基于改进SMOTE算法和Ensemble模型的学习结果预测方法

为解决不同领域的数据分类和预测任务中单个机器学习算法适用性较差的问题,以及缓解数据集严重不平衡对预测性能的影响,提出了基于合成少数类过采样(SMOTE)和Ensemble集成模型的数据分类方法。传统SMOTE算法通过对少数类样本进行插值来生成新的合成样本,合成样本中存在噪声和样本间相似性较高的问题。为此,提出了改进的SMOTE算法,通过距离计算移除噪声样本和易混淆样本,得到高区分度的纯净合成样本。然后,利用Ensemble方法调整样本和分类器权重,并组成分类效果更好的强分类器。在公开在线学习数据集Kalboard360上的实验结果表明,使用极限随机树(ERT)分类器时,结合改进SMOTE和Ensemble模型后实现了97.9%的预测准确度,比单个ERT分类器提升了5.5%,证明所提改进SMOTE算法能够生成高质量的均衡化数据,且集成学习模型的性能显著优于单个机器学习算法。

学习结果的类型及其相互关系

学习结果是基于学习带来的个体内在心理变化,是课堂学习活动的着力点与核心,高质量的课堂成果依赖于高质量的学习结果。科学认知、区分和把握学习结果的不同类型,不仅有利于提升教师教学行为的专业性,帮助教师依据不同的学习结果采取差异化的教学策略,也有利于学生更清晰地明确学习目标,增强学习的主动性和内驱力,从而提升教学质量和学习效果。一线教师应重视和树立学习结果意识,厘清学习结果的种类及其相互关系,增强教学活动的导向性和专业性。

同伴指导对大学生学习结果的影响研究——基于30项实验或准实验研究的元分析

学界对于同伴互动对大学生学习结果的影响效用尚未达成统一结论。本研究采用元分析方法对30项实验或准实验研究展开系统量化分析。研究结果表明:同伴指导对大学生学习结果呈中等偏上的积极促进效应,合并效应值为0.782;同伴指导对大学生学业成绩和专业技能的促进作用突出,但对情感态度发展的促进作用较小;其效应受指导时长、指导形式、指导年级和课程类型等调节变量的影响。高校应优化制度环境,建立协同、可持续的同伴指导机制,选择短周期、跨年级和小组指导的同伴指导模式,从而更为有效地提升大学生学习结果。

挖掘有意义学习行为特征:学习结果预测框架

及时有效地对学习结果进行预测,是学习分析的核心议题,也是为学习者提供个性化学习支持服务、保证学习者学习成功的关键。其中,如何寻找兼具预测效力与教学意义的学习行为特征是值得关注的问题。本研究以Cloudbag教育云平台中的108位学生为研究对象,基于特征工程的方法构建学习结果预测框架。基于文献调研和对教师的访谈,本研究将学习结果预测框架分为学生与学生交互、学生与教师交互、学生与内容交互、学生与系统交互四个维度,共包含10个特征变量;结合学生在平台中的学习行为数据,对特征变量进行量化和筛选,通过相关分析、信息增益(率)分析筛选出八个有效的特征变量,构成最终的特征集合;使用八种机器学习算法对学习结果进行预测,结果表明:随机森林算法对学习结果的预测效果优于另外七种算法,其特征集合对学习结果的预测准确率可以达到73.15%。本研究最后从有效学习行为指标和有效学习行为特征等方面对研究结果进行总结和反思,期望能够为混合式学习环境下学习分析和评估提供研究支持。

教学设计中预期学习结果的设计

通过文献和行动研究明确了教学目标、学习目标与预期学习结果的关系,得出了预期学习结果是解构了的教学目标,是理解了的学习目标的结论.解构是对高度概括的课程标准的解构,理解是对学习目标的解释和说明;确定预期学习结果的步骤是根据课程标准确定教学目标,再结合教材确定学习目标,最后结合学情确定预期学习结果;应用预期学习结果制定的学习结果层级水平确认单,使得目标可测量、可评估,用于学生对学习结果做自我评估.

学习结果分类视角下初中历史教学的实施策略研究

本文从加涅的学习结果分类理论出发,结合初中生在认知发展、学习规律等方面的发展情况,从言语信息、动作技能、智慧技能、认知策略和态度这五种分类结果出发,细分教学目标(即学习结果),并依据加涅理论,为不同的学习结果结合不同的内外部条件,提供不同的、适合的、可操作的教学策略,打破教学困境,提升教学质量,促进学生核心素养的培育。

