黃琰 趙呈領(lǐng) 趙剛 劉軍 疏鳳芳 李紅霞

[摘 ? 要] 在指數(shù)增長的教育大數(shù)據(jù)中，挖掘抽象復(fù)雜的教育過程規(guī)律需要智能技術(shù)的加持。教育過程挖掘是通過建立完整、緊湊的教育過程模型，揭示教學(xué)活動規(guī)律，優(yōu)化教育實(shí)踐的一種融合數(shù)據(jù)科學(xué)和過程科學(xué)的智能技術(shù)與方法。教育過程挖掘以研究框架為指導(dǎo)，可采用過程模型發(fā)現(xiàn)、一致性檢驗(yàn)和過程模型增強(qiáng)三類場景中的關(guān)鍵技術(shù)和常用模型開展研究與實(shí)踐，助力發(fā)現(xiàn)學(xué)習(xí)行為模式、預(yù)測學(xué)習(xí)效果趨勢、改進(jìn)教學(xué)評價反饋、提供教學(xué)決策支持和提升教育管理服務(wù)。教育過程挖掘發(fā)展亟須增強(qiáng)決策推薦與理論引領(lǐng)作用、探索深層次與多模態(tài)數(shù)據(jù)應(yīng)用、優(yōu)化算法以開發(fā)教育領(lǐng)域工具以及在各類新興教育領(lǐng)域進(jìn)行推廣與創(chuàng)新。

[關(guān)鍵詞] 教育過程; 智能技術(shù); 教育過程挖掘; 教育大數(shù)據(jù)

[中圖分類號] G434 ? ? ? ? ? ?[文獻(xiàn)標(biāo)志碼] A

[作者簡介] 黃琰（1988—），女，貴州赤水人。講師，博士研究生，主要從事教育數(shù)據(jù)挖掘、在線教學(xué)研究。E-mail：hyan2016@163.com。趙呈領(lǐng)為通訊作者，E-mail：zhcling@mail.ccnu.edu.cn。

一、引 ? 言

智能教育作為我國人工智能發(fā)展規(guī)劃的重要組成部分，探索以大數(shù)據(jù)、物聯(lián)網(wǎng)感知、人工智能等為代表的智能技術(shù)與教育的深度融合。智能技術(shù)為提升學(xué)生學(xué)習(xí)體驗(yàn)、輔助教師高效教學(xué)、助力教師發(fā)展與培養(yǎng)、提供精準(zhǔn)評測和科學(xué)化的教學(xué)治理等提供了智能化教育環(huán)境和工具[1]，為推動教育創(chuàng)新與變革帶來了新的機(jī)遇[2]。智能技術(shù)與教育的融合路徑不僅應(yīng)強(qiáng)調(diào)借助智能技術(shù)解決教育問題，還應(yīng)進(jìn)一步從更廣闊的研究視角，通過跨領(lǐng)域合作共同探究教育問題本質(zhì)[3]。

面對教育研究領(lǐng)域的眾多挑戰(zhàn)，需要從教育數(shù)據(jù)中提煉新知識和新模型。借助教育數(shù)據(jù)挖掘（EDM），通過分類、聚類、回歸、關(guān)聯(lián)、序列和偏差等識別模式，可以獲取對教學(xué)內(nèi)容、教學(xué)資源、教學(xué)行為、教學(xué)結(jié)果等變量的描述性解釋，實(shí)現(xiàn)對教與學(xué)未來趨勢的預(yù)測[4]。但把握教育規(guī)律不僅需要關(guān)注教育細(xì)節(jié)，更需要對教育過程實(shí)現(xiàn)全局性分析。面對指數(shù)增長的教育大數(shù)據(jù)，大多數(shù)傳統(tǒng)的EDM技術(shù)缺少對數(shù)據(jù)整體性的關(guān)注，未能提供完整的教育過程可視化呈現(xiàn)方法[5]。如何改進(jìn)技術(shù)以應(yīng)對教育大數(shù)據(jù)的復(fù)雜性[6]，怎樣運(yùn)用教育大數(shù)據(jù)精準(zhǔn)而全面地透析教育過程？教育過程挖掘（EPM）作為可以洞察教育過程全貌并支持教育過程改進(jìn)的智能技術(shù)，或?qū)⒊蔀檫@類重要問題的突破口?；诖?，文章聚焦于EPM智能技術(shù)，從內(nèi)涵、研究框架、應(yīng)用案例、未來展望四個模塊，分析EPM在教育領(lǐng)域應(yīng)用的現(xiàn)狀與趨勢，為推進(jìn)數(shù)據(jù)密集型科學(xué)研究提供參考與借鑒。

二、教育過程挖掘的內(nèi)涵

科學(xué)研究在數(shù)據(jù)爆發(fā)式增長的引領(lǐng)下正邁入“數(shù)據(jù)密集型”范式[7]。在教育領(lǐng)域，挖掘教育過程數(shù)據(jù)中的有效信息和核心價值是探索教育規(guī)律的重要依據(jù)，準(zhǔn)確把握教育過程挖掘內(nèi)涵是洞悉教育機(jī)理的關(guān)鍵。

（一）教育過程

教育過程（Educational Process，EP）是教育者和受教育者圍繞教育目標(biāo)開展的雙向活動過程[8]。從時間上看，教育過程可以是一節(jié)課、一個知識點(diǎn)的教學(xué)時長，也可以涵蓋學(xué)生的所有學(xué)業(yè)記錄，或是一個地區(qū)的教育規(guī)劃階段，甚至可以是終生學(xué)習(xí)的整個時長[9]。從結(jié)構(gòu)上看，教育過程是由教育要素、運(yùn)行階段、教育事件等組成的復(fù)雜、有機(jī)系統(tǒng)，雜亂的教育事件中隱藏著有序的教育規(guī)律，是教學(xué)理論的現(xiàn)實(shí)表現(xiàn)。從特征上分析，教育過程是以提高學(xué)生認(rèn)識和促進(jìn)學(xué)生發(fā)展為中心，具有很強(qiáng)的教育目的性;是教學(xué)活動的延續(xù)與展開，具有生成性與發(fā)展性;是教育要素之間交互作用的變化和發(fā)展，具有必然性和規(guī)律性;是教育事件的變遷序列及其關(guān)系性集群，呈現(xiàn)出一定的無序性和不確定性[10]。因此，解析教育過程需要透過教育事件把握整體規(guī)律并理解其多重特征，同時發(fā)揮整體與部分的積極性，才能推動教育目標(biāo)的實(shí)現(xiàn)。

（二）過程挖掘

過程挖掘（Process Mining，PM）的基本思想由Cook等人于1995年首次提出，最初目的是從軟件事件日志中自動發(fā)現(xiàn)過程模型[11]。1998年，Agrawal教授正式將其命名為過程挖掘[12]，并將該技術(shù)引入業(yè)務(wù)過程管理領(lǐng)域。PM吸收了數(shù)據(jù)科學(xué)中的數(shù)據(jù)挖掘、統(tǒng)計(jì)學(xué)理論、數(shù)據(jù)庫和分布式系統(tǒng)等技術(shù)，同時結(jié)合了過程科學(xué)所包含的推理學(xué)、業(yè)務(wù)過程管理、并發(fā)理論、優(yōu)化技術(shù)等方法，將“以數(shù)據(jù)為中心”的事件日志分析和“以模型為基礎(chǔ)”的過程分析進(jìn)行融合，以過程全局性的視角為研究起點(diǎn)，以具備過程屬性的事件數(shù)據(jù)為研究對象，通過模型發(fā)現(xiàn)、合規(guī)性檢查、偏差探測、瓶頸檢測、預(yù)測執(zhí)行和輔助過程再造等技術(shù)提取過程知識，并提供可視化技術(shù)以助于闡釋與改進(jìn)實(shí)踐，已在商業(yè)、工程、醫(yī)療、物流等多個領(lǐng)域展開廣泛應(yīng)用。

（三）教育過程挖掘

教育過程挖掘（Educational Process Mining，EPM）是以教育事件為研究對象，實(shí)現(xiàn)教育過程數(shù)據(jù)的提取、分析與可視化[13]，通過建立完整、緊湊的教育過程模型，揭示教學(xué)活動規(guī)律，優(yōu)化教育實(shí)踐的智能技術(shù)與方法。EPM作為一種面向過程的知識發(fā)現(xiàn)新技術(shù)，并非傳統(tǒng)方法的簡單混合。EPM直接借助教育事件日志自動生成完整且簡潔的教育過程模型[14]，提高了復(fù)雜情境下教育過程模型的建模效率;EPM可以不依賴專家知識與經(jīng)驗(yàn)發(fā)現(xiàn)各種教學(xué)活動的真實(shí)軌跡，最大限度地減少建模過程中人為因素的干擾;與序列模式挖掘（SPM）、滯后序列分析（LAS）等相關(guān)技術(shù)有著一定的區(qū)別，這些技術(shù)適用于相對較短的重復(fù)行為序列和行為之間的關(guān)聯(lián)分析，而EPM以全局性過程觀為指導(dǎo)，不僅可以自動生成教育過程模型，還可以采用檢驗(yàn)技術(shù)比較不同過程模型之間的差異，通過瓶頸查找改進(jìn)過程模型并指導(dǎo)實(shí)踐，為科學(xué)把握教育規(guī)律帶來了巨大的潛能。因此，EPM拓展了教育數(shù)據(jù)挖掘（EDM）的邊界，或?qū)⒊蔀橥黄飘?dāng)前教育研究困境的新契機(jī)。

三、教育過程挖掘研究框架

（一）研究框架

本文在繼承PM研究框架的基礎(chǔ)上[15-17]，參考DIKW（Data、Information、Knowledge、Wisdom）層次結(jié)構(gòu)模型[18]，搭建了教育過程挖掘循環(huán)框架（如圖1所示）。

研究框架包括四個模塊：（1）教育世界，是多元化、多維度的復(fù)雜系統(tǒng)，學(xué)生處于教育世界的中心，既是教學(xué)活動設(shè)計(jì)的出發(fā)點(diǎn)，又是教育過程評價的落腳點(diǎn)，而教師為保障教學(xué)活動的有效進(jìn)行提供設(shè)計(jì)、組織、提供、監(jiān)督、評價等支持;（2）信息系統(tǒng)，是EPM的重要載體，提供支持教學(xué)交互行為的技術(shù)環(huán)境，記錄教育事件的技術(shù)平臺，分析學(xué)生基本情況的工具等;（3）事件日志，每個事件對應(yīng)一個案例和活動，日志質(zhì)量直接影響過程挖掘的實(shí)施與結(jié)果;（4）過程模型，是通過技術(shù)得到的過程性知識表征，為改進(jìn)教育世界與教育信息提供充實(shí)的理論與實(shí)踐引導(dǎo)。

數(shù)據(jù)的轉(zhuǎn)換可分為四個環(huán)節(jié)：（1）數(shù)據(jù)收集，是探索教育規(guī)律的起點(diǎn)，所有的挖掘工作都是圍繞教育事件數(shù)據(jù)展開，如課程注冊行為、教師教學(xué)行為、學(xué)生學(xué)習(xí)痕跡、學(xué)生考試記錄、教學(xué)資源使用、教學(xué)人員配置等;（2）信息提取，將各類教育過程事件數(shù)據(jù)中的有效信息轉(zhuǎn)化為可直接分析的事件日志;（3）知識轉(zhuǎn)換，根據(jù)需求適配智能場景，實(shí)現(xiàn)事件日志與過程模型之間的信息轉(zhuǎn)換;（4）智慧應(yīng)用，提煉過程性知識并修正教育信息系統(tǒng)，通過可視化模型呈現(xiàn)并指導(dǎo)教育實(shí)踐，進(jìn)而改進(jìn)教育世界。

（二）智能場景

1. 過程模型發(fā)現(xiàn)

