共查询到20条相似文献，搜索用时 31 毫秒
1.
当前,大数据时代已经来临,教育领域同样积累了海量数据。教育领域已经部署了众多的学习管理系统,在这些软件系统中存储着海量的学习者信息及学习过程数据。如何利用这些数据,使这些数据转变为信息、知识,并为教学决策、学习优化服务,已成为教育工作者以及学习者们所关注的内容。学习分析技术有助于发挥学习过程数据的价值,使数据成为审慎决策、过程优化的重要依据。该文介绍了国内外学习分析技术研究现状,归纳出学习分析技术的关键技术及分析模式,并以实例从不同用户视角包括管理者、辅导教师、学习者展示了学习分析技术在网络学习过程分析中的应用过程。 相似文献
2.
大数据学习分析支持个性化学习研究——技术回归教育本质 总被引：1，自引：0，他引：1
大数据时代的来临,引领学习者学习方式发生变革,基于大数据学习分析技术的个性化学习成为教育学和认知科学的研究趋势。提供给学生有针对性的个性化学习是教育发展方向,是技术回归教育本质的实践。大数据应用需要经历数据收集、数据分析和数据可视化等三个必要阶段;大数据学习分析对个性化学习中的教师、学生和教育管理者等利益相关者均产生积极的影响;大数据对实现个性化学习的价值体现在五个方面:完善个性化的学习者档案、分析预测个性化的学习行为、优化个性化的教育决策、改善个性化的学习评估、提供个性化的学习反馈及建议。最后采用德尔菲法、头脑风暴法构建了基于大数据的个性化学习体系框架。利用大数据学习分析反思教育现状,对推动个性化学习的研究具有重要意义,同时将大数据视为一种新的思维方式和学习路径,需要辩证地看待其优势和劣势。 相似文献
3.
4.
李振华 《赤峰学院学报(自然科学版)》2015,(5)
学习分析技术是通过收集、分析学习者在学习过程中产生的学习数据,并对学习优化、教学决策提供服务的一项技术。本文通过介绍翻转课堂自身特点和应用现状,对学习分析技术在翻转课堂中应用的意义和面临的挑战进行了分析。 相似文献
5.
在大数据技术迅速发展的今天，利用海量的学习数据对学习者的学习过程进行数据分析、建模和解读是在线教育研究的热点和难点问题。文章提出了一种使用主成分分析对实时学习数据进行分析，最终得到对学习者评价的方法。本文通过使用大数据量的样本分析，提出了包括行为数量、行为得分、考试得分等三类共计11个指标，使用主成分分析法将这些指标降维，得到5个表征学习过程的主成分，然后使用主成分回归对5个主成分进行回归分析，最终得到对学习者的评价模型。结果显示模型能准确评估学生学习效果，并已应用于实际系统。 相似文献
6.
画像技术在当前精准营销中的应用非常广泛,而其在教育领域尤其是在线学习者的特征识别方面研究较少。文章从学习者的一般特征、学习准备、学习风格、行为特征四个方面对学习者进行分析,提出在线学习者画像描述的总体框架。同时,通过机器学习对在线学习行为数据进行挖掘,文章分别从以上四个方面对学习者画像进行建模研究,重点讨论了学习风格的建模过程,并通过对在线学习者个案分析,阐述了学习者画像在指导学习资源精准推荐、评估在线学习者学业失败或退出风险等方面的应用,为个性化教育实施提供了实践案例。 相似文献
7.
学习分组是协作学习活动设计的首要阶段。随着学习场所的快速变化、多模态交互过程复杂性的增加,采用传统的随机分组、教师指派或学生自我选择等方法进行协作学习分组的效率十分低下。研究提出基于智能技术构建自适应的协作学习小组。首先,阐述了学习分组的价值,即构建合理的协作学习环境、兼顾学生的个体差异和促进教育资源优质公平;其次,总结了影响智能学习分组的因素,包括个体属性、小组学术与物理构成以及学习者与环境的交互;最后,描述了经典场景下智能学习分组的通用模型,并讨论了大数据背景下智能学习分组的前景与挑战。针对大数据驱动智能学习分组的稳定性问题,基于机器学习中的集成学习思想构建了大数据共识分组框架。此框架有望为人工智能促进未来规模化的个性化教育提供支持。 相似文献
8.
