一种基于学习者画像和特征聚类的高职学生在线学习行为分析方法——以“信息技术”课程为例

在线学习已成为一种重要的学习方式,如何提升高职学生在线学习的质量是职业教育研究者关心的问题。据此,提出一种基于学习者画像和特征聚类的高职学生在线学习行为分析方法,并以“信息技术”课程为例构建学习者画像;采用两重混合式类别生成方法对学习者进行群体聚类,以帮助教师充分了解不同类别的学习者,进而提高教学质量。

驯化与异化:地方高校大学生在线学习行为解读

随着现代信息技术的不断发展,大学生在线学习行为呈井喷式增长,相比传统线下课堂教学,在线学习者处于全新的虚拟空间和环境之中,其学习行为呈现新的规律和特点。一方面,学习者发挥自身效能,主动调整学习状态,利用在线教育平台,制定“个性化”的学习空间,形成一种自适应性学习模式,从而适应“驯化”平台。另一方面,新的环境和技术的运用,对在线学习者的学习带来诸多挑战,从而使学习者产生学习倦怠、思维逻辑碎片化等“异化”表现。在线学习行为的常态化使“驯化”和“异化”行为普遍存在于学习者的在线学习过程中,且这种“驯化”和“异化”行为处于动态螺旋式的博弈过程之中。本文基于技术与人的关系的视角,结合媒介情境理论,从“驯化”和“异化”两个方面对大学生的在线学习行为进行深入解读,并为大学生在线学习效果的提升提供参考。

基于MLP-Bagging集成分类模型的在线学习行为分析

针对教育者难以对学习者多样化的在线学习行为进行监测和研判等问题,提出一种带嵌入层的MLP-Bagging集成分类模型对学习者的在线学习行为进行分析与判别.考虑到学习者的在线学习行为以及个体特性,从学习准备行为、知识获取行为、交互学习行为、学习巩固行为和辅助特征5个方面构建在线学习行为模型,并采用MLP-Bagging集成分类模型对学习者进行分类判别.实验结果表明,所构建的学习模型可对在线学习者的学习行为进行符合实际的建模,加入辅助特征有利于对各类学习者的在线学习行为进行深入的分析与指导,并且在分类模型中加入嵌入层可以有效克服标签编码带来的数据冗余和误差缺陷,从而获得更好的分类效果.与其他分类模型相比,融合多个MLP分类器的Bagging集成模型可以减少单个MLP分类器的方差,其分类准确率达到98.72%,具有较好的实际应用价值.

高职学生在线学习行为评价指标体系的构建

该文充分梳理国内外研究现状,科学运用德尔菲技术,对15名专家进行了2轮专家函询,问卷有效回收率均为100%,函询专家的积极系数为100%。第一轮专家函询后,一级指标重要性赋值为3.76~4.47,变异系数为0.12~0.22;二级指标重要性赋值为3.83~4.34,变异系数为0.13~0.24。第二轮专家函询后,一级指标重要性赋值为3.80~4.67,变异系数为0.13~0.20;二级指标重要性赋值为3.73~4.27,变异系数为0.12~0.22。最终构建出基于大数据的高职院校学生在线学习行为评价指标体系,由态度维度、投入行为维度、交互行为维度3个一级指标和21个二级指标构成。

SPOC学习者在线学习行为分析及学习效果提升对策研究

随着信息技术的蓬勃发展和不断普及,MOOC、SPOC等在线教育模式相继出现,教育形式由传统的课堂面授转变为在线授课,学习者不受时间、地点和空间的限制在线自主学习,教育的关注点也从教师的“教”转变为学生的“学”,尤其是学习行为。为此,文章以江苏省某高校545名本科生为研究对象,以其在中国大学MOOC平台参加为时一学期的独立SPOC课程“英汉对比与翻译”所记载的数据为语料,从学习资源、人际互动,任务完成度和课程评估四方面分析其在线学习行为特征,提出提高学习效果的建议。