過程模型發(fā)現(xiàn)（Process Model Discovery）包含EPM最基礎(chǔ)、最重要的技術(shù)，實(shí)現(xiàn)從事件日志中自動抽取有價值的客觀信息，構(gòu)建完整而緊湊的教育過程模型[19-20]。過程模型發(fā)現(xiàn)又最具技術(shù)復(fù)雜性，需要以精準(zhǔn)的算法為依托，并追求達(dá)到適合度、泛化度、精確度和簡潔度四個質(zhì)量指標(biāo)之間的平衡。

1995年，Cook教授等人針對順序序列的軟件過程發(fā)現(xiàn)，使用RNet、KTail 和Markov算法開始對過程挖掘進(jìn)行探索[11]。Wil教授等人提出了α算法、啟發(fā)式挖掘和區(qū)域挖掘等算法[15，21-22]，進(jìn)一步為過程挖掘研究奠定了理論和實(shí)踐基礎(chǔ)。隨著相關(guān)研究的深入，涌現(xiàn)出了許多過程模型發(fā)現(xiàn)算法，包括模糊挖掘算法、遺傳挖掘算法、變遷系統(tǒng)挖掘算法等。

在算法構(gòu)建過程模型的基礎(chǔ)上，還需要借助良好的表示模型向最終用戶呈現(xiàn)挖掘到的有效知識，如Petri網(wǎng)、工作流網(wǎng)（WF-net）、業(yè)務(wù)流程圖（BPMN）、模糊網(wǎng)、啟發(fā)式網(wǎng)等。其中，Petri網(wǎng)是由德國Petri博士于1962年提出[23]，由于其具有簡單化圖形表達(dá)的特點(diǎn)和豐富的分析功能，能對并發(fā)、選擇和迭代結(jié)構(gòu)進(jìn)行建模，已成為使用頻率最高的表示模型之一。

2. 一致性檢驗(yàn)

一致性檢驗(yàn)（Conformance Checking）可以發(fā)現(xiàn)觀測行為與過程模型之間的共性和差異，量化和診斷偏差并篩選出離群值。一般采用兩種方法：（1）線性時態(tài)邏輯（LTL），將事件日志與一組由線性時態(tài)邏輯描述的需求進(jìn)行比較[24]，只需要定義標(biāo)準(zhǔn)屬性，適用于無模型參考的復(fù)雜情境;（2）一致性檢驗(yàn)器，通過日志回放、狀態(tài)空間分析和結(jié)構(gòu)分析來檢測度量模型與事件日志之間的契合度[25]，可以評估過程模型所允許的行為，也可以評估過程模型的適合度、精度和結(jié)構(gòu)。

3. 過程模型增強(qiáng)

過程模型增強(qiáng)（Process Model Enhancement），實(shí)現(xiàn)對已有教育過程模型的改進(jìn)，進(jìn)而指導(dǎo)教育實(shí)踐。其分析起點(diǎn)是一組事件日志和初始過程模型。主要分為兩種方式：（1）修復(fù)，指通過修改過程模型一小部分，使其能夠更好地平衡四個質(zhì)量標(biāo)準(zhǔn)，比如：兩個教學(xué)活動在過程模型中為順序關(guān)系，但在現(xiàn)實(shí)教育過程中它們卻可以隨機(jī)發(fā)生，就需要對這兩個活動的執(zhí)行語義進(jìn)行調(diào)整;（2）擴(kuò)展，通過給模型增加一個新的視角解釋教育過程，例如：資源視角，利用決策樹方法為資源建設(shè)與分配提供策略;組織視角，可結(jié)合社會網(wǎng)絡(luò)分析法（SNA）等可視化技術(shù)對教學(xué)角色或組織單元進(jìn)行分析與聚類，實(shí)現(xiàn)對模型的拓展應(yīng)用。

四、教育過程挖掘應(yīng)用與實(shí)踐案例

智能技術(shù)如何讓數(shù)據(jù)在教學(xué)情境中真正發(fā)揮作用，提升教學(xué)問題分析的實(shí)效性，是突破當(dāng)前教育發(fā)展瓶頸最關(guān)鍵的挑戰(zhàn)之一。通過多項(xiàng)理論分析與實(shí)踐探索，智能技術(shù)對教育應(yīng)用產(chǎn)生了多維效應(yīng)[1，26-27]。從已有實(shí)踐案例的研究來看，這種多維效應(yīng)包含發(fā)現(xiàn)學(xué)習(xí)行為模式、預(yù)測學(xué)習(xí)效果趨勢、改進(jìn)教學(xué)評價反饋、提供教學(xué)決策支持和提升教育管理服務(wù)五個維度（見表1）。

（一）發(fā)現(xiàn)學(xué)習(xí)行為模式

學(xué)習(xí)行為是推動學(xué)習(xí)有效發(fā)生的關(guān)鍵因素[50]。發(fā)現(xiàn)學(xué)習(xí)行為模式可以明晰學(xué)習(xí)過程的發(fā)生機(jī)制，有助于解密“學(xué)習(xí)黑箱”。Reimann等人關(guān)注教育研究領(lǐng)域中的方法論研究，提出了以創(chuàng)新理論解釋為目的的自我調(diào)節(jié)學(xué)習(xí)過程挖掘模式[51]。在此基礎(chǔ)上，Bannert等人對比高低分學(xué)生的自我調(diào)節(jié)學(xué)習(xí)過程模型，發(fā)現(xiàn)高分學(xué)生表現(xiàn)出更多規(guī)則性的深度加工學(xué)習(xí)行為，與自我調(diào)節(jié)學(xué)習(xí)、元認(rèn)知理論提出的結(jié)論相吻合[28]。Trcka等人將學(xué)生的多門課程考試記錄轉(zhuǎn)換為事件日志，分析選修課程的學(xué)習(xí)路徑，比較學(xué)生實(shí)際參與課程學(xué)習(xí)的順序是否符合預(yù)先的課程設(shè)計(jì)規(guī)則[29]。另外，Bergenthum等人針對群體學(xué)習(xí)行為，提出了一種關(guān)注動態(tài)角色表示的學(xué)習(xí)流建模語言，通過小組協(xié)作活動的方式來關(guān)注群體學(xué)習(xí)[30]。Schoor和Bannert選擇CSCL為研究背景，使用模糊算法分別構(gòu)建高分組與非高分組的協(xié)作學(xué)習(xí)過程模型[31]。Fernández-Gallego等人聚焦3D教育虛擬世界中的學(xué)習(xí)互動行為，借助Petri網(wǎng)解釋學(xué)生學(xué)習(xí)過程與規(guī)律[32]。由于虛擬世界的學(xué)習(xí)互動更頻繁、更不可控，學(xué)生在預(yù)設(shè)學(xué)習(xí)流程的基礎(chǔ)上會創(chuàng)新出新的學(xué)習(xí)行為，因此，選用一致性檢驗(yàn)技術(shù)從眾多噪音數(shù)據(jù)中篩選行為路徑。隨著研究的推進(jìn)，新的插件可以更好地解決過程探索重復(fù)、使用煩瑣等問題，Emond和Buffett采用過程探索插件（歸納視覺挖掘IVM）和序列分類技術(shù)（留一法交叉驗(yàn)證LOOCV）構(gòu)建學(xué)習(xí)過程并識別學(xué)生的技能水平，發(fā)現(xiàn)學(xué)生的實(shí)際學(xué)習(xí)過程與課程設(shè)計(jì)的半結(jié)構(gòu)化過程存在差異[33]。

