浅谈基于WEB的协作学习模式

随着计算机网络的普及应用,网络技术与多媒体技术开始运用到协作学习中。本文首先提出了基于WEB的协作学习的概念。然后微探该学习模式的优缺点,并在此基础上提出了一些解决办法。

基于Web的协作学习环境探析

随着信息技术的发展,计算机网络在人们的日常生活和工作中发挥着越来越重要的作用,其在教育中的应用也很突出。目前,网络在教育中的应用多以学习者自主学习为主,这种学习方式除了学习效率不高外,还不利于学习者集体感、协作感、责任感的培养。要解决这一问题,协作学习就是一种很好的解决方法。文章在参阅大量论文、书籍的基础上,总结出有关基于Web的协作学习环境的一般内容,分析了其存在的问题,并结合当前现有的技术手段,提出了一些改进方法和措施。

基于Web的协作学习系统模型的研究

分析了基于Web的协作学习的概念,阐述协作学习的理论基础,协作学习的策略,协作学习的功能要求,列举了一个基于Web的协作学习系统的结构模型,描述了这个系统的总体结构和系统的通用工具及系统的优点。

基于角色的Web协作学习系统的研究与实现

本文提出了一种基于角色的Web协作学习系统,并对系统的角色、角色的活动空间以及角色行为进行了详细的设计与系统实现。系统采用了B/S模式的三层体系结构以及系统后台划分为三部分(知识库、教学资源库和协作数据库)等架构,对均衡系统负荷和提高系统性能起到了良好作用。

基于生成式人工智能技术的对话机器人能促进在线协作学习绩效吗?

近年来,人工智能技术迅猛发展,对教育教学产生了巨大的冲击和影响,最引人注目的是基于生成式人工智能技术的对话机器人的兴起。为进一步提高在线协作学习绩效,研究旨在检验基于生成式人工智能技术的对话机器人对在线协作学习绩效、批判性思维意识及其知识激活量和贡献度的影响。研究邀请大学生参与在线协作学习,综合采用定量和定性相结合的研究方法,深度分析对话机器人的影响。研究结果表明,基于生成式人工智能技术的对话机器人不仅在其知识激活量、贡献度方面明显优于传统媒体,而且也能够显著提升在线协作学习绩效和批判性思维意识。文章深入分析和讨论了研究结果,并提出若干启示和建议。

智慧课堂协作学习设计新范式:具身设计、群体感知与共享调节

协作学习是一个以学生群体为核心的相互沟通、共同探讨、协作解决问题并完成任务的过程,因此对协作学习过程的设计应该由传统的以“教”为主导的“教学设计”转为以“学”为核心的“学习设计”。文章从具身设计、群体感知和共享调节三个方面提出智慧课堂协作学习设计的新范式,并应用到教学实践中检验其效果。研究表明,基于“具身设计、群体感知、共享调节”的协作学习设计能提升学生的学习效果和高阶思维能力,还能提升学生协作学习的积极性。同时实践发现,协作学习具身体验环境的建设需要多方力量广泛参与;协作学习群体感知需要泛在化的学习分析技术的支持;协作学习共享调节过程需要进一步挖掘其内在机制。

协作学习2.0:基于Web2.0的协作学习新范式

文章在分析Web2.0的特征及协作学习概念的基础上,提出了协作学习2.0的概念与特点,给出了协作学习2.0的架构,在探讨了协作学习2.0的理论基础上,重点解析了协作学习2.0架构的元素,并具体说明了协作学习2.0的应用过程,为Web2.0时代的协作学习提供了一种新范式。

Web环境下协作学习系统开发的现状及趋势(下)

当前CSCL(计算机支持的协作学习 )研究领域 ,作为如何为CSCL提供理想学习环境的探讨一直是领域的热点问题之一。从领域对该专题的研究来看 ,支持CSCL的环境大多基于Internet,即Web环境。本文对基于Web的学习和协作学习进行了探讨 ,概括了其特点 ,提出了Web环境支持协作学习的四个基本条件。本文还分析了几个基于Web环境的协作学习系统 ,如CSILE、KOLUMBUS、CaMILE和CoMentor系统 ,在此基础上对Web环境下协作学习系统开发的特点及存在的问题进行了分析 。

Web环境下协作学习系统开发的现状及趋势(上)

当前CSCL(计算机支持的协作学习 )研究领域 ,作为如何为CSCL提供理想学习环境的探讨一直是领域的热点问题之一。从领域对该专题的研究来看 ,支持CSCL的环境大多基于Internet,即Web环境。本文对基于Web的学习和协作学习进行了探讨 ,概括了其特点 ,提出了Web环境支持协作学习的四个基本条件。本文还分析了几个基于Web环境的协作学习系统 ,如CSILE、KOLUMBUS、CaMILE和CoMentor系统 ,在此基础上对Web环境下协作学习系统开发的特点及存在的问题进行了分析 ,并对Web环境下协作学习系统开发的趋势进行了探讨。

