教育领域的时间序列分析：方法、应用与未来方向

随着 sequential educational data 收集和分析能力的近期进步，时间序列分析在教育研究中占据了关键位置，凸显其在促进数据驱动决策方面的essential作用。然而，目前缺乏对这些进展进行综合性总结的 comprehensive review。鉴于目前对教育语境下时间序列分析技术的系统性了解仍不充分，本文是首次提供针对教育情境的综合性综述。我们首先探讨教育数据分析的格局，将各种数据来源和类型归类为教育相关数据。随后，我们审视四种主要的时间序列方法——预测、分类、聚类和异常检测——阐明其在教育情境中的具体应用。接着，我们呈现一系列教育情景和应用，聚焦这些方法如何被用于解决多样化的教育任务，从而凸显多种时间序列方法在解决复杂教育问题中的实际集成。最后，我们讨论未来方向，包括个性化学习分析、多模态数据融合以及大语言模型（LLMs）在教育时间序列中的作用。本文的贡献包括详尽的教育数据分类框架、时间序列技术与具体教育应用的综合，以及对教育分析中新兴趋势和未来研究机会的前瞻性视角。相关论文和资源均可在项目页面上获取并定期更新。