（二）預(yù)測學(xué)習(xí)效果趨勢

通過預(yù)測學(xué)習(xí)效果與發(fā)展趨勢，可以進(jìn)一步優(yōu)化學(xué)習(xí)內(nèi)容、時間和方式，促進(jìn)教育優(yōu)化?；诓煌瑢蛹壓皖愋偷慕逃^程事件數(shù)據(jù)，能夠反映學(xué)生學(xué)習(xí)效果的評價指標(biāo)，實(shí)現(xiàn)對教育趨勢與走向的預(yù)測。Mukala等人采用模糊挖掘算法，提取學(xué)生在慕課中的學(xué)習(xí)行為模式，發(fā)現(xiàn)不成功學(xué)生的行為結(jié)構(gòu)差且不可預(yù)測，而成功學(xué)生的學(xué)習(xí)行為序列總體相似，這類有規(guī)律的行為是影響學(xué)習(xí)效果的重要因素[34]。Vahdat等人進(jìn)一步論證，模糊挖掘算法通過定義不同的粒度級別，可以實(shí)現(xiàn)對過程模型的抽象和簡化，可以檢測與學(xué)習(xí)過程無關(guān)的活動[35]。另外，學(xué)習(xí)任務(wù)的難度與學(xué)習(xí)成績呈負(fù)相關(guān)，學(xué)生交互行為的復(fù)雜性與該小組的最終平均成績呈正相關(guān)，都是預(yù)測成績的有效指標(biāo)。Southavilay等人使用啟發(fā)式挖掘算法分析本科生的小組協(xié)作寫作過程，以及這些學(xué)習(xí)過程對最終產(chǎn)品的質(zhì)量和語義特征的影響[36]。Doleck等人基于知識的發(fā)現(xiàn)方法，追蹤和理解醫(yī)學(xué)智能輔導(dǎo)系統(tǒng)中的學(xué)習(xí)者行為，獲取關(guān)于學(xué)生練習(xí)并掌握臨床診斷推理的連貫行為圖像，診斷不同階段的行為特征，以洞察學(xué)生進(jìn)步的趨勢[37]。

（三）改進(jìn)教學(xué)評價反饋

智能教育背景下的技術(shù)、方法和思維讓教學(xué)評價與教學(xué)反饋不再僅限于傳統(tǒng)的測試方式，評價對象也不再僅限于學(xué)生測試分?jǐn)?shù)。學(xué)習(xí)過程、學(xué)習(xí)體驗(yàn)、課程運(yùn)行、師生互動、資源建設(shè)等環(huán)節(jié)都可以通過EPM開展多維度、全過程的評價與反饋，從而實(shí)現(xiàn)教學(xué)評價促發(fā)展這一根本目標(biāo)。Pechenizkiy等人將過程發(fā)現(xiàn)、一致性檢查和績效分析等多種技術(shù)應(yīng)用于在線多項(xiàng)選擇題測試數(shù)據(jù)的分析與評估，在把握學(xué)生答題行為整體規(guī)律與趨勢的基礎(chǔ)上給予評價反饋[38]。Reimann等人針對在線協(xié)作學(xué)習(xí)，使用啟發(fā)式算法，對在線互動聊天內(nèi)容進(jìn)行過程模型建模，評價不同小組的決策過程，進(jìn)而提出改進(jìn)意見[39]。Toth等人重點(diǎn)探索如何基于個體在問題解決中的表現(xiàn)行為，識別學(xué)生的學(xué)習(xí)困難與困境[40]。Sedrakyan等人提出一種針對解決復(fù)雜問題的學(xué)習(xí)者行為數(shù)據(jù)分析方法，通過構(gòu)建一個語義上正確的概念模型，反映給定域描述的結(jié)構(gòu)和動態(tài)視圖，改變傳統(tǒng)的結(jié)果反饋方式，為學(xué)生提供面向過程的、持續(xù)的學(xué)習(xí)反饋[41]。

（四）提供教學(xué)決策支持

對教育大數(shù)據(jù)進(jìn)行過程挖掘，不僅有助于分析教育過程歷史數(shù)據(jù)，更有助于教育主管、學(xué)習(xí)顧問和教師改進(jìn)教學(xué)決策，為學(xué)生提供教學(xué)支持。對此，Porouhan和Premchaiswadi使用多種EPM技術(shù)，對高、低績效組學(xué)生的協(xié)作學(xué)習(xí)過程進(jìn)行分析，以提高教師對每個小組協(xié)作動態(tài)的認(rèn)識[42]。Trcka和Pechenizkiy進(jìn)一步提出課程挖掘框架假設(shè)，預(yù)定義一組模式模板，以便教育工作者在極其復(fù)雜的教學(xué)情境中發(fā)現(xiàn)存在的過程性問題，探索針對不同學(xué)習(xí)情境和學(xué)習(xí)群體的最有效教學(xué)支持[5]。針對課程培養(yǎng)方案，Wang和Zaiane使用有色Petri網(wǎng)將學(xué)生的課程學(xué)習(xí)路徑可視化，通過一致性檢驗(yàn)發(fā)現(xiàn)學(xué)生偏離課程方案設(shè)計(jì)的特殊行為，幫助教師在了解學(xué)生行為的基礎(chǔ)上改進(jìn)課程設(shè)計(jì)方案，并向?qū)W生推薦更恰當(dāng)?shù)恼n程[43]。針對大樣本數(shù)據(jù)，Schulte等人使用了20年里30萬名學(xué)生的600萬條課程注冊日志，通過EPM技術(shù)分析學(xué)位路徑問題，為在校學(xué)生提供了有效的課程路徑指導(dǎo)與建議，包括課程選修策略、課程要求與期望、所需投入程度等[44]。