网络协作学习系统的应用研究——以WebCL平台为例

本文论述了有关协作学习、计算机支持的协作学习和协同知识建构的基本概念和方法,最后详细介绍了协作学习平台WebCL的基本特点及其在远程教育领域的应用与发展。

基于Web的协作学习系统模型

本文提出了一种基于Web的协作学习 Web－based Cooperative Learning 简称WebCL 系统模型。WebCL系统模型包含协作学习过程、资源设计过程和协作评价过程等三个子系统。协作学习过程子系统涉及学习者特征测量、小组形成、组准备、组进程和测试等几个步骤。资源设计子系统涉及需求分析、学习者分析、情境创设、资源设计、协作策略设计和协作进程设计等六个步骤。协作评价子系统涉及成绩评定、参数修正和协作评价等三个步骤。

课堂与Web环境下协作学习组成要素的对比分析

协作学习环境通常包括传统的课堂教学环境和基于Web的学习环境,或者是二者的结合,即混合学习环境。研究者们针对这三种学习环境中的协作学习开展了许多方面的研究,如学习成就、学习方法、同伴交互、学习支持系统等,但是对其基本问题,即课堂与Web环境下协作学习组成要素的研究,却是当前该领域研究的空白,尚未有研究者对该问题进行系统探讨。本文以该问题为研究对象,采用内容分析(Content Analysis)和问卷调查法,对课堂与Web环境下协作学习的组成要素进行了对比分析。研究结果发现教师与专家对课堂环境下协作学习各组成要素项的认同率较高,但对于Web环境下的协作学习,他们之间的选择则存在显著差异。

基于迭代协作学习框架的信誉医学参与方选择

联邦学习和群智学习等协作学习技术,能够在保护数据隐私的条件下充分利用分布在各地的分布式数据深度挖掘数据中所蕴含的知识,拥有非常广阔的应用前景,尤其是在强调隐私惯例和道德约束的医疗健康领域.任何协作工作都需要选择可靠的参与方,协作学习中全局模型的性能在很大程度上取决于参与方的选择.然而,现有研究在选择参与方时都没有对不同机构医疗数据中存在的异质性加以直接关注.导致包含稳定性在内的全局模型的性能难以得到保障.提出了从信誉的角度尝试探索求解该问题.以迭代协作学习的方式尽可能挑选出具有良好信誉的参与方进行协作学习,以获得稳定可靠的高性能全局模型.首先,提出了一个描述医疗机构数据质量的AI信誉值指标AMP(AI medical promise),以帮助其在医疗领域中形成良好的AI生态.其次,建立了一个基于后向选择的迭代协作学习(colback-learning)框架.在单次协作学习任务中,利用后向选择方法以多项式时间复杂度迭代计算出性能良好且稳定的全局模型,完成AMP计算和积累.在AMP信誉值计算中,制定了一个综合考虑全局性能指标的评分函数,以针对医疗领域更有效地指导全局模型的训练.最后,使用真实医疗数据模拟多样化的协作学习场景.实验表明,colback-learning能够选择可靠参与方训练得到性能良好的全局模型,模型的性能稳定性比现有最好的参与方选择方法提高了1.3~6倍.全局模型的可解释性与集中式学习保持了较高的一致性.

基于异步深度强化学习的车联网协作卸载策略

随着车联网(IoV)的快速发展,智能网联汽车产生了大量延迟敏感型和计算密集型任务,有限的车辆计算资源以及传统的云服务模式无法满足车载用户的需求,移动边缘计算(MEC)为解决海量数据的任务卸载提供了一种有效范式。但在考虑多任务、多用户场景时,由于车辆位置、任务种类以及车辆密度的实时性和动态变化,IoV中任务卸载场景复杂度较高,卸载过程中容易出现边缘资源分配不均衡、通信成本开销过大、算法收敛慢等问题。为解决以上问题,重点研究了IoV中多任务、多用户移动场景中的多边缘服务器协同任务卸载策略。首先,提出一种多边缘协同处理的三层异构网络模型,针对IoV中不断变化的环境,引入动态协作簇,将卸载问题转化为时延和能耗的联合优化问题;其次,将问题分为卸载决策和资源分配两个子问题,其中资源分配问题又拆分为面向边缘服务器和传输带宽的资源分配,并基于凸优化理论求解。为了寻求最优卸载决策集,提出一种能在协作簇中处理连续问题的多边缘协作深度确定性策略梯度(MC-DDPG)算法,并在此基础上设计了一种异步多边缘协作深度确定性策略梯度(AMCDDPG)算法,通过将协作簇中的训练参数异步上传至云端进行全局更新,再将更新结果返回每个协作簇中提高收敛速度。仿真结果显示,AMC-DDPG算法较DDPG算法至少提高了30%的收敛速度,且在奖励和总成本等方面也取得了较好的效果。

