Интеллектуальный анализ образовательных данных
Интеллектуальный анализ данных в образовании ( EDM ) — это область исследований, связанная с применением интеллектуального анализа данных , машинного обучения и статистики к информации, генерируемой в образовательных учреждениях (например, университетах и интеллектуальных системах обучения ). На высоком уровне эта область стремится разрабатывать и совершенствовать методы изучения этих данных, которые часто имеют несколько уровней значимой иерархии , чтобы открыть новые идеи о том, как люди учатся в контексте таких условий. [1] При этом EDM внесла свой вклад в теории обучения, изучаемые исследователями в области педагогической психологии и наук об обучении . [2] Эта область тесно связана с аналитикой обучения , и их сравнивали и противопоставляли. [3]
Определение [ править ]
Интеллектуальный анализ образовательных данных относится к методам, инструментам и исследованиям, предназначенным для автоматического извлечения смысла из больших хранилищ данных, созданных или связанных с учебной деятельностью людей в образовательных учреждениях. [4] Зачастую эти данные обширны, детализированы и точны. Например, некоторые системы управления обучением (LMS) отслеживают такую информацию, как когда каждый учащийся получил доступ к каждому объекту обучения , сколько раз он обращался к нему и сколько минут объект обучения отображался на экране компьютера пользователя. Другой пример: интеллектуальные системы обучения записывают данные каждый раз, когда учащийся предлагает решение проблемы. Они могут собирать время отправки, соответствует ли решение ожидаемому решению, количество времени, прошедшее с момента последней отправки, порядок, в котором компоненты решения были введены в интерфейс и т. д. Точность этих данных. такова, что даже довольно короткий сеанс компьютерной среды обучения ( например, 30 минут) может привести к получению большого количества данных процесса для анализа.
В других случаях данные менее детализированы. студента Например, университетская стенограмма может содержать упорядоченный по времени список пройденных студентом курсов, оценку , полученную студентом на каждом курсе , а также дату, когда студент выбрал или сменил свою академическую специальность . EDM использует оба типа данных для получения значимой информации о различных типах учащихся и о том, как они учатся, о структуре предметных знаний и о влиянии стратегий обучения, встроенных в различные среды обучения. Этот анализ дает новую информацию, которую было бы трудно различить, глядя на необработанные данные . Например, анализ данных из LMS может выявить взаимосвязь между учебными объектами, к которым студент обращался во время курса, и его итоговой оценкой за курс. Аналогичным образом, анализ данных успеваемости студентов может выявить взаимосвязь между оценкой студента по конкретному курсу и его решением сменить академическую специальность. Такая информация дает представление о структуре учебной среды, что позволяет учащимся, учителям, школьным администраторам и лицам, ответственным за образовательную политику, принимать обоснованные решения о том, как взаимодействовать, предоставлять образовательные ресурсы и управлять ими.
История [ править ]
Хотя анализ образовательных данных сам по себе не является новой практикой, последние достижения в области образовательных технологий , включая увеличение вычислительной мощности и возможность регистрации детальных данных об использовании учащимися компьютерной среды обучения, привели к повышенный интерес к разработке методов анализа больших объемов данных, генерируемых в образовательных учреждениях. Этот интерес выразился в серии семинаров по EDM, проведенных с 2000 по 2007 год в рамках нескольких международных исследовательских конференций . [5] В 2008 году группа исследователей организовала ежегодную международную исследовательскую конференцию по EDM, первая из которых состоялась в Монреале, Квебек , Канада. [6]
Поскольку интерес к EDM продолжал расти, исследователи EDM в 2009 году основали академический журнал Journal of Educational Data Mining для обмена и распространения результатов исследований. В 2011 году исследователи EDM основали Международное общество интеллектуального анализа данных в сфере образования, чтобы объединить исследователей EDM и продолжить развитие этой области.
С появлением в 2008 году общедоступных хранилищ данных об образовании, таких как Питтсбургского центра науки и обучения ( PSLC DataShop ) и Национального центра статистики образования (NCES), общедоступные наборы данных сделали интеллектуальный анализ образовательных данных более доступным и осуществимым, способствуя его рост. [7]
Цели [ править ]
Райан С. Бейкер и Калина Ясеф [8] определил следующие четыре цели EDM:
- Прогнозирование будущего учебного поведения учащихся . С помощью моделирования учащихся эта цель может быть достигнута путем создания моделей учащихся, учитывающих характеристики учащегося, включая подробную информацию, такую как их знания, поведение и мотивацию к обучению. Также измеряется пользовательский опыт учащегося и его общая удовлетворенность обучением.