相比學(xué)校教育，教育培訓(xùn)機(jī)構(gòu)為滿足學(xué)員的個性化需求，其課程設(shè)置與教學(xué)服務(wù)需更具靈活性。Ariouat等人試圖從一家全球咨詢公司的真實(shí)職業(yè)培訓(xùn)數(shù)據(jù)庫中找出最佳培訓(xùn)路徑[45]。在另一項(xiàng)研究中，Cairns等人使用一致性檢驗(yàn)分析學(xué)員參與培訓(xùn)過程與課程設(shè)計(jì)路徑之間的契合度，并使用執(zhí)行時間、瓶頸和決策點(diǎn)等績效指標(biāo)來增強(qiáng)培訓(xùn)過程模型，探索了過程模型擴(kuò)展技術(shù)在EPM中的適用性[20]。

（五）提升教育管理服務(wù)

通過集成教育系統(tǒng)中的各類管理與服務(wù)事件日志，EPM技術(shù)可以促進(jìn)學(xué)籍管理、課程管理、學(xué)歷學(xué)位審核與管理、行政業(yè)務(wù)管理、網(wǎng)絡(luò)安全管理等工作的科學(xué)性與規(guī)范性，進(jìn)一步優(yōu)化學(xué)生擇校、就業(yè)、心理健康輔導(dǎo)等服務(wù)[52]。學(xué)籍管理涉及學(xué)生在校期間的所有復(fù)雜又瑣碎的事件數(shù)據(jù)，精準(zhǔn)的學(xué)生學(xué)業(yè)過程報告是學(xué)生學(xué)籍管理科學(xué)高效的基本保障。對此，Ayutaya等人選擇使用具有較好穩(wěn)健性的啟發(fā)式挖掘算法，應(yīng)對學(xué)籍系統(tǒng)中日志數(shù)據(jù)的噪聲和異常情況，以準(zhǔn)確解讀泰國大學(xué)生的在校學(xué)習(xí)過程[46]。Anuwatvisit等人使用一致性檢查器，檢測教學(xué)計(jì)劃與學(xué)生的實(shí)際選課情況之間的差異，并通過性能特征和業(yè)務(wù)規(guī)則對原有模型進(jìn)行拓展[47]。針對培訓(xùn)類課程管理，Cairns等人使用過程挖掘相關(guān)算法與社會網(wǎng)絡(luò)分析方法，從關(guān)鍵的性能指標(biāo)中提煉典型的培訓(xùn)模式，得到課程與培訓(xùn)提供者之間的社交網(wǎng)絡(luò)，實(shí)現(xiàn)對專業(yè)培訓(xùn)領(lǐng)域教育過程的監(jiān)控和改善[48]。Poncin等人借鑒了軟件庫和過程挖掘相關(guān)研究方法，對多個軟件庫提取的事件日志進(jìn)行分析，通過過程模型構(gòu)建與可視化，實(shí)現(xiàn)對美國高校綜合特色課程“頂點(diǎn)項(xiàng)目”的優(yōu)化管理[49]。

五、教育過程挖掘發(fā)展趨勢

教育過程挖掘作為一種可洞察教育過程全貌并支持教育過程改進(jìn)的智能技術(shù)，從教學(xué)活動的過程全局性視角為大規(guī)模教育數(shù)據(jù)研究提供了新契機(jī)，在教育領(lǐng)域中已涌現(xiàn)出多項(xiàng)研究成果。作為一個新興領(lǐng)域，EPM教育應(yīng)用雖顯現(xiàn)出一些問題，但仍有極大的發(fā)展前景。

（一）應(yīng)用導(dǎo)向：增強(qiáng)決策推薦與理論引領(lǐng)作用

一方面，借助EPM技術(shù)可以為改進(jìn)教育實(shí)踐提供決策推薦。例如：為學(xué)習(xí)者提供最佳課程單元或?qū)W習(xí)路徑建議，Bannert等人指出，為學(xué)習(xí)者提供易讀的操作提示比單獨(dú)呈現(xiàn)過程模型更具指導(dǎo)作用[28];Cairns等人進(jìn)一步提出將決策推薦增設(shè)為EPM第四類場景，強(qiáng)調(diào)了決策推薦在EPM研究中的重要性[48]。但目前大部分實(shí)證研究還停留在技術(shù)篩選與模型構(gòu)建階段[20，43]。智能教育的發(fā)展重心應(yīng)落腳于教育，而非技術(shù)。應(yīng)該加強(qiáng)教育基礎(chǔ)研究和理論構(gòu)建，更應(yīng)該以創(chuàng)建理論解釋和發(fā)展教學(xué)理論為價值導(dǎo)向[9]。另一方面，教育過程是教育理論的基本范疇，教育過程的解讀需要以教學(xué)理論為基礎(chǔ)，以教學(xué)活動發(fā)生的情境為背景，用理論指導(dǎo)技術(shù)應(yīng)用[1]。因此，EPM不僅應(yīng)捕獲過程事件中的客觀模型，實(shí)現(xiàn)對教育過程的直接跟蹤，理解教學(xué)活動的發(fā)生機(jī)制，還需為教學(xué)改進(jìn)提供決策推薦，更需要重視理論引領(lǐng)的作用，并為教學(xué)理論發(fā)展提供支持。

