교육용 데이터 마이닝

Educational data mining

교육 데이터 마이닝(EDM)은 교육 환경(예: 대학 및 지능형 과외 시스템)에서 생성된 정보에 데이터 마이닝, 기계 학습 및 통계를 적용하는 것과 관련된 연구 분야입니다.높은 수준에서, 이 분야는 사람들이 그러한 환경에서 어떻게 학습하는지에 대한 새로운 통찰력을 발견하기 위해 종종 여러 수준의 의미 있는 계층 구조를 가지고 있는 이 데이터를 탐색하기 위한 방법을 개발하고 개선하려고 합니다.[1]그렇게 함으로써, EDM은 교육 심리학 및 학습 과학 연구자들에 의해 조사된 학습 이론에 기여했습니다.[2]이 분야는 학습 분석 분야와 밀접하게 연관되어 있으며, 이 두 가지를 비교하고 대조해 왔습니다.[3]

정의.

교육용 데이터 마이닝은 교육 환경에서 사람들의 학습 활동에 의해 생성되거나 관련된 데이터의 대규모 저장소에서 자동으로 의미를 추출하도록 설계된 기술, 도구 및 연구를 말합니다.[4]이 데이터는 광범위하고 세분화되고 정확한 경우가 많습니다.예를 들어, 여러 LMS(Learning Management System)는 각 학생이 언제 각 학습 대상에 접속했는지, 몇 번 접속했는지, 몇 분 동안 학습 대상이 사용자의 컴퓨터 화면에 표시되었는지 등의 정보를 추적합니다.또 다른 예로, 지능형 과외 시스템은 학습자가 문제에 대한 해결책을 제출할 때마다 데이터를 기록합니다.제출한 시간, 솔루션이 예상 솔루션과 일치하는지 여부, 마지막 제출 이후 경과한 시간, 솔루션 구성요소가 인터페이스에 입력된 순서 등을 수집할 수 있습니다.이 데이터의 정밀도는 컴퓨터 기반 학습 환경에서 상당히 짧은 세션(예: 30분)으로도 분석을 위한 많은 양의 프로세스 데이터가 생성될 수 있습니다.

다른 경우에는 데이터의 미세화가 덜합니다.예를 들어, 학생의 대학 성적 증명서에는 학생이 수강한 과목, 각 과목에서 받은 성적, 학생이 전공을 선택하거나 변경한 시기 등이 일시적으로 정렬된 목록이 포함될 수 있습니다.EDM은 두 가지 유형의 데이터를 활용하여 다양한 유형의 학습자와 학습 방법, 도메인 지식의 구조, 다양한 학습 환경에 포함된 수업 전략의 효과에 대한 의미 있는 정보를 발견합니다.이러한 분석은 원시 데이터를 보고 식별하기 어려운 새로운 정보를 제공합니다.예를 들어, LMS의 데이터를 분석하면 학생이 과정 중에 접근한 학습 대상과 최종 과정 성적 사이의 관계가 밝혀질 수 있습니다.마찬가지로, 학생 성적 증명서 데이터를 분석하는 것은 특정 과정에서의 학생의 성적과 학업 전공을 바꾸기로 한 결정 사이의 관계를 밝힐 수 있습니다.이러한 정보는 학습 환경 설계에 대한 통찰력을 제공하며, 이를 통해 학생, 교사, 학교 관리자 및 교육 정책 입안자는 교육 자원과 상호 작용하고 제공하며 관리하는 방법에 대한 정보에 입각한 결정을 내릴 수 있습니다.

