人工智慧視域下的寬度學習及在教育中的應用
| 全文共10361字，建議閱讀時22分鐘 |
本文由《遠程教育雜誌》授權發布
作者：袁利平、陳川南
摘要
寬度學習是以隨機向量函數鏈接神經網路為載體，並通過神經節點的增量以實現所設計網路橫向擴展的一種隨機向量單層神經網路學習系統。寬度學習神經網路系統不僅保留了深度學習的優勢，而且彌補了深度學習的缺陷，能更高效地進行教育大數據的挖掘。基於寬度學習內部演算法和系統結構，寬度學習在教育應用中主要可以通過分類、聚類、回歸、時序預測等挖掘技術手段作用於教育大數據。未來，寬度學習可以在準確預測學生學業成績、給予學生演示精準評價、提供小組個性學習支持、智能輔助教師進行教學和促進遠程教學交互發展等方面發揮其優勢，並助力於教育事業現代化和智能化的發展。
關鍵詞：寬度學習；人工智慧；機器學習；教育大數據；教育數據挖掘；學習分析
一、引言
縱觀人類歷史的發展，新技術的興起往往會帶來新的變革機遇。近年來，人工智慧（Artificial Intelligence）浪潮持續影響全球各個方面，對教育領域的影響也日益顯現。人工智慧的教育應用（The Application of Artificial Intelligence to Education，以下簡稱AAIE）逐漸成為學術研究的熱點之一。AAIE是將人工智慧和學習科學（包括教育學、心理學、社會學等）相結合的跨領域研究，其核心的科學目標是將教育、心理和社會學等隱性知識，轉變為計算機可識別和處理的形式，以推動智慧教育等的發展。[1]
2017年7月，國務院印發了《新一代人工智慧發展規劃》（以下簡稱《規劃》）。《規劃》指出，要利用人工智慧助力教育發展，推動教學改革，構建新型教育體系，這標誌著人工智慧技術助力教育已上升到國家戰略層面。[2]以人工智慧技術驅動教育信息化的發展，以智能教育促進教育的現代化，已成為當前推動教育教學發展的重要途徑。教育領域研究者應密切關注人工智慧關鍵技術的發展，並以此為基礎，切實推進人工智慧在教育領域的研究與發展。[3]
2017年以來，寬度學習（Broad Learning System，BLS）在各項測試中被證明是一種有效的學習系統。它的出現直接影響了教育人工智慧的發展。目前，國內還鮮有相關的研究文獻。為此，本文試圖通過對寬度學習的內涵發展、優勢特性以及應用前景作初步探析，為研究者和教育者進一步開展人工智慧在教育領域中的合理應用，提供一定的理論依據和參考。
二、人工智慧視域中的學習及其類型
AAIE的相關係統，主要以教育數據挖掘（Educational Data Mining，EDM）、深度學習等技術為基礎，利用學習分析（Learning Analytics）等相關技術來跟蹤學生行為數據，預測其學習表現以充分支持個性化學習。影響其效率的關鍵技術，正是當下熱門的機器學習（Machine Learning，ML）。
《機器學習》一書的作者湯姆?米歇爾（Tom-Mitchell）認為，機器學習的本質乃是通過經驗，不斷地提升自身的系統性能。[4]也就是說，機器學習可以從數據中進行學習，並通過利用數據而不斷完善自身系統，優化程序性能。根據所需要處理的數據是否存在作為標註，機器學習可以分為有監督學習（Supervised Learning）和無監督學習（Unsupervised Learning）。圖1就是一個典型的機器學習任務簡化工作流程圖，它同時展示了兩類機器學習的處理過程。[5]
總體而言，機器學習就是通過各種類型的機器學習演算法，使得機器能從大量輸入的數據樣本中自動學習數據的隱性結構和存在規律，從而能對新輸入的數據進行智能識別，對未來做出預測。
