医工融合导向的健康数据挖掘课程知识图谱构建研究

Research on the construction of knowledge graph for Health Data Mining course oriented by medical engineering integration

摘要

针对医工交叉课程中临床需求与技术教学脱节的问题，提出了以临床问题域为驱动的知识图谱架构。该架构通过“基础技术层—临床问题层—思政约束层—动态链接层”的四层融合模型，实现医学场景原生驱动与技术路径的有机对接。在此基础上，设计“三元绑定机制”，通过临床案例绑定、思政映射绑定和能力训练绑定，强化理论与实践的双向联动，推动知识向价值和能力的转化。课程实践结果显示，该模式在理论掌握、问题意识和能力提升方面均表现出显著优势，为医学工程复合型人才的培养提供了一种可推广的实证路径和范式。

Abstract

To address the disconnection between clinical demands and technical instruction in medical-engineering interdisciplinary courses, this study proposes a clinical problem–driven knowledge graph architecture. The framework integrates a four-layer fusion model—fundamental technology, clinical problem, ethical constraint, and dynamic linkage—so as to organically align technical pathways with real medical scenarios. On this basis, a “triple-binding mechanism” is designed, comprising clinical case binding, ethical mapping binding, and competency training binding, thereby strengthening the bidirectional linkage between theory and practice and promoting the transformation of knowledge into values and capabilities. Teaching practice results demonstrate that this mode significantly enhances students’ mastery of theory, problem awareness, and practical competence. This study thus provides a replicable empirical pathway and paradigm for cultivating interdisciplinary medical-engineering talent.

Graphical abstract

关键词

知识图谱 / 三维评价体系 / 四层融合模型 / 临床适配能力

Key words

knowledge graph / three-dimensional evaluation framework / four-layer integrated model / clinical adaptability

随着人工智能、大数据和知识图谱的快速发展，高等教育正在经历深刻的数字化转型。联合国教科文组织《2024年全球教育监测报告》指出，78%的发达国家已将人工智能纳入教育现代化战略^[1]。在此背景下，知识图谱等人工智能技术正推动课程体系向智能化、个性化和精准化演进^[2-3]，尤其在智能医疗、精准诊断等医工交叉领域，亟需兼具医学知识与数据科学能力的复合型人才^[4]。然而，当前医工交叉课程建设与人才培养尚面临三大关键挑战：首先，技术教学与临床实践存在严重脱节。学生往往难以自主地将课堂所学的算法原理灵活转化为临床场景的实际解决方案^[5-7]。其次，传统教学评价体系过于单一和片面，主要关注算法与技术的实现能力，却忽视了学生在临床问题解决能力、创新意识和医学伦理意识等核心素养方面的培养与评价^[8-10]。最后，医工融合教育的资源分散于医院、高校和企业等多元主体之间，难以形成有效的资源整合与共享机制，严重制约了教学效果的持续提升和人才培养的质量保障^[11-13]。

国内外学者已对知识图谱与数据挖掘在教育中的应用展开探索。北京航空航天大学学者^[14]梳理了个性化教育中的进展，提出“教育推荐、认知诊断、知识追踪和学习行为分析”四大方向，并展望了推荐与诊断融合的趋势。Staneviciene等^[15]基于 CRISP-DM 流程，利用分类、回归与聚类预测在线工程类课程学生表现，有效识别学业风险并验证了数据挖掘在远程教育和可持续发展目标（SDG4）中的价值。Rueangket等^[16]对泰国医学生开展研究，结合逻辑回归、聚类与关联规则，发现 GPA 较高、兴趣明确和动觉型学习风格与优异成绩相关，并利用可视化辅助个性化干预。此外，Khoshgoftar等^[17]对2000 — 2022年医学教育领域进行系统回顾，提出涵盖政策、课程、技术、内容与成果的五层次应用框架，强调数据挖掘对教育评估和决策的重要性。

综上所述，现有研究虽为知识图谱与数据挖掘在医学教育中的应用提供了启示，但仍有三方面不足：一是多聚焦一般教育或单一医学场景，缺乏针对医工交叉课程的知识图谱构建与临床问题驱动机制；二是评价体系单一，难以动态、全面衡量学生的技术能力、创新意识和伦理素养；三是缺乏校、院、企协同闭环，限制了成果转化。为此，本研究提出临床问题域驱动的知识图谱框架：其一，构建涵盖技术层、临床问题层、思政约束层和动态链接层的“四层融合模型”，实现算法与临床需求的对接；其二，设计整合知识、意识与能力的“三维评价体系”，并基于实时反馈动态优化学习路径；其三，建立“校—院—企”三方协同验证闭环，以临床方案有效率和模型F1值等量化指标检验成效。

