教育大数据分析：方法与探索-最新教育资料
教育调查数据分析诊断数据分析方法及应用
教育调查数据分析诊断数据分析方法及应用近年来，教育的重要性越来越受到社会的关注，而针对教育的调查数据分析成为了研究教育问题的重要手段之一。
调查数据分析的目的在于分析数据、挖掘数据背后的规律以及提出问题的解决方案。
教育调查数据分析在教育领域中的应用越来越多，本文将就教育调查数据分析中的诊断数据分析方法及应用进行探讨。
一、教育调查数据分析的三个步骤教育调查数据分析可以分成三个步骤。
第一步是数据的收集及处理。
在这一步骤中，我们需要设计问卷或者其他调查工具来收集数据。
同时，我们还需要将收集到的数据整理、格式化、清理，并将其导入到数据分析工具中。
第二步是对数据进行可视化和探索性分析。
在这一步骤中，我们需要对数据进行描述统计、绘图、探索性因子分析等统计分析方法，以便发现数据中的规律和潜在问题。
第三步是应用数据分析模型进行推断性分析。
在这一步骤中，我们需要运用各种分析模型，包括回归分析、相关分析、聚类分析等等，对数据进行分析挖掘，找到问题的根源并且制定相应解决方案。
二、数据诊断方法的介绍数据诊断是指在数据分析的过程中，通过各种方法对数据进行分析，以诊断数据本身是否可用、完整性以及存在问题的情况等问题。
常用的数据诊断方法包括对数据的描述统计分析、异常值检测、多变量分析、缺失值分析、数据清洗等。
1. 描述统计分析描述统计方法是数据分析中最常用的方法之一。
描述统计在数据挖掘中的作用是发现数据中的总体和群体特征。
在这一步骤中，我们可以计算各种统计量，比如均值、中位数、标准差等等，以便更好地理解数据的整体分布和变化情况。
2. 异常值检测异常值检测是指发现在数据中异常的值，这些值可能会对结果造成影响。
通过对数据进行异常值检测可以去除这些异常值，减少它们对实际结果造成的影响。
3. 多变量分析多变量分析是为了解决多种因素对数据变量影响的方法。
通过对数据进行多变量分析，可以探究数据之间的相关关系，并抽象出与实际问题相关联的变量。
教育与大数据如何利用数据分析提升教学效果
教育与大数据如何利用数据分析提升教学效果随着大数据时代的到来，教育领域也开始探索如何利用数据分析来提升教学效果。
数据分析作为一种科学的方法，可以帮助教育者了解学生行为、掌握学习状况，并据此制定相应的教育策略。
本文将从教育角度出发，探讨教育与大数据结合的优势，以及如何利用数据分析提升教学效果。
一、教育与大数据的结合带来的优势大数据技术的快速发展为教育带来了前所未有的机遇。
结合教育与大数据可以帮助教育界更好地理解学生的学习需求和习惯，促进教师和学生之间的个性化互动。
具体来说，教育与大数据的结合带来了以下几个优势：1.个性化学习指导：通过收集和分析学生的学习数据，教师可以根据不同学生的学习需求和特点，制定相应的学习指导方案，实现个性化教学。
2.课程改进与优化：通过分析学生的学习数据，教育机构可以了解到学生在学习过程中的弱点和瓶颈，从而优化教学内容和教学方法，提高教学质量。
3.学生行为管理：利用大数据分析技术，学校可以对学生的学习习惯、出勤情况和学习表现进行评估和分析，及时发现并解决学生的学习问题，提高学生综合素质。
4.教师专业发展：教育机构可以通过分析教师的教学数据，了解教师的教学状况和教学效果，提供有针对性的培训和支持，促进教师的专业发展。
二、数据分析在教学中的应用数据分析在教学中的应用可以从多个角度入手，以提高教学效果。
以下是其中几个重要的应用方向：1.学习行为分析：通过分析学生的学习数据，如学习时间、学习内容、学习进度等，可以了解学生的学习行为，对学生进行个性化的学习行为指导。
同时，还可以利用数据分析技术预测学生可能遇到的困难，并提前制定相应的解决方案。
2.学习成果评估：通过对学生学习数据的分析，可以评估学生的学习成果和掌握程度。
教师可以及时发现学生的学习问题，并针对性地进行辅导，提高学生的学习效果。
3.课程优化与创新：通过对学生学习数据和课程评价数据的分析，可以了解到不同教学内容和方法对学生的影响，从而对课程进行优化和创新，提高学生的学习积极性和参与度。
教育调查数据分析方法探讨
教育调查数据分析方法探讨教育调查是评估教育有效性和提高教学质量的重要手段。
而数据分析是解决问题的有效途径。
本文将探讨教育调查数据分析的方法，旨在为教育工作者提供指导和帮助。
一、数据收集数据收集是教育调查的首要任务。
在收集数据时，应该注意以下问题：1. 数据来源：数据的来源包括问卷、观察、实验、文献资料等。