应用型本科高校在线学习行为分析与学习绩效评估

在线学习行为是指学习者通过在线学习平台的各种交互工具、在线课程资源和其他支持资源,以学习者为中心,采用各种交互策略,通过在线学习活动的参与和互动,实现知识建构、技能形成和自我反思的过程。2020年的全球公共卫生突发事件让在线教育成为主要的教学方式,也使得应用型本科高校的在线教学问题受到广泛关注。利用线上问卷调查和线下访谈等方式对学生学习行为进行分析,构建了在线学习绩效评估模型。通过对应用型本科高校的627名学生进行问卷调查,发现学生的学习绩效总体情况较好,但学生在课程、课程难度和课程结构等方面存在差异,建议高校应根据学生个体差异性制订个性化学习计划。

基于在线学习行为分析的在线教学设计优化研究

为了更好地提高在线教育的教学质量,分析在线学习行为进而优化在线教学设计有着重要意义。文章运用内容分析法对某高校193名学习者的在线学习日志进行分析,借助ROST CM 6.0进行词频和语义网络分析。分析结果表明:在线学习者较多关注学习体验与共情感悟,学习过程的互动设计利于学习者发生群体归属感,较多学习者愿意主动利用资源进行自主学习,学习者更多关注教师的反馈与评价,适度激励有利于学习行为持续、正向发展。建议在线教学设计从创设在线学习情境、丰富在线学习资源、创设良好课堂互动、文本激励适度投放等方面入手,从而提高在线教育质量。

基于超星学习平台的在线学习行为分析研究

在线课程是开展线上线下课程融合的关键,本文以长沙幼儿师范高等专科学校超星学习平台为研究基础,选择了“网页设计与制作”课程作为研究对象,深入分析学生在课程教学过程中的行为,研究学生的学习次数、任务点完成度、成绩效果等内容,总结出高职生的学习特征和爱好,以及在线学习课程的设置建议,以期为相关研究提供参考。

基于教育大数据的在线学习行为分析及优化建议

随着互联网和信息技术的快速发展,数字化、智能化、信息化的在线教育手段已经渗透于高校的教育管理,大数据技术已经成为教育、教学以及实践的重要手段。为了更有效地帮助高校生开展自适应学习、协助教师开展教学干预、辅助管理者定制教育政策,本文对南昌航空大学科技学院学生的在线学习行为进行分析,以院校的超星学习平台、尔雅学习平台,教务管理系统产生的数据,从管理者、辅导教师、以及在线学习者三种用户视角深入分析在线学生的在线学习现状及其影响因素使之为教育决策,在线学习优化服务。

在线学习行为对混合学习绩效的影响研究

混合教学中在线学习行为影响着学生的学习绩效。文章对在线学习行为进行了分类,并运用因子分析、回归分析等学习分析技术,对混合教学案例在线学习表征数据进行定量分析,构建学生在线学习行为与学习绩效相关模型。通过关系数据分析可知:学生的在线学习行为正向促进其网络学习自主效能感、自主学习能力和知识建构水平的提升,正向影响学习绩效的提高。基于此,文章提出了四点提高在线学习绩效的策略,包括注重在线学习环境、强调目标—任务—技术匹配的线上活动设计、注重教师参与指导、改革学习评价内容。

中国MOOCs学习者价值研究——基于RFM模型的在线学习行为分析

MOOCs自兴起以来,它的高注册人数和高辍学率特征并存,现阶段中国MOOCs大多为以视频为主要学习资源的xMOOC,对学习者的学习支持力度相对薄弱,这要求学习者具有较高的自主学习能力。在MOOCs中,怎样识别学习者价值,采用什么方法对学习者进行分类,进而给学习者提供有效的个性化学习支持是重点研究问题。在RFM模型基础上依据xMOOC在线学习过程特点,提出中国MOOCs学习者的价值衡量模型ML-RFT,采用模型指标原始值与所有学习者平均值比较的方法将MOOCs学习者分为八类。借鉴RFM衡量顾客价值的方法,构建ML-RFT模型,对MOOCs平台上一门xMOOC进行学习者价值识别分类,并有针对性地对每类学习者提供个性化的学习支持策略。研究结果表明采用RFM方法可以对MOOCs学习者价值进行有效识别区分,学习者分类结果可以成为MOOCs教师或管理人员对在线学习者提供个性化学习支持服务的重要依据。