1 医学特色图谱架构设计

为有效解决医工交叉课程临床实践与技术教学脱节的问题，本研究提出了基于临床问题域驱动的医学特色知识图谱架构设计。具体包括“四层融合模型”和“三元绑定机制”两个核心部分。

1.1 四层融合模型

本研究设计的医学特色知识图谱架构包含基础技术层、临床问题层、思政约束层与动态链接层，如图1所示。四层结构相互依托，各具特色且紧密融合，实现医工知识的有效连接。

基础技术层 本层涵盖数据挖掘基础理论、核心算法原理及平台工具，包括特征选择技术（如SHAP值分析）、分类技术（决策树、随机森林）、聚类技术（K-means、DBSCAN）等。通过选取与临床问题高度相关的案例，如糖尿病并发症风险特征贡献分析，引导学生直观理解基础理论与算法在医学实践中的作用，体现出明显的医学导向。

临床问题层 以真实医学问题为核心设计课程内容，包括疾病诊断、疗效评估、风险预测等领域。如以肺癌CT影像病灶分割优化为案例，明确提出医学需求，指导学生将基础数据挖掘技术有效应用于临床实际，凸显临床导向的特色。

思政约束层 突出思想政治教育元素，融入医学伦理、政策法规等内容。以医保政策公平性分析为例，采用关联规则挖掘技术引导学生深入探讨医疗资源的伦理分配，培养学生医学人文精神和社会责任意识，体现思政融合的特色。

动态链接层 该层通过动态推荐算法实现临床需求与技术路径的自适应匹配。以急诊分诊决策树自动匹配场景为例，系统根据实时临床数据和需求，动态推荐适合的算法路径，提升学生灵活解决医学复杂问题的能力，体现出智能化动态适配特色。

1.2 三元绑定机制

“三元绑定机制”通过临床案例绑定、思政映射绑定和能力训练绑定（如图2所示），进一步明确知识图谱与医学实践之间的关联，体现医学数据科学教育的特色。

临床案例绑定（医学实践特色） 精选来自实际临床场景的真实脱敏数据，如同仁医院肺部疾病共现数据（2019-ZYXM-04-321102****）、上海健康医学院附属周浦医院电子病历库（2024-NSFC-04-321102****）、MIT-BIH心律失常数据库（公共数据集），帮助学生切实掌握数据挖掘技术在临床实践中的具体应用，体现鲜明的临床实践特色。以上数据集均做过脱敏处理并进行二次加工，仅使用课程实践需要的部分样本及特征。

思政映射绑定（伦理价值特色） 结合具体的医学伦理案例和政策分析，如中美医保政策比较，通过数据分析技术引导学生探讨医疗资源分配、公平性和伦理问题，培养正确的医学伦理观念与价值观，体现出课程思政的鲜明特色。

能力训练绑定（实践应用特色） 利用企业与社会实践平台，如和鲸社区医疗数据竞赛、虚拟实验室、卫宁健康API平台，帮助学生通过真实的数据竞赛环境强化数据处理、算法实施和团队协作技能，培养学生的综合实践能力，体现显著的应用实践特色。

为进一步体现三元绑定机制的联动性与反馈性，本研究在课程实践中设计了“三维协同—反馈闭环”结构，三个绑定维度不仅独立支撑教学目标，更通过交互逻辑彼此影响。例如，临床案例中的共病数据不仅引发学生思考医疗资源公平性（思政），还直接转化为竞赛任务的建模对象（能力）。相应地，竞赛结果与课堂互动表现等教学反馈，将反向调整课程内容难度与知识图谱路径，从而实现“医学真实情境—技术路径选择—伦理判断思维”的三重协同与动态优化闭环。

2 教学融合设计

在医学特色知识图谱的整体架构下，课程教学体系与课程思政设计被有机结合，形成了“课程教学体系图谱联动”与“显性—隐性知识双通道映射”两大融合模式。这一设计不仅保障了课程技术训练的深度与广度，也确保了临床导向与价值引领的有机统一。