选择合适的数据来源对于数据分析很关键。
2. 数据收集方式：数据收集方式包括现场调查、网络调查、电话调查等。
合理的数据收集方式可以减少数据误差。
3. 样本选择：样本的选择应该具有代表性，也需注意样本的大小，过小会导致结果不准确，过大则会造成浪费。
二、数据清洗数据清洗是将采集到的原始数据经过处理，去除无效数据，以及可能存在的异常数据。
在数据清洗过程中，需要注意以下问题：1. 缺失值处理：缺失值指在数据采集过程中未获得所期望值得数据。
常用方式有平均值、众数、插值等。
2. 数据异常值处理：异常值指数据中离其它值很远的值。
可以通过箱线图等方式对异常值进行筛选和剔除。
3. 数据一致性处理：由于数据来源不同，可能会存在不一致的情况。
需要对原始数据进行统一处理，保证数据一致性。
三、数据分析数据分析是利用统计学方法对数据进行分析和解释，得出统计数据、数字和可视化表达，以辅助做出决策。
下面介绍几种常用的数据分析方法：1. 描述性统计：描述性统计是一种重要的数据分析方法，它可以对数据基本特征进行描述。
包括平均数、中位数、众数、标准差、方差等。
2. 方差分析：方差分析是一种用于比较两个或多个样本差异性的方法，一般用于比较不同组之间的差异。
3. 相关性分析：通过相关系数来分析数据之间的相关性，包括正相关、负相关和无相关性。
常用的方法有斯皮尔曼相关系数和皮尔逊相关系数。
四、数据展示数据展示是将数据分析结果以图表等形式展示出来，更直观地表达数据分析的结果。
1. 条形图和饼图：用于表示分类数据的占比和在不同类别之间的比较情况。
教育调查数据分析技巧分享
教育调查数据分析技巧分享随着互联网的普及和信息化时代的到来，数据分析逐渐成为教育工作中必不可少的工具。
教育调查数据分析不仅可以反映出学生的学习状况，还能够为教师提供有针对性的教育策略和方案，促进教育教学改革。
本文将为大家分享一些教育调查数据分析的技巧和方法。
一、教育调查数据收集在进行教育调查数据分析之前，需要先进行数据收集。
数据收集的方式主要有两种，即定量和定性。
1、定量数据收集定量数据即为量化数据，采用量化方法进行收集，通常是一系列的统计数字，如学生的考试成绩、学习时长等。
可以通过教育问卷调查、测试和观察等方式进行收集。
2、定性数据收集定性数据即非量化数据，采用主观和质性的方法进行收集，如访谈、焦点小组讨论和开放式问卷等。
通过对问题进行深入的了解，可以获取更具体、更深入的信息。
二、教育调查数据分析方法教育调查数据分析的方法主要包括描述性分析、推论性分析和因果分析。
1、描述性分析描述性分析主要是对数据的数量和特点进行描述和总结。
通过对数据的统计指标进行分析，如平均数、中位数、众数、标准差等，来了解数据所呈现出的总体特征和趋势。
2、推论性分析推论性分析是通过对样本数据的推断，来提出总体的结论和预测。
通过对样本数据的分析，可以推广到总体，从而得出总体结论。
3、因果分析因果分析是通过研究因果关系，了解原因和结果之间的关系。
通过因果分析，可以提出相应的解决方案和措施，促进教育问题的解决。
三、教育调查数据分析工具教育调查数据分析的工具主要包括Excle、 SPSS、SAS等。
1、ExcleExcle是微软公司开发的一款编辑电子表格的软件。
它除了可以编写和编辑电子表格以外，还可以进行一些基本的数据分析和统计。
2、SPSSSPSS是由IBM公司开发的一款专业的统计分析软件，主要用于定量数据的统计分析。
它能够实现常用统计指标的计算、统计方差分析、回归分析、聚类分析等多种功能。
3、SASSAS是一种高级的数据处理和统计分析软件，可处理大规模、复杂的数据集和各种类型的数据。
教育大数据的研究与应用
教育大数据的研究与应用随着信息技术的不断发展和普及，教育数据的产生和收集已经成为现代教育的一种趋势。
教育大数据，是指通过运用数据分析和挖掘技术，对教育领域所积累的大量数据进行收集、整合、管理和分析，以找出有助于提高教育质量和落实教育政策的信息，并为决策者提供科学支撑和决策依据。
教育大数据的研究，主要包括数据收集、数据分析、数据挖掘和模型构建等方面。
在数据收集方面，教育大数据主要涵盖学生个人信息、教育资源、教学活动和学习成果等多个方面。
学生个人信息主要包括学生的性别、年龄、家庭背景等信息；教育资源主要包括教师授课内容、教学视频、教学资源等；教学活动主要包括学习过程中的学习行为、学习习惯、学习态度等信息；学习成果主要包括考试成绩、学生评价、教师评价等信息。