- Обнаружение или улучшение моделей предметной области . Благодаря различным методам и приложениям EDM возможно открытие новых и улучшение существующих моделей. Примеры включают иллюстрацию образовательного контента для привлечения учащихся и определение оптимальных последовательностей обучения для поддержки стиля обучения учащегося.
- Изучение эффектов образовательной поддержки , которых можно достичь с помощью систем обучения.
- Расширение научных знаний об обучении и учащихся путем создания и включения моделей учащихся, области исследований EDM, а также используемых технологий и программного обеспечения .
Пользователи и заинтересованные стороны [ править ]
В интеллектуальном анализе образовательных данных участвуют четыре основных пользователя и заинтересованные стороны. К ним относятся:
- Учащиеся . Учащиеся заинтересованы в понимании потребностей учащихся и методах улучшения их опыта и производительности. [9] Например, учащиеся также могут извлечь выгоду из полученных знаний, используя инструменты EDM, чтобы предлагать действия и ресурсы, которые они могут использовать, на основе своего взаимодействия с инструментом онлайн-обучения и идей прошлых или похожих учащихся. [10] Для младших школьников интеллектуальный анализ образовательных данных также может информировать родителей об успехах в обучении их ребенка. [11] Также необходимо эффективно группировать учащихся в онлайн-среде. Задача состоит в том, чтобы использовать сложные данные для изучения и интерпретации этих групп посредством разработки действенных моделей. [12]
- Преподаватели . Преподаватели пытаются понять процесс обучения и методы, которые они могут использовать для улучшения своих методов обучения. [9] Преподаватели могут использовать приложения EDM, чтобы определить, как организовать и структурировать учебную программу , лучшие методы предоставления информации о курсе и инструменты, которые следует использовать для вовлечения учащихся в достижение оптимальных результатов обучения. [13] В частности, анализ данных для техники человеческого суждения дает преподавателям возможность извлечь выгоду из EDM, поскольку он позволяет преподавателям быстро выявлять поведенческие модели, которые могут поддержать их методы обучения в течение всего курса или улучшить будущие курсы. Преподаватели могут определять показатели, которые показывают удовлетворенность учащихся и их вовлеченность в учебный материал, а также отслеживать прогресс обучения. [13]
- Исследователи . Исследователи сосредоточены на разработке и оценке эффективности методов интеллектуального анализа данных. [9] Ежегодная международная конференция для исследователей началась в 2008 году. Широкий спектр тем EDM варьируется от использования интеллектуального анализа данных для повышения институциональной эффективности до успеваемости студентов.
- Администраторы . Администраторы несут ответственность за распределение ресурсов для реализации в учреждениях. [9] Поскольку учебные заведения все чаще несут ответственность за успехи учащихся, администрирование приложений EDM становится все более распространенным в образовательных учреждениях. Преподаватели и консультанты становятся более активными в выявлении и работе со студентами из группы риска. Однако иногда бывает сложно передать информацию лицам, принимающим решения, для своевременного и эффективного управления заявкой.
Фазы [ править ]
Поскольку исследования в области интеллектуального анализа данных в сфере образования продолжают расти, множество методов интеллектуального анализа данных применяются в различных образовательных контекстах. В каждом случае цель состоит в том, чтобы преобразовать необработанные данные в значимую информацию о процессе обучения, чтобы принимать более обоснованные решения о дизайне и траектории среды обучения. Таким образом, EDM обычно состоит из четырех этапов: [2] [5]
- Первым этапом процесса EDM (не считая предварительной обработки ) является обнаружение взаимосвязей в данных. Это включает в себя поиск в хранилище данных образовательной среды с целью обнаружения устойчивых связей между переменными . несколько алгоритмов Было использовано для выявления таких взаимосвязей, включая классификацию , регрессию , кластеризацию , факторный анализ , анализ социальных сетей , анализ ассоциативных правил и анализ последовательных шаблонов .
- Обнаруженные связи затем необходимо проверить , чтобы избежать переобучения .
- Проверенные отношения применяются для прогнозирования будущих событий в среде обучения.
- Прогнозы используются для поддержки процессов принятия решений и политических решений.
На этапах 3 и 4 данные часто визуализируются или каким-либо другим способом обрабатываются для человеческого суждения. [2] Было проведено большое количество исследований лучших практик визуализации данных .
