教育數據挖掘可以促進科學教育

這對美國來說并不是個好兆頭在美國，科學、技術、工程和數學領域的工作有望成為未來經濟的支柱。

然而，糟糕的國際學生評估項目的結果可能會強調新一代科學標準的重要性，該標準已經被17個州和哥倫比亞特區采納。這些標準鼓勵了探究性科學實踐的培養，比如提出問題，設計并實施實驗來解決問題，創建和使用模型，用數據對發現做出解釋來證實自己的觀點。

培養學生這些技能的一種方法是使用數字模擬或微型世界，這允許學生像科學家那樣對科學現象進行真實的探究。學生們生成一個假設，通過在模擬中改變值來測試它，解釋他們的數據，用數據來證明他們的主張，并且交流關于他們發現的發現。雖然這樣的數字環境并不新鮮，但新的是教育數據挖掘技術的發展和應用，對學生的數據進行分析，進行核心學科知識和探究實踐的實時輔導。

教育數據挖掘提供了比傳統統計學更多的用于典型的選擇題測試。這些高保真度的數據是數字學習環境中鼠標點擊的日志文件。當學生從視覺和文本信息源、追蹤面部表情和姿勢的傳感器獲取數據等方面學習時，他們還會測量和監控學生的眼球活動模式。這些數據都是精細的，反映了學生的學習過程、知識、情感狀態;發生在不同的時間尺度;通常有多層次的層次結構和上下文。因為它們是細粒度的，可以在不同的位置實時收集到數百個用戶，教育數據挖掘可以提供對學生學習過程的洞察，而不僅僅是他們的學習產品。

當涉及到下一代科學標準時，在“底層”進行教育數據挖掘可以在系統檢測到學生需要的情況下進行動態的教育適應。通過這種方式，學生在學習最有效的時候可以得到個性化的實時反饋。這種自動的支持是很重要的，因為學生們經常不知道他們什么時候需要幫助，并且不愿意或者不能請求幫助。

教育數據挖掘還可以提供實時的基于性能的評估、報告和警報，供教師在課堂教學中使用或幫助個別學生。數據提供了更有效的比典型的多項選擇題測試,不能充分捕捉學生的科學技能,熟練程度和更可靠的比開放回應格式項目,它運行的風險假陰性(學生可以做這項工作充分但不能用語言來描述他們的深刻理解科學)或假陽性(學生擅長只是鸚鵡學舌,他們讀過或聽過但自己不能做這個工作)。這些數據也比教師通過觀察進行簡單的監控有效得多——當許多學生按照自己的節奏學習時，這是很難做到實時的。教育數據挖掘是可擴展的(所有學校都需要計算機和軟件)，統一的(所有學生都有相同的經驗)，精確、高效、適應性和可操作的。

在像美國這樣重視標準化和問責制的教育體系中，只有在我們評估科學實踐的方式上取得相當大的進步，才能實現科學進步的目標。使用技術和教育數據挖掘技術進行評估、報告和提醒，以及學生的實時輔導，可以幫助我們更快地實現這些目標。