教育数据挖掘可以促进科学教育

这对美国来说并不是个好兆头在美国，科学、技术、工程和数学领域的工作有望成为未来经济的支柱。

然而，糟糕的国际学生评估项目的结果可能会强调新一代科学标准的重要性，该标准已经被17个州和哥伦比亚特区采纳。这些标准鼓励了探究性科学实践的培养，比如提出问题，设计并实施实验来解决问题，创建和使用模型，用数据对发现做出解释来证实自己的观点。

培养学生这些技能的一种方法是使用数字模拟或微型世界，这允许学生像科学家那样对科学现象进行真实的探究。学生们生成一个假设，通过在模拟中改变值来测试它，解释他们的数据，用数据来证明他们的主张，并且交流关于他们发现的发现。虽然这样的数字环境并不新鲜，但新的是教育数据挖掘技术的发展和应用，对学生的数据进行分析，进行核心学科知识和探究实践的实时辅导。

教育数据挖掘提供了比传统统计学更多的用于典型的选择题测试。这些高保真度的数据是数字学习环境中鼠标点击的日志文件。当学生从视觉和文本信息源、追踪面部表情和姿势的传感器获取数据等方面学习时，他们还会测量和监控学生的眼球活动模式。这些数据都是精细的，反映了学生的学习过程、知识、情感状态;发生在不同的时间尺度;通常有多层次的层次结构和上下文。因为它们是细粒度的，可以在不同的位置实时收集到数百个用户，教育数据挖掘可以提供对学生学习过程的洞察，而不仅仅是他们的学习产品。

当涉及到下一代科学标准时，在“底层”进行教育数据挖掘可以在系统检测到学生需要的情况下进行动态的教育适应。通过这种方式，学生在学习最有效的时候可以得到个性化的实时反馈。这种自动的支持是很重要的，因为学生们经常不知道他们什么时候需要帮助，并且不愿意或者不能请求帮助。

教育数据挖掘还可以提供实时的基于性能的评估、报告和警报，供教师在课堂教学中使用或帮助个别学生。数据提供了更有效的比典型的多项选择题测试,不能充分捕捉学生的科学技能,熟练程度和更可靠的比开放回应格式项目,它运行的风险假阴性(学生可以做这项工作充分但不能用语言来描述他们的深刻理解科学)或假阳性(学生擅长只是鹦鹉学舌,他们读过或听过但自己不能做这个工作)。这些数据也比教师通过观察进行简单的监控有效得多——当许多学生按照自己的节奏学习时，这是很难做到实时的。教育数据挖掘是可扩展的(所有学校都需要计算机和软件)，统一的(所有学生都有相同的经验)，精确、高效、适应性和可操作的。

在像美国这样重视标准化和问责制的教育体系中，只有在我们评估科学实践的方式上取得相当大的进步，才能实现科学进步的目标。使用技术和教育数据挖掘技术进行评估、报告和提醒，以及学生的实时辅导，可以帮助我们更快地实现这些目标。