中国投稿热线
您当前的位置: 中国投稿热线 > 论文范文 >

教育大数据个性化自适应学习模型构建

更新时间:2016-12-17 所属栏目:论文范文

摘要:大数据技术的影响下,针对现在已有个性化学习评价模型的问题,通过面向大数据的学习行为教育建设的理论分析与设计,在实际网络教育活动中数据分析的学习评价体系的建设中,实现准确高效的学习绩效评价模型。 
  关键词:大数据;数据库;自适应学习;学习管理系统;行为评价 
  中图分类号:G434文献标志码:A文章编号:2095-9214(2016)11-0283-01 
  一、引言 
  随着大数据(Big Data)技术和数据密集型科学的发展,数据已经渗透到各个行业和业务功能中,并已成为生产的一个重要因素。美国国家科学基金会提出了教育大数据研究的目标[1]:更好地了解人们在智慧环境中学习;通过对创新技术的教学设计和教学工具的学习过程,提高学习和测试方法;将大数据融入学习环境中。在教育大数据理论的机遇到来时候,带来了更多困难和挑战,最突出的挑战是如何获得广泛的教育数据来源。随着成熟的信息技术环境的大数据技术,学生的学习和评价不仅要关注学生成绩的评价,而且要更加重视学生的形成性评价。文献2中的“促进与信息技术整合的教学建议部分”,认为对智能化教学环境的建设,提供优质数字教育资源、鼓励评价软件工具的发展。 
  二、国内外研究现状 
  学习经历(Learning Experience)指的是在学习过程中发生的任何一种互动或其他经验,涉及课程,程序或其他教学参与者。既可以在传统的学习环境中发生,例如学校、课堂,也可以在非传统的学习环境,更能在像学习者的直接请教老师、教授传统的交互式教学情况或非传统的像通过学习游戏和互动应用学习的互动教学情境中。 
  通过现实生活中的复杂的社会系统的数据的开展探测挖掘,例如使用包括传感器、GPS定位、智能手机等移动终端收集数据,识别用户的日常社会背景的活动,然后将实时数据和历史数据关联,可以做人际关系的物联网。学习经验得到的数据更接近于“相关性”的实时数据流和历史数据,这些数据将“数据流”在高地产的形式,同时综合环境信息协会还需要获取和记录的数据流,实现环境及个人信息空间。传统意义上的学习经验数据采集通常忽略环境信息的处理,个人信息的数据主要是从描述性的反馈、绩效信息等任务完成的教育测量方式。 
  三、教育大数据个性化自适应学习模型 
  为了实现个性化自适应学习评价数据模型,我们综合评价内容和评价结果的两个评价过程,,在此基础上,建立个性化评价模型和自适应评价模型。通过学习活动来确定对学习者的学习行为通过个人评价内容评价的主要信息点,对评价的个性化的学习过程和结果的基础上的层次评价模型评价和个性化评价的结果,确定其学习水平。 
  1.通过学习和学习活动为支撑的学习行为评价模型,包括信息的学习行为和学习内容分割聚类分类系统分析不同功能的学习行为的研究内容分析个体学习评价模型的行为,从而建立一个个性化的学习评价模型。该模型的内容包括四个部分:学习评价、评价、评价、考核和评价,以及课外资源的评价。该模型的评价过程涉及到学生的正式学习和日常学习活动,评价内容包括学科知识评价和非学科知识评价,评价方法涉及定量评价和定性分析。 
  2.基于大数据支持的仪器面板、报表和可视化工具的分析大数据个性化自适应分析方法。学习仪表板提供了数据和报告的可视化分析,方便个人做出关于教学和学习的决策。学习仪表板包括四个用户视图:学习者的观点,教育者的观点,研究者的观点,以及组织视图。不同的视角是不同的,但都是相互关联的。根据不同利益相关者的需求,提供不同的数据显示。 
  四、结论 
  综上所述,教育大数据的环境下,论文详细分析了网络在线学习环境中师生学习经历数据的获取、识别、分析及交流与生成等基本的计算的理论和方法;阐述了大数据分析技术在网络在线学习模式中学习绩效评价需要解决的关键科学问题;根据研究成果构建了在线学习中学习绩效评价系统。 
  (作者单位:浙江财经大学) 
  浙江省哲学社会科学规划课题(17NDJC179YB),全国教育信息技术研究“十二五”规划2015年度青年课题(156242644),浙江省教育科学规划课题(2016SCG195) 
  参考文献: 
  [1]Dean J,Ghemawat S.MapReduce:Simplified Data Processing on Large Clusters.Proc of 6th OSDI.San Francisco:USENIX Association,2004:137-150. 
  [2]Dean J,Ghemawat S.Experiences with MapReduce:an abstraction for large scale computation Proc 15th Inter-Conf on PACT.Washington DC,2006:1-2. 
  [3]Dean J,Ghemawat S.MapReduce:a flexible data processing tool.Communications of the ACM,2010,53:72-77. 
  [4]D.J.DeWitt,R.H.Gerber,G.Graefe,M.L.Heytens,K.B.Kumar,and M.Muralikrishna.GAMMA-A High Performance Dataflow Database Machine.In VLDB ’86,pages 228–237,1986.


提示:
本文标题为:教育大数据个性化自适应学习模型构建
当前网址为:http://www.tougao.net/lunwen/3472.html

本文相关论文

更多>>

热点排行榜

热点期刊关注