可信赖人工智能教育应用的建设路径与现实启示——以英国典型举措为例

人工智能技术在辅助教学上展现出了巨大潜力,也因其不透明性、无法预测性以及不当使用而引发争议,建设可信赖的人工智能教育应用(AIED)成为国际共识。可信赖AIED强调“以人为本”的价值宗旨,以可靠、安全的AI技术为底层基础,以合伦理性的理解和使用为关键保障,观照教育情境的复杂性,摒弃将通用AI伦理原则或其他AI应用领域的专业伦理原则生搬硬套到教育领域。英国作为人工智能伦理治理的先行者,在可信赖AIED建设方面积累了丰富经验,尤其体现在《人工智能保障生态系统路线图》中。该《路线图》从技术的开发、采购与使用三大阶段出发,分别采取伦理设计、伦理核查和AI素养培养等具体策略,构建了可信赖AIED的保障体系。借鉴英国AIED的典型举措,我国应在开发阶段对智能教育产品开展本土化的价值敏感设计,采购阶段对智能教育产品的可信赖度做出有意义的解释,使用阶段对师生用户的人工智能素养加以培养和提升,以推动技术开发者、产品采购者、一线使用者等利益相关方共促可信赖AIED的本地建设。

MOOCs课程学习与评价调查

本文基于对7门北京大学MOOC课程结课时的学生调查数据,分析了首批MOOCs课程的学生成分以及学生课程的评价。通过归类分析,本文确定了北大MOOCs课程学生的群体特点,以及课程的优点和存在的问题,为进一步改进质量提供了线索。

他们为什么回来?——MOOCs中重复注册者行为与动机分析

将MOOCs应用于教师专业发展是近几年的新趋势。MOOCs免费、在线、开放的属性,为教师专业发展提供了有别于传统培训的独特路径。为研究一线教师借助MOOCs进行持续性专业发展的需求,本研究以"翻转课堂教学法"MOOC一群特殊学生(重复注册者)为研究对象,聚焦重复注册者为什么回来这个问题,采取混合研究法,分析MOOC平台收集的数据,并用个别访谈予以证实。基于重复注册者多次学习的成绩变化,本研究发现重复注册者可以分为四类(反复缺席、虎头蛇尾、执着地为结课而努力、持续学习与实践)。这四类重复注册者的客观行为数据和质性访谈数据,展现了他们差异化的选课动机和学习行为模型特点。这些研究发现,有助于增进对中国MOOCs中多样性学习者多元化学习动机的认识,促进MOOCs设计者更好地为重复注册者提供针对性的教学支持,也证实了MOOCs在重塑教师专业发展路径、支持教师教学创新等方面的独特价值。

MOOC同伴作业互评中反思意识与学习成效的关系研究

同伴互评是MOOC中经常采用的一种教学活动。为了帮助学习者自信地对他人作业做出客观公正的评价并促进自我反思,课程团队会提供作业反思框架,即评价量规,希望学习者在使用评价量规撰写评语的过程中不断加深对课程教学目标的理解,通过观摩评议同伴作业促进自我反思。但教学用意未必所有学生都能够领会并落实,MOOC中有多少学习者在作业互评过程中具有反思意识、反思意识程度如何、反思意识与学业成效之间是否存在关联,是本研究感兴趣的问题。通过对“教师如何做研究”MOOC课程中79287条同伴互评数据进行深入分析后发现:在自然无干预的状态下,大部分学习者有一定的反思意识,但撰写的评语质量还有待提升;成绩合格者的评语长度和评语质量与学习成效呈现显著正相关,这表明同伴互评的评语长度及质量可以作为学习成效的预测指标。研究在使用定量方法对MOOC学习者评语数据进行教学意义分析方面作了一些方法尝试,可为后续研究提供参考。

评价量规设计对慕课同伴互评有效性的影响研究

同伴互评是MOOC常采用的学员作业评价方法,但是MOOC同伴互评的准确性和可靠性因学员知识水平程度差异过大而被质疑。为了研究如何通过改进评价量规来提高同伴互评的可靠性和准确性,在教师培训类MOOC"翻转课堂教学法"的两期教学中,我们进行了若干设计研究。研究发现,在教学培训类MOOC的同伴互评活动中,学生评分和教师评分高度相关。细化评分量规的等级描述,以及采用是非选择型的评价量规都能显著提高评分者间信度和评分效度,且评分者间信度与评分效度的差异度与学生所提交作业文档本身的质量也有关系。在研究发现的基础上,文章提出了MOOC同伴互评评价量规的设计原则和使用建议。