在数据分析和挖掘方面，教育大数据主要采用统计学、机器学习和数据挖掘等技术，以发现这些数据之间的关系和规律，从而为决策者提供更加精细的教育决策建议。
在模型构建方面，教育大数据主要采用人工智能、深度学习和大数据平台等技术，以构建出更为精确和有效的教育预测模型和规律模型。
教育大数据的应用与研究目前主要体现在以下几个方面：一是个性化教育。
通过对教育大数据的分析和挖掘，可以了解每一个学生的学习能力、学习习惯、学习喜好等特征，从而为学生提供个性化的教育方案。
例如，为每个学生量身定制学习计划和学习内容，以切实提高学生的受益程度及学习成效。
二是教学质量评价。
通过对教师授课、学生作业、学生成绩等数据的挖掘，可以了解教学活动的有效度、教学资源的质量等指标，为学校和教育部门提供科学的质量评估体系，也方便教学教练和管理人员制定更加有效的教学方案。
三是教育政策制定。
教育大数据还可以为教育决策者提供全面、真实的教育数据和统计分析报告，更好地掌握教育市场的发展和动态，为政策制订者提供更加精准、科学的政策分析，提高政策制订的科学性和适用性。
当前，教育大数据在国内外的研究及应用已经越来越成熟，但同时也存在着很多挑战。
教育行业如何利用大数据分析提升教学质量
教育行业如何利用大数据分析提升教学质量随着信息科技的迅猛发展，大数据分析在各行各业中的应用日益广泛，教育行业也不例外。
大数据分析通过收集、处理和分析教育领域的海量数据，为教学过程提供有力支持，从而提升教学质量。
本文将深入探讨教育行业如何利用大数据分析来提高教学效果。
一、学生学习数据分析大数据分析可以帮助教育机构深入了解学生的学习情况和学习特点。
通过对学生学习数据的分析，教育机构可以了解学生的学习进度、学习习惯以及学科掌握情况。
例如，可以通过分析学生在不同学科中的得分情况，找出学生在哪些学科上存在较大的困难，以便有针对性地进行帮助和指导。
此外，还可以通过分析学生的学习时间分布，了解学生在一天中的高效学习时段，提供个性化的学习计划和建议。
二、教学资源优化大数据分析可以帮助教育机构更好地优化教学资源。
通过分析教学资源的使用情况，教育机构可以了解哪些教学资源受到学生欢迎，哪些教学资源使用较少，并根据结果进行调整和改进。
例如，可以根据学生的学习需求和反馈，优化教材内容，提供更加贴近学生需求的教学资源。
此外，还可以通过分析学生对不同教学形式的喜好，优化在线教学平台的功能和用户体验，提高学生参与度和教学效果。
三、个性化教学利用大数据分析，教育机构可以开展个性化教学，满足学生多样化的学习需求。
通过分析学生的学习数据和个人特点，教育机构可以根据学生的学习能力和学习风格，提供个性化的学习计划和教学内容。
例如，根据学生的学习轨迹和学科理解能力，可以推荐适合其水平的教材和练习题。
此外，还可以通过大数据分析，及时发现学生学习中的问题和困惑，并针对性地提供帮助和解答，提高学生学习效果。
四、教师教学支持大数据分析不仅可以帮助学生提升学习效果，也对教师的教学提供有力的支持。
通过分析教师的教学数据，教育机构可以了解教师的教学效果和教学方法的优劣。
例如，可以通过分析学生对教师授课内容的反馈，评估教师的教学质量，并提供相应的培训和指导。
教育大数据的分析与应用研究
教育大数据的分析与应用研究随着科技的快速发展和普及，大数据已成为这个时代最热门的话题之一。
大数据并不仅仅是数据的规模，而是指能够从海量的数据中提取信息、发现规律，并为决策提供依据的技术和工具。
教育领域同样也可以受益于大数据的分析和应用，通过对学生数据的收集、分析和应用，全面提升教育品质和学生的学习效果，同时还有助于改善教育公平性。
本文将就教育大数据的分析和应用进行论述。
一、教育大数据的收集教育大数据的收集是教育大数据分析和应用最基础的环节。
教育大数据的来源很广泛，包括学校和教育机构提供的数据、课堂上学生所产生的数据、测试和考试所得的数据、教师和学生的评估数据等。
其中最重要的一部分数据来自学生的学习记录和行为数据，这些数据包含学生的学习进度、成绩、作业完成情况、考勤记录、参与课堂讨论情况等。
从这些数据中，我们可以发现学生的学习行为规律，分析学生的学习情况，并根据分析结果对学生进行提醒和个性化的辅导，从而实现教学的个性化和智能化。
二、教育大数据的分析教育大数据的分析包括两个方面：数据分析和教学分析。
数据分析主要是通过对学生的学习记录和行为数据进行分析，挖掘学生的学习行为规律和学习方式，为教学提供依据。