媒介信息素养、在线临场感与深度学习结果关系研究——基于职业教育在线学习场景的实证分析

在线深度学习的“深度”表现在方法、过程、结果等方面,受个体特质与素养、在线环境以及交互行为等的影响。基于媒介与信息素养、在线临场感以及深度学习理论,以职业教育在线学习场景下的学习者为研究对象,探究媒介与信息素养、社会临场感、认知临场感以及深度学习结果之间的关系,并构建了相关模型。研究显示,学习者的信息需求意识、网络媒体技术应用能力以及数据信息整合与传播能力,均对其在线学习社会临场感和认知临场感具有直接正向影响。同时,数据信息整合与传播能力和两种临场感直接正向影响在线深度学习结果。基于研究结果提出构建与实施基于具体职业场景的媒介与信息素养知识技能体系;强化社会临场感和认知临场感的教学设计;构建与实施在线深度学习目标与评价等策略。

基于学习者个性行为分析的学习结果预测框架设计研究

对学习者及其所在情境中产生的数据进行记录和分析并为其提供个性化学习服务是教育大数据背景下学习分析研究在促进有效学习方面的内在旨趣,而要实现对学习状态的评估、预警和干预则需要对学习者个性化信息进行实时建模。该文通过对国内外学习分析模型的梳理分析总结存在问题,并基于个性化学习模式和相关文献构建了数字化学习环境下个性化行为分析模型。在此基础上,以教学目标分类理论、个性化学习理论和社会认知理论为指导设计了"目标—过程—结果"为思想的学习结果分类设计原理,并对各层级的学习行为类型进行分析。最后基于学习行为分析模型和学习结果分类设计了学习结果预测框架,包括学习内容分析、学习行为分析和学习预测分析三个模块,为后面个性化学习分析工具的设计提供理论指导。

MOOC学习结果预测指标探索与学习群体特征分析

高辍学率与低参与度是MOOC面临的一个主要问题。根据学习结果预测,及时开展有效的教学干预是改善此问题的途径之一。当前基于MOOC学习行为数据进行结果预测主要以次数分析为主,较少探索其他行为指标;在预测算法上以回归分析为主,缺少不同预测算法效果的比较分析。以ed X平台上一门MOOC课程的学习行为数据为研究对象进行的探索研究发现:学习结果预测的主要参照行为指标组合为视频学习次数、文本学习次数、评价参与时长、评价参与次数和论坛主题发起数;学习次数的预测效果要好于学习时长,并与学习时长和学习次数结合后的预测效果接近;BP神经网络预测准确率要优于决策树和朴素贝叶斯网络,且预测准确率与样本数量呈正相关;而在课程学习模块的预测比较上,评价模块和文本模块的学习行为数据预测率较高,互动模块预测率最低。研究还发现,MOOC学习群体包含三类,分别是以视频学习和学习评价为主、以互动交流为辅的学习群体;以视频学习和文本学习为主、以评价参与为辅的学习群体,以及以文本学习和学习评价为主、以互动交流为辅的学习群体。

教育大数据背景下学习结果预测研究的内容解析与设计取向

基于数据集的学习分析和人工智能技术的深入发展,使得以优化学习过程、缩短学习改善周期为目标的学习结果预测得到研究者的广泛关注和实践探索。文章首先对数字化学习环境下的学习预测研究探索进行梳理,辨析其研究特性,之后纵向解析了学习结果预测研究中的内容,并横向剖析了研究中存在的问题;在此基础上,从情境、理论、数据、方法和结果五个层面对未来学习结果预测研究的设计取向进行讨论;最后,对以学习者为中心的数据的预测设计原理进行阐释,并设计个性化学习结果预测研究框架,以明晰其系统化分析流程与结果。

家长参与类型与儿童学习结果的关系

家长参与对儿童学习有着重要影响。本研究从家长对儿童作业支持、亲子互动、制定规则、处理冲突策略以及学习情感支持等维度,采用潜在类别分析方法对所调查的12575名家长参与儿童学习情况进行分类,得到四种家长参与类型,分别是支持型、一般型、严厉型、放养型,并发现家长的社会经济地位越高,家长参与程度越高,不过严厉型家长的学习情感支持最低且最专制。儿童的学习结果由高到低依次为支持型、一般型、放养型、严厉型,说明家长参与程度越高,儿童的学习结果越好;家长对儿童的情感支持比其对儿童学习的直接参与更重要,这意味着即使家长无力参与孩子的学习,仍然可以通过对孩子的情感支持来提升孩子在校的学习竞争力。由于学习结果的差异是教育长期累积的结果,家长参与已然在儿童教育的各个阶段发挥作用,同时由于家长教养方式的相对稳定,父母参与儿童学习的类型也相对固定,因而本研究建议从学龄前阶段开始,家长就应注重为儿童提供学习支持,尤其要重视对儿童学习兴趣和学习习惯的培养;重视亲子互动的质量,而不仅仅是简单的陪伴;注重创设民主协商的家庭氛围,当亲子之间发生冲突时应注意倾听儿童的想法,给予儿童情感支持,提高儿童自信心和社会适应性。