（二）數(shù)據(jù)驅(qū)動：探索深層次與多模態(tài)數(shù)據(jù)應(yīng)用

數(shù)據(jù)密集型科學(xué)研究中，學(xué)者大多聚焦于如何提升挖掘“海量數(shù)據(jù)”中有效信息的方法探究，缺少對“深度數(shù)據(jù)”的探索。EPM教育應(yīng)用中的研究對象大多是易觀察到的單通道行為數(shù)據(jù)，如鼠標(biāo)點(diǎn)擊[47]、考試成績[29]或?qū)懽魑臋n[36]。Reimann等人基于現(xiàn)代科學(xué)哲學(xué)觀的批判主義觀點(diǎn)指出，在復(fù)雜教學(xué)環(huán)境中，學(xué)習(xí)行為是影響學(xué)習(xí)成效的關(guān)鍵因素，但并不是唯一因素[51]。將EPM作為唯一的方法論工具，僅依靠事件日志推導(dǎo)教學(xué)結(jié)論或理論趨勢存在一定的研究局限性。越來越多的認(rèn)知科學(xué)和神經(jīng)科學(xué)研究表明，理解復(fù)雜的教育過程需要從多角度、多層面進(jìn)行探索?？梢越梃b經(jīng)典的信息處理與統(tǒng)計(jì)方法分析顯性行為，并關(guān)注感知和體驗(yàn)的內(nèi)隱性情境認(rèn)知數(shù)據(jù)[53]，例如：在沉浸式虛擬環(huán)境中，學(xué)生的學(xué)習(xí)認(rèn)知和非認(rèn)知行為，同一時間發(fā)生的身體和大腦反應(yīng)，包括操作行為、眼球追蹤、腦電活動、皮膚電反應(yīng)等。因此，多模態(tài)數(shù)據(jù)逐漸成為洞察教育過程規(guī)律的新范式，并推進(jìn)EPM教育應(yīng)用向真正全面、客觀、自動地挖掘教育過程規(guī)律進(jìn)一步邁進(jìn)。

（三）技術(shù)創(chuàng)新：優(yōu)化算法以開發(fā)教育領(lǐng)域工具

“以事件為中心”的EPM算法不同于“以數(shù)據(jù)為中心”的EDM算法，并非是現(xiàn)有方法的簡單混合與變換，需要不斷地進(jìn)行優(yōu)化，以更好地應(yīng)對越來越復(fù)雜的教育過程事件?，F(xiàn)有的EPM教育應(yīng)用中，模糊挖掘算法和啟發(fā)式挖掘算法使用頻率較高，這兩種算法可以較好地平衡過程模型的四個質(zhì)量指標(biāo)，能避免結(jié)構(gòu)龐大、邏輯雜亂的意大利面模型。但隨著智能技術(shù)的不斷發(fā)展，相關(guān)算法的應(yīng)用門檻將越來越高，且與具體的業(yè)務(wù)場景關(guān)聯(lián)度較低，很大程度上影響了技術(shù)的推廣與發(fā)展。因此，算法需要以面向用戶的工具為依托，將技術(shù)封裝于工具底層，為上層應(yīng)用提供服務(wù)，才能更好地為各個實(shí)踐領(lǐng)域提供支持與保障。ProM作為一個開源的、可拓展的工作環(huán)境，雖已匯聚了上百種實(shí)用插件，成為最常用的工具。但ProM在處理特殊的教育事件日志時存在盲區(qū)，例如：（1）概念漂移，課程在不同學(xué)期變換了名稱;（2）學(xué)生下線，自學(xué)行為發(fā)生在線下環(huán)境;（3）數(shù)據(jù)隱私，學(xué)生信息的權(quán)限保護(hù)等[54]。對此，開發(fā)針對教育領(lǐng)域研究的專用插件，持續(xù)改進(jìn)智能算法是推進(jìn)教育科學(xué)研究的充分必要條件，這樣才能使教育過程挖掘更加有效和高效。

（四）領(lǐng)域拓展：各類新興教育領(lǐng)域的推廣創(chuàng)新

海量的教育數(shù)據(jù)蘊(yùn)藏著巨大的應(yīng)用價值，數(shù)據(jù)驅(qū)動學(xué)習(xí)分析，智能技術(shù)變革教育[1]。EPM不僅側(cè)重于從教育事件日志中提取有價值的過程知識，還可以通過過程模型優(yōu)化教育實(shí)踐。目前，EPM教育應(yīng)用涵蓋的學(xué)段包括基礎(chǔ)教育、高等教育和職業(yè)培訓(xùn)，分析的對象包括學(xué)生學(xué)習(xí)行為、小組寫作文檔、在線考試成績、學(xué)業(yè)選課記錄等，涉及的領(lǐng)域包括慕課、在線評估、游戲?qū)W習(xí)、3D教育虛擬世界等。隨著教育需求的不斷發(fā)展，新興的技術(shù)環(huán)境創(chuàng)新出更多教育實(shí)踐領(lǐng)域，如智能導(dǎo)學(xué)、人工智能學(xué)伴、“區(qū)塊鏈+教育”、虛擬助手、智能校園管理等，將EPM應(yīng)用到各類新興教育實(shí)踐領(lǐng)域，才能推動技術(shù)與應(yīng)用的雙向創(chuàng)新，為教育改革提供有效參考。

六、結(jié) ? 語

教育過程挖掘最初的切入點(diǎn)是以數(shù)據(jù)驅(qū)動為視角，通過采集與分析學(xué)習(xí)行為事件，提煉出學(xué)習(xí)流程的描述性與預(yù)測性模型。但隨著教育需求的轉(zhuǎn)變與增長，教育過程挖掘不再只是一種數(shù)據(jù)挖掘算法，越發(fā)凸顯出智能化的屬性與特征，已在教育評價、教育服務(wù)和教育管理等方面涌現(xiàn)出一定數(shù)量的個性化、情境化支撐研究，極大地拓展了教育數(shù)據(jù)挖掘的邊界。

在“智能教育”戰(zhàn)略性發(fā)展道路上，教育過程挖掘智能技術(shù)注重整體性、差異性、實(shí)踐性與創(chuàng)新性的知識挖掘與實(shí)踐改進(jìn)，可以較好地應(yīng)對教育大數(shù)據(jù)的復(fù)雜性，實(shí)現(xiàn)對教育規(guī)律、教育本質(zhì)與教育價值的科學(xué)把握。教育過程挖掘?yàn)榻逃^程提供智能化的教學(xué)支持與服務(wù)，為實(shí)現(xiàn)技術(shù)與教育的深度融合，進(jìn)一步顛覆教育模式并推動智能教育生態(tài)體系創(chuàng)新[55]，對教育真正的轉(zhuǎn)型與變革帶來更多可能。

[參考文獻(xiàn)]

[1] 嚴(yán)曉梅，高博俊，萬青青，尹霞雨.智能技術(shù)變革教育的發(fā)展趨勢——第四屆中美智慧教育大會綜述[J].中國電化教育，2019（7）：31-37.