역사

교육 데이터의 분석은 그 자체로 새로운 관행은 아니지만, 컴퓨팅 파워의 증가와 학생들의 컴퓨터 기반 학습 환경 사용에 대한 세분화된 데이터를 기록할 수 있는 능력을 포함한 최근 교육 기술의 발전,교육 환경에서 생성되는 많은 양의 데이터를 분석하는 기술을 개발하는 것에 대한 관심이 높아졌습니다.이러한 관심은 2000년부터 2007년까지 여러 국제 연구 회의의 일환으로 개최된 일련의 EDM 워크숍으로 해석되었습니다.[5]2008년, 한 연구자 그룹이 EDM에 관한 연례 국제 연구 회의가 된 것을 설립했고, 그 첫 번째 회의는 캐나다 퀘벡의 몬트리올에서 열렸습니다.[6]

EDM에 대한 관심이 지속적으로 증가함에 따라 EDM 연구자들은 2009년 학술지 'Journal of Educational Data Mining'을 설립하여 연구 성과를 공유하고 보급하고 있습니다.2011년 EDM 연구자들은 EDM 연구자들을 연결하고 지속적으로 분야를 성장시키기 위해 국제 교육 데이터 마이닝 협회를 설립했습니다.

2008년 Pittsburgh Science of Learning Centre(PSLC) DataShop 및 National Center for Education Statistics(NCES)와 같은 공공 교육 데이터 저장소가 도입되면서 공공 데이터 세트는 교육 데이터 마이닝의 접근성과 실현 가능성을 높였으며, 이를 성장에 기여했습니다.[7]

목표들

라이언 S. 베이커(Ryan S. Baker)와 칼리나 야체프(Kalina Yacef)는 EDM의 다음과 같은 4가지 목표를 확인했습니다.

  1. 학생의 미래 학습 행동 예측 – 학생 모델링을 사용하여 학생의 지식, 행동 및 학습 동기와 같은 세부 정보를 포함하여 학생의 특성을 통합한 학생 모델을 만들어 이 목표를 달성할 수 있습니다.학습자의 사용자 경험과 학습에 대한 전반적인 만족도도 측정합니다.
  2. 도메인 모델 발굴 또는 개선 – EDM의 다양한 방법과 응용을 통해 기존 모델에 대한 새로운 및 개선점 발굴이 가능합니다.예를 들어, 학습자가 참여할 수 있는 교육 내용을 설명하고 학생의 학습 스타일을 지원할 수 있는 최적의 교육 순서를 결정하는 것 등이 있습니다.
  3. 학습시스템을 통해 달성할 수 있는 교육지원의 효과 연구
  4. 학생 모델, EDM 연구 분야, 사용된 기술 및 소프트웨어를 구축 및 통합함으로써 학습 및 학습자에 대한 과학적 지식을 향상시킵니다.

사용자 및 이해관계자

교육 데이터 마이닝과 관련된 주요 사용자와 이해관계자는 4명입니다.여기에는 다음이 포함됩니다.

  • 학습자 – 학습자는 학생의 요구와 학습자의 경험과 성과를 향상시키는 방법을 이해하는 데 관심을 가집니다.[9]예를 들어, 학습자는 EDM 도구를 사용하여 온라인 학습 도구와의 상호 작용과 과거 또는 유사 학습자의 통찰력을 바탕으로 사용할 수 있는 활동과 자원을 제안함으로써 발견된 지식으로부터 이익을 얻을 수도 있습니다.[10]젊은 학습자들을 위해, 교육 데이터 마이닝은 또한 자녀의 학습 진행 상황에 대해 부모들에게 알려줄 수 있습니다.[11]온라인 환경에서 학습자를 효과적으로 그룹화하는 것도 필요합니다.과제는 복잡한 데이터를 사용하여 실행 가능한 모델을 개발함으로써 이러한 그룹을 학습하고 해석하는 것입니다.[12]
  • 교육자 – 교육자는 학습 과정과 교육 방법을 개선하기 위해 사용할 수 있는 방법을 이해하려고 시도합니다.[9]교육자는 EDM의 응용 프로그램을 사용하여 교육 과정을 구성하고 구조화하는 방법, 과정 정보를 제공하는 최선의 방법, 학습자가 최적의 학습 결과를 얻을 수 있도록 사용할 도구를 결정할 수 있습니다.[13]특히 인간 판단 기술을 위한 데이터 증류는 교육자가 행동 패턴을 신속하게 파악할 수 있기 때문에 EDM의 혜택을 받을 수 있는 기회를 제공하며, 이는 교육자가 과정 중에 또는 향후 과정을 개선하는 데 도움이 될 수 있습니다.교육자들은 학생들의 만족도와 수업 자료에 대한 참여도를 보여주는 지표들을 결정할 수 있으며, 또한 학습 진행 상황을 관찰할 수 있습니다.[13]
  • 연구원 – 연구원들은 효과를 위해 데이터 마이닝 기법의 개발과 평가에 집중합니다.[9]매년 열리는 연구자들을 위한 국제회의가 2008년에 시작되었습니다.EDM의 광범위한 주제는 제도적 효과를 향상시키기 위해 데이터 마이닝을 사용하는 것에서부터 학생의 성과에 이르기까지 다양합니다.
  • 관리자 – 관리자는 기관에서 구현할 리소스를 할당할 책임이 있습니다.[9]기관들이 학생들의 성공에 대한 책임을 점점 더 많이 지고 있기 때문에, EDM 응용 프로그램의 관리는 교육 현장에서 점점 더 보편화되고 있습니다.교수진과 지도교수들은 위험에 처한 학생들을 파악하고 대처하는 데 있어 보다 적극적으로 대처하고 있습니다.그러나 애플리케이션을 시기적절하고 효율적으로 관리하기 위해 의사결정자에게 정보를 전달하는 것이 어려운 경우가 있습니다.