基于Web2.0的混合学习促进高职学生协作学习能力发展的实证研究

为探索在高职教育中采用基于Web2.0的混合学习促进学生协作能力发展的规律,该研究选择《科学技术概论》课程为例开展实证研究。研究过程包括学习需求识别与定义、学习计划和测量策略制定、学习内容选择与确定、研究计划执行和评价等阶段,其中运用了问卷调查、内容分析、小组报告等方法。研究结果显示:基于Web2.0的混合学习高度契合高职灵活性教学安排的特性,对高职具有特殊意义;基于Web2.0的混合学习能够促进学生个体知识掌握和小组协作知识建构,但是需要精心设计的分组策略、严密的过程监控指导和评价方式的变革。

课堂与Web环境下协作学习组成要素的因子分析

课堂与Web环境下的协作学习具有很多不同的特征,比如教师的控制性、学习者相聚的时间、学习成就等。当前领域中针对这些差异的研究主要集中在主观分析上,并且缺乏较为深入的探讨。在相关研究中我们已经得到影响协作学习的28个要素项。在此基础上,我们采用因子分析法(Factor Analysis)对这些要素项进行分析,从而得到协作学习在课堂与Web环境中组成要素所存在的差异,并以此作为分析课堂与Web环境下协作学习不同的依据。研究结果证明本文尝试从量的角度对课堂与Web环境下协作学习的差异进行分析是成功的。

基于Web的远程协作学习(WebCL)平台的设计与开发

远程协作学习是学习者以小组形式参与 ,为达到共同的学习目标 ,在一定的激励机制下为获得最大化个人和小组习得成果而合作的一切相关行为。要使小组学习真正具有协作性 ,必须具备五个要素 ,它们是 :(a)学生之间清晰明显的正互赖性 ;(b)经常的小组评价 ;(c)促进学习成果的组员间交互 ;(d)个体任务和职责 ;(e)频繁使用的人际和小组社交技能。基于Web的协作学习是指利用网络技术来支持协作学习。本文简要介绍基于Web的协作学习平台的设计与开发 ,主要包括以下几个方面的内容 :(1)简要阐述协作学习、基于计算机的协作学习和基于Web的协作学习的基本概念 ;(2 )分析当前国内外网络教学支撑平台的现状 ;(3)

“潜水”还是“学习”:在线协作学习中“在线倾听”行为再审视

学习者“在线倾听”行为是一种复杂的社会化活动,是在线协作学习对话的前提和基础,但并未引起正视和积极理解。基于对话教学理论视角,研究采用滞后序列分析、内容分析、社会网络分析等研究方法,分析学习者“在线倾听”行为模式特征,及其对学习者认知过程、批判性思维和学习绩效的潜在影响。研究发现,学习者“在线倾听”行为是在线协作学习的常态行为,存在显著性差异,在时间结构上呈现周期性和阵发性;专注的“在线倾听”,高频次的回顾/反思倾听,有益于学习者高水平知识建构和批判性思维发展;高、低绩效学习者群体的“在线倾听”行为模式存在显著差异,高绩效组“在线倾听”行为更专注、行为路径更完整。这些发现为理解和解释数字教育场景下在线学习发生的内隐规律和内在机制提供理论支撑和实践参考。

基于在线协作探究学习的ESP教学研究——以基于WebQuest的医学英语教学为例

与通用英语(General English,GE)相比,专门用途英语(English for Specific Purposes,ESP)有其特殊性,因此ESP教学与GE教学有共同点,也有其特殊之处。互联网的普及为人们提供了丰富信息资源,也为ESP教学模式提供了新的思路。在分析ESP特性的基础上,本研究探讨将在线协作探究学习(Web-based Collaborative Inquiry Learning,WCIL)引进ESP教学的理论与实践可行性。研究以社会建构主义理论为理论基础,探讨将作为典型WCIL模式之一的网络主题探究(WebQuest)引入ESP教学的理论可行性;以医学英语教学为案例,探讨将网络主题探究引入ESP教学的实践可行性。

基于社会认知网络分析的学习者协作问题解决能力发展研究

协作问题解决能力是21世纪数字公民应具备的核心能力之一,但目前尚且缺乏对学习者协作问题解决能力动态发展过程的探讨,需要融合多元方法提供更细粒度的分析。以学习者在教学初期、中期、后期三个时期的在线协作会话数据为分析样本,运用认知网络分析发现,学习者协作问题解决能力呈现出由低水平向高水平发展的过程;通过社会网络分析发现,参与者呈现出网络核心和边缘两种社会角色,且社会角色随时间会动态改变;社会认知网络分析结果显示,不同社会角色学习者的协作问题解决能力发展过程具有显著差异。基于研究结果,从在线协作环境、课堂教学策略以及教师专业发展三个方面给出建议。