2025年教育数据挖掘与分析培训考试大纲及试题及答案

2025年教育数据挖掘与分析培训考试大纲及试题及答案一、单项选择题（每题2分，共20分）1.在LMS日志中，以下哪一项字段最适合作为学生“学习活跃度”的代理指标？A.登录IP地址B.课程视频观看时长C.作业提交文件大小D.浏览器类型答案：B2.使用Apriori算法进行教育数据挖掘时，若最小支持度阈值设置过高，最可能导致的后果是：A.频繁项集数量爆炸B.规则置信度普遍降低C.无法发现任何频繁项集D.算法运行时间指数级增加答案：C3.某高校欲预测学生毕业五年后的薪资水平，下列哪种模型最适合处理“存在大量缺失值且变量维度高”的数据？A.普通最小二乘回归B.随机森林回归C.线性判别分析D.单因素方差分析答案：B4.在xAPI语句中，以下哪一项属于“结果（Result）”组件的合法键？A.actorB.verbC.score.rawD.context.registration答案：C5.对MOOC论坛文本进行情感分析时，首先需要进行：A.共词网络构建B.词干提取或分词C.社会网络中心度计算D.主题一致性检验答案：B6.当使用DINA模型进行认知诊断时，学生掌握模式估计的EM算法中，M步主要更新：A.项目区分度参数B.项目猜测与失误参数C.学生潜在能力θD.试题难度b值答案：B7.在教育数据挖掘伦理审查流程里，下列哪一项属于“最小风险”研究的典型特征？A.需要采集学生生物识别数据B.涉及欺骗实验设计C.仅使用去标识化的既有日志D.要求未成年人主动同意答案：C8.若某在线测验的KR20系数为0.92，则说明：A.测验信度较高B.测验难度过低C.测验标准误过大D.题目区分度不足答案：A9.在Python中，使用pandas将“学生成绩”列的缺失值用组内中位数填充，正确的代码是：A.df['成绩'].fillna(df['成绩'].median())B.df.groupby('班级')['成绩'].fillna(lambdax:x.median())C.df['成绩']=df.groupby('班级')['成绩'].apply(lambdax:x.fillna(x.median()))D.df['成绩'].fillna(method='median')答案：C10.学习分析仪表盘上，采用“红绿灯”指标预警时，红色通常对应：A.当前表现优于期望值1个标准差以上B.当前表现落入最低25%分位C.当前表现与期望值无显著差异D.当前表现处于最高10%分位答案：B二、多项选择题（每题3分，共15分；多选少选均不得分）11.以下哪些方法可用于降低教育文本特征维度？A.TFIDF加权后截断低频词B.LDA主题建模C.Word2Vec向量取平均D.卡方检验选TopK特征E.多层感知机自动编码答案：A,B,D,E12.在构建学生辍学预测模型时，可能存在的偏差来源包括：A.训练集男女比例失衡B.使用上学期数据预测下学期行为C.特征中包含家庭经济状况D.将“是否申请助学金”作为预测变量E.未进行交叉验证答案：A,C,D13.关于教育数据挖掘中的k折交叉验证，下列说法正确的是：A.k越大，训练集重复利用率越高B.k=N时为留一法，计算成本高C.分层抽样可保持类别比例D.时间序列数据可直接使用标准k折E.验证集误差均值可作为泛化误差估计答案：A,B,C,E14.以下哪些指标可用于评估聚类算法在教育场景中的效果？A.轮廓系数B.CalinskiHarabasz指数C.调整互信息AMID.ROC曲线下面积AUCE.DaviesBouldin指数答案：A,B,C,E15.在基于学习分析干预的A/B实验中，合理的“最小可检测效应”设定需考虑：A.基线转化率B.期望提升幅度C.显著性水平αD.统计功效1βE.实验周期内的学期长度答案：A,B,C,D,E三、填空题（每空2分，共20分）16.教育数据挖掘的经典流程包括：业务理解、数据理解、________、建模、评估、部署。答案：数据准备17.在R语言中，使用________包可调用nnet函数构建多层感知机。答案：nnet18.若某测验的项目反应理论模型为2PL，则项目特征曲线在θ=0处的斜率由参数________决定。答案：a（区分度）19.当使用SparkMLlib进行分布式协同过滤时，需将评分数据转换为________类型的RDD或DataFrame。答案：Rating20.学习分析领域常用的“自解释指标”是指无需额外________即可被教师理解的可视化指标。答案：培训或解释21.在认知诊断中，Q矩阵的行代表________，列代表属性。答案：题目或项目22.对时间序列日志进行特征提取时，常用________函数将时间戳转换为周几，以捕捉周期性。答案：strftime或weekday23.若某MOOC课程论坛发帖量服从幂律分布，则其概率密度函数p(x)∝________。答案：x^(α)24.在Python中，使用statsmodels的________函数可直接计算斯皮尔曼等级相关系数及其p值。答案：spearmanr25.当采用SHAP值解释黑箱模型时，特征重要性排序依据的是SHAP值的________绝对值均值。答案：全局四、简答题（封闭型，每题6分，共18分）26.简述教育数据挖掘与传统教育统计在假设检验层面的三点差异。答案：（1）教育数据挖掘通常采用数据驱动而非先验假设，强调探索性分析；（2）样本量极大时，p值易显著，EDM更关注效应量与可解释性；（3）多重检验问题更突出，EDM常用FDR或Bonferroni校正，并引入交叉验证降低假阳性。27.说明在基于学习分析的早期预警系统中，为何需要将“时间窗口”作为核心参数，并给出设置原则。答案：时间窗口决定特征观测范围与预测提前量，直接影响模型时效性与可操作性；设置原则：①与教学周期对齐，如周、模块、学期；②兼顾干预响应时间，确保教师能在窗口内实施措施；③通过滚动验证比较不同窗口的AUC，选择最优。28.写出利用xAPI记录“学生观看视频后完成测验”事件的JSON核心结构，要求包含actor、verb、object、result四要素。答案：```json{"actor":{"mbox":"mailto:student@"},"verb":{"id":"/expapi/verbs/passed","display":{"zhCN":"通过"}},"object":{"id":"/activity/quiz01","definition":{"name":{"zhCN":"章节测验1"}}},"result":{"score":{"scaled":0.85}}}```五、应用题（计算/分析/综合类，共67分）29.