前言 第1章 學習分析概述 1.1 學習準備 1.1.1 學習分析體驗 1.1.2 學習過程的數據化 1.1.3 量化自我與量化學習 1.1.4 教育數據挖掘與學習分析 1.2 學習分析的概念和內涵 1.2.1 學習分析的定義 1.2.2 學習分析的特征 1.2.3 學習分析的應用 1.3 學習分析產生的時代背景 1.3.1 智慧教育時代的應然訴求 1.3.2 數據科學方法在教育領域的彰顯 1.3.3 網絡學習空間建設的基本要求 1.3.4 實施個性化教學的助推力量 1.4 學習分析與教育教學變革 1.4.1 從教育過程不同層面的視角 1.4.2 從教學結構的視角 1.5 學習分析的現狀與趨勢 1.5.1 學習分析的研究組織與機構 1.5.2 從學習分析技術到學習分析學 第2章 學習分析的本質與模型 2.1 學習分析的本質 2.1.1 數據、信息與知識 2.1.2 信息熵與世界的不確定性 2.1.3 數據驅動范式 2.1.4 教育人工智能 2.1.5 數據驅動教學 2.1.6 學習分析的研究 2.2 學習分析的理論基礎 2.2.1 數據科學為數據價值分析提供學科指導 2.2.2 教育神經科學為多模態分析提供生物學依據 2.2.3 量化學習為精準刻畫學習者提供技術支撐 2.2.4 聯通主義學習觀為靈活學習提供理論指南 2.3 學習分析模型 2.3.1 學習分析模型的演進 2.3.2 學習分析的過程模型和生命周期模型 2.3.3 學習分析的框架模型 2.4 學習分析研究新進展：多模態學習分析 2.4.1 眼動分析技術 2.4.2 多模態整合分析 第3章 教育數據挖掘 3.1 數據采集 3.1.1 數據采集的概念 3.1.2 數據的分類 3.1.3 數據采集技術 3.2 數據預處理 3.2.1 教育數據挖掘概述 3.2.2 數據預處理內容 3.2.3 數據清洗 3.2.4 數據集成 3.2.5 數據歸約 3.2.6 數據變換 3.3 關聯規則 3.3.1 關聯規則概述 3.3.2 Apriori算法 3.3.3 FP-Growth算法 3.4 回歸 3.4.1 回歸分析概述 3.4.2 一元線性回歸 3.4.3 多元線性回歸 3.5 分類 3.5.1 分類概述 3.5.2 KNN算法 3.5.3 決策樹算法 3.6 聚類 3.6.1 聚類概述 3.6.2 K-means聚類算法 3.6.3 層次聚類算法 3.7 離群點診斷 3.7.1 離群點概述 3.7.2 基于統計的離群點診斷 3.7.3 基于距離的離群點診斷 3.8 時間序列 3.8.1 時間序列概述 3.8.2 ARMA模型 3.8.3 ARIMA模型 第4章 學習者畫像與應用 4.1 學習者畫像的本質 4.1.1 學習者畫像的概念 4.1.2 學習者畫像的表征 4.2 學習者畫像的類型 4.2.1 知識狀態建模 4.2.2 學習風格建模 4.2.3 學習行為建模 4.2.4 學習認知建模 4.2.5 學習情感建模 4.2.6 其他建模形式 4.2.7 學習者綜合建模 4.3 個性化推薦系統 4.3.1 協同過濾推薦 4.3.2 基于內容的推薦 4.3.3 混合推薦 4.3.4 學習路徑的推薦 4.4 信息設計 4.4.1 數據可視化 4.4.2 學習狀態可視化 4.4.3 基于隱喻的界面設計 4.5 學習分析工具概述 4.5.1 學習儀表盤 4.5.2 學習路徑規劃 4.5.3 個性化推薦 4.5.4 學習診斷與預警 4.5.5 自適應學習系統 第5章 學習分析工具設計 5.1 從“沃森”看學習分析的設計 5.1.1 何謂“沃森” 5.1.2 “沃森”如何被運用到學習分析領域 5.1.3 “沃森”如何實現與學生的學習互動分析 5.2 學習分析工具的設計流程 5.2.1 學習者建模與課程分析 5.2.2 學習行為分析 5.2.3 結構發現與關系挖掘 5.2.4 趨勢分析 5.2.5 監督與控制 5.2.6 預警與干預 5.2.7 適應性學習 5.3 學習行為投入可視化分析工具設計 5.3.1 在線學習行為投入理論模型 5.3.2 在線學習行為投入周期反饋循環框架 5.3.3 在線學習行為投入評測框架的實證研究 5.3.4 框架指標對學習結果的預測分析 5.3.5 學習行為投入度計算 5.3.6 儀表盤信息界面設計 5.3.7 實證研究與討論 參考文獻