1.3.1　机器学习服务学生学习

在教育领域，机器学习作用的对象是教育大数据，包括学习者在学习过程中与教育系统交互产生的统计数据、情感数据、行为数据和管理数据等，这些数据源来自不同的教育环境，包括传统的教育环境和网络教育环境。机器学习一般作用于教育数据挖掘过程，通过建立预测模型和描述模型分析教育数据来发现模式和知识。例如，通过分析学生的学习行为，预测其学习成果并进行可视化反馈，提高学习者的学习表现；通过学生的学习兴趣和偏好向其推荐合适的学习资源，支持学生个性化学习。

（1）学习成绩预测

学生的学习投入是影响学习成绩的主要因素，如学生的自主学习情况，学习活动参与情况，学习资源的浏览情况，同伴、师生交流情况，作业完成情况等。通过收集学生的学习行为和过程相关的数据，运用机器学习技术建立模型，预测学生的学习成绩，对高风险的学生进行预警，可以促进其加大学习投入，提升学习成绩（杨淑芳等，2018）。

（2）学习资源推荐

当今大数据时代，学习者获取学习资源的方法和途径越来越多，然而大量的学习资源并没有带来学习效率的提升，由于需要花费大量的时间和精力来搜索和甄别学习素材，反而会导致学习效率的下降。利用机器学习技术，可以记录和挖掘学习者的学习数据，根据学习者的学习行为和学习特征，快速为学习者找到其感兴趣的、适合其学习的学习资源，减少其搜索和甄别资源质量优劣的时间和花费的精力，从而提高学习的效率，激发他们主动学习的兴趣与信心，有效提高学习质量（黄小卉、周杰，2016）。

（3）学习评价

精准的学习评价是实现个性化学习的前提。只有充分了解学生的学习情况，才能向学生推荐适合其学习特征的学习资源、学习活动和学习策略。学习评价也是实现个性化和定制化学习的关键。因此，对学习者的知识获取、学习过程、发展水平以及反思和情感等进行监控和评价，也是机器学习研究的重要议题。通过对学生的学习数据进行挖掘分析、归纳，得出各方面的考核评价，可让学生清晰地了解自己的学习状态和学习效果，明确下一步学习中需要专注的方面，从而制订个性化的学习方案和学习计划。