根據現有的研究文獻，機器學習伴隨著人工智慧的研究不斷發展，大致經過了三個階段，分別是淺層學習（Shallow Learning）、深度學習（Deep Learning）和寬度學習（Broad Learning）。
（一） 淺層學習
早在20世紀80年代，人工神經網路BP反向傳播演算法的發明（Back Propagation，BP），使得人工神經網路模型可以從大量訓練樣本中學習規律，並對未知事件做預測成為可能。與過去基於人工規則的系統相比，這種機器學習方法顯示出諸多優越性，因此，在機器學習領域裡影響深遠。但由於對多隱層神經網路的訓練尤其困難，該階段的學習網路通常只有一層隱含層，被稱為淺層學習網路，應用範圍十分有限。而深度學習的出現，彌補了以前演算法的弱點，對於機器學習領域具有顛覆性的意義。
（二） 深度學習
這裡講的深度學習是相對於前面的淺層學習而言的，實際上源於神經網路，它含有多層隱含層，是人工神經網路（Artificial Neural Network，ANN）演算法的衍生。其原理是通過建立分層模型結構，從底層數據提取特徵並逐層將數據傳遞給高層，以便對輸入數據進行分級表達。它通過模擬人腦的學習神經網路來處理類似語音、圖像和文本等數據，進行特徵提取並解釋輸入數據。
深度學習主要包含輸入層、隱藏層和輸出層三個部分。輸入層各神經元面向輸入信號，輸入信號到隱藏層各神經元之間都有連接，隱藏層中每個神經元向上又與輸出層各神經元相連。一個人工神經網路中的輸入以及各層神經元的個數不固定，隱藏層也可以有多層，這些都根據所需要解決問題的複雜性而定。[6]
與傳統學習結構相比，深度學習更加強調模型結構的深度，通常含有較多隱含層。同時，特徵學習在深度學習中尤其重要。深度學習通過特徵的逐層變換，高效地提取數據中的本質特徵，從而完成最後的預測和識別，它是一種高效率的特徵提取方法，它對於語音識別、圖像識別、自然語言處理等領域均有重要的影響。因此，運用深度學習對數據進行挖掘，是機器學習演算法適應大數據挖掘的重要產物。
（三）寬度學習
但是，即便深度學習網路功能作用十分強大，深度學習網路結構與人腦相比，對於問題的處理仍有巨大差距。這一方面是由於現有網路均結構複雜且涉及大量的超參數，大多數網路都被極度耗時的訓練過程所困擾；另一方面，為了獲得更高的精準度，深度模型需要持續增加自身網路層數或調整參數個數。為此，人們開始研究一些以提高訓練速度為目的的深度網路以及相應的結合方法等。
2017年，澳門大學陳俊龍教授在機器學習領域提出了寬度學習的概念，成功地為深度學習網路提供了一種替代方法，這是繼深度學習以後，機器學習技術發展的一個新階段。
所謂寬度學習，它是以隨機向量函數鏈接神經網路（Random Vector Functional Link Neural Net-work，RVFLNN）為載體，並通過神經節點的增量，來實現所設計網路橫向擴展的一種隨機向量單層神經網路學習系統。[7]與原始隨機向量函數鏈接神經網路不同，該網路用一組一般映射特徵，取代RVFL網路中輸入和輸出之間的直接連接；同時，通過偽逆可快速地更新輸出層的權重。因此，上述結構非常適合現代大數據時代的應用。[8]
隨之的一些實驗結果也證明，寬度學習系統便於擴展到其他神經網路，是機器學習領域一個相當靈活高效的模型。與現有機器學習中的深度學習網路結構相比，我們認為，它具有兩個基本的核心要素：第一，寬度學習系統是基於RVFL神經網路而設計的一種網路學習模式，第二，該系統充分利用了陳俊龍在1999年提出的一種快速增量學習演算法，解決了數據量和數據維度的增長所帶來的問題。[10]