高校研究生助教工作职责及培训需求的现状调查——以北京大学为例

采用问卷调查法和访谈法,对北京大学的321名担任过助教的研究生以及18位院系教务教师进行调查,试图明确研究生助教的工作职责及其对培训的需求,分析不同课程类型对于助教工作内容和培训需求的不同定位。结果表明:助教普遍认为提醒选课的学生课程要求、与教师讨论课程相关问题、为有问题的学生进行课外的辅导和为作业/测验/练习评分这4项工作非常重要,而且大部分助教希望在教学技能、教育心理学和教学网站使用和维护等方面得到培训。

MOOC学员学习规律与学习规划的实证研究——以“翻转课堂教学法”MOOC课程为例

MOOC学员的学习规律与学习规划是非常重要且非常有意义的研究课题。MOOC的学习过程,在更加开放自由的基本教学环境下,必然会衍生出与传统课堂有很大差异的学习规律,课程与学员会在教学的进行过程中形成个性化的学习周期。本文以"翻转课堂教学法"MOOC课程的学习数据为基础,结合数据统计分析时间轴上学习规律的变化与学习规划的养成。

“热情”与“逻辑”的融合——浅谈“计算概论”MOOC教学体验

本文初稿为北京大学教育技术中心冯菲老师在采访李戈老师的基础上形成的,后经李戈老师修改定稿。李戈老师满怀激情地回顾了一年来开设"计算概论"MOOC课程的经历与体验,对MOOC课程与传统教学方式进行了比较研究,并针对MOOC的教学逻辑设计、课程特点、MOOC课程的改进与完善等方面提出了自己的观点和建议。

浅析MOOC发展中不可忽视的群体——MOOC助教

MOOC面向更大规模和更加复杂的学生群体,如何设计好、开发好、维护好课程成为保障MOOC教学质量的关键。同时,由于网络课程的表现形式与传统课堂差异巨大,单靠授课教师一个人的力量很难产出高质量的MOOC课程,更难以应对大量学生的互动学习需求,于是就出现了"MOOC助教"群体,他们深入而全面地参与课程的设计与开发,组织课程日常维护,及时解答学生提问等,在MOOC教学中发挥了重要作用。本文将系统阐述"MOOC助教"在MOOC建设与实践中的点滴经验,分析优秀"MOOC助教"所具备的特点和能力,建立对"MOOC助教"较为全面的认识,并为"MOOC助教"的队伍建设提出针对性建议。

优秀的慕课学习者如何学习——慕课学习行为模式挖掘

基于中国大学MOOC平台上《翻转课堂教学法》MOOC中17204名学习者的行为日志数据,在为学习者的页面访问记录赋予有意义的行为编码标签,建立其学习路径模型后,使用统计和共现分析的方法,研究其中优秀学习者的学习行为模式特点。研究发现,优秀学习者总行为序列长度显著高于其他学习者,上线学习的次数显著地多于其他学习者;但是每次上线学习发生的有意义的交互行为的数量与其他学习者相仿,学习时长也相仿;其参与和回答教师的提问、复习已学过的内容、参与论坛互动的行为在其总学习行为中占比更多,而学习全新内容、参与测验、把握全局等行为的占比较少。研究用共现分析的方法分析了学习者每次上线产生的行为之间的共现关系,发现优秀的慕课学习者在学习新内容时更少发生走神和中断的情况,且其每次上线的目的更鲜明,学习主题更突出。研究的发现揭示了优秀慕课学习者学习行为模式的特征,有助于改进慕课教学。此外,共现分析的方法也为行为数据的挖掘提供了新的思路。

如何分析慕课论坛中的数据:六大分析方法述评

课程论坛是慕课师生交互和生生交互最主要的发生场所,面对其中不断生成的数据,如何选择合适的方法分析和了解论坛的教学和交互活动并优化论坛环境,是慕课研究者们关注的重要问题。以Web of Science Core Collection和ScienceDirect为文献来源数据库,选取2014-2018年与慕课论坛(MOOC forum)数据分析最相关的30篇英文文献,结合实例详细阐述网络志、内容分析、数理统计、聚类分析、网络分析、文本挖掘等6类方法的具体分析过程。在此基础上,探讨以上方法及现有数据分析的局限,并为未来研究者分析慕课论坛数据提出建议:将数据分析结果服务于慕课利益相关者;加强对慕课论坛的动态分析;探讨相关背景,逐步扩大研究的推广范围。

