深度学习技术在教育大数据挖掘领域的应用分析

陈德鑫 占袁圆 杨兵

[摘   要] 随着全球人工智能与教育大数据峰会的召开，多国学者探讨了教育变革的新趋势，印证了技术与教育深度融合会带来更多的机遇和挑战。其中，深度学习作为AI领域的热点问题，将成为教育发展的关键。文章通过对相关研究进行筛选统计研究，辨析不同领域深度学习的概念并简要分析典型的深度学习模型及其应用领域;以教育大数据挖掘的特点为基础，总结基于深度学习的教育大数据挖掘目的和流程;系统探讨深度学习在教育大数据挖掘领域的四个应用研究方向和主要应用机构;最后，明确了教育大数据挖掘领域引入深度学习的重要意义，同时，针对教育大数据挖掘所服务的对象和需要解决的问题，提出了深度学习技术在教育大数据挖掘领域进一步发展的意见。

[关键词] 深度学习; 教育大数据; 学习追踪; 教学辅助; 学习行为

[中图分类号] G434            [文献标志码] A

[作者简介] 陈德鑫（1989—），女，湖北武汉人。讲师，博士，主要从事人工智能、教育大数据挖掘、情景感知计算研究。E-mail：202chendexin@163.com。

一、引   言

《中国基础教育大数据发展蓝皮书（2016—2017）》认为，教育大数据挖掘是实现智慧教学的主要手段。教育大数据挖掘是指运用相关大数据挖掘方法和技术对教育过程中产生的海量数据进行处理、分析和建模，发现并解决教育过程中的问题，提高教育质量[1-3]。随着教育大數据挖掘研究的迅速发展以及相关学术会议、文献期刊的增加，教育大数据挖掘的方法层出不穷。但传统的数据挖掘方法存在的缺点仍有待解决，例如：朴素贝叶斯算法对数据输入的表达形式很敏感;决策树算法会忽视数据集之间的相关性，这些缺陷容易造成结果的偏差，影响教育大数据挖掘的准确性。

研究者在教育领域中尝试各种数据挖掘技术，期望能够发现更适用于精准捕捉教育数据特征的技术。2017年的新媒体联盟《地平线报告》中，来自世界各国的专家经过探讨都一致认为，深度学习算法会对教育改革产生重大影响[4]。将深度学习技术应用到教育大数据挖掘领域，能更好地描述教育数据的内在信息，帮助教育研究者发现教育问题的关键。国外学者对于深度学习技术在教育大数据挖掘领域应用的研究起步较早，Okoli和Schabram在2010年调查教育数据挖掘中使用深度学习技术情况的研究时，已经确定了深度学习技术可以帮助解决教育任务和教育数据挖掘中的研究问题[5]。国内的研究起步则相对较晚，与教育数据挖掘相关的研究成果都主要致力于教育方面而非技术层面，关于深度学习技术在教育大数据挖掘领域的研究较少。本文通过阐述当前深度学习技术在教育大数据挖掘领域的应用情况，希望能为后续相关研究提供参考。

二、深度学习技术简介

近年来，深度学习技术越来越广泛地应用到实际问题中，其价值得到了不同领域研究者的认可。但人工智能领域和教育领域对深度学习的定义有差异，本文首先探讨人工智能领域和教育领域中深度学习概念的关系，并简要分析数据挖掘中即人工智能领域典型的深度学习模型及其主要应用。

（一）深度学习的概念

深度学习（Deep Learning）作为机器学习算法中的一项新技术，于2006年被多伦多大学的Hinton教授提出[6]。深度学习的出现打破了神经网络发展的瓶颈，引起了学术界的重视。深度学习神经网络是包括输入层、隐藏层和输出层的多层网络，它可以通过这种多层的神经网络结构实现复杂函数的逼近。深度学习具备拟合任何复杂函数的特点，不同的神经网络模型可以对不同类型的数据进行特征提取，使得深度学习神经网络对输入数据有更强的识别能力。并且深度学习可以在隐藏层中存储长期状态，这样可以保存数据间的联系。深度学习算法与其他的数据挖掘方法相比较，更具有灵活性和准确性，它可以弥补许多数据挖掘方法的缺点，其在语音识别、图像识别、情感分析、学习预测、自然语言处理等多个领域发挥了重大作用。