Основные подходы [ править ]
Из упомянутых общих категорий методов прогнозирование , кластеризация и анализ отношений считаются универсальными методами для всех типов интеллектуального анализа данных; однако открытие с помощью моделей и обработка данных для человеческого суждения считаются более важными подходами в интеллектуальном анализе образовательных данных. [7]
Открытие с моделями [ править ]
В методе «Открытие с помощью модели» модель разрабатывается посредством прогнозирования, кластеризации или инженерного анализа знаний , а затем используется в качестве компонента в другом анализе, а именно при прогнозировании и анализе взаимосвязей. [7] При использовании метода прогнозирования прогнозы созданной модели используются для прогнозирования новой переменной . [7] Для использования анализа отношений созданная модель позволяет анализировать новые прогнозы и дополнительные переменные в исследовании. [7] Во многих случаях при обнаружении с помощью моделей используются проверенные модели прогнозирования, которые доказали возможность обобщения в разных контекстах.
Ключевые применения этого метода включают обнаружение взаимосвязей между поведением учащихся, характеристиками и контекстными переменными в учебной среде. [7] С помощью этого метода также можно изучить дальнейшее открытие широких и конкретных исследовательских вопросов в широком диапазоне контекстов.
Получение данных для человеческого суждения [ править ]
Люди могут делать выводы о данных, которые могут выходить за рамки возможностей автоматизированного метода интеллектуального анализа данных . [7] При использовании интеллектуального анализа данных в сфере образования данные обрабатываются для человеческого суждения для двух ключевых целей: идентификации и классификации . [7]
В целях идентификации данные очищаются, чтобы люди могли идентифицировать хорошо известные закономерности, которые в противном случае было бы трудно интерпретировать. Например, кривая обучения , классическая для исследований в области образования, представляет собой модель, которая четко отражает взаимосвязь между обучением и опытом с течением времени.
Данные также очищаются для целей классификации характеристик данных, которые для интеллектуального анализа образовательных данных используются для поддержки разработки модели прогнозирования. Классификация помогает значительно ускорить разработку модели прогнозирования.
Цель этого метода — обобщить и представить информацию в полезной, интерактивной и визуально привлекательной форме, чтобы понять большие объемы данных об образовании и помочь в принятии решений . [9] В частности, этот метод полезен преподавателям для понимания информации об использовании и эффективности учебных занятий. [9] Ключевые приложения для сбора данных для человеческого суждения включают выявление закономерностей в обучении учащихся, их поведении, возможностях для сотрудничества и маркировку данных для будущего использования в моделях прогнозирования. [7]
Приложения [ править ]
Список основных приложений EDM предоставлен Кристобалем Ромеро и Себастьяном Вентурой. [5] В их таксономии областями применения EDM являются:
- Анализ и визуализация данных
- Предоставление обратной связи для поддерживающих инструкторов
- Рекомендации для студентов
- Прогнозирование успеваемости учащихся
- Студенческое моделирование
- Обнаружение нежелательного поведения учащихся
- Группировка студентов
- Анализ социальных сетей
- Разработка концептуальных карт
- Создание учебных программ. EDM можно применять к системам управления курсами, таким как Moodle с открытым исходным кодом . Moodle содержит данные об использовании, которые включают в себя различные действия пользователей, такие как результаты тестов, количество прочитанных материалов и участие в дискуссионных форумах . Инструменты интеллектуального анализа данных можно использовать для настройки учебной деятельности для каждого пользователя и адаптации темпа прохождения курса студентом. Это особенно полезно для онлайн-курсов с разным уровнем компетентности.
- Планирование и составление расписания
Новое исследование среды мобильного обучения также предполагает, что интеллектуальный анализ данных может быть полезен. Интеллектуальный анализ данных может использоваться для предоставления персонализированного контента мобильным пользователям, несмотря на различия в управлении контентом между мобильными устройствами и стандартными ПК и веб-браузерами .
Новые приложения EDM будут направлены на то, чтобы позволить нетехническим пользователям использовать и участвовать в инструментах и действиях интеллектуального анализа данных, делая сбор и обработку данных более доступными для всех пользователей EDM. Примеры включают инструменты статистики и визуализации, которые анализируют социальные сети и их влияние на результаты обучения и производительность. [14]
Курсы [ править ]
- В октябре 2013 года Coursera предложила бесплатный онлайн-курс «Большие данные в образовании», в котором рассказывалось, как и когда использовать ключевые методы EDM. [15] Этот курс был перенесен на edX летом 2015 года. [16] и с тех пор продолжает ежегодно работать на edX. Архив курса теперь доступен онлайн. [17]
- Педагогический колледж Колумбийского университета предлагает степень магистра в области аналитики обучения. [18]
Места публикации [ править ]
Значительные объемы работ EDM публикуются на рецензируемой Международной конференции по интеллектуальному анализу данных в образовании, организованной Международным обществом интеллектуального анализа данных в образовании.