课程设计遵循循序渐进、由浅入深的原则，构建了基础验证性、提高综合性与开放设计性三层课程教学体系，并以知识图谱为核心驱动，实现课程任务与临床场景的精准匹配。基础验证性设计通过知识元视频自动推送，使学生在糖尿病患者数据的K-means聚类调参任务中，能够即时获取调参方法和可视化技巧，快速建立算法理解与信心。提高综合性设计在任务执行中引入虚拟助教，结合临床维度提示，引导学生在肺癌影像分析中调用SHAP可解释性方法生成放射科特征重要性报告，训练学生的技术整合能力与临床信息表达能力。开放设计性设计则通过医院数据真实案例，让学生对接医院模拟场景的真实数据，完成从数据采集、模型训练到系统部署的全流程闭环实践。如表1所示的三层教学设计在知识图谱支持策略与医学案例的对应关系，体现了图谱在不同层级实验中的适配性与驱动性。

在课程思政融合方面，通过显性—隐性知识双通道映射模式，将技术知识点、临床场景与思政案例进行一体化设计与呈现。例如，在教授“关联分析”技术时，学生首先在图谱引导下掌握关联规则算法的原理与实现方法；随后在临床场景中，利用疾病共现模式挖掘方法分析患者数据，识别慢性病间的关联关系；最后引入“上海市医保政策关联规则分析”这一思政案例，与美国商业医保制度进行对比，探讨两种制度下医疗资源分配的公平性与可及性，从而在技术训练的同时，引导学生形成对我国制度优势的认知与认同。这一模式通过技术驱动、场景承载与价值引领的融合，不仅提升了学生的算法应用与临床问题解决能力，还在潜移默化中培养了学生的医学人文素养与社会责任感。

通过上述融合设计，知识图谱不再只是课程内容组织与学习路径规划的技术工具，更成为贯穿教学目标、实验任务与价值塑造的核心枢纽，推动医工交叉课程在技术能力培养、临床应用深化与思想政治教育三方面的深度融合与协同发展。

3 教学实施过程与效果验证

本研究通过“三元绑定机制”推动课程知识图谱与医学实践的深度融合，并结合“三维评价体系”对教学效果进行实证验证。具体而言，“三元绑定机制”由临床案例绑定、思政映射绑定和能力训练绑定构成，分别突出了临床实践、医学伦理与应用能力的三重特色。进一步地，这三大维度在实践中并非孤立存在，而是通过“协同—反馈闭环”实现动态优化：临床案例中的真实数据不仅引发学生伦理思考（→思政），还转化为建模与竞赛的能力训练对象（→能力）；相应的竞赛结果和课堂互动反馈又反向调整知识图谱路径，最终形成“医学真实情境—技术路径选择—伦理判断思维”的三重协同逻辑。

3.1 研究对象

以上海健康医学院数据科学与大数据技术专业两届本科生为研究对象：2023 级（n=109）和 2024 级（n=116）。其中，2023 级学生接受的是传统课程模式，主要以知识点为导向，由教师从数据挖掘的技术原理出发，结合少量医学案例进行教学；2024 级学生则接受经过课程数智化改革的教学模式，即基于本文提出的知识图谱与三元绑定机制的课程实施方案。

3.2 研究方法

2023 级的教学以传统模式展开，教师以数据挖掘知识点为主线，例如聚类、分类、回归等算法，辅以课程案例进行说明，学生主要通过课堂讲授、课后作业和期末考试完成学习。此模式重知识点掌握，但与临床问题脱节，学生在技术迁移到实际医学任务中往往表现不足。

2024级课程采用知识图谱驱动的数智化教学模式，整体遵循“课前知识图谱导航—课中临床实训—课后个性化强化”的闭环设计。课程内容依托“基础技术层—临床问题层—思政约束层—动态链接层”的四层融合模型组织，确保学生在掌握算法原理的同时，能够在医学案例场景中进行即时应用与延展。