在E-learning学习领域,在线学习系统中大量的学习资源往往会让学习者难以及时获取适合自身的个性化学习资源。当前在线学习行为方面的研究主要关注根据学习者的学习行为和知识水平提供适切的学习资源,但学习者学习行为的差异性、学习资源的多样性和学习导航链接的复杂性成为自适应学习环境系统构建的限制因素。因此,有必要利用学习分析技术来分析学习者的相关数据,进而深入了解学习者的学习行为,并组织和维持在线学习系统中储存的学习资源。文章基于自组织映射(Self-Organizing Maps,SOM)聚类法提出了一种自适应学习环境框架,该框架有利于分析学习者相关数据并构建学习内容模型,为学习者提供适合自身需要的学习内容,最终取得高质量的学习成绩。随着E-learning中学习数据的日益增长,为了保证E-learning中学习者的学习质量,非常有必要对这些大量的学习数据进行分析,这也成为当前教育研究中的热点问题,文章有助于在E-learning环境中对学习者进行及时有效的大数据分析。 相似文献
9.
如何对网络开放课程中的海量学习数据进行采集、存储、分析与表示,并利用分析结果做出决策、优化学习、提高绩效,日益成为亟待解决的问题。NMC地平线报告中介绍的学习分析技术有助于这一问题的解决。根据我国开放课程的现状与学习分析法的特征,开放课程环境下学习分析的研究对象与服务对象具有一定的特殊性。学习分析模式包括采集、存储、分析、表示与应用五个层级;建模时需充分考虑数据与利益相关者的特殊性。未来,学习分析模式的应用在理论基础、数据标准、算法模型、隐私与安全性等方面面临着挑战。 相似文献
10.
潘春平 《南昌教育学院学报》2012,27(3):90-91
网络环境对高职数学建模教学与学习带来了巨大变革。文章在研究数学建模活动的教学理论基础上,结合高职数学建模实际,探索了在多媒体网络环境下,教师如何在教学过程中充分应用现代教育技术,精心制作多媒体课件,优化课堂教学以及学生的数学建模学习方式如何朝自主学习、合作学习、探究学习的方向发展,提出了一些数学建模教学与学习过程中值得思考的问题。 相似文献
11.
学习者模型的“复杂性”和机器智能决策的“不透明性”，使得可解释学习者建模成为教育人工智能研究的重要议题。可解释学习者建模旨在通过对学习者多维度、多层次、多场景的精准刻画，实现学习者的可表征、可理解、可干预，进而为学习策略、教学模式、教育评价的设计和开展提供科学依据。其核心价值体现在对外在学习行为的准确表征、对学习者潜在特征的深度挖掘、对学习者模型的完整构建以及对学习机理的准确阐释，且在模型构建过程中充分体现出透明度和可解释性，进而增强教育主体对机器智能分析与决策的信任度和接受度。可解释学习者建模能够实现全景化细粒度的教育诊断，提供易于理解和接受的学习干预，推动高度适配且便于实施的教学决策，支持综合化高效能的教育管理，在“人机协同”的教育教学活动中具有广阔的应用前景。未来，还需通过加强多学科理论融合、科学智能方法运用、智能教育产品研发等途径推进可解释学习者建模研究。 相似文献
12.
教育数据挖掘是综合运用数学统计、机器学习和数据挖掘的技术和方法,对教育大数据进行处理和分析,通过数据建模,来预测个体未来的学习趋势。其应用领域主要包括个体的知识与行为建模以及学习趋势分析。纵观我国比较教育研究近些年的研究趋势,逐渐将数据挖掘纳入其研究方法之一,这使得比较教育学有了更加广泛的研究队伍。对数据挖掘与运用的趋势对比较教育学科本身也带来了挑战,因为数据的可获取性与公共性巩固和加强了实证主义跨国比较与研究,而忽略了地方的社会文化背景,导致比较教育研究的"去情境化"以及"过于简化"。有鉴于此,比较教育学者应该充分把握研究对象的社会、文化环境,不应该让单一研究范式过度主导自己的思维。 相似文献
13.