教学分析主要是根据数据分析结果，对教学进行调整和改进。
比如，通过学生的测试和考试成绩，分析出学生在不同学习阶段的理解状况，调整教学内容和教学方式，使学生的学习更高效、更有针对性。
教育大数据的分析有助于挖掘学生的潜在需求和学习意愿，根据学生的学习特点和个性为其提供精细化的教学服务。
例如，有些学生可能学习速度很快，却对另一个学科不感兴趣，我们可以针对这些特点，为快速学习的学生提供更多挑战性的任务和扩展活动，为不感兴趣的学科提供更生动、有趣的教学方式和教学内容，以增强学生的学习兴趣和学习动力。
教育大数据的分析也可以为学校和教育部门提供数据支持和参考，以推动教育改革和发展。
三、教育大数据的应用教育大数据的应用场景十分广泛和多样化，包括课程设计、教学改进、考试评估、学生管理和辅助决策等多个方面。
教育大数据分析与应用
教育大数据分析与应用教育大数据分析与应用，是指利用大数据技术对教育领域中所产生的海量数据进行收集、整理、分析和应用。
随着信息技术的发展和教育方式的变革，教育大数据分析与应用被越来越多地应用于教育决策、教育评估和个性化教育等方面。
本文将从教育大数据的收集、分析方法以及应用案例等方面，探讨教育大数据分析与应用的意义和挑战。
一、教育大数据的收集教育大数据的收集主要依靠现代教育技术手段，如在线学习平台、智能教育设备和学生管理系统等。
通过这些技术手段，学生的学习行为、学习成绩、学习过程等数据可以被实时记录和汇总。
同时，教师和学校的教学数据、教学资源以及学校管理数据也可以进行收集和整理。
这些数据包括但不限于学生的个人信息、学习时间、学习方式、学习成绩，教师的教学时间、教学方法、教学资源等等。
二、教育大数据的分析方法教育大数据的分析主要包括描述性分析、关联分析、预测分析和推荐分析等方法。
1. 描述性分析描述性分析是对教育大数据进行详细的统计，从中获取各种基本信息和特征。
通过描述性分析，可以了解学生的学习情况、教师的教学水平、学校的教育质量等方面的情况。
这些信息可以为教育决策提供依据，如制定个性化教学方案、改进教学方法等。
2. 关联分析关联分析是通过寻找教育大数据中存在的关联关系，揭示出各种变量之间的联系。
关联分析可以发现隐藏在数据中的规律和趋势，为教育决策提供科学依据。
例如，通过分析学生的学习行为和学习成绩之间的关系，可以发现影响学生学习成绩的因素，从而采取相应的干预措施。
3. 预测分析预测分析是基于历史数据对未来教育情况进行预测和模拟。
通过对教育大数据进行建模和分析，可以预测学生的学习情况和未来的学习成绩，为学校和教师提供针对性的教学方案和辅导策略。
4. 推荐分析推荐分析是基于学生和教学资源之间的关系，为学生和教师提供个性化的学习资源推荐。
通过分析学生的学习兴趣、学习风格和学习需求等方面的数据，可以为学生推荐适合其个性化需求的学习资料、教学视频和在线课程等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
教育大数据分析：方法与探索一、大数据与大数据分析概述随着数据获取、存储等技术的不断发展，以及人们对数据的重视程度不断提高，大数据得到了广泛的重视，不仅仅在IT领域，包括经济学领域、医疗领域、营销领域等等。
例如，在移动社交网络中，用户拍照片、上网、评论、点赞等信息积累起来都构成大数据；医疗系统中的病例、医学影像等积累起来也构成大数据；在商务系统中，顾客购买东西的行为被记录下来，也形成了大数据。
时至今日，大数据并没有特别公认的定义。
有三个不同角度的定义：（1）“大数据”指的是所涉及的数据量规模巨大到无法通过人工在合理时间内达到截取、管理、处理并整理成为人类所能解读的信息[1]。
（2）“大数据”指不用随机分析法（抽样调查）这样的捷径，而采用所有数据进行分析处理的方法的数据[2]。
（3）“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
通常把大数据的特点归纳为4个V，即数据量大（Volume）、数据类型多（Varity）、数据的价值密度低（Value）以及数据产生和处理的速度非常快（Velocity）。
对大数据进行分析可以产生新的价值。
数据分析的概念诞生于大数据时代之前，但传统的数据分析和大数据分析是不同的。
传统的数据分析往往是由客户提出一个问题，分析者围绕该问题建立一个系统，进而基于该系统解释这个问题；而大数据分析有时候并没有明确的问题，而是通过搜集数据，浏览数据来提出问题。