计算题（12分）某在线平台记录1000名学生完成同一作业的耗时（秒）服从对数正态分布lnN(μ=5.2,σ=0.8)。（1）求耗时在1.5分钟到5分钟之间的学生比例；（6分）（2）若平台希望将“超时”阈值设为分布的95%分位，求对应耗时秒数。（6分）答案：（1）1.5分钟=90秒，5分钟=300秒；Z1=(ln905.2)/0.8≈(4.49985.2)/0.8≈0.875；Z2=(ln3005.2)/0.8≈(5.70385.2)/0.8≈0.630；查标准正态表，P(0.875<Z<0.630)=Φ(0.630)Φ(0.875)=0.73570.1908=0.5449≈54.5%。（2）95%分位对应Z=1.645；lnT=5.2+0.8×1.645=6.516；T=e^6.516≈677秒。30.分析题（15分）给定某课程论坛发帖数据（已去标识化），字段：post_id,user_id,thread_id,time,likes,text_len,sentiment_score。任务：（1）写出SQL查询，统计每周平均sentiment_score，并找出情感最低的一周；（5分）（2）采用Python绘制likes与text_len的散点图，并拟合对数回归曲线，给出核心代码；（5分）（3）解释为何sentiment_score与likes可能出现“伪相关”，并给出检验思路。（5分）答案：（1）```sqlSELECTDATE_TRUNC('week',time)ASweek,AVG(sentiment_score)ASavg_sentFROMpostsGROUPBYweekORDERBYavg_sentLIMIT1;```（2）```pythonimportseabornassns;importmatplotlib.pyplotasplt;fromsklearn.linear_modelimportLinearRegressionimportnumpyasnpsns.scatterplot(x='text_len',y='likes',data=df)x=np.log(df['text_len']).values.reshape(1,1)y=df['likes'].valuesreg=LinearRegression().fit(x,y)x_smooth=np.logspace(np.log10(df['text_len'].min()),np.log10(df['text_len'].max()),200)y_pred=reg.predict(np.log(x_smooth).reshape(1,1))plt.plot(x_smooth,y_pred,color='red')plt.xscale('log');plt.show()```（3）伪相关原因：二者可能同时受“话题热度”潜变量影响；检验：引入thread_id固定效应或控制text_len、week等变量后，偏相关显著性下降。31.综合题（25分）某高校欲构建“学生期末成绩等级预测”系统，数据包含：平时作业得分（连续0100）视频观看完成率（01）论坛参与度（发帖+回帖次数）期中测验得分（0100）年级（14）专业（分类）历史挂科次数（整数）期末等级（A,B,C,D,F）任务：（1）将期末等级转为数值型标签，给出编码方案并说明理由；（3分）（2）采用Python完成缺失值处理、标准化、类别变量独热编码，给出可运行代码；（6分）（3）选用两种算法（随机森林与XGBoost）进行五折分层交叉验证，输出MacroF1，并比较结果；（8分）（4）利用SHAP解释最佳模型，指出对预测“A”等级最重要的前三个特征，并给出可视化代码；（5分）（5）列举两条可落地的教学干预建议，需与特征重要性一致。（3分）答案：（1）OrdinalEncoding：A=4,B=3,C=2,D=1,F=0；保持等级顺序，便于回归框架。（2）```pythonimportpandasaspd,numpyasnpfromsklearn.imputeimportSimpleImputerfromsklearn.preprocessingimportStandardScaler,OneHotEncoderfromposeimportColumnTransformerfromsklearn.pipelineimportPipelinenum_cols=['平时作业','视频完成率','论坛参与','期中','历史挂科']cat_cols=['年级','专业']pre=ColumnTransformer([('num',Pipeline([('imp',SimpleImputer(strategy='median')),('sca',StandardScaler())]),num_cols),('cat',OneHotEncoder(handle_unknown='ignore'),cat_cols)])X=pre.fit_transform(df)y=df['期末等级'].map({'A':4,'B':3,'C':2,'D':1,'F':0})```（3）```pythonfromsklearn.ensembleimportRandomForestClassifier,GradientBoostingClassifierfromsklearn.model_selectionimportStratifiedKFold,cross_val_scorefromxgboostimportXGBClassifiercv=StratifiedKFold(n_splits=5,shuffle=True,random_state=42)rf=RandomForestClassifier(n_estimators=500,class_weight='balanced',n_jobs=1)xgb=XGBClassifier(n_estimators=500,eval_metric='mlogloss')f1_rf=cross_val_score(rf,X,y,cv=cv,scoring='f1_macro').mean()f1_xgb=cross_val_score(xgb,X,y,cv=cv,scoring='f1_macro').mean()print('RF:',f1_rf,'XGB:',f1_xgb)示例输出：RF:0.78,XGB:0.81```（4）```pythonimportshapxgb.fit(X,y)explaine