可見，寬度學習的優勢在於結構簡單、速度快，具有高效的學習性能。為了適應大數據的需求，陳俊龍在其隨後發表的論文中構建了一種基於K-means聚類演算法特徵，提取的改良型寬度學習系統。[11]該系統將K-means聚類演算法作為無監督特徵提取的工具，所提出的改良模型汲取了雙方的優點，包括K-means聚類可以為無監督特徵表示，提供一種強大有效的方法。而寬度學習又是分析目標大數據集的一個較成功的網路，它在各種應用中具有靈活性和較好的潛在價值。
三、寬度學習通過數據挖掘作用於教育領域
多年來，網路學習資源的增加、互聯網教育的興起以及學生信息資料庫的建立等，為促進教育發展提供了大量、巨型的資料庫數據，這在促進教育信息化發展的同時，也導致了現今教育界面臨的最大挑戰，即教育數據呈指數型增長和如何對這些數據進行高效的分析與利用問題。早在2012年，美國教育部發布的《通過教育數據挖掘和學習分析促進教與學》報告中指出：大數據時代應推進對教育大數據的有效利用，而在教育中應用大數據的兩個領域分別是教育數據挖掘（Educational Data Mining，EDM）和學習分析（Learning Analytics，LA）。[12]
近年來，隨著對大數據研究的不斷深入，與教育數據挖掘相關的領域也在不斷拓展。我們可以從與教育數據挖掘相關學科領域的宏觀結構圖（見圖2）看到，目前，教育數據挖掘的理論和方法支持，主要包括數據挖掘、機器學習和數學統計。[13]
我們認為，教育數據挖掘旨在開發一些處理教育環境中出現的高維度數據方法和技術，以更好地理解或解決在這些環境中出現的教育問題。而學習分析依賴於教育情境中產生的大數據，與教育數據挖掘不同的是，它主要側重於從數據中提取知識以直接促進學習過程。儘管兩者存在差異性，但據有關教育數據挖掘和學習分析中使用的主要分析技術的調查表明：教育數據挖掘和學習分析這兩大教育數據所應用的領域，均以機器學習和數據挖掘技術為基礎，以研究促進教學和學習過程的發展。[14]
（一）人工神經網路的教育適用性
2010年，羅梅羅（Romero）和文圖拉（Ventura）指出，人工神經網路（Artificial Neural Network，ANN）是教育數據挖掘研究中最常用的技術。[15]傳統人工神經網路技術在教育數據挖掘和學習分析領域中，主要被應用於聚類、分類、回歸、時間序列預測和可視化等任務。儘管人工神經網路在數據挖掘中的應用非常廣泛，但部分數據挖掘社區對根據這種模式開發的模型，是否存在可解釋性，而懷有疑義。
隨著演算法、網路結構和計算機硬體方面的快速發展，使得對數百萬示例數據集上包含數十隱含層、數百萬個連接點的網路訓練成為可能。由此，產生了一種新型的ANN模式，也就是深度學習。近年來，深度學習已經成功地解決了人工智慧發展中長期存在的一系列問題，如：語音識別、文本翻譯、文本序列生成、圖像分類以及圖像文本生成，其效果完全優於傳統非深度的ANN人工神經網路。
2017年，比薩奇?科埃略（Bisacchi Coelho）的論文Deep Learning Applied to Learning Analyticsand Educational Data Mining：A Systematic Literature Re-view，系統地用文獻綜述的方式，回顧了深度學習技術在教育數據挖掘和學習分析領域的典型應用，呈現了深度學習應用教育數據挖掘和學習分析的六個典型應用案例並提出：與傳統人工神經網路相比較，深度神經網路具有更加強大的功能，更加適用於教育數據的挖掘和學習分析。[16]
（二）寬度學習在數據挖掘中的優勢特性