特征工程:学习分析中识别行为模式的重要方法

学习分析作为学习科学的子领域,其关注的核心问题就是对学习过程的理解与优化,而这离不开对学习者学习行为数据的收集和对行为模式的分析。特征工程作为一种基于底层数据设计特征集的系统方法,为行为模式的分析提供了新的技术支持与研究路径。文章通过介绍特征工程实施的四个步骤,系统梳理了目前使用特征工程方法识别出的典型行为模式,如投机取巧、挫折、疑惑等,可为行为模式的相关研究提供参考。同时,文章基于对有效的技术支持和实践意义两个话题的讨论,指出了未来的研究取径与研究重点。

MOOC对教师转化学习的影响——转化学习理论视角下的教师MOOC学习质性研究

MOOC如何对教师的理念与实践的根本性变化产生影响,对研究MOOC如何用于教师培训与发展有重要意义。文章首先基于转化学习理论,构建了基于MOOC的转化学习理论框架。随后,文章采用质性研究方法,通过半结构化访谈,对14位教师学习教学能力提升类MOOC的案例进行研究,发现:MOOC不仅提升了教师的知识技能,而且在课程结束后对教师教学理念、学习观念等层面的转化学习产生了持续影响;开放与优质的学习资源、自由协作的同伴交流、安全平等的学习氛围、兼容并包的学习功能,是教师发生转化学习的主要影响因素。最后,文章讨论了MOOC对教师实践共同体、终身学习和深度学习的促进作用,以期为MOOC用于促进教师发展提供新的理论分析视角以及实践范例。

2017全球慕课发展回顾

2017年,慕课在学习者人数、课程数量、参与高校数量上都取得了稳定的增长。回顾2017年慕课的发展,大体上可以总结为如下三个方面:第一,各大慕课平台的商业属性得以加强,纷纷通过收费模式的调整、领导层的更换以及以B2B项目为代表的产品线扩展帮助平台实现最大化盈利和可持续发展;第二,行业培训和成人教育成为慕课重要的发展方向,通过微专业项目、企业参与建课以及线上与线下结合的混合学习设置,慕课平台纷纷将帮助在职学习者实现专业能力提升和生涯发展作为目标和切入点;第三,慕课与高校之间的深度融合和适应性变革仍在继续,一方面平台与高校合作的在线学位项目取得了巨大的发展,另一方面基于慕课的校内教学改革持续推进,慕课在校内教学中发挥的作用不断增强。

学业成就与学业风险的预测——基于学习分析领域中预测指标的文献综述

学习分析作为一个从数据中建构意义的研究领域,在过去几年的发展中备受学界关注。学习分析领域的核心问题之一是如何利用数据预测学习者的学业成功或者失败?围绕这一问题,国内外学者开展了大量实证研究,取得了丰富的研究成果。但是,预测指标研究的相关综述却存在一定局限性,如忽视指标适用的学习场所和情境、模糊指标匹配的学习任务类型和参与主体,或是有些综述缺失了领域内的代表性学者、研究和应用。因此,本文通过系统的文献检索和综述,从预测指标适用的学习场所和任务类型出发,梳理了倾向性指标、人机交互指标和人际交互指标三种类型的常用预测指标。本文详细地介绍了过往学业表现、初始知识、学习驱动力、正面或负面学习行为、学习者情感状态、知识表征事件、人际交互频次、社群意识等一系列得到广泛验证的关键预测指标,并将按照"学校场所和工作场所"和"个体学习和群体学习"两个维度划分的四个象限,在每个象限中选取一个典型的学习分析系统进行剖析,这些典型系统是Signals系统、SNAPP系统、Learn-B系统和Cohere系统。本文最后总结了预测分析相关研究的特点和趋势,并指明了未来研究与实践的注意事项和潜在的研究方向。

MOOC中学习者流失问题的预测分析--基于24篇中英文文献的综述

MOOC(Massive Open Online Course)的核心属性之一是"课程"(Course),因此"完成率"或"流失率"始终是其发展中绕不开的话题。借由完成率问题引发的一系列深入讨论和研究,例如流失问题的预测分析,取得了丰富的研究成果,对于增进我们对MOOC研究的认识和相关教学理论的理解都具有积极作用。但由于该领域内还缺乏对预测分析的系统综述,我们对这个问题的研究全貌、研究局限以及未来的研究方向并不明晰。因此,本文通过综述24篇最近五年相关的高质量文献,试图回答三个问题:哪些预测指标是有效的?哪些算法模型是相对较好的?不同模型的节俭性和耐用性如何?通过回答这些问题,本文梳理了有效的预测指标体系,对比了不同算法模型的有效性,并检验了模型的节俭性和耐用性;更进一步,本文通过讨论研究的理性观、实践意义和开展跨领域对话,指出了未来研究可能的研究取径、研究方向和研究重点。