페이즈

교육용 데이터 마이닝 분야의 연구가 지속적으로 증가함에 따라 다양한 교육적 맥락에 무수히 많은 데이터 마이닝 기법이 적용되어 왔습니다.각각의 경우, 학습 환경의 설계와 궤적에 대해 더 나은 결정을 내릴 수 있도록 원시 데이터를 학습 과정에 대한 의미 있는 정보로 변환하는 것이 목표입니다.따라서 EDM은 일반적으로 네 가지 단계로 구성됩니다.[2][5]

  1. EDM 프로세스의 첫 번째 단계(사전 처리를 계산하지 않음)는 데이터에서 관계를 발견하는 것입니다.여기에는 변수 간의 일관된 관계를 찾는 것을 목표로 교육 환경의 데이터 저장소를 통해 검색하는 것이 포함됩니다.이러한 관계를 파악하기 위해 분류, 회귀, 클러스터링, 요인분석, 소셜 네트워크 분석, 연관규칙 마이닝, 순차패턴 마이닝 등 다양한 알고리즘이 사용되고 있습니다.
  2. 그런 다음 발견된 관계를 확인해야 과적합을 방지할 수 있습니다.
  3. 검증된 관계는 학습 환경의 미래 사건을 예측하는 데 적용됩니다.
  4. 예측은 의사 결정 과정과 정책 결정을 지원하는 데 사용됩니다.

3단계와 4단계 동안 데이터는 종종 시각화되거나 인간의 판단을 위해 다른 방식으로 증류됩니다.[2]데이터를 시각화하기 위한 모범 사례에서 많은 양의 연구가 수행되었습니다.

주요 접근법

언급된 일반적인 방법 범주 중 예측, 클러스터링 및 관계 마이닝은 모든 유형의 데이터 마이닝에서 보편적인 방법으로 간주되지만, 교육용 데이터 마이닝에서는 모델과 함께 발견 및 인간 판단을 위한 데이터 증류(Distry of Data)가 더 중요한 접근 방식으로 간주됩니다.[7]

모델을 이용한 탐색

Discovery with Model 방법에서는 예측, 클러스터링 또는 인간 추론 지식 엔지니어링을 통해 모델을 개발한 다음 다른 분석, 즉 예측 및 관계 마이닝의 구성 요소로 사용합니다.[7]예측 방법을 사용할 때 생성된 모형의 예측은 새로운 변수를 예측하는 데 사용됩니다.[7]생성된 모형은 연구에서 새로운 예측과 추가 변수 사이의 분석을 가능하게 합니다.[7]많은 경우 모델을 사용한 탐색은 여러 맥락에서 일반화 가능성이 입증된 검증된 예측 모델을 사용합니다.

이 방법의 주요 응용 분야에는 학습 환경에서 학생 행동, 특성 및 맥락 변수 간의 관계를 발견하는 것이 포함됩니다.[7]광범위한 맥락에서 광범위하고 구체적인 연구 질문에 대한 추가적인 발견도 이 방법을 사용하여 탐구할 수 있습니다.