另一方面，传统的数据分析是在可用的信息上进行抽样，大数据分析则是对数据进行不断的探索，通过全局分析连接数据，达到数据分析的目的。
传统的数据分析的方法，往往是大胆假设小心求证，先做出假设，再对数据进行分析，从而验证先前的假设；而大数据分析则是对大数据进行探索来发现结果，甚至发现错误的结果，之后再通过数据验证结果是否正确。
因此，传统的数据分析可以看成一种静态的分析，大数据分析可以看成一种动态的分析。
尽管如此，大数据分析和传统数据分析也并非是泾渭分明的，传统数据分析的方法是大数据分析的基础，在很多大数据分析的工作中仍沿用了传统数据分析的方法。
基于上述讨论，我们给出“大数据分析”的定义：用适当的统计分析方法对大数据进行分析，提取有用信息并形成结论，从而对数据加以详细研究和概括总结的过程。
大数据分析分为三个层次[3]，即描述分析、预测分析和规范分析。
描述分析是探索历史数据并描述发生了什么（分析已经发生的行为），预测分析用于预测未来的概率和趋势（分析可能发生的行为），规范分析根据期望的结果、特定场景、资源以及对过去和当前事件的了解对未来的决策给出建议（分析应该发生的行为）。
例如，对于学生学习成绩的分析，描述分析是通过分析描述学生的行为，如是否成绩高的同学回答问题较多；预测分析是根据学生的学习行为数据对其分数进行预测，如根据学生回答问题的次数预测其成绩；而规范分析则是根据学生的数据得到学生下一步的学习计划，如对学生回答问题的最优次数提出建议。
大数据分析的过程可以划分为如下7个步骤：（1）业务调研，即明确分析的目标；（2）数据准备，收集需要的数据；（3）数据浏览，发现数据可能存在的关联；（4）变量选?瘢?找出自变量与因变量；（5）定义模式，确定模型；（6）计算模型的参数；（7）模型评估。
我们以预测学生学习成绩为例解释上述过程。
首先，我们的目的是根据学生的行为预测学习成绩。
接下来，对于传统的方法来说，通过专家的分析确定需要什么数据，比如专家提出对学生成绩有影响的数据，包括出勤率、作业的完成率等，可以从数据源获取这样的数据；大数据分析的方法有所不同，是找到所有可能相关的数据，甚至包括血型等，这些数据与成绩之间的关系未必有影响，就算发现了关系也未必可以解释，但是获取尽可能多的数据有可能发现未知的关联关系。
上面的步骤包括了很多因素，下面确定哪些因素会体现在模型中，可以通过可视化等方法发现哪些因素和我们的分析目标相关，也可以通过特征工程的方法选择包含在模型中的变量，并排除一些相关的自变量，比如学生的起床时间和吃早饭的时间存在关联，在模型中可以只考虑其中之一，加快计算速度。
再接下来是定义模型的模式，比如可以把上述问题定义为线性回归，再通过一些算法确定模型中的参数，从而得到最后的模型。
然后对模型进行评估，检验这个模型是不是真的有效，以及是否是可解释的。
有些有用的模型并不见得可解释，例如发现了血压对成绩有影响，这个是有用的，但是未必有一个明确的解释。
二、在线教育大数据分析研究现状在线教育大数据为教育研究的进行提供了非常好的途径和机会，它构成了一个跨国家、跨文化、跨职业、跨阶层的平台，学习者的每个行为都为研究者贡献了数据。
而通过研究这些数据，我们可以发现新的规律，或是指导学习者的行为，例如预测学生的学习情况、课程的受欢迎程度以及发现新的学习方法等。
利用平台得到的数据，预测并回馈给平台，从而可以达到改进平台的目的，还可以为平台发现新的业务。
当前在线教育大数据的研究已经开始，但是研究成果并不多，主要的研究对象是学生，集中在对学生学习行为的研究，而授课人员的行为和平台的行为这两个方面的研究比较少。
我们将现有的主流研究内容进行归类，分为多个方面，包括：（1）学习者行为分析与预测；（2）学习者学习效果分析与预测；（3）平台供应商数据分析。
学习者行为分析与预测的研究指的是，通过学习者在MOOC 平台上产生并积累的行为数据，采用量化学习者行为特征的方式，对其学习行为进行分析与预测。
具体而言，文献[4]研究了在MOOC平台上有退课风险的学习者的早期预警问题，他们基于回归分析的方法，提出了两种迁移学习算法，通过增添正则项最小化连续不间断学习周中的失败概率。
文中提出了三个方法，分别是LR-SEQ，LR-SIM与LR-MOV，其中在AUC指标上LR-SIM与LR-MOV效果更好，LR-SIM在开课前两周的预测相对于其他方法更为出色。
文献[5]采用了机器学习的方法研究了学习者退课率的预测方法，他们仅利用了网页浏览流数据，提出了基于支持向量机的机器学习模型以预测学习者的退课情况。
