Programming Pluralism: Using Learning Analytics to Detect Patterns in the Learning of Computer Programming

New high-frequency, automated data collection and analysis algorithms could offer new insights into complex learning processes, especially for tasks in which students have opportunities to generate unique open-ended artifacts such as computer programs. These approaches should be particularly useful because the need for scalable project-based and student-centered learning is growing considerably. In this article, we present studies focused on how students learn computer programming, based on data drawn from 154,000 code snapshots of computer programs under development by approximately 370 students enrolled in an introductory undergraduate programming course. We use methods from machine learning to discover patterns in the data and try to predict final exam grades. We begin with a set of exploratory experiments that use fully automated techniques to investigate how much students change their programming behavior throughout all assignments in the course. The results show that students’ change in programming patterns is only weakly predictive of course performance. We subsequently hone in on 1 single assignment, trying to map students’ learning process and trajectories and automatically identify productive and unproductive (sink) states within these trajectories. Results show that our process-based metric has better predictive power for final exams than the midterm grades. We conclude with recommendations about the use of such methods for assessment, real-time feedback, and course improvement.     

Knewton:学习分析支持下的自适应学习平台

随着大数据技术、学习分析技术的发展,一大批基于数据分析的自适应学习平台应运而生,Knewton就是其中的一个。从学习组织、资源组织两个方面对“Knewton”进行了深层次剖析,得出了一些启示。     

学习分析技术的发展和挑战——第四届学习分析与知识国际会议评析

第四届学习分析与知识国际会议于2014年3月24-28日在美国印第安纳州波利斯成功举行,会议以探讨学习分析研究、理论和实践的交叉点为主题,涵盖了学习分析技术在教育学、教育心理学、教育管理学、工程学中的运用,以及教育数据挖掘、计算机算法和数据可视化等方面的发展。文章首先说明了此次会议的背景,从研究、理论和实践三方面阐析学习分析主题之间的关系,简述了来自孟菲斯大学的格莱赛教授(Art Graesser)、香港大学的罗陆慧英(Nancy Law)教授和加州大学圣地亚哥分校的克莱默教授(Scott Klemmer)三位专家所作的主题报告;然后从学习分析与课程教学设计、教与学过程挖掘和评价、学习分析与学习资源、文本挖掘与语义分析、学习分析与数学教育、学习分析与教育一体化、学习分析多元化等七个方面对分论坛报告及会议进行系统综述;文章最后指出未来学习分析研究和发展的五个方向:逐步明晰学习分析系统概念与理论、研究通用性的算法和模型、研制学习分析技术标准、支撑数据驱动的学习和评估、融入教育信息化应用与实践、推进教育的深度发展和加快多元化进程,期望能够推动学习分析系统化研究和在教育中的深度应用。     

Applying Learning Analytics to the Scholarship of Teaching and Learning

In this article we report on the findings of a project funded by the Australian Office for Learning and Teaching and entitled “Learning Analytics: Assisting Universities with Student Retention.” While this project was primarily focused on retention as a potential outcome of learning analytics, its application could be related to the broader concept of student success. Student success allows for a focus on pedagogy and the use of learning analytics for the improvement of learning and teaching with a firm scholarly evidence base. The data gathered for the project provide the background for a discussion about the potential of learning analytics to inform the practice of the Scholarship of Teaching and Learning. A case study demonstrates the potential of this approach. Overall, clear pedagogical questions are important in the application of learning analytics to the Scholarship of Teaching and Learning, and we suggest potential ways to explore pedagogical questions with big data methods.     

学习分析技术:服务学习过程设计和优化

在数据以爆炸式速度递增的信息时代,海量数据给商业发展和科学研究带来了新的契机。在教育领域,智慧学习环境使得积累更加大量、丰富和复杂的教育数据成为可能。如何更加充分、有效地利用这些数据优化教与学成为一个焦点问题。因此,作为一种新兴的技术,学习分析受到越来越多的关注。本文系统地梳理了学习分析的五个环节,介绍和分析了多数据源的数据采集与语义存储的研究进展与挑战,概括了五种典型的数据分析,并阐述了面向不同受众的绩效评估、过程预测与活动干预三种应用服务。     

让数学学习思维从理解走向深刻的四种方法

由"学会"到"会学"的转变,是新课程倡导的一种教学理念.在小学数学教学中,实施这种转变的关键是要让学生的学习走向深刻,即教师在教学过程中,坚持从学生思维特点和认知水平出发,有目的、有计划地培养学生良好的数学思维品质,提升数学思维能力.本文结合小学数学课堂教学实践,谈谈让数学学习思维从理解走向深刻的四种方法.     

