●目錄
前言
第一部分 概述 1
第1章 計算教育學 3
1.1 概念與框架 4
1.2 關鍵問題與核心任務 6
1.3 應用領域與面臨的挑戰 8
第2章 研究對像與方法 11
2.1 計算教育學的研究對像 11
2.2 計算教育學的研究方法 15
第二部分 場景計算 31
第3章 教育場景 33
3.1 簡介 33
3.2 概念內涵 34
3.3 智慧教室 37
3.4 智慧校園 41
3.5 其他場景 43
第4章 教育數據標準與規範 49
4.1 簡介 49
4.2 教育大數據標準體繫框架 50
4.3 教育數據典型標準 53
第5章 教育邊緣計算與數據感知 67
5.1 簡介 67
5.2 教育邊緣計算 68
5.3 教育數據感知 70
5.4 邊緣計算的應用與展望 76
第三部分 主體計算 81
第6章 學習成效 83
6.1 簡介 83
6.2 基於線上數據的學習成效研究 85
6.3 基於線下數據的學習成效研究 88
6.4 基於雙空間數據融合的學習成效研究 90
第7章 知識追蹤 95
7.1 簡介 95
7.2 概率知識追蹤模型 97
7.3 深度知識追蹤模型 101
7.4 因子分析知識追蹤模型 105
7.5 融合知識追蹤模型 107
第8章 認知風格 113
8.1 簡介 113
8.2 基於問卷和心理計量測驗的認知風格分類 114
8.3 基於神經網絡方法的認知風格識別 116
8.4 基於模糊分類樹的認知風格預測 118
8.5 基於貝葉斯網絡的認知風格推理 120
8.6 基於遺傳算法的認知風格分析 122
8.7 基於語義分析的認知風格識別 123
8.8 其他方法 124
第9章 情感狀態 133
9.1 簡介 133
9.2 基於量表的情感測評 134
9.3 基於生理信號的情感檢測 136
9.4 基於面部表情的情感識別 138
9.5 基於語音信號的情感檢測 140
9.6 基於文本數據的情感分析 142
9.7 基於多模態數據的情感識別 144
9.8 基於行為-主題概率建模的情感分析 146
第10章 協作學習 151
10.1 簡介 151
10.2 協作問題解決 151
10.3 協作學習狀態監測 156
10.4 協作學習中的教學反饋 158
10.5 協作學習繫統 160
第11章 群體學習 169
11.1 簡介 169
11.2 群體學習動力學 170
11.3 群體學習演化模式 177
11.4 群體學習中的多層網絡 182
第四部分 服務計算 189
第12章 智能導學 191
12.1 簡介 191
12.2 用戶接口 192
12.3 學生模型 194
12.4 領域模型 195
12.5 教學模型 196
12.6 開放式學習環境的智能導學繫統示例—Betty’s Brain 197
12.7 對話式智能導學繫統示例—AutoTutor 200
第13章 資源推薦 205
13.1 簡介 205
13.2 知識圖譜 205
13.3 學習路徑規劃 212
13.4 個性化資源推薦 220
13.5 實際案例 228
第14章 教育數據可視化 235
14.1 簡介 235
14.2 學習主體可視化 235
14.3 學習過程可視化 242
14.4 學習資源可視化 253
14.5 基於地圖的教育大數據可視分析方法 256
第15章 教育評價 261
15.1 簡介 261
15.2 教育環境評價 262
15.3 教育主體評價 265
15.4 教育資源評價 273
15.5 教育管理評價 277
第五部分 倫理 285
第16章 計算教育倫理 287
16.1 簡介 287
16.2 大數據倫理 287
16.3 教育數據倫理 290
16.4 人工智能倫理 296
16.5 智能教育倫理 302
16.6 計算教育倫理治理 307
第六部分 未來 313
第17章 未來教育 315
17.1 簡介 315
17.2 全球發展戰略 315
17.3 未來挑戰與展望 324