除了人工智能（Artificial Intelligence，AI）领域中的深度学习，在教育领域中也有深度学习的概念。1956年，布鲁姆提出了“认知有维度层次之分”的观点[7]。1976年，针对浅层次的学习，美国学者Marton和S？覿lj？觟首次提出了关于高层次认知方面的深度学习概念[8]。这里的深度学习是指对知识的深层次了解，使学习者开拓思维并注重学习者自身的思维养成。深度学习在教育领域受到了教育者的高度重视，每一个学习者通过深度学习都能在理解的基础上更好地整合处理信息和学以致用，最终发散所学知识并提出更有创造性的观点。

图1   AI领域和教育领域中深度学习概念的关系

在教育数据挖掘领域中，无论是技术层面还是教育思维层面的深度学习都有着十分重要的作用。二者的研究范围都是信息和知识的提取，它们的主要区别在于研究方向的不同。人工智能领域机器学习和数据挖掘中的深度学习与教育领域中的深度学习的关系如图1所示，前者侧重于教育智能化的研究，后者则侧重于学习者本身对知识的掌握和运用。通过深度学习技术驱动学习者对知识更深层次的掌握，是将深度学习引入教育数据挖掘领域的研究意义。本文侧重于AI领域的深度学习技术在教育大数据挖掘中的应用分析，希望通过深度学习技术赋予教育大数据更多的价值。

（二）典型的深度学习模型

深度信念网络（Deep Belief Networks，DBN）、卷积神经网络（Convolutional Neural Network，CNN）、循环神经网络（Recurrent Neural Network，RNN）和递归神经网络（Recursive Neural Network，RNN）等是典型的、应用较为广泛的深度学习模型。

深度信念网络是由若干个受限玻尔兹曼机和一层前馈神经网络组成，通过在各层之间进行逐层训练，最终使输出神经元最大近似于输入信号的分布[6]。卷积神经网络是一种深度前馈神经网络，它由卷积层和池化层组成，其基本结构分为特征提取层和特征映射层两层[9]。CNN将原始信号作为输入进而减少了预处理的过程，其独特的网络结构（利用权值共享降低模型复杂度），使得卷积神经网络得到了非常广泛的应用。循环神经网络的诞生是为了存储输入之间的联系，以便模型更好地去理解事物。深度循环神经网络由输入层、多个堆叠的隐藏层以及输出层组成，通过在隐藏层的输入中加入权重矩阵的值来达到循环运算的目的[10]。长短时记忆网络（Long Short Term Memory Networks，LSTM）是为了解决传统循环神经网络存在梯度爆炸和梯度消失的问题而提出的特殊RNN，其通过新增的状态来保存对长期数据的记忆，解决了长期依赖的问题，成为广泛使用的RNN模型之一[11]。递归神经网络可以将信息循环传递，进而更好地处理语义理解等方面的问题并进行预测分析[12]。

随着深度学习技术的发展，越来越多的深度学习模型被改进或结合在一起解决更加复杂的问题。典型的深度学习模型的特点及适用范围见表1，利用神经网络各模型的优点构建混合深度学习模型，更好地去处理问题是深度学习新的研究方向。

（三）深度学习技术的应用

深度学习技术在问题的提取以及大数据的自动化评估等方面具有非常良好的表现。随着深度学习模型能力的逐渐强大，其对于数据的描述和解释能够更有层次化地展现出样本特征。对于不同类型的数据，在当前一些领域中深度学习的应用见表2。由于在教育活动中产生的数据也可以按图像、语音、文本这三个类型进行分类，而基于深度学习技术在处理这些类型数据时优越的表现力，可以将深度学习更好地应用于教育数据挖掘领域。