- 1-я Международная конференция по интеллектуальному анализу данных в образовании (2008 г.) [19] – Монреаль, Канада
- 2-я Международная конференция по интеллектуальному анализу данных в образовании (2009 г.) [20] – Кордова, Испания
- 3-я Международная конференция по интеллектуальному анализу данных в образовании (2010 г.) [21] – Питтсбург, Пенсильвания, США
- 4-я Международная конференция по интеллектуальному анализу данных в образовании (2011 г.) [22] – Эйндховен, Нидерланды
- 5-я Международная конференция по интеллектуальному анализу данных в образовании (2012 г.) [23] – Ханья, Греция
- 6-я Международная конференция по интеллектуальному анализу данных в образовании (2013 г.) [24] – Мемфис, Теннесси, США
- 7-я Международная конференция по интеллектуальному анализу данных в образовании (2014 г.) [25] – Лондон, Великобритания
- 8-я Международная конференция по интеллектуальному анализу данных в образовании] (2015 г.) [26] – Мадрид, Испания
- 9-я Международная конференция по интеллектуальному анализу данных в образовании (2016 г.) [27] – Роли, Северная Каролина, США
- 10-я Международная конференция по интеллектуальному анализу данных в образовании] (2017 г.) [28] – Ухань, Китай
- 11-я Международная конференция по интеллектуальному анализу данных в образовании (2018 г.) [29] - Буффало, Нью-Йорк, США
- 12-я Международная конференция по интеллектуальному анализу данных в образовании (2019 г.) [30] – Монреаль, Квебек, Канада
- 13-я Международная конференция по интеллектуальному анализу данных в образовании] (2020 г.) [31] – Виртуальный
- 14-я Международная конференция по интеллектуальному анализу данных в образовании (2021 г.) [32] – Париж, Франция
Статьи EDM также публикуются в Журнале образовательного анализа данных (JEDM).
Многие статьи по EDM регулярно публикуются на соответствующих конференциях, таких как «Искусственный интеллект и образование», «Интеллектуальные системы обучения » и «Моделирование пользователей, адаптация и персонализация» .
В 2011 году компания Chapman & Hall / CRC Press , Тейлор и Фрэнсис Груп опубликовали первое руководство по интеллектуальному анализу данных в образовании. Этот ресурс был создан для тех, кто заинтересован в участии в образовательном сообществе интеллектуального анализа данных. [14]
Конкурсы [ править ]
В 2010 году Кубок KDD Ассоциации вычислительной техники проводился с использованием данных из образовательных учреждений. [33] Набор данных был предоставлен DataShop и состоял из более чем 1 000 000 точек данных от студентов, использующих когнитивного преподавателя . [34] Шестьсот команд боролись за призовой фонд в размере более 8000 долларов США (который был пожертвован Facebook ). Целью участников было разработать алгоритм, который после обучения на предоставленных данных мог бы делать наиболее точные прогнозы на основе новых данных. Победители представили алгоритм, в котором использовалась генерация признаков (форма обучения представлению ), случайные леса и байесовские сети . [35]
и проблемы Затраты
Наряду с технологическими достижениями существуют затраты и проблемы, связанные с внедрением приложений EDM. К ним относятся затраты на хранение зарегистрированных данных и затраты, связанные с наймом персонала, занимающегося управлением системами данных. [36] Более того, системы данных не всегда могут легко интегрироваться друг с другом, и даже при поддержке инструментов статистики и визуализации создание одной упрощенной версии данных может оказаться затруднительным. [36] Кроме того, выбор данных для сбора и анализа также может оказаться сложной задачей. [36] что делает начальные этапы очень трудоемкими и трудоемкими. От начала до конца стратегия и реализация EDM требуют соблюдения конфиденциальности и этики. [36] для всех вовлеченных заинтересованных сторон.