他们的方法随着课程的进行，预测准确率逐渐上升，但在开课前几周的预测效果不够理想。
文献[6]同样研究了学习者退课预测的问题，他们采用的方法是构建精确的预测模型与数据的时态与非时态表达，得到了较为良好的AUC指标。
文献[7]则是采用了隐形马尔科夫模型对学习者课程滞留情况进行了预测，他们通过简单交叉乘积的方法，将连续特征编码为单一离散可观察状态。
文献[8]同样研究了退课问题，他们构建了时序模型，通过标签的方法，采用了LSTM单元的RNN模型。
他们得到的结果说明了在此问题上使用LSTM单元要比普通的RNN效果更好。
文献[9]研究了在MOOC平台上的学习者行为预测模型的迁移学习，他们提出了学习者预测的实时方法，并提出了对于同一个预测问题，建立表达式以改变这些方法的参数设置，实验证明了迁移学习可以使得两种方法的效果等价。
文献[10]则首次针对中文MOOC中学习行为的特点将学习者分类以考察学习行为与效果之间的关系，这项工作使得人们可以有效判别一个学习者是否能够或潜在能够完成学习任务。
文献[11]通过学习者积累的作业文章与MOOC浏览流数据对学习行为进行了分析与预测。
文献[12]对学习者高风险退课进行预警。
[4] He J， Bailey J， Rubinstein B I P， et al. Identifying At-Risk Students in Massive Open Online Courses[J]. Aaai， 2015.[5] Kloft M， Stiehler F， Zheng Z， et al. Predicting MOOC Dropout over Weeks Using Machine Learning Methods[A]. EMNLP 2014 Workshop on Analysis of Large Scale Social Interaction in Moocs. 2014：60-65.[6] Taylor C， Veeramachaneni K，O’Reilly U M. Likely to stop？ Predicting Stopout in Massive Open Online Courses[J]. Computer Science， 2014.[7] Balakrishnan G， Coetzee D. Predicting student retention in massive open online courses using hidden markov models[J]. Electrical Engineering and ComputerSciences University of California at Berkeley， 2013.[8] Fei M， Yeung D Y. Temporal Models for Predicting Student Dropout in Massive Open Online Courses[A]. IEEE International Conference on Data Mining Workshop. IEEE，2015：256-263.[9] Boyer S， Veeramachaneni K. Transfer Learning for Predictive Models in Massive Open Online Courses[M]// Artificial Intelligence in Education. Springer International Publishing， 2015：54-63.[10] Tang S， Peterson J C， Pardos Z A. Deep Neural Networks and How They Apply to Sequential Education Data[A]. Proceedings of the Third （2016） ACM Conference on Learning Scale. ACM， 2016： 321-324.[11] ?Y卓轩，张岩，李晓明. 基于MOOC数据的学习行为分析与预测[J]. 计算机研究与发展， 2015， 52（3）：614-628.[12] Halawa S， Greene D， Mitchell J. Dropout prediction in MOOCs using learner activity features[J]. Experiences and best practices in and around MOOCs， 2014，7.