本书从哲学与科学视角阐释了教育的可计算性，对计算教育学的理论体系、研究方法、研究范式等内容进行了系统梳理，围绕场景计算、主体计算、服务计算和计算教育伦理四大核心任务，侧重于将数据驱动与人工智能驱动的研究范式相结合，旨在通过构建多学科交叉的方法论体系，推动提升教育服务质效、创新人才培养方法、重构教育研究与实践路径。
本书始终以“技术赋能教育规律发现”为主线，并特别探讨了教育研究范式和未来教育图景，以期为加速教育的科学化进程、促进教育创新发展提供理论工具与实践指南。
样章试读
目录
- 目录
序 29
前言 30
第一部分 概述
第1章 教育的可计算 3
1.1 教育可计算的理论根基 4
1.1.1 计算与计算主义 4
1.1.2 人文社会科学中的“计算” 6
1.1.3 科学研究中的第四范式 9
1.2 教育可计算的物质基础 10
1.2.1 教育信息化实践发展 10
1.2.2 教育数据的要素化 12
参考文献 13
第2章 计算教育学 15
2.1 概念与框架 15
2.2 关键问题与核心任务 18
2.3 应用领域与面临的挑战 19
参考文献 21
第3章 研究对象与方法 23
3.1 计算教育学的研究对象 23
3.2 计算教育学的研究方法 27
3.2.1 教育数据与分析挖掘 28
3.2.2 定性研究与定量研究相融合的学习分析 29
3.2.3 互联网教育中的实证研究 31
3.2.4 脑科学与教育科学相融合的实验研究 33
3.2.5 基于群体动力学的群体学习演化机理研究 35
3.2.6 基于计算机模拟的教育系统研究 36
参考文献 38
第二部分 场景计算
第4章 教育场景计算 45
4.1 简介 45
4.2 概念内涵 46
4.3 智慧教室 50
4.4 智慧校园 53
4.5 其他场景 56
4.5.1 在线学习场景 56
4.5.2 户外学习场景 57
4.5.3 游戏化学习场景 57
参考文献 59
第5章 教育边缘计算 61
5.1 简介 61
5.2 教育边缘计算相关技术 62
5.2.1 教育边缘计算的内涵和特点 63
5.2.2 教育边缘计算框架 66
5.2.3 边缘计算的关键技术 66
5.3 边缘计算的应用、挑战与展望 69
5.3.1 应用 69
5.3.2 挑战 72
5.3.3 展望 72
参考文献 74
第6章 空空间数据感知 76
6.1 简介 76
6.2 教育数据感知 77
6.2.1 虚拟空间教育数据感知 77
6.2.2 物理空间教育数据感知 80
6.2.3 双空间融合教育数据感知 82
6.3 展望 83
参考文献 84
第三部分 主体计算
第7章 知识追踪 89
7.1 简介 89
7.2 概率知识追踪模型 91
7.2.1 基于隐马尔可夫模型的知识追踪 91
7.2.2 基于贝叶斯网络的知识追踪 93
7.3 深度知识追踪模型 96
7.3.1 基于深度神经网络的知识追踪 96
7.3.2 基于深度政策的知识追踪 99
7.4 因子分析知识追踪模型 101
7.5 融合知识追踪模型 104
7.6 可解释知识追踪模型 107
7.6.1 事前可解释方法 108
7.6.2 事后可解释方法 110
参考文献 112
第8章 认知风格 118
8.1 简介 118
8.2 基于问卷和心理计量测验的认知风格分类 119
8.3 基于神经网络方法的认知风格识别 121
8.4 基于模糊分类树的认知风格预测 124
8.5 基于贝叶斯网络的认知风格推理 125
8.6 基于遗传算法的认知风格分析 127
8.7 基于语义分析的认知风格识别 128
8.8 其他方法 129
参考文献 131
第9章 情感状态 138
9.1 简介 138
9.2 基于量表的情感测评 139
9.3 基于生理信号的情感检测 141
9.4 基于面部表情的情感识别 143
9.5 基于语音信号的情感检测 145
9.6 基于文本数据的情感分析 147
9.7 基于多模态数据的情感识别 149
9.8 基于行为-主题概率建模的情感分析 150
参考文献 152
第10章 群体学习 155
10.1 简介 155
10.2 群体学习动力学 156
10.3 群体学习演化模式 162
10.4 群体学习中的多层网络 167
10.5 群体学习中的模体 172
参考文献 175
第四部分 服务计算
第11章 资源推荐 183
11.1 简介 183
11.2 知识图谱 183
