅通過深度學習識別學習者對多媒體畫面的情感傾向，用以指導多媒體軟件制作，最終給用戶帶來更好的學習體驗[36];陳嘉華基于深度學習進行英語語音識別和發音質量的研究，進而有效地幫助學生進行英語發音練習[37]。

3. 基于深度學習的考試應用

考試作為考查學生學習成果的重要手段，在應試教育中占有很高的地位，基于深度學習的考試應用使考試更加便捷和高效。表5總結了深度學習技術支撐下的三個方面的考試應用。一是作文自動批改，如陳珊珊結合卷積神經網絡模型和長短時記憶模型兩者的優點，設計并實現了作文自動評分系統，此系統在給出客觀評分的同時，能夠對相應的要點進行反饋，最終讓用戶更好地理解作文的優劣點[38];陳一樂通過卷積神經網絡模型得到篇章表示，從而用篇章向量來完成評分任務實驗[39];劉明楊利用深度學習中的受限玻爾茲曼機模型自動學習作文的特征，并將其應用到嶺回歸模型的訓練和測試中，最終完成作文分數預測[40]。二是數學自動閱卷，如李磊在數學主觀題自動閱卷中運用深度學習技術的理念，基于此設計的系統對于提高閱卷效率以及減輕教師繁復的工作量有較大的幫助[41];劉逸雪等提出的基于Bi-LSTM的數學主觀題自動閱卷方法，在客觀給出評分的同時提高教學效率[42]。三是以深度學習為基礎的智能命題考試建設，試卷命題需要涵蓋所學知識點且還需要考察學生的綜合能力，而基于深度學習的智能命題可以通過組建題庫來很好地解決這一問題[43]。

4. 基于深度學習的學習者心理和行為分析

關注學生的心理活動和行為表現能更好地引領其良好的自我意識和價值觀的形成。基于深度學習的學習者心理和行為分析能夠幫助教師和教育管理者及時了解學習者的心理和行為，高效地給予其相應的支持和幫助。基于深度學習的學習者心理和行為分析研究總結見表6。Xiao等人通過深度信念網絡分析微博上大學生發布的經歷文本，了解學生的身心發展和興趣愛好[44];廖鵬等人通過卷積神經網絡模型對學生課堂視頻中的目標特征進行提取，準確識別學生的課堂異常行為，能夠讓教師及時發現學生存在的問題[45];曾志通過深度置信網絡挖掘大五人格特質與人臉特征之間的關系，有效判斷學生的特質，進而幫助教師對學生的潛力進行挖掘[46]。

除了上述四個方面，基于深度學習的教育大數據挖掘還可以應用到中文人物關系挖掘[47]和歷史知識庫標注分類[48]等方面。隨著深度學習技術的日趨成熟和成功，其在教育大數據挖掘領域的研究內容和研究范圍將不斷擴展。

（二）深度學習技術在教育大數據挖掘領域的主要應用機構

以已有的理論研究為依托，一些機構通過與高校合作或是自主研發將深度學習相關的技術應用到教育大數據挖掘實踐中，主要的應用機構及其產品見表7。基于深度學習的教育大數據挖掘相關產品的研發主要集中在自然語言處理領域，即英語的聽說讀寫及翻譯;同時智能問答和搜索引擎等方面也是未來深度學習在教育大數據挖掘領域應用研究的重點方向。

五、總結與展望

在實現教育現代化、智能化的過程中，深度學習技術具有不可替代的重要地位。盡管深度學習技術能給教育大數據挖掘帶來諸多幫助，但仍存在以下四個方面的問題有待進一步研究：（1）教育大數據的質量。教育大數據的復雜性和多樣性使其作為數據集來訓練深度學習模型時存在很多問題，需要考慮數據的稀疏性、冗余性和缺失值。受限于現實條件，海量的教育數據無法做到在短時間內高質量的、全面的采集和處理，在分析過程中一些子目標的缺失也會造成錯誤的結果，所以提高教育大數據的質量是影響深度學習技術在教育大數據挖掘領域應用的關鍵。（2）深度學習技術的應用范圍。從現有的研究中可以看到，使用深度學習技術進行教育大數據挖掘的應用范圍還很局限，基于深度學習的教育大數據挖掘的結果多服務于學習者和教師，而關于教育管理者在教育決策等方面的研究幾乎沒有。（3）基于深度學習的教育大數據挖掘的應用的整體性。教育大數據挖掘的結果往往只被應用于一個問題或一個層面的群體，不能很好地從整體層面去看待、解決問題。如何對資源進行宏觀調控，把握好不同服務對象之間的相互影響，是解決教育均衡快速發展的前提。（4）深度學習模型結果的解釋。深度學習模型較難從外部理解其運作，然而教育問題的研究除了追求挖掘模型性能的優化，深度學習模型結果的教育解釋還需要深入探析。

