主动推送式学习支持系统的设计

为学生提供充分且针对性强的学习素材是研究性学习实施的关键.基于此,本文首先对学生的学习信息需求进行问卷调查及分析,然后设计了一种主动推送式学习支持系统.以实现按课程进度为学生主动推送研究性学习所需要的学习素材的功能.该主动推送式学习支持系统能有效地辅助研究性学习的开展,并进一步激发学习者的学习兴趣、引导其深入探究相关知识.     

高中英语交往式学习模型的构建

英语交往式学习以建构主义理论为基础,师生围绕语言学习任务,实现课堂内信息流的传输由师生单向走向多元互动,学生对学习过程的组织形式、学习内容的选定和学习结果的评判有了更大的主动权。结合英语课堂特点和不同课型,高中英语交往式学习模型可以有小组讨论、问答式、辩论分享式、接龙式等。     

网络环境下实践学习共同体模型的构建

我国高等教育培养的人才不能满足社会实践需求的问题已成为政府、教育主管部门和研究者重点关注问题。究其产生的原因主要可以归结为教学内容和教学方式陈旧上。文中提出以情境理论为基础,在网络环境下建构实践学习共同体,为学生创设未来职业中的问题情境,并通过自己的努力去给予解决,以此提升实践能力,缩小就业前的"适应期"。对网络环境下实践学习共同体的定义、特征进行了阐述,并对其模型进行了建构。     

Agent信息推送技术应用子网络自主学习的设计

网络环境下的自主学习近年来取得了一定的成绩,也暴露出许多问题,本文分析了目前网络自主学习中存在的三个主要问题,并通过对自主学习内涵、一般模式和Agent信息推送技术流程及特点的探讨,设计了基于Agent信息推送技术的网络自主学习系统模型,希望能解决网络自主学习中的上述问题.最后笔者提出该系统实施中亟待解决的两个主要问题,即用户的自主学习意识问题和技术问题.     

生态视域下的混合式学习模型构建

近些年来,混合式学习在高校和中小学应用比较广泛,但学习效果不尽如人意。该文从生态学视角分析了混合式学习中生态主体和生态环境的现状,并基于此构建了以学习共同体为中心的混合式学习模型,结合该模型进行了实践教学研究。     

人工智能支持下的智慧学习模型构建研究

智慧学习是人工智能时代教育的基本内涵,智慧学习模型构建是实施智慧学习的关键和基础,也是该领域研究中的瓶颈问题.文章针对智慧学习内在机理难以表征的问题,利用人工智能技术,提出了能够阐述智慧学习特征、要素及运行机制的智慧学习E-GPPE-C模型.该模型由学习环境、教育知识图谱、学习者画像、学习路径、学习评价、学习共同体六大核心要素和基础层、支撑层、服务层、关键层、应用层五个层面构成.基于人工智能相关算法,从教育知识图谱构建、学习者画像构建、学习共同体构建、学习路径推荐四个方面,提出了E-GPPE-C模型的实现方法.研究为人工智能在教育领域应用、智慧学习开展提供了基础,为后续智慧学习模型研究提供了参考.     

化学单元学习进阶模型的构建研究

学科核心素养的有效落实依赖于课程内容的精心选取,也依赖于课堂教学路径的精准刻画。化学单元学习进阶模型是在学习进阶假设的基础上由一系列从简单到复杂、浅层到深层的单元学习内容、活动、评价等组织起来的系列规划,既包括基于层级及其衔接的理论模型,又包括课堂教学实践路径的规划,是连接学科核心素养和深度学习的纽带,对当前素养化课堂教学改革具有指导价值和示范意义。     

新媒体语境下语文网络学习共同体的模型构建研究

基于新媒体平台组建语文网络学习共同体,让成员在相对自由且功能强大的网络空间中提高语文核心素养,是语文教学方式的有益探索。本文以建构主义理论为基础,提出在新媒体语境下语文网络学习共同体的模型构建需基于任务、互动、支持和整体等四个方面进行设计。     

构建面积模型 实施探究性学习

基本数学思想方法蕴含于数学体系之中,是处理数学问题的指导思想、基本策略和基本方法,也是学习数学的指导思想和普遍适用的方法,是数学的灵魂.本文通过数形结合的特殊模式——面积模型,展示基本数学思想方法在探究性学习中的功能.     

