学习活动流:一个学习分析的行为模型

智慧教育体现了教育信息化发展的新境界,表达了一种技术以智慧性方式促进教育变革与创新的诉求,这一目标的实现离不开学习分析技术。学习分析的核心就是观察和理解学习行为,以倒溯方式考察影响行为产生的需要、动机等因素,以及行为所携带的目的、个性、环境等元素,从而加以利用以优化学习过程及其发生的环境。而一个好的行为模型将大大助力于对这些信息的收集、分析与理解。学习活动流模型的提出补充了以往学习行为分析所没考虑的学习来源的多元化以及学习活动的持续性问题。借鉴活动流的描述机制,情景化注意元数据被加以改造并得到学习活动流的描述模型,而基于学习活动流的学习情境分析则探讨了对这一行为模型的学习分析应用,并以信息感知和资源推送为例展示了其实践应用。

基于多源学习活动流的分析规则设计及其应用

多源学习活动流的提出,可有效反映学习者穿梭于不同学习生态空间的数字活动轨迹,而将这些数据汇聚在一起加以追溯和分析,可全面理解学习者整个学习生态的需求和问题,从而有效支持智慧教育下的精准教与学。在借鉴ADL xAPI的活动描述模型、CAM的分层结构和Paradata的多用户视角的基础上,多源学习活动流的描述模型以及汇聚层次被加以讨论,补充了在以往学习分析研究中少有考虑到的数据记录的多源性以及汇聚分析的层次问题。首先,六类数据要素(Actor、Action、Object、Tool、Session和Source)逐渐递增组合、22条"情境-应用-数据"数据分析规则被提出,并按照个体性情境、任务性情境、社会性情境、时空性情境和环境性情境加以归类,以指导多源学习活动流数据分析的具体应用。然后,借助由Slack(一款App聚合协作学习平台)和Trello(一款学习项目管理平台)所搭建的多源学习环境,将提出的数据分析规则应用于实践:实验对象35名大二学生被分成10组,所收集的6179条学习活动行为数据使用Actor{1,n}-Action{1,n}/Tool{1,n}-Source等规则,从小组和个人的不同层次,解读学习者的行为模式偏好和学习状态变化,初步验证了所提分析规则的可用性。最终得到的研究成果指向解决今后必然越发复杂的数字学习生态中的学习分析问题,以期为其他研究者和教育一线工作者,提供一定的分析思路引导和框架指南。

教育大数据挖掘的学习者模型设计与计算研究

数据科学在教学实践领域的深度融合应用,为推动智能化决策和个性化学习、实现精准施教提供发展方向。学习者模型作为数字化教育实践领域的核心部件,以内部心理机制和外部行为结构理解学习者在学习实践场域中的结构形态。研究在学习实践场域下,融合学习活动流作用机制,提出一种学习者模型设计通用框架,关注模型的结构特征和内部层级关系。结合粒计算和数据分析方法分别对通用框架中的本体模型、知识模型、认知模型、行为模型和情感模型进行设计与计算分析。最后,基于有序偶表达形式构造元组间有序递归的完整学习者模型结构列表,实现可共享、重组的学习者数据模型。