综上可知，机器学习方法能够自动从大量数据中提取隐含的、未知的、却潜在有用的信息和知识，支持智慧教育教师开展智能化教学和学生进行个性化学习。因此，机器学习应用于智慧教育是适合的，也是必要的。
四、机器学习教育应用的潜力与进展
如前文所述，机器学习属于数据挖掘的分析技术，而数据挖掘技术最早于1995年应用于教育领域。由此推论，机器学习教育应用的研究于1995年拉开序幕。同时，通过文献梳理发现，教育数据挖掘的研究成果在2000年前仅有7篇[33]，其具有代表性的文献综述主要集中于2009-2010年前后[34-36]，这一阶段的教育数据挖掘研究正接近青春期[37]。因此，从2010年起至今的国外基于真实数据的机器学习以教育应用案例研究成果为主，我们通过对机器学习技术在教育数据挖掘青春期阶段的研究进展及其教育应用的潜力进行梳理，以期为教育者、教育研究者和开发人员等在智慧教育中的应用提供理论和实践指导。 其中，机器学习教育应用概念图如图4所示。
(一)研究目标
我们通过对文献梳理发现，机器学习教育应用主要集中在学生建模、学生行为建模、预测学习表现、预警失学风险、学习支持和评测以及资源推荐等方面(见表2)。
1、学生建模
学生建模是创建和维护学生模型模块的过程，学生模型模块主要负责学生当前知识状态模型的开发和维护，旨在对学生的误解和次优表现做出假设，以便教师能够指出并建议修正。学生建模包括学生模型和诊断模型，学生模型存储学生知识的数据结构，诊断模型执行诊断过程并更新学生模型。其中，领域模型是学生模型的基础。例如，Yudelson等通过使用自动化方法提取领域模型来支持大学生编程语言的学习，在解决程序练习的过程中对学生知识进行建模，以支持系统推荐下一个解决问题。该研究所用的数据来自某大学三门程序入门课程的代码快照数据，处理方法主要基于两点：在每个程序提交之后，使用程序语言的内在结构来建模知识;使用一组测验自动测试程序的正确性。该研究选择Null模型和Rasch模型用于学生建模，并使用AFM模型结合PC算法对学生学习建模。研究发现，PC算法的使用能够提高AFM模型对过滤概念列表的精准度。
贝叶斯知识跟踪作为一种用户建模方法，常被应用于智能教学系统。例如，Eagle等在传统贝叶斯知识跟踪模型中插入学生个体参数，基于学生的活动数据，来预测其在智能教学系统中学习和表现的个体差异权重。该方法的优点是，如果个体差异权重在学生开始使用系统前能被赋值，将更容易集成入智能教学系统。研究中的学生活动数据包括阅读表现数据和概念知识预备测试数据，其中，阅读表现数据包括阅读时间和重访文本页面(与元认知自我监管技能有关);概念知识预备测试数据包括预备测试的准确性、问题变化和任务完成时间。研究结果得到了四组最佳匹配的个体差异权重和三个贝叶斯知识跟踪模型的变体模型。研究发现，学生阅读文本的数据在智能教学系统中对于预测学习和表现非常有用。
类似的，Baker等采用贝叶斯知识跟踪和线性回归等方法构建学生模型，对学生在特定问题步骤中已获得技能的可能性进行检测。研究基于232名中学生的数学课程数据，主要分为两步建模：使用标准贝叶斯知识跟踪结合数据和贝叶斯定理来预测学生知识，生成可能性的标签;训练模型，使用更广泛的特征集来预测标签数据。
2、学生行为建模
学生行为建模是分析学生表现、排除潜在的误区、呈现学生目标和计划、确定先验和获得的知识、保持情景记忆，以及描述个性特征等的过程。机器学习方法能够支持学习行为的自动检测、识别和建模，旨在通过描述或预测模式行为让系统适应学习者的偏好倾向。例如，Doleck等使用机器学习方法来挖掘学习环境中与诊断推理的过程、结果相关的学习者行为，其中，隐马尔可夫模型用于问题解决的行为熟练指标建模，文本分类算法用于分析学习者的案例总结报告，这些算法的应用描述了不同问题解决阶段的学习者行为，旨在为系统的维护提供设计指导。