三、基于深度学习技術的教育大数据挖掘

基于深度学习技术的教育大数据挖掘主要包含教育大数据的输入、基于深度学习模型的教育大数据处理以及教育大数据挖掘结果的输出。其中，教育大数据挖掘的特点决定教育大数据挖掘的输入，而教育大数据挖掘的目的决定教育大数据挖掘结果的输出，所使用的深度学习模型则根据不同模型的适用范围由输入和输出共同决定。

（一）教育大数据挖掘的特点

教育数据挖掘是在大数据背景下理解教育问题的一个新方向。20世纪后期，教育领域开始引进数据挖掘技术，但数据的来源较少（一般来自调查问卷和信息管理软件），且算法较为简单，因此，研究非常受限制。21世纪以来，随着科技的发展，教育数据采集越来越方便，且来源也更加广泛。依据获得数据的场合，教育大数据的来源可以分为四个方面：一是教育管理中的档案数据库，其记录了学校、教师以及学生的基本信息;二是教学活动过程中所产生的数据，如学生的考试成绩以及教师的授课评价等;三是学生成长过程中的行为记录，如学生的阅读记录、健身记录、兴趣爱好等;四是教育科研活动中的数据，如研究课题、研究意义、论文发表情况等。在数据挖掘方面，挖掘方法也由之前较为单一的统计分析转变为利用可视化、聚类、预测、文本挖掘以及本文所探讨的深度学习神经网络等。

与传统教育数据不同，教育大数据精准涵盖了与教育相关的所有记录，具有数据量大、类型繁多、连续性强、价值密度低等特点。在教育大数据中，很多数据不能直接等同于教育信息，为了更好地挖掘教育大数据的内涵，需要处理不同类型的数据。例如：校园的视频监控、拍照搜题以及在线学习中识别学习者的情绪等，需要使用图像信息识别技术;学生作业和考试分析、教育资源评价以及教师培训、备课辅助等，需要使用文本数据分析技术;口语辅导软件和学生演讲的录音识别需要使用语音数据分析技术。除此之外，一些更为复杂的高价值行为数据也可以划分为图像、语音、文本三类。鉴于深度学习在处理此三类数据时的优异表现和良好应用（见表2），为了更加精确和有效地发现教育问题的本质进而促进智能教育的发展，很多学者将深度学习技术引入教育大数据挖掘领域。

（二）基于深度学习技术的教育大数据挖掘的目的

教育大数据挖掘面向的对象有学习者、教师、教育管理者以及教育研究者。如图2所示，基于深度学习的教育大数据挖掘拟通过分类、预测、回归、关联规则挖掘等方法，为学习者制定合理的学习方案并辅助其进行学习;为教师提供学生状态的监测情况，便于教师及时对教案进行调整并给出相应的个性化指导;为教育管理者提供连续的海量数据，使他们能够进行全面的分析，从而规避片面性的决定，进而为学生和教师提供更好的政策支持;为教育研究者预测教育发展趋势，使研究追溯教育本质，为正确引领教育的发展方向给予更多科研成果支持。学习者、教师、教育管理者和教育研究者这四个群体都有其自身的变化过程，且不同群体之间相互关联和影响，这些都是在教育大数据挖掘过程中表现出来的微观层面的问题。同时，在宏观层面上，教育大数据挖掘能够解决传统

教育面临的资源不协调、发展不均衡的问题。基于深度学习技术的教育大数据挖掘以微观和宏观的教育问题的本质为导向，以期推动教育事业走向智能化。

（三）基于深度学习技术的教育大数据挖掘流程

教育大数据的特征之一是复杂多样性，即它可以从各种教育环境里不同对象的活动中获取。为了更好地从表征数据中提取有效、有价值的信息，基于深度学习技术的教育大数据挖掘的工作流程具体分为教育大数据获取和预处理、深度学习模型对教育大数据的处理以及教育大数据挖掘应用三个层次（如图3所示）。

