本书从理论指导和数据驱动的视角,围绕如何量化教育主体,解决学习过程中的内隐与外显式的行为分析问题,紧随国际上计算社会科学、学习分析和教育数据挖掘、教育人工智能几大学科和研究分支的发展趋势,对计算教育学的理论体系、研究方法、研究场景、数据获取以及建模分析技术进行了系统的分类梳理。
本书围绕计算教育学的场景计算、主体计算、服务计算和伦理四大主题,侧重于将人工智能方法、机器学习技术与当前先进的教育研究范式相结合,旨在为解决教育改革创新问题提供综合的科学方法和工具。
样章试读
目录
- 目录
前言
第一部分 概述 1
第1章 计算教育学 3
1.1 概念与框架 4
1.2 关键问题与核心任务 6
1.3 应用领域与面临的挑战 8
第2章 研究对象与方法 11
2.1 计算教育学的研究对象 11
2.2 计算教育学的研究方法 15
第二部分 场景计算 31
第3章 教育场景 33
3.1 简介 33
3.2 概念内涵 34
3.3 智慧教室 37
3.4 智慧校园 41
3.5 其他场景 43
第4章 教育数据标准与规范 49
4.1 简介 49
4.2 教育大数据标准体系框架 50
4.3 教育数据典型标准 53
第5章 教育边缘计算与数据感知 67
5.1 简介 67
5.2 教育边缘计算 68
5.3 教育数据感知 70
5.4 边缘计算的应用与展望 76
第三部分 主体计算 81
第6章 学习成效 83
6.1 简介 83
6.2 基于线上数据的学习成效研究 85
6.3 基于线下数据的学习成效研究 88
6.4 基于双空间数据融合的学习成效研究 90
第7章 知识追踪 95
7.1 简介 95
7.2 概率知识追踪模型 97
7.3 深度知识追踪模型 101
7.4 因子分析知识追踪模型 105
7.5 融合知识追踪模型 107
第8章 认知风格 113
8.1 简介 113
8.2 基于问卷和心理计量测验的认知风格分类 114
8.3 基于神经网络方法的认知风格识别 116
8.4 基于模糊分类树的认知风格预测 118
8.5 基于贝叶斯网络的认知风格推理 120
8.6 基于遗传算法的认知风格分析 122
8.7 基于语义分析的认知风格识别 123
8.8 其他方法 124
第9章 情感状态 133
9.1 简介 133
9.2 基于量表的情感测评 134
9.3 基于生理信号的情感检测 136
9.4 基于面部表情的情感识别 138
9.5 基于语音信号的情感检测 140
9.6 基于文本数据的情感分析 142
9.7 基于多模态数据的情感识别 144
9.8 基于行为-主题概率建模的情感分析 146
第10章 协作学习 151
10.1 简介 151
10.2 协作问题解决 151
10.3 协作学习状态监测 156
10.4 协作学习中的教学反馈 158
10.5 协作学习系统 160
第11章 群体学习 169
11.1 简介 169
11.2 群体学习动力学 170
11.3 群体学习演化模式 177
11.4 群体学习中的多层网络 182
第四部分 服务计算 189
第12章 智能导学 191
12.1 简介 191
12.2 用户接口 192
12.3 学生模型 194
12.4 领域模型 195
12.5 教学模型 196
12.6 开放式学习环境的智能导学系统示例—Betty’s Brain 197
12.7 对话式智能导学系统示例—AutoTutor 200
第13章 资源推荐 205
13.1 简介 205
13.2 知识图谱 205
13.3 学习路径规划 212
13.4 个性化资源推荐 220
13.5 实际案例 228
第14章 教育数据可视化 235
14.1 简介 235
14.2 学习主体可视化 235
14.3 学习过程可视化 242
14.4 学习资源可视化 253
14.5 基于地图的教育大数据可视分析方法 256
第15章 教育评价 261
15.1 简介 261
15.2 教育环境评价 262
15.3 教育主体评价 265
15.4 教育资源评价 273
15.5 教育管理评价 277
第五部分 伦理 285
第16章 计算教育伦理 287
16.1 简介 287
16.2 大数据伦理 287
16.3 教育数据伦理 290
16.4 人工智能伦理 296
16.5 智能教育伦理 302
16.6 计算教育伦理治理 307
第六部分 未来 313
第17章 未来教育 315
17.1 简介 315
17.2 全球发展战略 315
17.3 未来挑战与展望 324