[13] Brinton C G， Chiang M. Mooc performance prediction via clickstream data and social learning networks[A]. Computer Communications （INFOCOM）， 2015IEEE Conference on. IEEE， 2015： 2299-2307.[14] Brinton C G， Buccapatnam S， Chiang M， et al. Mining MOOC Clickstreams： Video-Watching Behavior vs. In-Video Quiz Performance[J]. IEEE Transactions on Signal Processing， 2016， 64（14）： 3677-3692.[15] Toscher A， Jahrer M. Collaborative filtering applied to educational data mining[J]. KDD cup， 2010.[16] KDD Cup 2010： Educational Data Mining Challenge - PSLC DataShop[EB/OL]. https：///KDDCup/.[17] Meier Y， Xu J， Atan O， et al. Predicting grades[J]. IEEE Transactions on Signal Processing， 2016，64（4）： 959-972.[18] Sanchez-Santillan M， Paule-Ruiz M P， Cerezo R，et al. Predicting Students’ Performance： Incremental Interaction Classifiers[A]. Proceedings of the Third （2016） ACM Conference on Learning Scale. ACM， 2016：217-220.[19] Ruiperez-Valiente J A， Alexandron G， Chen Z，et al. Using multiple accounts for harvesting solutions in moocs[A]. Proceedings of the Third （2016） ACM Conference on Learning Scale. ACM， 2016： 63-70.[20] Pang Y， Wang T， Wang N. MOOC Data from Providers[A]. Enterprise Systems Conference （ES）， 2014. IEEE， 2014： 87-90.[21] Williams J J， Kim J， Rafferty A， et al. Axis：Generating explanations at scale with learnersourcing and machine learning[A]. Proceedings of the Third （2016） ACM Conference on Learning Scale. ACM， 2016： 379-388.[22] McBride E， Vitale J M， Gogel H， et al. Predicting Student Learning using Log Data from Interactive Simulations on Climate Change[A]. Proceedings of the Third （2016） ACM Conference on Learning Scale. ACM， 2016：185-188.[23] Kizilcec R， Halawa S. Attrition and Achievement Gaps in Online Learning[A]. Proceedings of the Second （2015） ACM Conference on Learning Scale. ACM， 2015：57-66.。