在教育大数据获取和预处理中，根据数据的特点，其采集和预处理的难度也在逐步增加。表现为量化结果的数据（如学生成绩数据）通常使用二维表存储，可直接进行调用;而复杂的非结构化数据（如学生行为数据）的采集方式则较为多样化，如使用物联网感知技术、视频监控技术、智能录播技术、在线学习与管理平台技术等。针对教育大数据挖掘中不同服务对象的不同应用目的，需要将原始数据进行预处理。以数据生成和分类为目的，则需要使用有标注的教育数据进行有监督学习，即通过将教育数据分为训练集和验证集对模型进行调参优化以提高准确率。以聚类和异常检测为目的，可以采用无监督学习自主识别模型规律，在大多数情况下也可以采用半监督学习，在降低成本的同时提高准确率。对教育大数据进行预处理后，需要对教育大数据集进行变量转换作为深度学习模型的输入，即将图像数据、文本数据、语音数据转化为输入向量。图像数据主要利用一些软件和工具进行处理，如利用IMread函数把图像转化为矩阵向量，以此构成特征图作为深度学习模型的输入。文本数据可以利用TF词频方法、TF-IDF词频—逆文档频率、One-hot以及Word2vec等方法进行向量化，一般以一维向量的特征图作为输入。语音数据通过声学特征提取，将每一帧波形变成一个多维的向量作为输入。深度学习模型的输出向量则以教育大数据挖掘的目的和服务的对象进行向量输出转化。图3所示的深度学习处理过程为通用的深度神经网络模型，在具体使用过程中应根据教育大数据挖掘的目的和服务对象进行深度学习模型选择。

四、深度学习技术在教育大数据领域的应用进展

随着深度学习技术在不同领域取得的巨大成功，近年国内外越来越多的学者基于教育大数据的特点和挖掘目的将深度学习技术应用到教育大数据挖掘领域。通过对相关文献进行整理和分析，基于深度学习的教育大数据挖掘的主要应用研究方向涉及学生学习追踪及表现预测、辅助教学、考试应用、学生行为和心理识别等;微软、谷歌、科大讯飞、IBM、百度、哈工大讯飞联合实验室等主要机构已将相关研究产品化。

（一）深度学习技术在教育大数据挖掘领域的应用研究方向

本研究文献检索日期截至2018年6月30日，以深度学习、教育大数据、MOOC等为主要检索主题词，通过人工方式过滤掉教育领域关于高层次认知思维上深度学习（即教育领域中非技术支持的深度学习）的相关文章，共得到27篇文献。其中，2015年5篇、2016年3篇、2017年14篇、2018年5篇，据此整理、分析出目前深度学习技术在教育大数据挖掘领域应用的四个主要研究方向。

1. 基于深度学习的学生学习追踪及表现预测

实时了解学生学习状态并对学生的发展做出合理的预测，这对改善教学状况、提高教学质量有着十分重要的作用。由于影响学习状况的因素十分复杂，传统的建模方法不能很好地进行学习追踪，而深度学习技术可以利用任何可向量化的学生数据作为输入且不需要特别的注解和标记，这对于学生表现建模极具优势，因此，最终对学生绩效的预测也十分准确[22]。通过深度学习技术完成学生学习追踪及表现预测，可以帮助教师与学生实现自动反馈，因此，可以在教与学两方面进行同步改进。基于深度学习的学生学习追踪及表现预测相关研究见表3。已有研究主要从两个方面展开：一是对学生平时的表现情况进行数据建模来预测最终的学习表现，如Kim等的GritNet模型（基于双向长短时记忆模型）在收到某个给定学生8周数据后，在几个星期内提高学生毕业预测的准确性[23];Okubo等使用循环神经网络挖掘教育系统中的日志数据预测学生最终成绩，并通过实验证明RNN对最终成绩的早期预测是有效的[24];Wang等将嵌入的程序输入到一个循环的神经网络中，根据学生在完成一项练习时的连续快照分析他的学习能力，并在随后的编程练习中预测学生的成果[25];Smith等构建了基于深度学习的示意图模型，利用学生绘制轨迹的时间和拓扑特征来预测学生的绘画动作[26];Piech等利用循环神经网络对一系列知识跟踪数据集建模，预测学生学习情况[27]。二是用学生在其他环境中的表现来推测学生的学习认知能力，如Min等基于深度学习提出一种新型评估框架，在一个基于游戏的学习环境中推断学生的能力，对于准确评估学习者的计算思维有很大帮助[28]。