在课前环节，课程团队基于学生的前置课程成绩与学习表现，借助知识图谱的元知识结构计算“知识掌握系数（knowledge mastery coefficient，KMC）”与“临床问题决策指数（clinical problem recognition index，CPRI）”。教学平台据此推送差异化资源：对KMC较低的学生提供针对性的视频与习题包，帮助其弥补知识短板；对CPRI较高的学生则开放临床案例库，支持其在真实问题情境中训练数据分析与建模能力。在课中环节，教学任务围绕“糖尿病分型模型构建”“急诊分诊决策”“影像组学分析”等典型临床问题展开，学生在知识图谱的引导下完成算法建模、案例分析与结果解释。教学团队在监测到学生群体性偏差时，会通过脱敏病例引入、研究案例讲解、小组研讨及可视化展示等方式进行针对性干预。同时，课程强调伦理与合规教育，学生在优化方案时需同步论证公平性与合规性，从而将技术训练与价值塑造深度融合。在课后环节，依托在线平台的三维评价体系为学生生成个性化学习路径。教学团队根据KMC与CPRI等数据动态分流：理论基础薄弱的学生回溯课程内容并完成基础题库，以夯实知识结构；具备创新潜力的学生则被推荐进入学科竞赛或科研团队，继续拓展综合能力。通过这一模式，2024级教学方法在课程结构上体现了“图谱导航—临床驱动—价值融入—动态优化”的整体逻辑，确保了技术训练、临床适配与思政教育的有机联动。

3.3 教学评价方法

为全面、客观地验证课程教学模式的成效，本研究构建了“三维评价体系”，涵盖知识维度、意识维度和能力维度，并通过明确的计算公式与权重分配，将学生的学习投入、临床问题意识及实践能力量化为可比指标，逻辑上实现了对学生从知识掌握、临床意识到实践能力的全方位覆盖。KMC通过在线学习大数据实现客观量化，CPRI融合了客观模型表现与专家评价，能力维度则直接反映学生的技术成果与实践应用。三者结合不仅确保了评价的科学性与全面性，也为后续结果分析提供了坚实的量化基础。

（1） 知识维度评价

知识维度以“知识掌握系数”（KMC）为核心指标，用以衡量学生在课程中的理论学习与知识掌握情况。该指标由超星在线学习平台自动生成，结合学生的学习行为与任务表现，主要包括：章节任务点完成率（T）、作业成绩（A）、签到率（S）、讨论积分（D）、章节学习次数（L）以及分组任务完成率（G）。各部分依据对学习效果的贡献设定权重，其中作业成绩与任务点完成率权重较高，以突出知识掌握的核心地位。其计算公式如下：

KMC=\frac{\mathrm{0.20}T+\mathrm{0.25}A+\mathrm{0.15}S+\mathrm{0.10}D+\mathrm{0.15}L+\mathrm{0.15}G}{\mathrm{100}}

所有指标均通过平台标准化至[0,1]区间，最终形成综合得分。该方法既体现了学生自主学习与课堂参与的客观投入，又兼顾了团队协作和思维交流的综合效应。

（2） 意识维度评价

意识维度通过“临床问题决策指数”（CPRI）进行量化，用以考察学生在临床问题拆解、数据分析流程设计及模型合理性方面的思维水平。该指标由两部分构成：一是案例库实验中的客观模型表现（M）；二是课程团队专家打分，涵盖问题拆解能力（P）、数据流程设计（D′）和模型选择合理性（S）。为突出临床模型的客观性，设置模型表现权重为0.60，专家评分权重为0.40，三项专家分值等权计算。公式如下：

CPRI=\mathrm{0.60}M+\mathrm{0.40}\times \frac{P+D\mathrm{\text{'}}+S}{\mathrm{3}}

通过此设计，CPRI既能够反映学生在临床案例中的真实模型能力，又能兼顾临床逻辑与创新思维的评价。

（3） 能力维度评价

能力维度主要通过两类结果加以验证：实验结果能力，以课程实验中“门诊流量预测模型”等任务在真实医疗数据上的F1分值作为核心指标，检验学生所构建模型的临床适配性。竞赛表现能力，通过学生在校内外算法竞赛中的成绩与排名提升情况，反映其技术迭代速度与协作能力。

二者共同体现学生在知识与意识向实践能力转化过程中的综合水平，构成课程成效的最终验证依据。

3.4 统计分析方法

本研究所有数据均采用R语言软件进行统计分析。连续性资料（如知识掌握系数KMC、模型预测F1值等）以（\overline{x}±s）表示，组间比较采用独立样本t检验；分类资料（如方案采纳率、期末考试优良率等）以 频数和百分比〔n（%）〕表示，采用卡方检验。以P<0.05为差异具有统计学意义。