基于在线学习行为分析的个性化学习推荐

随着在线课程和线上学习的普及,大量的在线学习行为数据被积累。如何利用数据挖掘技术分析积累的大数据,从而为教学决策和学习优化提供服务,已经成为新的研究重点。文中分析了在线学习的行为特征,挖掘学习者的性格特征与学习效率的关系,实现个性化学习方法推荐。首先,提取在线学习行为特征,并提出了一种基于BP神经网络的学习成绩预测方法,通过分析在线学习行为特征,预测其相应的线下学习成绩;其次,为了进一步分析学习者的在线学习行为与成绩的关系,提出了基于实际熵的在线学习行为规律性分析,通过分析学习者的在线学习行为,定义并计算相应的实际熵值来评估个体的学习行为规律性,从而分析规律性与最终成绩的关系;再次,基于Felder-Silverman性格分类法获得学习者的性格特征,对学习者实现基于K-means的聚类分析获得相似学习者的类别,将学习成绩较优的学习者的在线学习习惯推荐给同一类别的其他学习者,从而提高学习者的在线学习效率;最终,以某在线课程平台的实际数据为实验对象,分别实现在线学习行为特征提取、线下成绩预测、学习规律性分析和个性化学习推荐,从而验证了所提方法的有效性和应用价值。

基于在线学习行为数据的人格特质识别研究

获取学习者个性特征是实现以学生为中心的精准化、个性化教学的重要前提,而学习行为是分析学习者个性特征的重要依据。本研究以参加奥鹏公共研修平台在线学习者为研究对象,基于人格特质生成学习行为偏好假设,探索利用机器学习分类算法实现在线学习行为的人格特质识别;同时基于文献构建人格特质类型与在线学习行为之间的映射关系,采用Rapid Miner数据挖掘工具探索决策树、朴素贝叶斯和支持向量机三种算法对五种人格特质的识别效果。结果发现:决策树算法对人格特质类型的识别准确率高于其他两种算法,对大五人格特质的综合识别效果最好;不同人格特质识别灵敏度不同,尽责性人格特质类型的识别灵敏度最高,神经质人格特质最低。

远程学习者在线学习行为的实证研究

远程学习者在线学习行为无疑会影响到远程学习效果,研究远程学习者的在线学习行为是远程开放教育重要的课题之一。研究设计了三组实验,以明确远程学习者在线学习行为的特征、影响因素及远程学习者在线学习行为与其课程成绩之间的关系。研究表明:远程学习者的在线学习行为具有习惯性、适应性特征;远程学习者的在线行为会受到学习者有无远程学习经历、所在班级学习共同体及年级学习共同体的影响;远程学习者在线学习行为与其课程成绩之间无直接相关关系。最后,针对研究结论,提出了改进远程学习者在线学习行为的相关建议。

基于在线学习行为数据的远程学习者学业情绪分析研究——以Moodle平台为例

学习者的学业情绪对学习有重要作用,异步学习平台的非及时性以及教师与学习者分离的特征使得难以对远程学习者进行学业情绪分析。本研究通过构建异步学习平台中远程学习者学业情绪分析模型,并将该模型进行Moodle平台案例课程的应用,探究远程学习者在线学习行为与学业情绪之间的关系。本研究在案例应用中通过对远程学习者在线学习行为数据进行统计分析,对学习者论坛文本数据进行情感计算,发现:学习者的学业情绪与作业成绩显著正相关,说明学习者的学业情绪会显著影响其学习效果;教师情感值与学习者学业情绪显著正相关,说明教师在论坛中的情绪倾向会正向影响学习者的学业情绪;学习者实时学业情绪与创作性行为之间显著正相关,并且发现案例课程中主要存在两类学业情绪表现不同的学习者,第一类学习者在案例课程中所发帖子的情感值为正向情感的占80%以上,第二类学习者学业情绪属于同一倾向的帖子数不超过80%,单独分析第二类学习者实时学业情绪与对应在线学习行为之间的相关性,发现两者之间显著性有较大提高。

