Educational Data Mining: A Bibliometric Analysis of an Emerging Field
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We are now able to collect enormous amounts of information at the learner level. Mining educational data to provide data-driven analytics has spurred great interest among researchers and policymakers that continues to grow. This growing research area is called educational data mining (EDM). Yet the growing interest in the topic has also resulted in a fragmented body of literature. This recent growth justifies and renders it important to synthesize the extant body of multidisciplinary research to bring this literature together into a systematic whole and to assess the extent of our current knowledge. To this purpose, this article provides a bibliometric review of the accumulated literature (<inline-formula> <tex-math notation="LaTeX">$N=194$ </tex-math></inline-formula>) on educational data mining during 2015–2019. Findings suggest that interest in educational data mining has increased in recent years. The studies in this stream of research mainly focus on using state-of-the-art EDM techniques to optimize prediction models to accurately predict learners’ academic performance and to detect behaviors of learners for timely intervention. In addition, our findings show that EDM literature contains publications of researchers from diverse countries. Most studies were a result of collaborations between multiple authors, and most authors collaborated with authors from the same country. The United States, China, and Spain are the countries with the most prolific publications in EDM literature. For future research, EDM researchers should increase discussions on connecting theories with EDM techniques, ethics and privacy issues, and international collaboration.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | Bibliométrie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | low |
| gpt | Bibliométrie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Autre devis | high |
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,029 | 0,148 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle