3、解读无监督机器学习与交互式讲故事：助力学生数据分析

解读无监督机器学习与交互式讲故事：助力学生数据分析

在学生数据分析领域，一种创新的方法正逐渐崭露头角，它结合了无监督机器学习和交互式讲故事的技术，为教育工作者提供了更深入了解学生的途径。下面将详细介绍这一方法的关键组成部分。

1. 用户参与与故事生成

用户在整个系统中扮演着重要角色。他们可以凭借对学生行为的洞察，参与到模型构建过程中。这赋予了他们极大的灵活性，能够改变分析模型和自动生成故事所使用的特征。同时，系统会为用户呈现自动生成的故事，这些故事是对分析模型结果的有力补充。

2. 时态数据模型

该系统采用时态数据模型，利用时间段对不同来源的数据进行分组，为每个学生形成信息序列。这种模型具有诸多优势：
- 允许分析模型考虑学生在整个学习过程中的时间依赖性。
- 可以灵活定义时态节点的持续时间，对节点内的信息进行情境化处理，并将节点序列解读为故事。

每个学生的数据模型包含一个从入学开始到毕业或离校结束的序列。序列中的每个节点代表一个时间段（如一个学期），并包含一组特征向量（如该学期所修课程）。学生的时态节点主要有三种类型：
|节点类型|包含信息|
| ---- | ---- |
|背景节点|学生的人口统计信息|
|学期节点|学期相关的活动和信息|
|结果节点|学生的绩效变量值|

3. 无监督学习

系统运用无监督学习来识别学生行为模式，并将这些行为与学习表现进行映射。用户可以选择学生绩效变量（如 GPA），还能设置筛选条件（如按性别或时间段筛选）。

以“课程进度”这一特征为例，它是一个经过设计的时态特征，计算