大量機器學習中的數據挖掘技術，已經被成功應用於教育領域。這些數據挖掘技術，可以分為描述性和預測性兩大類（如圖3所示）。[17]描述性的數據挖掘任務是對目標數據集中數據的屬性進行特徵描述，主要包括聚類（Clustering）、關聯（Association）和概括（Summarization）；預測性的挖掘任務是對當前數據進行歸納以進行預測，主要有分類（Classification）、回歸（Regression）和時序預測（Time-Series Prediction）。而寬度學習基於其內部演算法和系統結構，它在教育應用中主要可以通過分類、回歸、聚類和時序預測）等挖掘技術手段，作用於教育大數據。
在眾多數據挖掘技術之間，預測和聚類相對應用普遍。預測的目的是從數據的其他方面（預測變數）的某些組合，來推斷數據的目標屬性或單個方面（被預測變數）。預測方法的主要類型是分類（當預測變數是分類值）和回歸（當預測變數是連續值）。在EDM中，預測已被用於預測學生表現和檢測學生行為。[18]寬度學習的優勢體現在：
1.分類更準確
分類（Classification）是機器學習的主要任務之一，主要用於解決實例數據的分類問題，實現對目標的預測。分類是根據數據不同的本質量化特徵和先前標記過的數據訓練集信息，將新的數據分置成組的過程。[19]陳俊龍提出的寬度學習系統展示了高效的學習性能。近年來，快速增量學習演算法在廣泛的擴展中得到發展，不需要對整個模型再培訓。與深層結構的系統相比，這種新型系統在分類上非常有競爭力。[20]也將寬度學習演算法和增量學習演算法應用於常用的神經網路——徑向基函數神經網路（RBF）和分層極限學習機（H-ELM）。
實際上，與ELM的原始版本不同，H-ELM的結構可以看作是無監督多層特徵表示和監督特徵分類的組合，以獲得所需網路的最終結果。MINST數據集實驗結果證明，寬度學習系統易於擴展到其他神經網路，可以實現對數據更高的分類精確度。此外，寬度學習系統在NORB資料庫上的分類結果表現和SDA等其他模型相比較，顯示寬度學習訓練時間只需要21.2546秒，同時，能保證高達89.27%的精確度。可見，與其他深度學習演算法的結果相比，寬度學習演算法是既快又准。
2.回歸更精確
回歸（Regression）是預測性數據挖掘模型之一，目的是分析數據屬性值（Attribute Values）內的依賴關係，這是回歸和分類的主要區別。回歸主要應用於數值型隨機連續變數，通過建立方程來發現兩個或多個變數間的關係，是另一種預測方法。在教育中一般應用於測試成績等連續變化。
陳俊龍團隊在對數據維度為1萬-3萬的20萬數據測試中發現，在3-50分鐘之內，寬度學習都能夠很快地找到神經網路的權重。在UCI數據上回歸精度比較分析發現，寬度學習系統和模糊寬度學習系統都表現出較高的精度，具體比較結果參見表1。[21]
3.聚類更有效
聚類（Clustering）是最重要的描述性數據挖掘模型之一，通常用於發現數據集中事先未知的常見分類。聚類的目標是識別在某些方面具有相似特徵的對象並將他們分組，通常使用某種距離度量來確定相似對象的類型。一旦確定了一組集群，就可以通過確定最近的集群來對新目標對象進行分類。通過找到高質量的聚類，以便聚類內相似性高，並且聚類間相似度較低。聚類對探索數據，異常檢測，尋找自然分組等非常有用。在教育數據挖掘應用中，聚類可用於對相似課程材料進行分組或根據學習和交互模式將學生分組。[22]
陳俊龍在其所發表的一篇文章中，對所提出涉及無監督的特徵提取的模型進行測試後，將CIFAR-10數據及測試結果與原始BLS系統相比較。對於CIFAR-10數據集，通過K-means聚類演算法對所提取的特徵進行可視化，如圖4所示。
4.時序預測更高效