인간 판단을 위한 데이터 증류

사람은 자동화된 데이터 마이닝 방법이 제공하는 범위를 넘어서는 데이터에 대한 추론을 할 수 있습니다.[7]교육 데이터 마이닝의 사용을 위해 데이터는 식별 및 분류라는 두 가지 핵심 목적을 위해 인간의 판단을 위해 증류됩니다.[7]

식별을 위해 데이터는 사람이 잘 알려진 패턴을 식별할 수 있도록 증류되며, 그렇지 않으면 해석이 어려울 수 있습니다.예를 들어, 교육학에 고전적인 학습 곡선은 시간의 흐름에 따라 학습과 경험의 관계를 명확하게 반영하는 패턴입니다.

또한 데이터는 데이터의 특징을 분류하기 위한 목적으로 증류되며, 이는 교육용 데이터 마이닝을 통해 예측 모델 개발을 지원합니다.분류는 예측 모델의 개발을 가속화하는 데 큰 도움이 됩니다.

이 방법의 목표는 많은 양의 교육 데이터를 이해하고 의사 결정을 지원하기 위해 유용하고 상호 작용적이며 시각적으로 매력적인 방법으로 정보를 요약하고 제시하는 것입니다.[9]특히, 이 방법은 교육자들이 강좌 활동에서 사용 정보와 효과를 이해하는 데 도움이 됩니다.[9]인간 판단을 위한 데이터 증류를 위한 핵심 응용 분야에는 학생 학습의 패턴, 행동, 협업 기회 및 예측 모델에서의 미래 사용을 위한 데이터 라벨링이 포함됩니다.[7]

적용들

Cristobal Romero와 Sebastian Ventura는 EDM의 주요 응용 프로그램 목록을 제공합니다.[5]분류 체계에서 EDM 적용 영역은 다음과 같습니다.

  • 데이터 분석 및 시각화
  • 강사 지원 피드백 제공
  • 학생들을 위한 추천서
  • 학생 성적 예측
  • 학생 모델링
  • 바람직하지 않은 학생 행동 감지
  • 학생 그룹화
  • 소셜 네트워크 분석
  • 개념도 개발 중
  • 코스웨어 구축 – EDM은 오픈 소스 Moodle과 같은 코스 관리 시스템에 적용할 수 있습니다.Moodle에는 테스트 결과, 완료된 판독량, 토론 포럼 참여 등 사용자의 다양한 활동이 포함된 사용 데이터가 포함되어 있습니다.데이터 마이닝 도구를 사용하여 사용자별 학습 활동을 맞춤화하고 학생이 과정을 완료하는 속도를 조정할 수 있습니다.이는 특히 다양한 역량 수준을 갖춘 온라인 강좌에 유용합니다.
  • 계획수립 및 일정

모바일 학습 환경에 대한 새로운 연구도 데이터 마이닝이 유용할 수 있음을 시사합니다.데이터 마이닝은 모바일 기기와 표준 PC 및 웹 브라우저 간의 콘텐츠 관리 차이에도 불구하고 모바일 사용자에게 개인화된 콘텐츠를 제공하는 데 사용될 수 있습니다.

새로운 EDM 응용 프로그램은 비기술 사용자가 데이터 마이닝 도구 및 활동을 사용하고 참여할 수 있도록 하는 데 초점을 맞추어 모든 EDM 사용자가 데이터 수집 및 처리에 접근할 수 있도록 합니다.[14] 예를 들어 소셜 네트워크와 학습 결과 및 생산성에 미치는 영향을 분석하는 통계 및 시각화 도구가 있습니다.

코스

  1. 2013년 10월, Coursera는 "Big Data in Education"[15]에 관한 무료 온라인 강좌를 제공하여 EDM을 위한 주요 방법과 사용 시기를 알려주었습니다.이 과정은 2015년 여름 edX로 이전했으며,[16] 그 이후로 매년 edX로 운영되고 있습니다.과정 보관을 온라인으로 이용할 수 있습니다.[17]
  2. 컬럼비아 대학교의 교원 대학은 학습 분석학 석사 학위를 제공합니다.[18]

출판장소

상당한 양의 EDM 작업은 국제 교육 데이터 마이닝 협회가 주관하는 동료 평가 국제 교육 데이터 마이닝 컨퍼런스에서 발표됩니다.