2. 基于深度学习的教学辅助工具

新时代的教学模式摆脱了传统的板书课堂，像线上学习、多媒体辅助教学、智能辅导系统等新技术带来了更加丰富的学习体验。在基于深度学习的教学辅助工具的作用下，新时代的教学模式将得到进一步丰富和改进。表4列举了深度学习技术下一些教学辅助工具的相关研究。近年来发展迅速的MOOC学习平台，在深度学习技术的支持下有三个方面的研究：一是通过模型预测辍学率来判断学生是否会退出课程，如Xing等利用深度学习算法构建辍学预测模型，进一步预测个体学生的辍学概率[29];Wang等基于卷积神经网络和递归神经网络的混合架构，提出了一种能够自动提取原始MOOC数据特征的模型，得到了与特征工程方法预测相似的结果[30]。二是有关MOOC论坛中的问题交流，如Lin等基于卷积神经网络对MOOC论坛中的讨论主题进行分类[31];Wei等针对不同课程中存在的偏差，提出了一种基于卷积神经网络模型和长短期记忆模型的、名为ConvL的迁移学习框架，以自动识别文本是否表达了困惑，并对帖子进行情感极性分类，确定其需求緊急程度来及时地解决学习者的困惑[32]。三是MOOC平台根据学生的特点推送个性化的教学资源，如Tang等使用长短时记忆模型预测学生的学习趋势，为MOOC中寻找指导的学生提供广泛的建议[33];在另一篇文章中，Tang等通过长短时记忆模型和递归网络模型，根据学生的点击流活动预测学生行为，并在学习者陷入困难时向其提供资源[22]。除了MOOC平台外，基于深度学习的教学辅助工具还以教学资源、科研论文、多媒体软件、英语语音为挖掘对象，如寇媛媛通过卷积神经网络模型表达教学资源的特征，实现精准高效的移动平台教学资源推荐[34];Hassan等利用循环神经网络发现论文的连续和潜在语义特征，使研究人员用少量的时间找到满意的研究文献[35];刘瑞梅通过深度学习识别学习者对多媒体画面的情感倾向，用以指导多媒体软件制作，最终给用户带来更好的学习体验[36];陈嘉华基于深度学习进行英语语音识别和发音质量的研究，进而有效地帮助学生进行英语发音练习[37]。

3. 基于深度学习的考试应用

考试作为考查学生学习成果的重要手段，在应试教育中占有很高的地位，基于深度学习的考试应用使考试更加便捷和高效。表5总结了深度学习技术支撑下的三个方面的考试应用。一是作文自动批改，如陈珊珊结合卷积神经网络模型和长短时记忆模型两者的优点，设计并实现了作文自动评分系统，此系统在给出客观评分的同时，能够对相应的要点进行反馈，最终让用户更好地理解作文的优劣点[38];陈一乐通过卷积神经网络模型得到篇章表示，从而用篇章向量来完成评分任务实验[39];刘明杨利用深度学习中的受限玻尔兹曼机模型自动学习作文的特征，并将其应用到岭回归模型的训练和测试中，最终完成作文分数预测[40]。二是数学自动阅卷，如李磊在数学主观题自动阅卷中运用深度学习技术的理念，基于此设计的系统对于提高阅卷效率以及减轻教师繁复的工作量有较大的帮助[41];刘逸雪等提出的基于Bi-LSTM的数学主观题自动阅卷方法，在客观给出评分的同时提高教学效率[42]。三是以深度学习为基础的智能命题考试建设，试卷命题需要涵盖所学知识点且还需要考察学生的综合能力，而基于深度学习的智能命题可以通过组建题库来很好地解决这一问题[43]。

