该研究综述了教育数据挖掘和学习分析在教育数据上的应用，并回顾了主要出版物、关键里程碑、知识发现周期、主要教育环境、特定工具、免费可用数据集、最常用的方法、主要目标和未来趋势。

Feb, 2024

教育数据挖掘 (EDM) 是一个重要的研究领域，利用计算技术分析教育数据。深度学习技术在处理教育数据分析和建模的挑战中表现出明显优势。本综述旨在系统回顾 EDM 与深度学习的最新研究进展，介绍 EDM 和深度学习的背景以及其在现代教育中的重要性。另外，还详细评述了深度学习技术在知识追踪、学生异常检测、学生表现预测和个性化推荐等四个典型教育场景中的应用，并提供了 EDM 领域的公共数据集和处理工具的综合概述。最后，指出了这个研究领域的新兴趋势和未来方向。

Sep, 2023

教育行业中使用数据挖掘工具来处理大数据正在成为一种趋势。本文提出了关于教育数据挖掘和学习分析的基本概念、最受欢迎的工具、方法和技术，并探讨了大数据在语言学习方面的应用。

Jul, 2022

深度学习应用于教育数据科学的调查和讨论，主要涉及深度神经网络、知识追踪模型和自动情感与行为检测器等领域。

Apr, 2024

本文主要介绍了人工智能技术在医学领域中的应用，即基于大数据和机器学习的个性化医疗决策支持，以提供更好的医疗健康支持服务。

Jul, 2022

通过分析诸如学生压力水平、好奇心、困惑、焦虑、话题偏好和学习方法等关键数据点，本研究开发了一款创新的学习分析工具，利用 OpenAI 的 GPT-4 模型，该工具旨在量化学生参与度、绘制学习进展，并评估教学策略的有效性。将 Bloom 的分类法作为框架，该工具可以衡量学生提出的问题涉及的认知层次，从而阐明他们的学习进展。从这些测量结果中获得的信息可以帮助教育工作者提供宝贵的洞察力，以增强教学方法，找出潜在的改进领域，并为个别学生设计个性化的干预措施。通过详细评估该学习分析工具的设计细节、实施策略和排除干扰因素，本研究强调了该工具对提高教育成果和促进学生成功的潜在贡献。此外，还探讨了将该工具整合到现有教育平台及所需的强大、安全、可扩展的技术基础设施方面的实际问题。这项研究为利用人工智能塑造教育的未来，促进数据驱动的教学决策，并最终营造更有利于个性化学习的环境开辟了新途径。

Dec, 2023

本文探讨人工智能在教育领域的复杂性及对学习的个性化、伦理、学科价值与学习体验的潜在影响，旨在通过教育研究和综合实证最佳实践，明确了解如何将人工智能技术与学与教的基本原则相协调，以及为未来真正提升学习体验和结果而可能需要优先考虑的具体行动。

Feb, 2024

本文提出了一个用于在规模上挖掘教育问题洞见的框架。使用贝叶斯深度学习的技术，我们提出了两种量化问题质量和难度的新指标，并提出了一种个性化的策略，以适应学生的需求。将该框架应用于一个拥有数万个问题和数百万个答案的在线教育平台的真实数据集，我们不仅表现出有前途的统计指标，而且与领域专家的评估结果高度一致。

Mar, 2020

通过模拟实验，我们发现教育科技中的自适应个性化可能是一把双刃剑，实时个性化在某些情况下改善学生体验，但较慢的个性化和潜在的歧视结果意味着更个性化的模型并不总是有益的。

Sep, 2023

在线教育环境的爆炸性增长正在产生大量的数据，尤其是来自论坛、聊天、社交网络、评估和论文等以文本格式呈现的数据，如何挖掘文本数据以找到对教育相关人士有用的知识是一个令人振奋的挑战。本文系统概述了当前教育文本挖掘领域的现状，回答了三个主要的研究问题：在教育环境中最常用的文本挖掘技术是哪些？最常用的教育资源有哪些？主要的应用或教育目标是什么？最后，我们概述了结论和更有趣的未来趋势。

Feb, 2024