周 静，余 超，胡怡宇，杜倩倩

（江汉大学 人工智能学院，湖北 武汉 430056）

0 引言

国外学者较为重视在线课程平台数据资源的研究［1-2]，如美国教育部门建立了“学习分析系统”对学生线上教育数据进行挖掘、模化和案例运用，可以帮助教师了解学生更多、更好、更精确的学习信息；加拿大面向高等教育领域的学生推出“学生成功系统”，帮助教师系统地分析每个学生的在线学习数据，并预测学生的期末考试成绩。国内关于在线课程平台的数据资源的研究大多集中在北京、上海、广州等地，目前已经利用新的数据信息处理手段为在线课程用户提供基本公共在线教育服务，并初步建立在线教育数据挖掘与分析子系统。

综合国内外研究现状，虽然目前已对在线教育数据进行了挖掘和分析，并开发出数据分析平台；但研究基本仅限于在线教育数据，未考虑线下传统课堂数据；同时数据分析基本采用的是传统的机器学习和数据挖掘方法，如回归分类、聚类等方法，难以有效提取出混合学习数据中的群集特征。针对目前的研究现状，本文通过融合传统教学和互联网线上的教育数据构建混合教育数据特征网络，对传统的非负矩阵分解（non-negative matrix factorization，NMF）方法进行改进，提取出混合数据特征网络中影响教育质量的主要群集特征，并基于状态-压力-响应（pressurestate-response，PSR）模型构建教育指标多级评价模型，对个体进行有效分级。

1 数据特征网络构建

数据特征网络的一个重要特征是网络包含少量的高度节点，这些高度节点的“度”很大，说明它们之间以很高的连接概率互联，构成群集［3-4]。……