時序預測（Time-Series Prediction）是根據時間序列，計算和分析歷史統計數據，以求獲得數據的變化規律，對未來的變化趨勢進行預測分析，從而在相關領域對未來可能出現的情況進行預先調整，是現實生活中的常見方法之一。
寬度學習中的快速増量學習演算法，可用於更新系統運行時的權重。該模型在多個時間序列數據，包括紅外線激光數據集，混沌時間序列，月度麵粉價格數據集和非線性系統識別問題上進行測試。測試結果不但驗證了所提出方法的有效性，而且還提供了一種相對更快的預測時間序列的方法。相關實驗結果圖表詳見陳俊龍教授的論文，這裡不再贅述。[24]
總之，快速増量學習演算法主要有兩個明顯特點：第一，所提出的功能鏈網路學習演算法既快速又高效。快速學習使試驗誤差方法能夠微調一些難以確定的參數。如果將額外的増強節點添加到系統中，而訓練演算法可實時更新權重矩陣。那麼，將新的觀測結果添加到系統中，權重也可以很容易地更新。這種列優先（附加神經元）和行優先（附加觀測）更新方案，對實時進程（Real-time Process）非常有吸引力。第二，容易更新的權重，大大節省了重新訓練網路的時間和資源。這尤其適用於大數據集。
四、寬度學習在教育技術領域的應用前景及案例探究
基於上述對寬度學習作用於教育大數據的主要技術的探究，我們發現：寬度學習較深度學習在數據識別上分類更準確、回歸更精確、聚類更有效和時序預測更高效。結合深度學習在教育領域應用的適切性，寬度學習有望在教育大數據應用領域之教育數據挖掘和學習分析上，發揮重要作用。
具體來說，我們期待寬度學習可在準確預測學生學業成績、給予學生演示精準評價、提供小組個性學習支持、智能輔助教師進行教學和促進遠程教育教學交互等方面，發揮其既快又準的優勢，為促進教育信息化和智能化發展服務。我們根據寬度學習四個方面的優勢特性，以及發揮維度所確定的寬度學習應用前景，建立了如下框架（如圖5所示）。
（一）準確預測學生學業成績
對學生最終成績的早期預測，是學習分析領域的一項重要任務。2017年，大久保（Okubo）及其同事在一次大學課程中，為學生的最終成績制定了預測指標。預測是根據學生在每周進行的幾項學習活動中得到的評分來進行的。研究結果表明，當學生課程學習完成40%時，該模型預測準確性達90%；而當學生課程學習完成2/3時，對於最終成績的預測準確率達到了100%。與多元回歸分析相比，深度學習網路在此處應用，明顯已經達到了更好的結果。[25]
而與深度學習網路演算法相比，寬度學習的優勢在文中已經闡述。根據寬度學習作用於大數據的主要技術分類和時序預測，該模型在數據分類和多個時間序列數據上的測試結果表明，基於寬度學習所建模型具有更高的有效性和精度。通過寬度學習神經網路方法構建學生成績預測模型的具體步驟，如圖6所示。
首先，利用與學生每周學習情況有關的學習數據，包括之前的成績、上交作業的速率與準確率等時間序列數據，對寬度學習網路進行多次訓練和自適應學習逐次優化，有效處理一個完整課程中學生每周學習情況相關的時間序列數據；然後，運用所訓練得來的模型對某次新測試數據集進行測試，檢驗測試精度"最後，當精確度達到要求的時候，將通過檢驗後的完善模型應用於教育教學場景，可預測學生的最終成績。
通過寬度學習神經網路方法，數據容易收集，易於實現特徵抽取，可以實現更為精確快速地對學生最終成績的預測，以便教育工作人員通過對學生學習結果的預測認知，為教學管理和改進教學提供重要的依據分析，並提前做好危機干預，驅動學生有效學習，促進學生成績進步。
（二）給予學生演示精準評價