  • 제1회 교육 데이터 마이닝 국제 컨퍼런스(2008)[19] – 캐나다 몬트리올
  • 제2회 교육 데이터 마이닝 국제 컨퍼런스(2009)[20] – Cordoba, Spain
  • 제3회 교육 데이터 마이닝 국제 컨퍼런스(2010)[21] – Pittsburgh, PA, 미국
  • 제4회 교육 데이터 마이닝 국제 컨퍼런스(2011)[22] – 네덜란드 아인트호벤
  • 제5회 교육 데이터 마이닝 국제 컨퍼런스(2012)[23] – 차니아, 그리스
  • 제6회 교육 데이터 마이닝 국제 컨퍼런스(2013)[24] – Memphis, TN, 미국
  • 제7회 교육 데이터 마이닝 국제 컨퍼런스(2014)[25] – 런던, 영국
  • 제8회 교육 데이터 마이닝 국제 컨퍼런스] (2015)[26] – 스페인 마드리드
  • 제9회 교육 데이터 마이닝 국제 컨퍼런스] (2016)[27] – 미국 NC, Raleigh
  • 제10회 교육데이터마이닝 국제회의] (2017)[28] – 중국 우한
  • 제11회 교육 데이터 마이닝 국제 컨퍼런스] (2018)[29] – Buffalo, NY, 미국
  • 제12회 교육 데이터 마이닝 국제 컨퍼런스] (2019)[30] – 몬트리올, QC, 캐나다
  • 제13회 교육 데이터 마이닝 국제 컨퍼런스] (2020)[31] – 가상
  • 제14회 교육 데이터 마이닝 국제 컨퍼런스(2021)[32] – 프랑스 파리

EDM 논문은 Journal of Educational Data Mining(JEDM)에도 게재됩니다.

많은 EDM 논문은 인공 지능 및 교육, 지능형 튜터링 시스템, 사용자 모델링, 적응 및 개인화와 같은 관련 학회에서 정기적으로 발표됩니다.

2011년 채프먼 앤 홀/CRC 프레스, 테일러 앤 프랜시스 그룹은 최초의 교육 데이터 마이닝 핸드북을 발간했습니다.이 자원은 교육 데이터 마이닝 커뮤니티 참여에 관심이 있는 사람들을 위해 개발되었습니다.[14]

경연대회

2010년에는 교육 환경에서 나온 데이터를 사용하여 컴퓨팅 머신 협회의 KDD Cup을 실시했습니다.[33]데이터 세트는 데이터샵에서 제공한 것으로, 인지 튜터를 사용하는 학생들의 1,000,000개 이상의 데이터 포인트로 구성되었습니다.[34]600개 팀이 8천 달러가 넘는 상금(페이스북 기부)을 놓고 경쟁을 벌였습니다.참가자들의 목표는 제공된 데이터에서 학습한 후 새로운 데이터에서 가장 정확한 예측을 할 수 있는 알고리즘을 설계하는 것이었습니다.수상자들은 특징 생성(표현 학습의 한 형태), 랜덤 포레스트, 베이지안 네트워크를 활용한 알고리즘을 제출했습니다.[35]

비용 및 과제

기술의 발전과 더불어 EDM 애플리케이션 구현과 관련된 비용과 과제도 있습니다.여기에는 기록된 데이터를 저장하는 비용과 데이터 시스템 관리를 전담하는 직원을 고용하는 데 드는 비용이 포함됩니다.[36]또한 데이터 시스템이 항상 서로 원활하게 통합되지 않을 수 있으며 통계 및 시각화 도구를 지원하더라도 데이터의 단순화된 버전을 만드는 것이 어려울 수 있습니다.[36]또한 어떤 데이터를 수집하고 분석할 것인지를 결정하는 것도 쉽지 않아 초기 단계에서 많은 시간과 노동집약적인 문제가 될 수 있습니다.[36]EDM 전략과 구현은 처음부터 끝까지 관련된 모든 이해관계자의 프라이버시와 윤리를[36] 보장해야 합니다.