多模态学习分析:理解与评价真实学习的新路向

随着物联网、可穿戴传感设备、人工智能的快速发展,多种模态数据的连续抓取与融合分析成为可能,促成了多模态学习分析研究的诞生,并成为学习分析领域的一个重要新兴分支.多模态学习分析关注真实的学习情境与本真的学习交流方式,"返璞归真"地聚焦更普遍的物理学习情境,克服了主流学习分析过度关注数字化学习环境的局限.研究主要采用文献归纳法,阐述了多模态学习分析的发展动因、概念理解,重点从身体、生理视角概述了多模态的数据类型,并对多模态学习分析的过程模型进行了详细描述.研究认为,未来要充分借助人工智能处理多模态数据,借鉴认知带理论融合不同模态数据的意义,借力学习理论来理解真实的多模态学习交互过程,以进一步完善基于多模态数据的学习评价方法.     

Using Technology to Enhance Mathematical Reasoning: Effects of Feedback and Self-Regulation Learning

Effects of two types of feedback on mathematical reasoning in a computerized environment are compared. Metacognitive feedback (MF) is based on self-regulation learning using metacognitive questions that serve as cues for understanding the problem. Result feedback (RF) means giving cues that pertain only to the final outcome. A total of 108 sixth-grade Israeli students participated in the study. Results indicated that the MF students significantly outperformed the RF students on various measures of mathematical reasoning and mathematical explanations. Theoretical and practical implications of the study are discussed. L’utilisation de la technologie pour développer le raisonnement mathématique : les effets du feed back et de l’apprentissage autorégulé. Ce texte compare les effets de deux types de feed back sur le développement du raisonnement mathématique dans un environnement informatique: a) le feed back métacognitif (MF) qui se base sur un apprentissage autorégulé et utilise des questions de type métacognitif (Mevarech et Kramarski, 1997) qui servent d'indices pour identifier la compréhension du problème ; b) le feed back sur les résultats (RF) qui ne donne des indications que sur les résultats finaux. Cent quatre-vingt étudiants israéliens de sixième année ont participé À cette étude. Les résultats indiquent que les étudiants soumis au MF obtiennent de meilleurs résultats que ceux soumis au RF sur la base de mesures du raisonnement et de l'explicitation mathématiques. Der Einsatz von Technologie zur Steigerung mathematischer Logik: Die Wirkung von Feeback und

selbstreguliertem Lernen. Im Vergleich stehen zwei Feeback-Arten mathematischer Logik in einem Computer-unterstützten Umfeld : (a) Metakognitives Feedback (MF = metacognitive feedback) basiert auf selbstreguliertem Lernen unter Verwendung von metakognitiven Fragen (Mevarech & Kramarski, 1997) die als Hinweise zum besseren Verständnis des Problems dienen ; (b) Ergebnis-orientiertes Feedback (RF = result feedback), das lediglich Hinweise auf das Endergebnis gibt. 180 israelische Schüler im Alter von ca. 12 Jahren nahmen an dieser Studie teil. Bei der Analyse des Resultats wurde offenbar, dass die MF-unterstützten Schüler wesentlich besser abschnitten, als die RF-Schüler. Theoretische und praktische Auswirkungen dieser Studie werden noch diskutiert.     

五一八年级学生分数概念的发展

获得正确的分数概念有助于学生更好地理解数的连续性与可分割性.Stafylidou等人(2004)曾提出学生要经历从低到高的如下3个层次:将分数表征为两个互相独立的自然数,将分数表征为"部分-整体"关系,将分数表征为两个数的比例.基于该理论框架考察了199名五至八年级学生的分数概念发展情况及其错误概念类型.结果表明:(1)我国儿童分数概念发展较好.随着年级的升高,分数概念发展水平逐步升高,具体表现为在低层次上人数减少,高层次上人数增加.(2)儿童分数理解中常出现的错误概念如下:整数偏向现象、对数字"1"理解有误、由"部分-整体"关系导致概念理解错误等.     