第一個基於深度學習網路的自動化演講評估系統是通過人體姿勢、手勢、目光接觸、流暢度、生動性、發音、語速和觀眾互動，來給每個演講進行評分。該系統通過Kinect感測器、Google Glass和首頻，可以成功地捕獲每個演講者生成的肢體語言、眼神接觸和語音等信息。通過深度學習的兩組雙向長短期記憶網路，分別處理音頻輸入、視頻幀和骨架表徵。將處理不同模態的網路連接在一起，並且對所產生的深層結構實現端對端（End-to-End）的培訓。當不同模式相結合時，這種深層網路結構可以實現更好的結果。[26]
這一系統運用的是數據挖掘中的分類和回歸任務。而寬度學習系統較其他深層網路結構，在分類和回歸性能上表現得更加出色；同時，寬度學習中的快速增量學習演算法可用於更新系統運行時的權重。當系統需要新增一個數據特徵時，並不需要像深度學習那樣從頭開始重新訓練，在保證效果的前提下，可極大地縮短神經網路系統的訓練時間。在滿足類似「自動演講評估」這種多特徵提取或需要實時變更的系統需求時，寬度學習相對於深度學習的優勢在於寬度學習在特徵提取的網路重建中更加靈活。
當新增加一個特徵時，不需要向深度學習系統一樣重新推翻網路計算所有權重，而建立新的模型結構。相反，寬度學習系統的輸入值X和輸出值Y並不直接影響權重值，權重值是通過與增強節點H做關聯。因此，當新增一個特徵時，只需將新特徵與增強節點7做計算就可以使用了，而不影響整個系統的參數設置。寬度學習應用於學生評價的優勢與深度學習對比，如表3所示。
計算機高效快速地理解學習者的行為表現，對於自動評估系統是至關重要的。同時，評估系統通過分析學習者行為軌跡而提供的即時反饋和根據此所設計的專門程序，可以幫助學習者改善提高自身的演講技能。可見，通過將寬度學習神經網路作用於學生評價，可以給予學生更具有針對性、個性化的公平、高效的成績評價，真實反映學生的情況，實現學習評價精準化、智能化、差異化，幫助學生提高自身的能力水平。
（三）提供小組個性學習支持
基於K-means聚類演算法的寬度學習，可以通過聚類將學生分成9組協作學習小組，這些學習小組擁有各自共同興趣特徵或學習特點。寬度學習作用於學生群體分組的過程如圖7所示，首先，將學生成績的等相關數據輸入系統，隨機選取K個點確定所要求分的組數；其次，系統會確定每一個聚類的中心，也就是質心；再次，計算每一個數據到質心的距離並將基於最小值的距離進行分組，得到了K個初始聚類組。最後，系統會重新計算每個聚類，以確定新的質心位置。如果所產生的新聚類穩定，則結束聚類，否則持續循環。
其作用在於：一方面，通過聚類分組可以使教師採用不用的教學策略，針對不同個性群體，進行個性化的學習和指導。同時，這種小組式的共同目標的學習模式，對於培養小組團隊能力和合作精神具有重要的作用。另一方面，對於網路中的異常行為，系統可以及時有效地進行訓練，並劃分新的特徵用於檢測異常數據。通過將基於K-means聚類演算法的寬度學習作用於學生群體分組，利用數據挖掘技術劃分不同群體，更有利於分析學生各自不同的學習風格和學習行為，有針對性的制定教學策略，進而提供群體個性化的學習支持。
（四） 智能輔助教師進行教學
格羅斯（Gross）團隊展示了施樂（Xerox）公司的最新教育產品——Ignite教學支持系統的手寫識別組件。這是一個專為美國基礎教育工作者設計，可以給予學生答案自動評分和允許教師驗證成績的商業系統。識別發生在流水線中，通過圖像預處理開始，隨後進行字元分割、字元識別和最終單詞識別。其中的字元識別是基於深度學習的卷積神經網路CNN和堆疊去噪自動編碼器SDA。其中的訓練數據集來源於對公開或私有的學生學習相關數據的收集，結果顯示，深度學習的運用準確率已經達到92.8%。[57]