[2] 趙婀娜.國際人工智能與教育大會閉幕，形成《北京共識》[N].人民日報，2019-05-19（02）.

[3] CHAD L H， GORDON M， LOOI C， et al.The next 25 years：how advanced interactive learning technologies will change the world[J]. International journal of artificial intelligence education，2016， 26：539-543.

[4] 任慶東，王璐璐. 通過教育數(shù)據(jù)挖掘和學(xué)習(xí)分析促進(jìn)教與學(xué)[J]. 自動化與儀器儀表， 2016（10）： 193-194.

[5] TRCKA N， PECHENIZKIY M. From local patterns to global models： towards domain driven educational process mining[C]//2009 Ninth International Conference on Intelligent Systems Design and Applications. Piscataway： IEEE， 2009： 1114-1119.

[6] 鄧仲華，李志芳. 科學(xué)研究范式的演化——大數(shù)據(jù)時代的科學(xué)研究第四范式[J]. 情報資料工作， 2013， 34（4）： 19-23.

[7] BELL G， HEY T， SZALAY A. Beyond the data deluge[J]. Science， 2009， 323（5919）： 1297-1298.

[8] 柳海民. 教育原理[M]. 長春：東北師范大學(xué)出版社，2000.

[9] 黃平，李太平.教育過程的界定及其生成特性的詮釋[J].教育研究，2013，34（7）：18-27.

[10] 郭元祥.論教育的過程屬性和過程價值——生成性思維視域中的教育過程觀[J].教育研究，2005（9）：3-8.

[11] COOK J，WOLF A. Automating process discovery through event- data analysis[C]//Proceedings of the 17th International Conference on Software Engineering.New York：ACM，1995：73-82.

[12] AGRAWAL R， GUNOPILOS D， LEYMANN F. Mining process models from workflow logs[C]//Proceedings of 6th International Conference on Extending Database Technology. Berlin： Springer，1998： 469-483.

[13] MUKALA P， BUIJS J C A M， VAN DER AALST W M P. Uncovering learning patterns in a mooc through conformance alignments[J]. BPM reports， 2015， 1509： 1-20.

[14] 鄧璐娟，董東曉，陳欣欣. 過程挖掘技術(shù)的研究與應(yīng)用[J]. 微型機(jī)與應(yīng)用， 2017， 36（18）： 11-14.

[15] VAN DER AALST W M P. Process mining： discovery， conformance and enhancement of business processes[M]. Berlin： Springer， 2011.

[16] VAN DER AALST W M P. Business alignment： using process mining as a tool for Delta analysis and conformance testing[J]. Requirements engineering， 2005， 10（3）：198-211.

[17] DE MEDEIROS A K， WEIJTERS A J， VAN DER AALST W M P， et al. Genetic process mining： an experimental evaluation[J]. Data mining and knowledge discovery， 2007， 14（2）： 245-304.

[18] ROWLEY J. The wisdom hierarchy： representations of the DIKW hierarchy[J]. Journal of information science， 2007， 33（2）： 163-180.

[19] 黃黎，譚文安. 支持復(fù)雜社會網(wǎng)絡(luò)演化的過程挖掘技術(shù)綜述[J]. 計(jì)算機(jī)工程與應(yīng)用， 2017， 53（16）： 18-28.

[20] CAIRNS A H， GUENI B， ASSU J， et al. Analyzing and improving educational process models using process mining techniques[C]//IMMM 2015 Fifth International Conference on Advances in Information Mining and Management. Wilmington： IARIA XPS Press， 2015： 17-22.

[21] VAN DER AALST W M P， ADRIANSYAH A A， DE MEDEIROS A K， et al. Process mining manifesto[C]// Lecture Notes in Business Information Processing. Berlin： Springer， 2012： 169-194

[22] VAN DER AALST W M P， SCHONENBERG M H， SONG M. Time prediction based on process mining[J]. Information systems， 2011， 36（2）： 450-475.

[23] PETRI C A. Kommunikation mit automaten（bonn） trans[D].Germany： University of Bonn， 1962.

[24] VAN DONGEN B F， DE MEDEIROS A K， VERBEEK H M， et al. The prom framework： a new era in process mining tool support[C]//Aapplications and Theory of Petri Nets. Berlin： Springer， 2005： 444-454.

[25] ROZINAT A， VAN DER AALST W M P. Conformance testing： measuring the fit and appropriateness of event logs and process models[C]//International Conference on Business Process Management. Heidelberg： Springer， Berlin， 2005： 163-176.

[26] 胡弼成，王祖霖. “大數(shù)據(jù)” 對教育的作用， 挑戰(zhàn)及教育變革趨勢——大數(shù)據(jù)時代教育變革的最新研究進(jìn)展綜述[J]. 現(xiàn)代大學(xué)教育， 2015（4）： 98-104.

[27] 牟智佳，俞顯，武法提. 國際教育數(shù)據(jù)挖掘研究現(xiàn)狀的可視化分析： 熱點(diǎn)與趨勢[J]. 電化教育研究， 2017， 38（4）： 108-114.

[28] BANNERT M， REIMANN P， SONNENBERG C， et al. Process mining techniques for analysing patterns and strategies in students' self-regulated learning[J]. Metacognition and learning， 2014， 9（2）： 161-185.