Критика [ править ]
- Обобщаемость . Исследования в области электронного документооборота могут быть специфичными для конкретной образовательной среды и времени, в течение которого исследование проводилось, и, как таковые, не могут быть распространены на другие учреждения. Исследования также показывают, что область интеллектуального анализа образовательных данных сконцентрирована в западных странах и культурах , и, следовательно, другие страны и культуры могут быть не представлены в исследованиях и результатах. [8] При разработке будущих моделей следует учитывать применение в различных контекстах.
- Конфиденциальность . Конфиденциальность личности является постоянной проблемой при применении инструментов интеллектуального анализа данных. Имея на рынке бесплатные, доступные и удобные инструменты, учащиеся и их семьи могут подвергаться риску из-за информации, которую учащиеся предоставляют системе обучения в надежде получить обратную связь, которая пойдет на пользу их будущей успеваемости. По мере того, как пользователи становятся более опытными в понимании конфиденциальности в Интернете , администраторы образовательных инструментов интеллектуального анализа данных должны проявлять инициативу в защите конфиденциальности своих пользователей и быть прозрачными в отношении того, как и кому информация будет использоваться и передаваться. При разработке инструментов EDM следует учитывать защиту конфиденциальности личности, одновременно продвигая исследования в этой области.
- Плагиат . Обнаружение плагиата является постоянной проблемой для преподавателей и преподавателей, как в классе, так и в Интернете. Однако из-за сложностей, связанных, в частности, с обнаружением и предотвращением цифрового плагиата, инструменты интеллектуального анализа образовательных данных в настоящее время недостаточно сложны для точного решения этой проблемы. Таким образом, развитие возможностей прогнозирования проблем, связанных с плагиатом, должно стать областью внимания будущих исследований.
- Принятие . Неизвестно, насколько широко распространено внедрение EDM и в какой степени учреждения применили и рассмотрели возможность реализации стратегии EDM. Таким образом, неясно, существуют ли какие-либо препятствия, мешающие пользователям применять EDM в своих образовательных учреждениях.
См. также [ править ]
- Большие данные
- Интеллектуальный анализ данных
- Образование
- Образовательные технологии
- Словарь образовательных терминов
- Обучение аналитике
- Машинное обучение
- Статистика
Ссылки [ править ]
- ^ «EducationalDataMining.org» . 2013 . Проверено 15 июля 2013 г.
- ^ Jump up to: Перейти обратно: а б с Р. Бейкер (2010) Интеллектуальный анализ данных для образования. В Макгоу Б., Петерсоне П., Бейкере Э. (ред.) Международная энциклопедия образования (3-е издание), том. 7, стр. 112-118. Оксфорд, Великобритания: Elsevier.
- ^ Г. Сименс, RSjd Baker (2012). «Аналитика обучения и интеллектуальный анализ образовательных данных: на пути к общению и сотрудничеству». Материалы 2-й Международной конференции по аналитике обучения и знаниям . стр. 252–254. дои : 10.1145/2330601.2330661 . ISBN 9781450311113 . S2CID 207196058 .
- ^ «educationaldatamining.org» . Проверено 14 ноября 2020 г.
- ^ Jump up to: Перейти обратно: а б с К. Ромеро, С. Вентура. Интеллектуальный анализ данных в образовании: обзор современного состояния. Транзакции IEEE по системам, человеку и кибернетике, Часть C: Приложения и обзоры. 40( 6 ), 601-618, 2010.
- ^ " http://educationaldatamining.org/EDM2008/ " Проверено 4 сентября 2013 г.
- ^ Jump up to: Перейти обратно: а б с д и ж г час я Бейкер, Райан. «Интеллектуальный анализ данных для образования» (PDF) . Оксфорд, Великобритания: Elsevier . Проверено 9 февраля 2014 г.
- ^ Jump up to: Перейти обратно: а б Бейкер, РС; Ясеф, К. (2009). «Состояние интеллектуального анализа данных в образовании в 2009 году: обзор и видение будущего». JEDM-журнал интеллектуального анализа данных в образовании . 1 (1): 2017.
- ^ Jump up to: Перейти обратно: а б с д и ж Ромеро, Кристобаль; Вентура, Себастьян (январь – февраль 2013 г.). «Знания в области интеллектуального анализа данных WIREs». Междисциплинарные обзоры Wiley: интеллектуальный анализ данных и обнаружение знаний . 3 (1): 12–27. дои : 10.1002/widm.1075 . S2CID 18019486 .
- ^ Ромеро, Кристобаль; Вентура, Себастьян (2007). «Интеллектуальный анализ образовательных данных: опрос с 1995 по 2005 год». Экспертные системы с приложениями . 33 (1): 135–146. дои : 10.1016/j.eswa.2006.04.005 .