與深度學習相關網路相比，寬度學習在MINST數據集實驗結果表明，寬度學習作用大數據分類技術具有高精確度以及耗時短的優點。比如，在針對考試中學生錯題答疑輔導時，對某個學生經常性犯的錯誤和班級所有人都容易出錯的題目進行數據收集和特徵提取，系統進行自動調節推薦類似題目和相關知識點，可以同時實現對單一個體和班級整體的教學輔導，以促進學生進行錯題類題目的知識理解和訓練。採用寬度學習的神經網路方法作用於學生學習行為相關數據的識別，可以實現更為精確和及時的計算機輔助教學，幫助教師進行學生學習成績分析，使學生更好地了解自身學習情況，為教師實現因材施教，為學生制定針對性指導計劃，提供適切的幫助。
（五） 促進遠程教育教學交互
遠程教育的發展，大大促進了人類教育的進步。實踐證明，對遠程教育的虛擬網路環境所提供的龐大信息數據的充分利用，顯得尤為重要。比如，張琳團隊所實現的北京理工大學遠程教學平台的教學作弊行為監控子系統中，主要運用了數據挖掘中的聚類技術，基於對遠程教學網站交互系統討論群中的數據，進行聚類演算法的文本分析和特徵提取的行為分析，實現了對考生考場行為的監控和判斷。[28]
遠程教育中的討論互動，對於學生的知識掌握與構建十分重要。基於以上實驗的研究，可以將基於K-means聚類演算法的寬度學習應用於遠程教育討論交互測評中，通過對具有共同語言行為學習模式的學生的聚類，幫助教師更加了解學生行為，以改進教學策略，加強學生和教師之間的有效互動，促進遠程教育教學交互，助力現代遠程教育的健康發展。將寬度學習應用於遠程教育討論、交互、測評，可建構如下框架，具體過程與步驟如圖8所示。
簡言之，教育是一個極其複雜的系統，對學生的學習行為和狀況進行科學的評價和精準的預測及干預，也是一項非常艱難的任務。但「數據挖掘分析變革教育」已成為新時代必不可擋的發展趨勢。人工智慧應用教育快速發展，將給教育的信息化和智能化帶來諸多新的理念和實現手段。
隨著大數據相關技術的興起與應用，機器學習領域下寬度學習的出現，為我們藉助新興技術收集和分析教育大數據、利用大數據技術應用於教育數據挖掘和學習分析，帶來了一種新的途徑與可能。寬度學習新技術的發展，對教育領域數據挖掘和分析無疑具有積極作用，但寬度學習對於學習分析和教育數據挖掘方面的具體應用還不多。將寬度學習應用於教育的相關研究，大多還處在試驗和探索階段，未來還需要一個長期的整合和研究過程。
基金項目：本文系國家社科基金「精準扶貧戰略下西北民族地區教育扶貧機制與監測體系研究（編號：16BMZ058)」和陝西省田家炳基金項目 「基於核心素養的高效課堂教學模式研究（編號:SXTJB201701)」研究成果之一。
作者簡介：袁利平，陝西師範大學教育學院副教授，教育學博士，英國諾丁漢大學訪問學者，主要從事教育基本理論和比較教育研究；陳川南，陝西師範大學教育學院碩士研究生，主要從事高等教育和比較教育研究。
轉載自：《遠程教育雜誌》2018年第4期(第36卷 總第247期)
排版、插圖來自公眾號：MOOC（微信號：openonline）
喜歡我們就多一次點贊多一次分享吧~
有緣的人終會相聚，慕客君想了想，要是不分享出來，怕我們會擦肩而過~
《預約、體驗——新維空間站》
《【會員招募】「新維空間站」1年100場活動等你來加入》
《有緣的人總會相聚——MOOC公號招募長期合作者》
產權及免責聲明本文系「MOOC」公號轉載、編輯的文章，編輯後增加的插圖均來自於互聯網，對文中觀點保持中立，對所包含內容的準確性、可靠性或者完整性不提供任何明示或暗示的保證，不對文章觀點負責，僅作分享之用，文章版權及插圖屬於原作者。如果分享內容侵犯您的版權或者非授權發布，請及時與我們聯繫，我們會及時內審核處理。
了解在線教育，
把握MOOC國際發展前沿，請關註：
微信公號：openonline
公號昵稱：MOOC
TAG:新維空間站 |