11.2.1 知识图谱的定义及分类 183
11.2.2 知识图谱的特点 184
11.2.3 知识图谱推荐方法分类 185
11.2.4 学科知识图谱 187
11.3 学习路径规划 190
11.3.1 定义 190
11.3.2 作用 191
11.3.3 实现技术 192
11.4 个性化资源推荐 197
11.4.1 定义与分类 197
11.4.2 作用 199
11.4.3 实现技术 200
11.5 实际案例 205
参考文献 208
第12章 教育数据可视化 210
12.1 简介 210
12.2 学习主体可视化 210
12.2.1 画像模型架构 210
12.2.2 画像模型构建 213
12.3 学习过程可视化 217
12.3.1 概念图 218
12.3.2 思维导图 219
12.3.3 思维地图 220
12.3.4 MindGen平台 220
12.3.5 Insight Maker工具 223
12.3.6 学习路径表征 224
12.4 学习资源可视化 227
12.4.1 游戏化体感交互学习资源 228
12.4.2 增强现实(AR)的资源表达 229
12.4.3 地图化在线学习资源 230
12.4.4 基于地图的教育大数据可视化分析方法 231
12.5 基于地图的教育大数据可视化分析方法 232
12.5.1 基于地图定位与编码的教育大数据整合方法 232
12.5.2 基于教育大数据的地图分布可视分析方法 233
12.5.3 基于校园感知数据的资源关联可视分析方法 233
12.5.4 基于图层区域分析的资源关联可视分析方法 233
12.5.5 基于时空与群体分析的知识分享可视分析方法 234
参考文献 234
第13章 教育评价 236
13.1 简介 236
13.2 教学环境评价 236
13.2.1 定义 236
13.2.2 评价指标 237
13.2.3 评价方法 238
13.3 教育主体评价 240
13.3.1 定义 240
13.3.2 评价指标 241
13.3.3 评价方法 243
13.4 教育资源评价 247
13.4.1 定义 247
13.4.2 评价指标 247
13.4.3 评价方法 249
13.5 教育管理评价 251
13.5.1 定义 251
13.5.2 评价指标 251
13.5.3 评价方法 253
参考文献 255
第五部分 范式
第14章 教育研究新范式 259
14.1 简介 259
14.2 研究范式 259
14.2.1 教育研究范式的演进 259
14.2.2 人工智能驱动的科学研究范式 260
14.3 人工智能驱动的教育研究：AI4ES 270
14.3.1 AI4ES的内涵与特征 270
14.3.2 AI4ES的典型教育研究 272
14.3.3 AI4ES在教育学细分领域中的应用趋向 277
参考文献 282
第六部分 伦理
第15章 计算教育伦理 289
15.1 简介 289
15.2 教育数据伦理 292
15.2.1 教育数据伦理的核心问题及面临的挑战 293
15.2.2 教育数据伦理准则 296
15.3 人工智能伦理 299
15.3.1 人工智能伦理的核心问题及面临的挑战 302
15.3.2 人工智能伦理准则 304
15.4 智能教育伦理 308
15.4.1 智能教育伦理的核心问题及面临的挑战 310
15.4.2 智能教育伦理准则 313
15.5 计算教育伦理治理 316
15.5.1 建立伦理防控收敛机制 316
15.5.2 完善教育数据管理机制 317
15.5.3 关注算法黑箱及技术偏见问题 318
15.5.4 明确人工智能技术准入机制与路径 319
15.5.5 提升计算教育伦理素养 320
15.5.6 建立多元主体协同共治机制 320
参考文献 321
第七部分 未来
第16章 未来教育 327
16.1 简介 327
16.2 全球发展战略 327
16.2.1 中国 327
16.2.2 欧盟 333
16.2.3 其他发达国家的教育 337
16.3 GAI之于教育的现实意义 340
16.3.1 GAI变革教育治理的实践路径 344
16.3.2 GAI助力教育创新的未来进路 346
16.4 未来时代展望 351
16.4.1 技术展望 351
16.4.2 未来展望 354
参考文献 358
京公网安备 11010102004214号