自适应学习是人工智能教育应用的重要形式。由领域模型、学习者模型、导学模型和人机交互模型作为核心组件构成自适应学习环境,而领域模型指向适应性的学习目标达成,是自适应学习的基础,近年来成为研究的热点问题。鉴于此,聚焦近五年领域模型的国际进展,分析发现,领域模型呈现从良构领域到混合领域的发展趋势,主要包括目标领域表示和领域导学策略两大研究方向。已有研究存在以结构化知识点、认知过程和本体属性三种表示方式,具体从基于学习支架、基于启发对话和基于学习者模型三方面设计导学策略,利用领域知识抽取、领域内容生成和领域内容优化等技术助力领域模型的构建。然而,当前研究还面临领域碎片化、粒度难把控、未适应全人培养和教育认同缺失等现实挑战,未来需在开放共享、满足差异、走向异质化和策略多样化等方面进一步开展研究。 相似文献
14.
赵雅琨 《河北广播电视大学学报》2015,20(2):36-39
大数据构成了当代教育的技术背景之一,必然对包括学习者权利在内的教育要素产生深刻影响,学习资源、学习过程、学习评价以及学习者的地位因此发生了深刻的变化。学习者从被动的受教育者,成为了知识的建构者,人力资源的再造者,教育管理的参与者,学习型社会的建设者。因此,有必要对大数据时代的学习者权利加以特殊关照,并讨论其权利保障的基础。 相似文献
15.
16.
随着互联网技术飞速发展以及网络教育普及应用,教育成为与大数据非常相关的行业,分析教育大数据将成为优化现代远程教育的重要一环。为对网络学历教育中产生的数据进行分类并提出分析建议,首先探讨了大数据、教育大数据的概念及特征;继而以江南大学网络教育平台数据为依托,立足学习者个体的静态数据和学习过程中产生的动态学习行为数据,以大数据下网络教育模型为依据,将网络教育数据分类为教学资源数据、教育教学管理数据、教与学行为数据、教育教学评估数据,并为数据分析提出建议。 相似文献
17.
学习分析:正在浮现中的数据技术 总被引：4，自引：0，他引：4
随着教育信息化的普及与逐渐深入,学习管理系统已经获取并存储了大量的有关学生复杂学习行为的数据,从这些数据中挖掘出改进教学系统、提升学习效果的信息,在教育信息化领域一直有着巨大的吸引力。因此,有必要从分析数据以改进学习的角度,对日益受到关注的学习分析技术进行解读。首先,学习分析技术是测量、收集、分析和报告有关学生的学习行为以及学习环境的数据,用以理解和优化学习及其产生的环境的技术。接着,综述学习分析技术的发展,指出其在教育中有着广泛的应用前景和巨大的发展潜力:学习分析技术可作为教师教学决策、优化教学的有效支持工具,也可为学生的自我导向学习、学习危机预警和自我评估提供有效数据支持,还可为教育研究者的个性化学习设计和增进研究效益提供数据参考。最后,提出学习分析技术也存在隐私、准确性和兼容性等诸多挑战和问题。 相似文献
18.
教育大数据是教育全过程的数据集合,其合理有效运用在教育教学实践、构建新型高校等过程中发挥重要作用。文章梳理归纳了国内外教育大数据在辅助学生学习、服务教师教学、协助学校管理、优化高层决策等方面的研究现状,并提出了教育大数据在高等教育层面的四种技术路径选择,以实现实时统筹学生动态发展、定制优化教师教学质量、动态规划资源分配与安全、智能决策高校发展走向。 相似文献
19.
叶铸用 《福建基础教育研究》2009,(8):114-115
现代教育技术是关于学习过程与学习资源的设计、开发、利用、管理和评价的理论与实践,包括人（学习者）与物（环境和条件）。学习过程与学习资源的开发包括：将音像技术、电子出版技术应用于教育与教学过程的开发研究,基于计算机的辅助教学技术（CAI和ICAI）的开发研究以及将多种技术加以综合与集成并应用于教育、教学过程的开发研究。 相似文献
20.
高等教育已经进入了大数据时代,无论对学习者、教师、高校,还是整个教育生态系统,都将催生革命性的变化,导致教育理念与教育形式的解构与重构。如何利用学习分析和教育数据挖掘技术,把在线学习数据转化为可行动的信息,发掘数据背后潜在的价值,改善教与学,无疑有着积极的理论和现实意义。该文首先解读大数据的特征及其应用,接着分析了大数据时代高等教育面临的多重挑战;然后探析了大数据时代的高教改革的价值取向——数据驱动教学,助推教学决策科学化、管理精细化、学习个性化和教学信息化。大数据时代高等教育改革主要有四条实现路径:正确理念是基础,教师是关键因素,学习分析和教育数据挖掘是手段,技术服务是保障。 相似文献