“高等教育学习结果评价”概述

20世纪中期以来,随着高等教育质量评估理论和实践的发展,高等教育经费的大幅增加和高校人才培养功能中心地位的回归,学习结果评价成为世界高等教育质量评估的热点之一。目前,经合组织已经建立了高等教育学习结果评价体系,在评价的理念、目的、主体、技术和工具等方面为我国高等教育质量评估提供了经验与启示。

基于加涅学习结果分类理论的教学资源库设计

如何对已有的教学资源进行分类并构建结构合理、使用方便的教学资源库已成为现代远程教育的重要内容。本文在加涅学习结果分类说的指导下,对学习资源进行了分类和设计,构建了教学资源库模型,并提出了查询模块的五级联合检索模式,对学习者检索到的资源与预期资源相关度低的问题作了初步探讨。

基于学习结果理论对基础教育数字化学习资源分类方法的探究

现有的数字化学习资源分类大都是从资源的角度进行划分,学习结果分类从学习者的角度出发提供了一种全新的视角,更贴近学习过程,对数字化学习资源的研究者、开发者和使用者都有启发意义。

修订的布卢姆目标分类与加涅和安德森学习结果分类的比较

本文首先阐述了对新修订的布卢姆认知教育目标分类学与加涅和安德森的认知学习结果分类进行比较研究的缘由;然后分别概述这三个分类理论;接着就他们分类的异同进行比较,以沟通三者关系;最后表明,应该将教学目标与学习结果分类理论相沟通才能有效运用目标分类学指导教学目标、策略和评估的设计。

沉浸式虚拟现实赋能科学教育能有效提升学生的学习结果吗?--基于2011~2022年国内外44篇实证论文的元分析

当前,沉浸式虚拟现实(IVR)技术在教育领域的应用呈上升趋势。虽有大量研究探讨了IVR对学生学习结果的影响作用,但未聚焦到科学学科,也未对不同类型的学习结果加以区分。鉴于此,文章采用元分析方法,对国内外44篇相关实证研究文献进行定量分析,研究结果表明,整体而言IVR对学生的科学学习结果具有显著正向影响,但效应量较小(总效应量g=0.275);IVR对知识保持类和知识迁移类学习结果的影响均受教学方法调节,学段仅调节IVR对知识保持类学习结果的影响,测量方式仅调节IVR对知识迁移类学习结果的影响;IVR搭配预训练教学方法对陈述性科学知识的学习促进作用更显著;IVR搭配探究式教学时采用延时测量的方式更能发现知识迁移的效果。文章通过研究,期望从教学方法选择和教学效果测量两方面为IVR技术赋能科学教育提供启示。

超越布卢姆——试论“知识分类与目标导向”教学中的学习结果测量与评价

本文首先用“知识分类与目标导向”教学论的观点评析了布卢姆认知领域“教育目标分类”在指导教学结果测量和评价方面的优点和局限性;接着用中小学课堂教学实例说明如何应用新的知识观、技能观和能力观设置教学目标并针对目标进行学习结果的测量、诊断和评价。

学习时间与学习结果关系模型研究述评

本文回顾了６０年代以来西方学习时间与学习结果关系模型研究中出现的４种理论模型和２种数学模型，分析了每一种模型对深化学习时间与学习结果之间关系认识的贡献以及局限性。在理清模型研究发展线索的基础上，明确指出学习时间研究实质上是一种学习研究，并进一步说明了目前研究存在的问题，提出关于今后研究发展方向的建议。

学生学习评价的国际性尝试:“高等教育学习结果评价”解读

学生学习结果评价日益成为高等教育质量评价的热点之一。2008年,经合组织启动了高等教育学习结果评价项目——AHELO,这是具有重要价值的国际性尝试。该项目的产生有重要的时代背景,是高等教育规模扩张情况下高等教育问责强化的结果,也是"以学生为中心"的高等教育评价逐渐成为主流范式的表征。在评价内容方面,AHELO设计了"通用技能"和"学科专业技能"的框架,并分别有相应的评价工具。AHELO具有鲜明的特点,它体现了"以学生为中心"、"价值增值"的理念,体现了问责制,并具有国际通用性。

基于学习结果的美国通识教育评价

通识教育一直是美国高等教育关注的重要内容,"为生活和个人的发展做准备"已成为美国高校对人才培养的共识。从美国通识教育评价内容来看,通常需要各个高校根据自身办学特色与人才培养目标进行总结分析,制定出适合于学校学生发展的通识教育目标,从而制定出特色化的通识教育评价内容。由于"评估运动"引发了人们从学生学习结果的角度思考高等教育质量问题:通过使用标准化测试来评价学生通识教育结果的方法具有悠久历史,标准化测试实现了对不同地区和学校学生的通识教育质量进行比较的可能,评价结果可以作为说明高校教育质量问责的有力证据。另一方面,课程嵌入式的通识教育评价方法得到越来越多的关注。源于评价结果不仅可以体现学生的学习成果情况,而且可以作为教学改革的重要依据。标准化测试与课堂嵌入式评价的配合使用,共同有效地保障了美国通识教育质量。