基于数据挖掘技术的资源型学习

数据挖掘技术是一个正在迅速发展的新兴领域，受到社会各界的重视，在现今的应用中，数据挖掘技术主要用于商业，军事，工业等领域的决策应用，在本中，我们将通过对数据挖掘技术、知识发现，资源型学习的认识来讨论一种基于数据挖掘技术的资源型学习。     

基于组合预测模型的数据挖掘技术研究与探索

针对数据挖掘过程中单一模型算法命中率低、偏差大等问题,将决策数、遗传算法、人工神经元三种单一算法融合在一起,设计出一种基于Lagrange函数的多算法组合预测模型。同时,将所建组合模型应用于电信行业客户关系管理中,将客户信息、消费行为等历史数据作为预测指标,对客户行为及未来趋势进行预测。预测结果表明,与单一算法预测模型相比,组合预测模型命中准确率高,预测效果好,能更直观地显示出流失客户的基本特征,从而帮助电信运营商提前发现具有离网倾向的用户群体,为管理层的决策提供数据支持。     

基于大数据的智能内驱式学习模式构建

随着人工智能和大数据等领域的快速发展,教育与新技术逐渐融合,高等教育中各专业呈现学科技术知识更新速度加快、各学科交叉融合、应用领域拓宽等现象,极大地增加了学生的学习强度和学习疲惫感.如何结合现代科技力量,激发学生的学习兴趣并有效提高学习效率,成为教育工作者需要思考的重要课题.分析传统教育中被动接受学习模式存在的...     

基于学习过程数据挖掘与分析的在线教学反思研究

在互联网时代,对从事在线学习辅导工作的辅导教师而言,基于学习过程记录开展在线教学的反思以不断改进在线教学这一做法不仅是可能的也是必要的。文章选取基于Moodle平台的在线课程为样本,应用学习分析技术,从一位辅导教师的视角,开展基于学习过程记录的在线教学的反思研究。研究表明,学习分析技术在辅助教师开展在线教学反思是有效的,具体表现为:(1)通过师生群体平台访问行为分析,可帮助辅导教师重温整个在线教学过程,弥补了师生分离状态下辅导教师难以了解全班活动的不足。(2)通过师生交互论坛分析,可帮助辅导教师聚焦重点教学活动,并可实现比面授教学活动更为精确的分析。     

构建基于SQL Server2005的数据挖掘模型

介绍数据挖掘软件的发展和SQL Server 2005数据挖掘功能,提出构建基于SQL Server2005的数据挖掘模型,并给出数据挖掘解决方案的具体步骤.     

基于数据挖掘的学生投入模型与学习分析

学生投入是高等教育质量和学习成果的重要影响因素,对于高等教育评估与改革具有积极作用,受到了国内外研究者的广泛关注。文章以构建学生投入模型为基础,采用典型相关分析和数据挖掘方法相结合,识别学生投入的相关因素,并对学生学习行为进行分类研究。分析发现学生投入与学生家庭背景、学生入学前特征、学校特征及课程作业之间存在着显著相关关系,不同的学生投入及其学习行为表现有助于加深学校对学生学习行为的了解,更好地研究学习规律的新趋势,为审视高校以生为本、以学为中心的人才培养措施和多元性发展,提供了重要的参考与支持。     

基于在线学习行为数据的学习者群体特征挖掘研究

教育信息化促使越来越多的学习者选择在线学习,基于学习行为数据的研究也逐渐增多,然而对学习行为的研究普遍基于学习者个人,涉及学习者相似群体特征挖掘的研究较少。选取阿里云天池中的公开数据集,通过对不同个性特征和认知能力的行为数据进行相关性分析,以学习成绩为依据聚类不同的学习者群体,挖掘群体的典型行为特征。研究表明,群体行为特征存在显著差异,借助群体特征挖掘可以帮助学生与他人对比,发现自身不足并及时调整。这样既能在个性化学习基础上充分利用群体智慧,也能避免因学生过多使教学工作者负担过重。     

基于关联分析的计算机软件数据挖掘技术

计算机软件蕴含大量工作信息,有效挖掘软件数据信息之间的内在关联是信息时代对软件应用的潜在要求。针对经典Apriori算法挖掘数据效率低、复杂度高的问题,提出一种改进Apriori算法用于挖掘计算机软件数据的关联规则。为计算机软件算法设置双重支持度阈值,即频繁项集与非频繁项集支持度阈值,快速获得强关联的频繁项集;在此基础上基于映射规则重构事务数据库,压缩数据库规模,减少算法的剪枝操作,降低计算机软件数据关联规则挖掘复杂度。以人力资源类计算机软件数据为例展开关联分析测试,结果显示,该算法挖掘的关联信息与人力资源实际管理情况一致,相比经典Apriori算法其效率有所提升。     

基于规则和数据学习的清洗模型研究

数据质量在信息管理系统中具有重要意义。然而,由于用户拼写、录入、系统升级等原因导致各种数据质量问题的出现。数据清洗的目的就是检测出脏数据并修复它们。而当前的清洗工具缺乏灵活性和扩展性,基于此,本文提出了一个基于规则和数据学习的通用清洗模型。模型实现了动态规则学习和动态数据学习等关键技术。通过规则匹配和反馈学习过程实现了动态清洗规则最佳选择;通过字段学习和元表学习过程实现了动态数据的初始化。实验证明,应用该模型保证了动态数据的质量,提高了当前清洗工具的灵活性和扩展性。