由于國家對教育領域的發展十分重視，在未來，關于教育的需求一定是人們迫切關注的。我們已經見證了深度學習巨大的魅力，相信隨著深度學習技術的逐漸成熟，它在教育大數據挖掘領域的進一步發展能有效解決不足之處，可以在以下幾個方面做出努力：（1）產業專業化。培養一批掌握深度學習技術、懂得教育的人才，確定行業發展的重點方向，持續推進教育大數據挖掘的有序發展。（2）極致體驗。在學習分析與評測、在線與移動學習環境構建、虛擬與增強現實學習環境、教學知識可視化、教育智能體等教育信息科學與技術研究方向中，更多地去探索基于深度學習技術的教育大數據挖掘能帶來的幫助。（3）與教育管理者協同前進。一方面通過教育大數據挖掘的結果指導管理者進行精準化管理，另一方面通過教育管理者實現多方平臺合作，發揮各方面的優勢，同時，推進深度學習技術和教育應用兩方面的進步。相信未來在教育大數據挖掘領域，深度學習技術能為人們提供更多價值。

[參考文獻]

[1] 周慶，牟超，楊丹. 教育數據挖掘研究進展綜述[J]. 軟件學報，2015，26（11）：3026-3042.

[2] BAKER R S，INVENTADO P S. Educational data mining and learning analytics[M] //Learning analytics. New York：Springer，2014：61-75.

[3] 舒忠梅，徐曉東. 學習分析視域下的大學生滿意度教育數據挖掘及分析[J]. 電化教育研究，2014（5）：39-44.

[4] BECKER S A，CUMMINS M，DAVIS A，et al. NMC horizon report：2017 library edition[R]. Austin：The New Media Consortium，2017.

[5] OKOLI C，SCHABRAM K. A guide to conducting a systematic literature review of information systems research[J]. Ssrn electronic journal，2011，10：1-49.

[6] HINTON G E，OSINDERO S，TEH Y W. A fast learning algorithm for deep belief nets[J]. Neural computation，2006，18（7）：1527-1554.

[7] 布盧姆. 教育目標分類學[M]. 蔣小平，張琴美，羅晶晶，譯. 上海：華東師范大學出版社，1986.

[8] MARTON F，S？魧LJ？魻 R. On qualitative differences in learning：I—Outcome and process[J]. British journal of educational psychology， 1976，46（1）：4-11.

[9] LECUN Y，BOTTOU L，BENGIO Y，et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE， 1998，86（11）：2278-2324.

[10] KOUTNIK J，GREFF K，GOMEZ F，et al. A Clockwork RNN[J]. Computer science，2014：1863-1871.

[11] HOCHREITER S，SCHMIDHUBER J. Long short-term memory[J]. Neural computation，1997，9（8）：1735-1780.

[12] POLLACK J B. The induction of dynamical recognizers[M]//Connectionist approaches to language learning. Boston：Springer，1991： 123-148.

[13] KRIZHEVSKY A，SUTSKEVER I，Hinton G E. ImageNet classification with deep convolutional neural networks[C]// Proceedings of International Conference on Neural Information Processing Systems. New York：Curran Associates Inc. 2012：1097-1105.

[14] 周凱龍. 基于深度學習的圖像識別應用研究[D]. 北京：北京工業大學，2016.

[15] BADRI H，YAHIA H，DAOUDI K. Fast and accurate texture recognition with multilayer convolution and multifractal analysis[C]// Proceedings of European Conference on Computer Vision. Cham：Springer，2014：505-519.

[16] 周燕. 基于語音稀疏表示的謊言檢測研究[D]. 蘇州：蘇州大學，2017.

[17] 王冰倩. 基于深度學習的語音質量評價方法研究[D]. 大連：大連理工大學，2015.

[18] 李翔. 噪聲環境下基于深度學習的語音識別研究[D]. 武漢：武漢工程大學，2017.

[19] 吳嘉偉. 電子病歷實體關系抽取研究[D]. 哈爾濱：哈爾濱工業大學，2014.

[20] 梁軍，柴玉梅，原慧斌，等. 基于深度學習的微博情感分析[J]. 中文信息學報，2014，28（5）：155-161.

[21] 曹宇慧. 基于深度學習的文本情感分析研究[D]. 哈爾濱：哈爾濱工業大學，2016.

[22] TANG S，PETERSON J C，PARDOS Z A. Deep neural networks and how they apply to sequential education data[C]// Proceedings of the Third （2016） ACM Conference on Learning @ Scale. New York：ACM，2016：321-324.