비평

  • 일반화 가능성 – EDM의 연구는 연구가 수행된 특정 교육 환경과 시간에 특정될 수 있으며, 따라서 다른 기관에서는 일반화할 수 없습니다.또한 연구 결과 교육 데이터 마이닝 분야가 서구 국가와 문화권에 집중되어 있고, 그 결과 다른 국가와 문화권이 연구와 결과에 반영되지 않을 수 있음을 보여주고 있습니다.[8]미래 모델의 개발은 여러 맥락에 걸친 응용 프로그램을 고려해야 합니다.
  • 프라이버시 – 개인의 프라이버시는 데이터 마이닝 도구의 적용에 있어 지속적인 관심사입니다.시장에서 자유롭고, 접근하기 쉽고, 사용자 친화적인 도구를 사용하기 때문에, 학생들과 그들의 가족들은 학습자들이 학습 시스템에 제공하는 정보로부터 위험에 빠질 수 있으며, 그들의 미래 수행에 도움이 될 피드백을 받기를 희망합니다.사용자가 온라인 개인 정보에 대한 이해가 깊어짐에 따라, 교육용 데이터 마이닝 도구 관리자는 사용자의 개인 정보를 보호하는 데 있어 사전 예방적이고 정보가 누구와 어떻게 사용되고 공유될 것인지에 대해 투명해야 합니다.EDM 도구의 개발은 이 분야의 연구를 계속 발전시키면서 개인의 프라이버시를 보호하는 것을 고려해야 합니다.
  • 표절 – 표절 적발은 교실에서든 온라인에서든 교육자와 교수진에게 지속적인 문제입니다.그러나 현재 교육용 데이터 마이닝 도구는 디지털 표절을 감지하고 방지하는 복잡한 문제로 인해 이러한 문제를 정확하게 해결할 수 있을 정도로 정교하지 못한 실정입니다.따라서 향후 연구에서는 표절 관련 이슈에 대한 예측능력 개발이 중점적으로 이루어져야 할 부분입니다.
  • 채택 – EDM의 채택이 얼마나 광범위한지, 그리고 EDM 전략을 적용하고 고려하는 기관의 범위가 어느 정도인지는 알 수 없습니다.이와 같이, 사용자가 교육 환경에서 EDM을 채택하지 못하도록 하는 장벽이 있는지 여부는 불분명합니다.

