本书系统介绍了教育数据挖掘应用中可解释性问题的研究背景、研究进展和技术框架。与传统可解释性研究主要针对建模阶段不同，本书对可解释性的研究涉及数据挖掘的整个生命周期，特别是数据理解阶段、数据准备阶段、数据建模阶段和模型评价阶段。此外，本书还介绍了教育数据挖掘中聚类问题的可解释性。
本书将技术研究与实际问题相结合，针对教育场景中的典型问题给出了具体的实施流程和算法，不仅可作为科研人员及研究生的研究资料，也可供学校、各类教育机构和教育行业公司的相关人员参考。

1 绪论
1.1 研究背景和意义
1.1.1 本书的研究背景
1.1.2 研究意义
1.2 国内外研究进展
1.2.1 机器学习模型的可解释性
1.2.2 EDM中的可解释性研究
1.2.3 当前研究存在的问题
1.3 本书主要研究内容及工作
1.3.1 本书主要研究内容
1.3.2 本书的工作
1.4 本书组织结构
2 基础知识介绍
2.1 EDM技术
2.2 本书涉及的应用问题
2.2.1 互联网行为预测学生表现
2.2.2 就业层次预测
2.3 EDM中常见的分类模型及其可解释性
2.3.1 常见分类模型
2.3.2 模型的可解释性
2.4 预测模型的评估标准
2.5 本书所涉及数据集的介绍
2.5.1 教育数据集
2.5.2 其他数据集
2.6 本章小结
3 一个理解原始数据集的处理流程
3.1 引言
3.2 IIOD-DU流程
3.2.1 流程概述
3.2.2 两种特征选择方法
3.3 实验结果与分析
3.3.1 数据集
3.3.2 理解问题的难度
3.3.3 理解类标
3.3.4 理解特征
3.4 本章小结
4 一种两阶段的数据准备方法
4.1 引言
4.2 TSDP方法
4.2.1 方法概述
4.2.2 I阶段分析
4.2.3 II阶段的分析
4.3 两种事后解释方法
4.4 实验
4.4.1 实验一：验证TSDP方法的有效性
4.4.2 实验二：使用事后解释法理解特征
4.5 本章小结
5 一种基于认知的黑盒模型解释方法
5.1 相关知识介绍
5.1.1 流行学习技术
5.1.2 人的分类学习
5.2 HCLI方法
5.2.1 方法概述
5.2.2 原型解释
5.2.3 范例解释
5.3 实验
5.3.1 人工合成数据集
5.3.2 UCI数据集
5.3.3 真实数据集
5.4 本章小结
6 一种跨模型评估可解释性的研究框架及其实现
6.1 引言
6.2 EIDM研究框架
6.3 提取特征
6.4 测量可解释性
6.4.1 调查问卷的设计
6.4.2 调查问卷的实施
6.5 标注类标
6.6 构建评判模型
6.7 实验结果与分析
6.7.1 验证调查的合理性
6.7.2 评估判别模型的性能
6.7.3 实验小结
6.8 本章小结
7 一种基于用户满意度的聚类方法
7.1 聚类质量评价
7.2 USBC方法
7.2.1 方法概述
7.2.2 最优化模型
7.2.3 模型求解
7.2.4 聚类结果再聚类
7.3 实验过程及结果分析
7.3.1 UCI数据集
7.3.2 真实数据集
7.4 本章小结
参考文献