[23] KIM B H， VIZITEI E， GANAPATHI V.GritNet： student performance prediction with deep learning[EB/OL]. （2018-04-19） [2018-06-15].https：//arxiv.org/pdf/1804.07405.pdf

[24] OKUBO F，YAMASHITA T，SHIMADA A，et al. A neural network approach for students' performance prediction[C]//Proceedings of the Seventh International Learning Analytics & Knowledge Conference. New York：ACM，2017： 598-599.

[25] WANG L，SY A，LIU L，et al.Deep knowledge tracing on programming exercises[C]//Proceedings of the Fourth（2017）ACM Conference on Learning@ Scale.New York：ACM，2017：201-204.

[26] SMITH A，MIN W，MOTT B W，et al. Diagrammatic student models：modeling student drawing performance with deep learning[C]//International Conference on User Modeling，Adaptation，and Personalization. Cham：Springer，2015：216-227.

[27] PIECH C，BASSEN J，HUANG J，et al. Deep knowledge tracing[J]. Computer science，2015，3（3）：19-23.

[28] MIN W，FRANKOSKY M H，MOTT B W，et al. DeepStealth：leveraging deep learning models for stealth assessment in game-based learning environments[C]//Proceedings of the International Conference on Artificial Intelligence in Education. Cham：Springer，2015： 277-286.

[29] XING W，DU D. Dropout Prediction in MOOCs：using deep learning for personalized intervention[J]. Journal of educational computing research，2018，3：55-62.

[30] WANG W，YU H，MIAO C. Deep model for dropout prediction in MOOCs[C]//Proceedings of the 2nd International Conference on Crowd Science and Engineering. New York：ACM，2017： 26-32.

[31] LIN F，LEI W，LIU S，et al. Classification of discussion threads in MOOC forums based on deep learning[C]// Proceedings of the 2017 2nd International Conference on Wireless Communication and Network Engineering（WCNE 2017）. Lancaster：DEStech Publications，2017：493-498.

[32] WEI X， LIN H，YANG L，et al. A convolution-lstm-based deep neural network for cross-domain MOOC forum post classification[J]. Information，2017，8（3）：1-16.

[33] TANG S，PETERSON J C，PARDOS Z A. Modelling student behavior using granular large scaleaction data from a MOOC[EB/OL]. （2016-08-16） [2018-06-16]. https：//arxiv.org/pdf/1608.04789.pdf

[34] 寇媛媛. 基于深度學習的在線教學推薦系統設計與研究[J]. 西安職業技術學院學報，2017（3）：11-14.

[35] HASSAN H A M. Personalized research paper recommendation using deep learning[C]// Proceedings of the 25th Conference on User Modeling，Adaptation and Personalization. New York：ACM，2017： 327-330.

[36] 劉瑞梅， 孟祥增. 基于深度學習的多媒體畫面情感分析[J]. 電化教育研究，2018，39（1）：68-74.

[37] 陳嘉華. 基于深度學習的英語語音識別與發音質量評價[D]. 廣州：廣東外語外貿大學，2015.

[38] 陳珊珊. 自動作文評分模型及方法研究[D]. 哈爾濱：哈爾濱工業大學，2017.

[39] 陳一樂. 基于回歸分析的中文作文自動評分技術研究[D]. 哈爾濱：哈爾濱工業大學，2016.

[40] 劉明楊. 高考作文自動評分關鍵技術研究[D]. 哈爾濱：哈爾濱工業大學，2015.

[41] 李磊. 基于機器學習的中小學數學自動閱卷系統研究與實現[D]. 桂林：廣西師范大學，2017.

[42] 劉逸雪，盧雨軒，丁亮，等. 基于 Bi-LSTM 的數學主觀題自動閱卷方法[J]. 管理觀察，2018 （2）：109-113.

[43] 汪張龍. 人工智能技術在考試中的應用[J]. 中國考試，2017（11）：30-36.

[44] YU X，YU H，TIAN X Y，et al. Recognition of college students from Weibo with deep neural networks[J]. International journal of machine learning and cybernetics，2017，8（5）：1447-1455.

[45] 廖鵬，劉宸銘，蘇航，等. 基于深度學習的學生課堂異常行為檢測與分析系統[J]. 電子世界，2018（8）：97-98.

[46] 曾志. 基于人臉特征與深度學習的學生人格特質分析[D]. 南昌：江西師范大學，2017.

[47] 黃蓓靜. 深度學習技術在中文人物關系抽取中的應用研究[D]. 上海：華東師范大學，2017.

[48] 李依塵. 面向自動問答的中學歷史知識庫構建[D]. 哈爾濱：哈爾濱工業大學，2017.