[29] TRCKA N， PECHENIZKIY M， VAN DER AALST W M P. Process mining from educational data[M]//Handbook of educational data mining. London： CRC Press， 2010：123-142.

[30] BERGENTHUM R， DESEL J， HARRER A， et al. Modeling and mining of learnflows[M]//Transactions on petri nets and other models of concurrency V. Berlin： Springer， 2012： 22-50.

[31] SCHOOR C， BANNERT M. Exploring regulatory processes during a computer-supported collaborative learning task using process mining[J]. Computers in human behavior， 2012， 28（4）： 1321-1331.

[32] FERN？魣NDEZ-GALLEGO B ， LAMA M， VIDAL J C， et al. Learning analytics framework for educational virtual worlds[J]. Procedia computer science， 2013， 25： 443-447.

[33] EMOND B， BUFFETT S. Analyzing student inquiry data using process discovery and sequence classification[C]//International Educational Data Mining Society. Madrid： ERIC， 2015 ：412-415.

[34] MUKALA P， BUIJS J C， LEEMANS M， et al. Learning analytics on coursera event data： a process mining approach[C]//Proceedings of the 5th International Symposium on Data-driven Process Discovery and Analysis. Aachen：CEUR-WS.org， 2015（1527）： 18-32.

[35] VAHDAT M， ONETO L， ANGUITA D， et al. A learning analytics approach to correlate the academic achievements of students with interaction data from an educational simulator[C]//10th European Conference on Technology Enhanced Learning. Berlin： Springer， 2015： 352-366.

[36] SOUTHAVILAY V， YACEF K， CALVO R A， et al. Process mining to support students' collaborative writing[C]// The 3th International Conference on Educational Data Mining. Pittsburgh： Educationaldatamining.org，2010： 257-266.

[37] DOLECK T， JARRELL A， POITRAS E， et al. Examining diagnosis paths： a process mining approach[C]// 2016 Second International Conference on Computational Intelligence & Communication Technology. Piscataway： IEEE， 2016： 663-667.

[38] PECHENIZKIY M， TRCKA N， VASILYEVA E， et al. Process mining online assessment data[C]// The 2nd International Conference on Educational Data Mining. Córdoba： Educationaldatamining.org， 2009 （1）： 279-288.

[39] REIMANN P， FREREJEAN J， THOMPSON K， et al. Using process mining to identify models of group decision making in chat data[C]// CSCL'09： Proceedings of the 9th International Conference on Computer Supported Collaborative Learning. New York： ACM， 2009： 98-107.

[40] T？魷TH K， R？魻LKE H， GOLDHAMMER F， et al. Educational process mining： new possibilities for understanding students' problem-solving skills[M]//Educational research and innovation. Paris： OECD， 2017 ： 193-209.

[41] SEDRAKYAN G， DE WEERDT J， SNOECK M. Process-mining enabled feedback："tell me what I did wrong" vs."tell me how to do it right"[J]. Computers in human behavior， 2016， 57： 352-376.

[42] POROUHAN P ， PREMCHAISWADI W . Process mining and learners' behavior analytics in a collaborative and web-based multi-tabletop environment[J]. International journal of online pedagogy & course design， 2017， 7（3）：29-53.

[43] WANG R， ZAIANE O R. Discovering process in curriculum data to provide recommendation[C]//The 8th International Conference on Educational Data Mining. Madrid ： Educationaldatamining.org， 2015： 580-581.

[44] SCHULTE J， DE MENDONCA P F， MARTINEZMALDONADO R， et al. Large scale predictive process mining and analytics of university degree course data[C]//LAK '17： Proceedings of the Seventh International Learning Analytics & Knowledge Conference. New York： ACM， 2017： 538-539.

[45] ARIOUAT H， CAIRNS A H， BARKAOUI K， et al. A two-step clustering approach for improving educational process model discovery[C]// 25th IEEE International Conference on Enabling Technologies： Infrastructure for Collaborative Enterprises. Piscataway： IEEE ， 2016： 38-43.

[46] AYUTAYA N S， PALUNGSUNTIKUL P， PREMCHAISWADI W， et al. Heuristic mining： adaptive process simplification in education[C]//2012 Tenth International Conference on ICT and Knowledge Engineering. Piscataway： IEEE， 2012： 221-227.

[47] ANUWATVISIT S， TUNGKASTHAN A， PREMCHAISWADI W， et al. Bottleneck mining and Petri net simulation in education situations[C]//2012 Tenth International Conference on ICT and Knowledge Engineering. Piscataway： IEEE， ?2012： 244-251.

[48] CAIRNS A H， GUENI B， FHIMA M， et al. Towards custom-designed professional training contents and curriculums through educational process mining[C]// IMMM 2014： The Fourth International Conference on Advances in Information Mining and Management. Wilmington： IARIA XPS Press， 2014： 53-58.

[49] PONCIN W， SEREBRENIK A， VAN DEN BRAND M， et al. Mining student capstone projects with FRASR and ProM[C]// Proceedings of the ACM International Conference Companion on Object Oriented Programming Systems Languages and Applications Companion- OOPSLA '11. New York： ACM， 2011： 87-96.

[50] WINNE P H. Improving measurements of self-regulated learning[J]. Educational psychologist， 2010， 45（4）： 267-276.

[51] REIMANN P， MARKAUSKAITE L， BANNERT M. e-R esearch and learning theory： what do sequence and process mining methods contribute？ [J]. British journal of educational technology， 2014， 45（3）： 528-540.

[52] 張燕南. 大數(shù)據(jù)的教育領(lǐng)域應(yīng)用之研究[D]. 上海：華東師范大學(xué)，2016.

[53] BARSALOU LAWRENCE W. Grounded cognition[J]. Annual review of psychology， 2008， 59（1）：617-645.

[54] BOGARIN A， CEREZO R， ROMERO C， et al. A survey on educational process mining[J]. Wiley interdisciplinary reviews-data mining and knowledge discovery， 2018， 8（1）： 1-17.

[55] 黃榮懷，周偉，杜靜，孫飛鵬，王歡歡，曾海軍，劉德建.面向智能教育的三個基本計(jì)算問題[J].開放教育研究，2019，25（5）：11-22.