4. 基于深度学习的学习者心理和行为分析

关注学生的心理活动和行为表现能更好地引领其良好的自我意识和价值观的形成。基于深度学习的学习者心理和行为分析能够帮助教师和教育管理者及时了解学习者的心理和行为，高效地给予其相应的支持和帮助。基于深度学习的学习者心理和行为分析研究总结见表6。Xiao等人通过深度信念网络分析微博上大学生发布的经历文本，了解学生的身心发展和兴趣爱好[44];廖鹏等人通过卷积神经网络模型对学生课堂视频中的目标特征进行提取，准确识别学生的课堂异常行为，能够让教师及时发现学生存在的问题[45];曾志通过深度置信网络挖掘大五人格特质与人脸特征之间的关系，有效判断学生的特质，进而帮助教师对学生的潜力进行挖掘[46]。

除了上述四个方面，基于深度学习的教育大数据挖掘还可以应用到中文人物关系挖掘[47]和历史知识库标注分类[48]等方面。随着深度学习技术的日趋成熟和成功，其在教育大数据挖掘领域的研究内容和研究范围将不断扩展。

（二）深度学习技术在教育大数据挖掘领域的主要应用机构

以已有的理论研究为依托，一些机构通过与高校合作或是自主研发将深度学习相关的技术应用到教育大数据挖掘实践中，主要的应用机构及其产品见表7。基于深度学习的教育大数据挖掘相关产品的研发主要集中在自然语言处理领域，即英语的听说读写及翻译;同时智能问答和搜索引擎等方面也是未来深度学习在教育大数据挖掘领域应用研究的重点方向。

五、总结与展望

在实现教育现代化、智能化的过程中，深度学习技术具有不可替代的重要地位。尽管深度学习技术能给教育大数据挖掘带来诸多帮助，但仍存在以下四个方面的问题有待进一步研究：（1）教育大数据的质量。教育大数据的复杂性和多样性使其作为数据集来训练深度学习模型时存在很多问题，需要考虑数据的稀疏性、冗余性和缺失值。受限于现实条件，海量的教育数据无法做到在短时间内高质量的、全面的采集和处理，在分析过程中一些子目标的缺失也会造成错误的结果，所以提高教育大数据的质量是影响深度学习技术在教育大数据挖掘领域应用的关键。（2）深度学习技术的应用范围。从现有的研究中可以看到，使用深度学习技术进行教育大数据挖掘的应用范围还很局限，基于深度学习的教育大数据挖掘的结果多服务于学习者和教师，而关于教育管理者在教育决策等方面的研究几乎没有。（3）基于深度学习的教育大数据挖掘的应用的整体性。教育大数据挖掘的结果往往只被应用于一个问题或一个层面的群体，不能很好地从整体层面去看待、解决问题。如何对资源进行宏观调控，把握好不同服务对象之间的相互影响，是解决教育均衡快速发展的前提。（4）深度学习模型结果的解释。深度学习模型较难从外部理解其运作，然而教育问题的研究除了追求挖掘模型性能的优化，深度学习模型结果的教育解释还需要深入探析。

由于国家对教育领域的发展十分重视，在未来，关于教育的需求一定是人们迫切关注的。我们已经见证了深度学习巨大的魅力，相信随着深度学习技术的逐渐成熟，它在教育大数据挖掘领域的进一步发展能有效解决不足之处，可以在以下几个方面做出努力：（1）产业专业化。培养一批掌握深度学习技术、懂得教育的人才，确定行业发展的重点方向，持续推进教育大数据挖掘的有序发展。（2）极致体验。在学习分析与评测、在线与移动学习环境构建、虚拟与增强现实学习环境、教学知识可视化、教育智能体等教育信息科学与技术研究方向中，更多地去探索基于深度学习技术的教育大数据挖掘能带来的帮助。（3）与教育管理者协同前进。一方面通过教育大数据挖掘的结果指导管理者进行精准化管理，另一方面通过教育管理者实现多方平台合作，发挥各方面的优势，同时，推进深度学习技术和教育应用两方面的进步。相信未来在教育大数据挖掘领域，深度学习技术能为人们提供更多价值。

[參考文献]

[1] 周庆，牟超，杨丹. 教育数据挖掘研究进展综述[J]. 软件学报，2015，26（11）：3026-3042.

