大数据背景下的精准个性化学习路径挖掘研究——基于AprioriAll的群体行为分析

在数字化环境中,学习是对信息进行收集、汇聚、存储、共享和创造的过程,不仅涉及个体学习行为,也涉及群体行为,影响着个体知识建构过程。大数据背景下,基于AprioriAll算法,挖掘分析相同或相近学习偏好、知识水平的同一簇群体学习行为轨迹,并以学习者特征与学习对象媒体类型、理解等级、难度级别的匹配计算为基础,能够生成精准个性化学习路径,可为差异化教学提供新思路。最后,采用实验研究法,通过散点图与无回路有向图及学习效率与满意度调查,表明研究成果满足学习需求,能为学习者提供有效指引,有助于激发学习兴趣,提高学习动机,促进个性化发展。

学习者模型可视化认同感分析与效能评测——基于社会比较理论的视角

基于社会比较理论,学习者模型可视化不但有助于自我改进、强化及评价,具有元认知和自我调节学习价值,而且还能内化同伴的学习知识,激发学习动机,提升自我效能感,促进高阶思维发展。以美国匹兹堡大学的MasteryGrids自适应学习系统为例,利用问卷调查法,从有用性、感知性等方面对学习者模型可视化进行认同感分析,并采用曼惠特尼U检验分析方法和实验控制组对其效能进行评测。结果表明,学习者模型可视化所具有的特性验证了期待和信仰,可为在线个性化学习环境设计提供理论依据,尤其是解决学生持续学习能力差和低完课率等实际问题,确保在线教育的成功实施。