基于线性回归算法的在线学习行为分析

互联网的快速发展带动了教育领域的发展,促使在线学习迅速兴起并深受教育人士认可。因此各种在线学习平台中的教学数据飞速递增,对于如何充分利用、深度分析平台存储数据的价值,引起了教育从事人员的关注。应用机器学习技术,对学习者在线学习行为与学习结果之间的相关性进行了一系列学习分析。通过收集在线平台上学生学习时的数据,对收集到的数据进行预处理。基于K-means聚类算法对学习者聚类建模,将学生聚类成不同的类型。教师给予不同群体的学生相应的资料,有效地提高学生的学习效率。基于线性回归算法分析学生学习行为,确定学习行为对于学生最终成绩影响程度,教师在众多在线平台学生活动中筛选出对学生最终成绩影响较大的活动,完善教学方式。

基于数据挖掘技术的在线学习行为研究综述

随着慕课快速发展为当下最新、最潮的学习形式,在线学习平台积累了大量学习行为数据,数据挖掘技术被引入在线学习行为的研究,从而涌现出大量的研究成果。为了深入分析在线学习行为研究中数据挖掘技术的整体应用情况,从国内外公认的Web of Science数据库收集2008—2017年3月相关文献进行了统计和可视化分析,介绍了利用数据挖掘技术进行在线学习行为研究的一般流程,并将数据挖掘技术在在线学习行为研究中的应用总结归纳为五类,详细介绍了相关研究成果及代表文献。最后总结并讨论了未来可能的研究方向。

开放大学远程学习者在线学习行为的特征分析

为了解开放大学建设初期的改革成效,本研究以北京开放大学自主本科专业教学的初步实践为对象,通过对学习者在线学习记录数据的统计,分析了远程学习者在线学习行为四个阶段的特征。结果表明,开放大学学习者在线学习特征主要包括:(1)重开端:前两周以较多时间投入在线学习;(2)轻视频:相比于视频型资源,学习者更喜欢文本型资源;(3)重考核:学习者在线学习行为受到在线教学考核方式的直接影响;(4)轻反思:学习者主动发新贴和深入互动的交流帖子不多。研究认为,当前我国开放大学构建理想办学模式的实践,仍处在探索试验的早期阶段,距离国家教育体制改革试点的任务目标还有距离。开放大学需要立足现实,不断实践,寻找新的视角和发展思路。

大学生在线学习行为与人格特征的相关性研究

已有研究表明在线学习行为与人格特征、学习效果之间有着密切关系,探讨在线学习行为、人格特征、学习效果之间的关系对开发学习支持系统、提高在线学习效果具有重要意义。本研究通过调查问卷,对西北大学的学生进行调查研究,探讨在校大学生在线学习行为的现状、不同群体特征的差异及与人格特征、学习效果之间的内在联系。

基于并行Adaboost-BP网络的大规模在线学习行为评价

针对传统的在线学习行为评价方法在处理大规模数据集时面临的问题,提出一种基于并行AdaboostBP神经网络的在线学习行为评价方法。将BP神经网络作为弱预测器,由Adaboost算法组合15个BP神经网络的输出,构建了强预测器;充分利用了Hadoop平台下Map Reduce并行编程模型,提出了大规模在线学习行为的自动评价模型,设计了并行Adaboost-BP神经网络算法的Map和Reduce任务。多组实验表明,提出的算法准确率高、运行耗时少,取得了良好的加速比,效率大于0.5,适合大规模在线学习行为的自动评价。