- ^ «Оценка экономического воздействия реформы авторского права в области обучения с использованием технологий» . Промышленность Канады. Архивировано из оригинала 13 апреля 2014 года . Проверено 6 апреля 2014 г.
- ^ Азарнуш, Бахаре и др. «К системе сегментации учащихся». JEDM-Журнал интеллектуального анализа данных в образовании 5.2 (2013): 102–126.
- ^ Jump up to: Перейти обратно: а б Министерство образования США, Управление образовательных технологий. «Совершенствование преподавания и обучения посредством интеллектуального анализа образовательных данных и анализа обучения: краткий обзор проблемы» (PDF) . Архивировано из оригинала (PDF) 11 июня 2014 года . Проверено 30 марта 2014 г.
- ^ Jump up to: Перейти обратно: а б Ромеро, К.; Вентура, С.; Печеницкий, М.; Бейкер, Р.С. (2010). Справочник по интеллектуальному анализу образовательных данных . ЦРК Пресс.
- ^ «Большие данные в образовании» . Курсера . Проверено 30 марта 2014 г.
- ^ «Большие данные в образовании» . edXedxed . Проверено 13 октября 2015 г.
- ^ «Большие данные в образовании» . Проверено 17 июля 2018 г.
- ^ «Аналитика обучения | Педагогический колледж Колумбийского университета» . www.tc.columbia.edu . Проверено 13 октября 2015 г.
- ^ "Дом" . www.educationaldatamining.org . Проверено 1 июля 2022 г.
- ^ «EDM'09 — Домой» . www.educationaldatamining.org . Проверено 1 июля 2022 г.
- ^ «ЭДМ2010» . 20 октября 2011 г. Архивировано из оригинала 20 октября 2011 года . Проверено 2 июля 2022 г.
- ^ «ЭДМ2011» . 20 октября 2011 г. Архивировано из оригинала 9 мая 2021 г. . Проверено 1 июля 2022 г.
- ^ «ЭДМ2012» . Архивировано из оригинала 8 мая 2013 года . Проверено 1 июля 2022 г.
- ^ «ЭДМ2013» . Архивировано из оригинала 29 декабря 2013 года . Проверено 1 июля 2022 г.
- ^ «ЭДМ2014» . Архивировано из оригинала 30 января 2014 года . Проверено 1 июля 2022 г.
- ^ «ЭДМ2015» . Архивировано из оригинала 8 октября 2014 года . Проверено 1 июля 2022 г.
- ^ «ЭДМ2016» . Архивировано из оригинала 13 мая 2022 года . Проверено 1 июля 2022 г.
- ^ «ЭДМ2017» . Архивировано из оригинала 30 апреля 2017 года . Проверено 1 июля 2022 г.
- ^ «ЭДМ2018» . Архивировано из оригинала 13 мая 2022 года . Проверено 1 июля 2022 г.
- ^ «ЭДМ2019» . Архивировано из оригинала 13 мая 2022 года . Проверено 1 июля 2022 г.
- ^ «ЭДМ2020» . Архивировано из оригинала 22 января 2022 года . Проверено 1 июля 2022 г.
- ^ «ЭДМ2021» . Архивировано из оригинала 15 августа 2021 года . Проверено 1 июля 2022 г.
- ^ «Кубок КДД 2010» . КДД . Архивировано из оригинала 15 июля 2010 года . Проверено 1 июля 2022 г.
- ^ «PLCS DataShop» . Магазин данных . Архивировано из оригинала 26 июня 2010 года . Проверено 1 июля 2022 г.
- ^ Ю, Сайн-Фу; Лин, Чи-Джен; Линь, Сюань-Тянь; Лин, Шоу-Дэ; Вэй, Инь-Сюань; Венг, Цзюй-Ю; Перемены, Чун-Фу; Ян, Эн-Сю; Маккензи, Тодд; Лу, Цзин-Кай; Се, Сюнь-Пин (2010). «Разработка функций и ансамбль классификаторов для KDD Cup 2010» (PDF) . Магазин данных . Архивировано из оригинала (PDF) 3 марта 2022 года . Проверено 1 июля 2022 г.
- ^ Jump up to: Перейти обратно: а б с д «Как интеллектуальный анализ данных в сфере образования и аналитика обучения могут улучшить и персонализировать образование?» . ЭдТехРевью . 18 июня 2013 года . Проверено 9 апреля 2014 г.