[2] BAKER R S，INVENTADO P S. Educational data mining and learning analytics[M] //Learning analytics. New York：Springer，2014：61-75.

[3] 舒忠梅，徐晓东. 学习分析视域下的大学生满意度教育数据挖掘及分析[J]. 电化教育研究，2014（5）：39-44.

[4] BECKER S A，CUMMINS M，DAVIS A，et al. NMC horizon report：2017 library edition[R]. Austin：The New Media Consortium，2017.

[5] OKOLI C，SCHABRAM K. A guide to conducting a systematic literature review of information systems research[J]. Ssrn electronic journal，2011，10：1-49.

[6] HINTON G E，OSINDERO S，TEH Y W. A fast learning algorithm for deep belief nets[J]. Neural computation，2006，18（7）：1527-1554.

[7] 布卢姆. 教育目标分类学[M]. 蒋小平，张琴美，罗晶晶，译. 上海：华东师范大学出版社，1986.

[8] MARTON F，S？魧LJ？魻 R. On qualitative differences in learning：I—Outcome and process[J]. British journal of educational psychology， 1976，46（1）：4-11.

[9] LECUN Y，BOTTOU L，BENGIO Y，et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE， 1998，86（11）：2278-2324.

[10] KOUTNIK J，GREFF K，GOMEZ F，et al. A Clockwork RNN[J]. Computer science，2014：1863-1871.

[11] HOCHREITER S，SCHMIDHUBER J. Long short-term memory[J]. Neural computation，1997，9（8）：1735-1780.

[12] POLLACK J B. The induction of dynamical recognizers[M]//Connectionist approaches to language learning. Boston：Springer，1991： 123-148.

[13] KRIZHEVSKY A，SUTSKEVER I，Hinton G E. ImageNet classification with deep convolutional neural networks[C]// Proceedings of International Conference on Neural Information Processing Systems. New York：Curran Associates Inc. 2012：1097-1105.

[14] 周凱龙. 基于深度学习的图像识别应用研究[D]. 北京：北京工业大学，2016.

[15] BADRI H，YAHIA H，DAOUDI K. Fast and accurate texture recognition with multilayer convolution and multifractal analysis[C]// Proceedings of European Conference on Computer Vision. Cham：Springer，2014：505-519.

[16] 周燕. 基于语音稀疏表示的谎言检测研究[D]. 苏州：苏州大学，2017.

[17] 王冰倩. 基于深度学习的语音质量评价方法研究[D]. 大连：大连理工大学，2015.

[18] 李翔. 噪声环境下基于深度学习的语音识别研究[D]. 武汉：武汉工程大学，2017.

[19] 吴嘉伟. 电子病历实体关系抽取研究[D]. 哈尔滨：哈尔滨工业大学，2014.

[20] 梁军，柴玉梅，原慧斌，等. 基于深度学习的微博情感分析[J]. 中文信息学报，2014，28（5）：155-161.

[21] 曹宇慧. 基于深度学习的文本情感分析研究[D]. 哈尔滨：哈尔滨工业大学，2016.

[22] TANG S，PETERSON J C，PARDOS Z A. Deep neural networks and how they apply to sequential education data[C]// Proceedings of the Third （2016） ACM Conference on Learning @ Scale. New York：ACM，2016：321-324.

[23] KIM B H， VIZITEI E， GANAPATHI V.GritNet： student performance prediction with deep learning[EB/OL]. （2018-04-19） [2018-06-15].https：//arxiv.org/pdf/1804.07405.pdf

[24] OKUBO F，YAMASHITA T，SHIMADA A，et al. A neural network approach for students' performance prediction[C]//Proceedings of the Seventh International Learning Analytics & Knowledge Conference. New York：ACM，2017： 598-599.

[25] WANG L，SY A，LIU L，et al.Deep knowledge tracing on programming exercises[C]//Proceedings of the Fourth（2017）ACM Conference on Learning@ Scale.New York：ACM，2017：201-204.

