过去20年来教育数据挖掘研究使用的算法和工具

Educational data mining to predict students' academic performance: A survey study

作者:Saba Batool et al.

教育数据挖掘在近年来成为了炙手可热的交叉研究领域，这种技术常常被用来分析教育数据以预测学生表现，进而帮助他们取得更好的成绩。最近，研究者回顾了过去20年来的约260项研究，厘清了研究中采取的实践、运用的技术和工具。当前研究表明，神经网络和随机森林是最常用的数据挖掘算法，而Weka是最常用的工具。在预测因素中，学习日志和人口学统计因素是最佳的自变量。研究还指出，接近一半的研究在建立测量模型之前都会运用特征选择技术来选择取特定的变量。这项研究的意义在于帮助未来的研究人员在综合不同的指标、技术和工具的环境下改善教育数据挖掘的预测结果。

https://doi.org/10.1007/s10639-022-11152-y

在K-12阶段使用智能技术逃避作业会导致成绩下降

Academic dishonesty when doing homework: How digital technologies are put to bad use in secondary schools

作者:Juliette C. Désiron & Dominik Petko

随着人工智能技术的发展，学生们拥有越来越多的便利条件去逃避课后作业，但当前的研究主要关注大学阶段的学生。因此，研究者关注了瑞士中小学生使用智能工具完成作业的情况及其影响。结合2018年的PISA结果以及新开发的调查问卷，研究发现大约有一半的学生每周都会使用智能工具来完成作业，具体来说，男性学生以及非学术路径的学生更有可能参与其中。进一步分析显示，如果学生有较高的家庭作业回避倾向，那么他们的成绩也会出现显著的下降。研究者指出，这意味着在学习生涯的早期阶段使用智能技术逃避作业，对学生的学习有着确实的负面影响。

https://doi.org/10.1007/s10639-022-11225-y

教育技术学研究热点主要与人工智能技术相关

Exploring contributors, collaborations, and research topics in educational technology: A joint analysis of mainstream conferences

作者:Xieling Chen et al.

在传统的文献计量分析中，学术会议成果往往不会被纳入其中。但随着信息技术发展速度越来越快，众多的研究成果只能在学术会议中进行汇报。最近，研究者分析了教育技术领域的学术会议成功，总结了当前该领域的主要研究方向。研究结果显示，当前热门的研究方向包括情感计算和行为挖掘、个性化学习相关系统、眼动追踪、言语分析以及自然语言处理。总的来说，这些研究方向大多与人工智能技术相关。

https://doi.org/10.1007/s10639-022-11209-y