4 研究结果

4.1 学生信息

研究共纳入上海健康医学院数据科学与大数据技术专业两届学生：2024级（n=116）与2023级（n=109）。两组学生在基线学业水平方面无显著差异。具体而言，2024级与2023级学生的先修课程成绩均值分别为79.2分和78.7分，课程通过率分别为93.0%和91.0%，差异均无统计学意义，说明两组学生的学业基础相当，具有可比性。在教学过程条件方面，两组均使用相同教材（徐雪琦《数据挖掘方法与应用》），课程学时为64学时，学分均为4学分；授课团队配置亦基本一致，高级职称教师1名，中级及以下职称教师2名，均有企业专家参与，实验场所均为“人工智能与医疗大数据实验室”。唯一差异在于授课教师中医生人数，2023级为2名，2024级为1名，但整体师资与课程条件差异不大，不足以影响整体结果。

4.2 教学效果评价

依据前文提出的“三维评价体系”，本研究从知识维度、意识维度和能力维度三个方面对课程实施效果进行系统验证，并结合学业成绩与学习效率进行补充性对比。结果显示，2024级学生在多个维度上均优于2023级学生，如表2所示。

(1) 知识维度（KMC）

通过超星在线学习平台自动计算的知识掌握系数（KMC）显示，2024级学生均值为（0.78±0.12），高于2023级的（0.55±0.17）。进一步相关性分析表明，KMC与临床模拟综合评分高度相关（r=0.79），说明知识掌握水平对后续临床能力具有显著的预测作用。

(2) 意识维度（CPRI）

在意识维度上，2024级学生在案例库实验中表现突出，平均临床问题决策指数（CPRI）达到0.78，而2023级仅为0.55（提升42%）。其中，CPRI高于0.85的学生在“互联网+”创新大赛中的获奖率高达92%，显示该指标不仅能反映课堂中的问题意识，还具有良好的创新实践预测效度。

(3) 能力维度（F1值与竞赛表现）

在能力维度方面，2024级学生所构建模型在真实临床数据上的平均F1值为（0.89±0.07），高于2023级的（0.74±0.11），说明课程训练能够有效提升模型的临床适配性。同时，在校内外算法竞赛中，排名前30%的学生迭代速度是其他学生的2.3倍，反映该教学模式显著促进了学生在技术优化和团队合作上的综合能力。

(4) 补充指标（学业与效率）

在学业表现上，2024级学生的期末考试优良率（≥80分）为35.3%，远高于2023级的12.8%。在学习效率方面，2024级学生的单位知识掌握时间缩短至（1.8±0.7）小时，而2023级为（4.2±0.6）小时；此外，其技术迁移成功率（F1>0.8）达到79.1%，高于2023级的31.6%。

(5)　总体成效

综上，基于知识图谱驱动与三元绑定机制的课程模式，在知识掌握（KMC）、临床意识（CPRI）和能力转化（F1值与竞赛表现）三方面均优于传统模式。同时，结合学业与效率指标，进一步验证了该模式在临床问题解决能力、创新实践能力及学习效率提升上的优势。

5 讨论

本研究针对医工交叉课程中技术教学与临床实践脱节的问题，提出并实践了临床问题域驱动的知识图谱架构。结果显示，2024级学生在多维度教学效果上均优于2023级，体现了该模式在促进理论转化、提升临床适配和培养创新能力方面的价值。

本研究提出了“四层融合模型”与“三元绑定机制”的双重架构设计。四层融合模型通过“基础技术层—临床问题层—思政约束层—动态链接层”的递进逻辑，实现医学问题对技术学习路径的原生驱动，突破了传统教学“先技术、后应用”的局限。三元绑定机制则将临床案例、思政映射与能力训练结合，形成“情境—技术—价值”的协同闭环，推动课程从单一知识传授向综合能力生成的转变。

从结果来看，2024级学生在多维指标上均优于2023级。其模拟临床方案有效率由47.0%提升至82.0%，模型预测F1值提升至0.89，显示了学生将理论知识转化为临床解决方案的能力增强。与此同时，2024级的开放实验完成率、竞赛参与率与创新指数均显著提高，说明该模式有效激发了学生的自主学习与创新潜力。学业表现方面，期末考试优良率提高22.5个百分点，知识掌握系数与学习效率亦显著改善，表明知识图谱驱动的教学路径优化了学习节奏与成效。值得注意的是，伦理与合规教育的嵌入，使学生在方案设计中展现出更强的社会责任感和规范意识，体现了技术训练与价值教育的双重增益。

研究仍存在若干不足。一是部分评价指标（如临床问题决策指数CPRI）依赖教师和专家打分，尽管通过交叉评审降低了主观性，但仍存在一定偏差；二是课程验证主要聚焦于短期表现，尚缺乏对学生后续临床实践能力和职业发展的长期追踪；三是研究环境为单一院校单一课程，外部推广性仍需更多实践检验。