참고 항목

참고문헌

  1. ^ "EducationalDataMining.org". 2013. Retrieved 2013-07-15.
  2. ^ a b c R. Baker (2010) 교육을 위한 데이터 마이닝.맥고, B., 피터슨, P., 베이커, E. (에드.)국제교육백과사전(제3판), vol. 7, pp. 112-118옥스포드, 영국: 엘스비어.
  3. ^ G. Siemens, R.S.j.d. Baker (2012). "Learning analytics and educational data mining: Towards communication and collaboration". Proceedings of the 2nd International Conference on Learning Analytics and Knowledge. pp. 252–254. doi:10.1145/2330601.2330661. ISBN 9781450311113. S2CID 207196058.
  4. ^ "educationaldatamining.org". Retrieved 2020-11-14.
  5. ^ a b c C. 로메로, S. 벤추라.교육 데이터 마이닝: 최첨단 기술에 대한 고찰시스템, 인간 및 사이버네틱스에 관한 IEEE 트랜잭션, 파트 C: Applications and Reviews. 40(6), 601-618, 2010
  6. ^ "http://educationaldatamining.org/EDM2008/ " 검색됨 2013-09-04
  7. ^ a b c d e f g h i Baker, Ryan. "Data Mining for Education" (PDF). oxford, UK: Elsevier. Retrieved 9 February 2014.
  8. ^ a b Baker, R.S.; Yacef, K (2009). "The state of educational data mining in 2009: A review and future visions". JEDM-Journal of Educational Data Mining. 1 (1): 2017.
  9. ^ a b c d e f Romero, Cristobal; Ventura, Sebastian (January–February 2013). "WIREs Data Mining Knowl Discov". Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. 3 (1): 12–27. doi:10.1002/widm.1075. S2CID 18019486.
  10. ^ Romero, Cristobal; Ventura, Sebastian (2007). "Educational data mining: A survey from 1995 to 2005". Expert Systems with Applications. 33 (1): 135–146. doi:10.1016/j.eswa.2006.04.005.
  11. ^ "Assessing the Economic Impact of Copyright Reform in the Area of Technology-Enhanced Learning". Industry Canada. Archived from the original on 13 April 2014. Retrieved 6 April 2014.
  12. ^ 아자르누쉬, 바하레 등"학습자 세분화를 위한 프레임워크를 향하여" JEDM-Journal of Educational Data Mining 5.2 (2013): 102-126
  13. ^ a b U.S. Department of Education, Office of Educational Technology. "Enhancing Teaching and Learning Through Educational Data Mining and Learning Analytics: An Issue Brief" (PDF). Archived from the original (PDF) on 11 June 2014. Retrieved 30 March 2014.
  14. ^ a b Romero, C.; Ventura, S.; Pechenizkiy, M.; Baker, R. S. (2010). Handbook of educational data mining. CRC Press.
  15. ^ "Big Data in Education". Coursera. Retrieved 30 March 2014.
  16. ^ "Big Data in Education". edXedxed. Retrieved 13 October 2015.
  17. ^ "Big Data in Education". Retrieved 17 July 2018.
  18. ^ "Learning Analytics Teachers College Columbia University". www.tc.columbia.edu. Retrieved 2015-10-13.
  19. ^ "Home". www.educationaldatamining.org. Retrieved 1 July 2022.
  20. ^ "EDM'09 - Home". www.educationaldatamining.org. Retrieved 1 July 2022.
  21. ^ "EDM2010". 2011-10-20. Archived from the original on 20 October 2011. Retrieved 2022-07-02.
  22. ^ "EDM2011". 20 October 2011. Archived from the original on 9 May 2021. Retrieved 1 July 2022.
  23. ^ "EDM2012". Archived from the original on 8 May 2013. Retrieved 1 July 2022.
  24. ^ "EDM2013". Archived from the original on 29 December 2013. Retrieved 1 July 2022.
  25. ^ "EDM2014". Archived from the original on 30 January 2014. Retrieved 1 July 2022.
  26. ^ "EDM2015". Archived from the original on 8 October 2014. Retrieved 1 July 2022.
  27. ^ "EDM2016". Archived from the original on 13 May 2022. Retrieved 1 July 2022.
  28. ^ "EDM2017". Archived from the original on 30 April 2017. Retrieved 1 July 2022.
  29. ^ "EDM2018". Archived from the original on 13 May 2022. Retrieved 1 July 2022.
  30. ^ "EDM2019". Archived from the original on 13 May 2022. Retrieved 1 July 2022.
  31. ^ "EDM2020". Archived from the original on 22 January 2022. Retrieved 1 July 2022.
  32. ^ "EDM2021". Archived from the original on 15 August 2021. Retrieved 1 July 2022.
  33. ^ "KDD Cup 2010". KDD. Archived from the original on 15 July 2010. Retrieved 1 July 2022.
  34. ^ "PLCS DataShop". DataShop. Archived from the original on 26 June 2010. Retrieved 1 July 2022.
  35. ^ Yu, Hsaing-Fu; Lin, Chih-Jen; Lin, Hsuan-Tien; Lin, Shou-De; Wei, Yin-Hsuan; Weng, Jui-Yu; Change, Chun-Fu; Yan, En-Syu; McKenzie, Todd; Lou, Jing-Kai; Hsieh, Hsun-Ping (2010). "Feature Engineering and Classifier Ensemble for KDD Cup 2010" (PDF). DataShop. Archived from the original (PDF) on 3 March 2022. Retrieved 1 July 2022.
  36. ^ a b c d "How Can Educational Data Mining and Learning Analytics Improve and Personalize Education?". EdTechReview. 18 June 2013. Retrieved 9 April 2014.