MOOC与教师专业化发展:积极老龄化的大数据发现

为探讨MOOC在教师专业化发展和终身学习过程中的作用以及各年龄段教师的参与现状,本研究建构了评估MOOC学习者参与度的分析框架,从中国大学MOOC平台教师专业发展类课程中抽取了教学方法类、研究方法类、工具技术类课程各1~3门,对多期课程共49,070名学习者的在线学习行为进行分析,从资源利用、作业互评、论坛互动三个维度考察各年龄段教师在MOOC中的课程参与度与行为模式及对其学习成绩的影响。研究发现:教师培训MOOC中个体参与度最高的是处于平静保守期和职业消退期的资深年长教师。职业消退期教师的各项参与度和成绩均不逊于其他阶段教师,可见其仍然有着旺盛的自主发展与学习动力,且对工具技术类课程需求较强。在职前期、职初期和稳定期阶段,论坛互动环节对成绩有显著作用,但对于年长教师来说作用降低。结果表明:各年龄段教师参与MOOC培训的需求与行为模式存在差别,MOOC个体参与度模型勾勒出非常显著的积极老龄化需求;MOOC培训有助于弥补传统培训中资源分配不均、年长教师缺乏培训机会的问题;利用MOOC的"大规模"优势效应,可在MOOC中形成教师互助共同体,促进跨龄段教师的远程教研和协作,为推动"积极老龄化"和实现全阶段"终身学习"形成合理的在职培训机制。

有效学习视角下的学习行为辨识技术

近年来随着MOOC运动的发展,对学习者在线学习行为的分析和挖掘成为研究热点,而研究者和教学者都希望能够基于MOOC积累的大数据增进对网上教与学规律的认识。在此研究背景下,如何科学地辨析和标识学生的有效学习行为,便成为开展这类研究非常基础性的工作,会直接影响后续研究的发展空间,也会影响同类研究发现之间的比较与对话。本研究以一门慕课课程的近五百万条学习数据为基础,介绍了这门课程学生学习"行为标签词典"的产生过程,以及基于行为标签的学习行为辨识做法,特别指出了以往文献中常被忽略的依据不同行为的持续时间定义行为的价值。最后,本研究展示了基于行为标签词典的一个研究案例,即行为标签词典如何帮助我们了解学习者"一次学习"的特征。本研究作为方法论层面非常微观但又非常基础的一个探索,希望能够为领域内的类似研究提供借鉴思路,开启在共同行为辨识基础上的研究对话。同时也希望以本研究为出发点,征集更多有识之士用其他数据集对此模型进行检验、丰富和完善,使其能够成为诸如在线自主学习策略、网上课程教学设计有效性等研究的基础工具。

MOOC学习者特征聚类分析研究综述

在当前MOOC教学中,学习者普遍按照是否完成课程为标准被分为两大类:完成与未完成。但是,这种二元分类具有一些局限,如忽视了只选择部分参与课程的学习者和积极参与课程但对课程证书没有需求的学习者,不利于解释未完成课程者中途辍学的原因,难以有效捕获具有高度异质性的MOOC学习者真实复杂的学习特点。考虑到MOOC学习者的大规模特征,通过人工方法从多个维度对学习者进行识别和分类存在难度,因此有必要采用技术手段作为一种补充,聚类分析被视为一种有效的探索性技巧来识别和刻画MOOC学习者更多元的特征。本文通过对16篇采用聚类分析技术分析MOOC学习者特征的英文文献进行综述,试图回答三个问题:哪些特征指标被应用于聚类?哪些聚类算法被采用?学习者被分为哪些类别?希望能以此呈现该主题研究的全貌,为国内研究者应用聚类分析技术刻画学习者特征提供思路,并对如何确定合适的聚类指标、聚类算法以及阐释聚类结果提供方法性的指导。最后,本文指出了聚类分析技术的情境依赖性和方法局限性,并对未来应用聚类分析技术分析学习者特征进行了研究展望。

中美高校研究生助教培训与管理的比较研究——以哈佛大学与北京大学为例

高校研究生助教工作是研究生参与教学、辅助教学,同时也能提升自身能力的有效途径,是一举多得的教育制度。国内外高校在研究生助教的定位、管理、培训等方面都存在较大差异。以哈佛大学与北京大学为例,用比较的视角观察中美高校研究生助教的培训设置和管理机制,分析总结成功做法和相关问题,并为国内高校研究生助教的相关工作提供建议。