[26] SMITH A，MIN W，MOTT B W，et al. Diagrammatic student models：modeling student drawing performance with deep learning[C]//International Conference on User Modeling，Adaptation，and Personalization. Cham：Springer，2015：216-227.

[27] PIECH C，BASSEN J，HUANG J，et al. Deep knowledge tracing[J]. Computer science，2015，3（3）：19-23.

[28] MIN W，FRANKOSKY M H，MOTT B W，et al. DeepStealth：leveraging deep learning models for stealth assessment in game-based learning environments[C]//Proceedings of the International Conference on Artificial Intelligence in Education. Cham：Springer，2015： 277-286.

[29] XING W，DU D. Dropout Prediction in MOOCs：using deep learning for personalized intervention[J]. Journal of educational computing research，2018，3：55-62.

[30] WANG W，YU H，MIAO C. Deep model for dropout prediction in MOOCs[C]//Proceedings of the 2nd International Conference on Crowd Science and Engineering. New York：ACM，2017： 26-32.

[31] LIN F，LEI W，LIU S，et al. Classification of discussion threads in MOOC forums based on deep learning[C]// Proceedings of the 2017 2nd International Conference on Wireless Communication and Network Engineering（WCNE 2017）. Lancaster：DEStech Publications，2017：493-498.

[32] WEI X， LIN H，YANG L，et al. A convolution-lstm-based deep neural network for cross-domain MOOC forum post classification[J]. Information，2017，8（3）：1-16.

[33] TANG S，PETERSON J C，PARDOS Z A. Modelling student behavior using granular large scaleaction data from a MOOC[EB/OL]. （2016-08-16） [2018-06-16]. https：//arxiv.org/pdf/1608.04789.pdf

[34] 寇媛媛. 基于深度學习的在线教学推荐系统设计与研究[J]. 西安职业技术学院学报，2017（3）：11-14.

[35] HASSAN H A M. Personalized research paper recommendation using deep learning[C]// Proceedings of the 25th Conference on User Modeling，Adaptation and Personalization. New York：ACM，2017： 327-330.

[36] 刘瑞梅， 孟祥增. 基于深度学习的多媒体画面情感分析[J]. 电化教育研究，2018，39（1）：68-74.

[37] 陈嘉华. 基于深度学习的英语语音识别与发音质量评价[D]. 广州：广东外语外贸大学，2015.

[38] 陈珊珊. 自动作文评分模型及方法研究[D]. 哈尔滨：哈尔滨工业大学，2017.

[39] 陈一乐. 基于回归分析的中文作文自动评分技术研究[D]. 哈尔滨：哈尔滨工业大学，2016.

[40] 刘明杨. 高考作文自动评分关键技术研究[D]. 哈尔滨：哈尔滨工业大学，2015.

[41] 李磊. 基于机器学习的中小学数学自动阅卷系统研究与实现[D]. 桂林：广西师范大学，2017.

[42] 刘逸雪，卢雨轩，丁亮，等. 基于 Bi-LSTM 的数学主观题自动阅卷方法[J]. 管理观察，2018 （2）：109-113.

[43] 汪张龙. 人工智能技术在考试中的应用[J]. 中国考试，2017（11）：30-36.

[44] YU X，YU H，TIAN X Y，et al. Recognition of college students from Weibo with deep neural networks[J]. International journal of machine learning and cybernetics，2017，8（5）：1447-1455.

[45] 廖鹏，刘宸铭，苏航，等. 基于深度学习的学生课堂异常行为检测与分析系统[J]. 电子世界，2018（8）：97-98.

[46] 曾志. 基于人脸特征与深度学习的学生人格特质分析[D]. 南昌：江西师范大学，2017.

[47] 黄蓓静. 深度学习技术在中文人物关系抽取中的应用研究[D]. 上海：华东师范大学，2017.

[48] 李依尘. 面向自动问答的中学历史知识库构建[D]. 哈尔滨：哈尔滨工业大学，2017.