未来可以从人工智能技术角度出发，利用学习行为数据建模与自然语言处理方法，降低对教师主观评价的依赖，提升评价体系的客观化与实时化水平。同时，可将该模式进一步引入在线课程与AI驱动的教学平台，探索智能化教学在跨院校、跨学科场景中的技术可行性与扩展潜力。

6 结束语

本研究构建了以临床问题域为驱动的医学特色知识图谱架构，形成“四层融合模型”与“三元绑定机制”的有机结合，并在实验教学与课程思政融合中验证了其有效性。结果显示，该体系不仅提升了学生的数据挖掘与临床问题解决能力，还显著增强了创新意识和医学人文素养，实现了技术能力、临床思维与价值引领的协同发展。依托其良好的可复制性与扩展性，该架构已在校内外课程和产学合作中落地，具备向多院校、多学科和智慧医疗平台推广的潜力，为医工交叉教育改革与复合型医学人才培养提供了可行范式。

参考文献

[1] UNESCO. Global education monitoring report 2024/5: Leadership in education-Lead for learning[R]. Paris: UNESCO, 2024.

[2] 刘思来, 魏永芳. 循证教育视域下技术之于教育的潜力与条件: 基于《2023年全球教育监测报告》的分析[J]. 中国教育信息化, 2024(6): 39-53.

[3] 张根华, 蔡瑞林. 知识图谱赋能高校劳动教育的三重逻辑[J]. 江苏高教, 2024(12): 68-73.

[4] 孙晶, 宋亚峰, 郄海霞, 等. 高校间医工交叉跨学科组织的组建机制: 以哈佛-MIT健康科学与技术计划为例[J]. 高等工程教育研究, 2024(4): 172-177.

[5] 谢耀谈, 顾玮, 孟小琴, 等. “新医科”背景下基于医工交叉培养卓越临床医学人才的思考与探索[J]. 中华医学教育探索杂志, 2024(9): 1221-1226.

[6] 许建雄, 许利剑, 曾晓希, 等. 交叉学科人才培养模式创新研究与实践[J].教育进展, 2024(14): 1091-1098.

[7] 吴晓丽, 穆云萍. “新工科”视角下人体解剖学教学医工交叉融合的策略探索与实践[J]. 现代职业教育, 2024(15): 105-108.

[8] 孟紫君, 刘晓芳, 武林会. 医工交叉背景下生理学“金课”建设的思考与探索[J]. 大学: 教学与教育, 2023(5): 40-43.

[9] 王培培, 叶明全, 毕迎春, 等. 面向医工交叉学科的整合式案例设计与实践[J]. 承德医学院学报, 2025(3): 251-255.

[10] 张惠敏, 梁为, 冯亮, 等. 创新评价机制引领深圳教育信息化高质量发展[J]. 中国信息技术教育, 2025(3): 12-15.

[11] 冯菲, 赵越, 陈飞, 等. ADDIE教学模型在超声诊断学中的应用与效果评价[J]. 医学研究与教育, 2023(4): 75-80.

[12] 臧日霞, 苑大勇. 英国大学卓越教学评价: 实施框架, 指标体系与反思[J]. 教育学刊, 2025(3): 38-44.

[13] 夏玲姿, 宁博, 毛广运, 等. 作业反馈对增强大学生医学统计学实习课教学效果的研究[J]. 中国高等医学教育, 2024(6): 100-101.

[14] XIONG Z, LI H, LIU Z, et al. A review of data mining in personalized education: Current trends and future prospects[J]. The Journal of Frontiers in Digital Education, 2024, 1: 26-50.

[15] STANEVICIENE E, GUDONIENE D, PUNYS V, et al. A case study on the data mining-based prediction of students’ performance for effective and sustainable e-learning[J]. Sustainability, 2024, 16: 10442.

[16] RUEANGKET P, THAEBANPAKUL C, SAKBO-ONYARAT B, et al. Educational data mining: Factors influencing medical student success and the exploration of visualization techniques[J]. Frontiers in Education, 2025(9): 1390892.1-14.

[17] KHOSHGOFTAR M. Systematic review on data mining in medical education[J]. Computers & Education, 2022, 190: 104580.

基金资助

上海市教委AI项目(SHJWAIJK241201)

2024年度上海高校市级重点课程“智能医疗控制技术”

上海健康医学院“数智课程”建设项目“健康数据挖掘”