Towards a Prediction Model of Learning Performance: Informed by Learning Behavior Big Data Analytics

Using log data of 823 university students collected in two settings: their online learning setting and daily life setting (using campus ID cards for consumption purposes and book-borrowing in the university library), this study created indicators for online learning behavior, early-rising behavior, book-borrowing behavior and learning performance prediction. Five machine learning models were employed to analyze learning performance prediction, with the additional use of Boosting and Bagging to improve the accuracy of the prediction model. The predictability of the proposed model was also compared with that of both the Artificial Neural Network model and the Deep Neural Network model. At the same time, a classification rule set was established by combining decision tree and rule model, and a learning behavior diagnosis model combining decision tree and deep neural network was constructed. Findings showed that multi-scenario behavior performance indicators had strong predictive capabilities while the Deep Neural Network model had the highest prediction accuracy (82%) but was most time-consuming. The model based on the rule set is highly accurate, readable and operable and may be conducive to making accurate teaching interventions and resource recommendations.     

Using Microcomputers to Teach Verbal Mathematical Problem Solving to Learning Disabled Students

No abstract available for this article.     

高中生对数学理解性学习认识的因素结构

高中生对数学理解性学习认识的3个因素为探究性理解因素、记忆性理解因素和解释性理解因素.重点班学生在记忆性理解因素上的平均得分显著地高于普通班学生的得分;重点班学生在解释性理解因素上的平均得分也显著地高于普通班学生的得分.在探究性理解因素上,重点班学生的平均得分也高于普通班学生的得分,但没有达到统计意义上的显著水平.数学理解性学习的各因素在性别变量上基本上不存在统计意义上的显著性差异.     

Developing Children's Understanding of Fractions: An Intervention Study

Fractions constitute a stumbling block in mathematics education. To improve children's understanding of fractions, we designed an intervention based on learning‐by‐doing activities, which focused on the representation of the magnitude of fractions. Participants were 292 Grade 4 and 5 children. Half of the classes received experimental instruction, while the other half pursued their usual lessons. For 10 weeks, they played five different games using cards representing fractions (e.g., Memory and Blackjack). Wooden disks helped them represent and manipulate fractions while playing games. Our results showed an improvement in the conceptual understanding of fractions. The findings confirmed that the usual practice in teaching fractions is largely based on procedural knowledge and provides only minimal opportunities for children to conceptualize the meaning and magnitude of fractional notations. Furthermore, our results demonstrate that a short intervention inducing children to manipulate, compare, and evaluate fractions improves their ability to associate fractional notations with numerical magnitude.     

联结学习设计与学习分析:教师技术创新教学的突破口——访西班牙巴利亚多利德大学雅尼斯·迪米特里亚迪斯教授

雅尼斯·迪米特里亚迪斯(Yannis Dimitriadis)教授任职西班牙巴利亚多利德大学远程信息技术工程系,兼任信息通讯技术与教学研究中心GSIC/EMIC研究团队负责人,主持和参与了五十多项国际国内科研项目,在教育技术顶级期刊发表了八十多篇学术论文,组织了多次学习科学高端国际学术专题研讨会和工作坊。研究方向包括学习设计、计算机支持协作学习、学习分析等。本次访谈着重于介绍学习设计的核心思想,即无论外部学习技术如何变化,“教学法为王”的原则在教育教学情境中的主导地位不能变。因此,人工智能时代的学习技术仍需为创新教学服务。从教师角度看,联结学习设计与学习分析为教师技术创新教学提供了突破口。一方面,学习设计为学习分析提供理论引导,便于教师精准知晓学习者在不同学习活动中的学习情况,另一方面,学习分析为优化学习设计提供基于数据驱动的方法指导,便于教师靶向式更新学习活动设计。践行学习设计与学习分析双向互动的发展路径,需要建立研究者与教师合作设计机制,引导教师参与学习设计;推进隐性设计知识在学习设计中的应用;关注教师探究学习者学习过程。本次访谈对新时代背景下信息技术与教学应用的深度融合提供了新的理念和方法指导。     

教育效益的追问：从学习分析技术的视角

随着我国教育信息化步伐的不断加快,信息化环境下的未来教育生态逐步成型,全面覆盖的网络化基础设施、广泛共享的优质资源使得人们日益关注技术应用于教育的效益问题。当前,高投入的信息化设施建设并没有获得教育效益的高产出。如何在有限的投资中获取更大的教育效益,成为越来越多教育工作者和管理者热议的话题。学习分析技术作为一种能够在海量数据中提取隐含、潜在应用价值信息的工具,可以对学习者、教师、管理部门等相关利益方进行干预支持,形成助力,改善对教与学的理解,促进和优化学习效果和环境,进而提升数字时代的教育内外部效益。当前学习分析技术还处于发展阶段,主要着力于内部效益瓶颈的突破,在外部效益方面还没有显现出足够强大的潜力。随着学习分析技术的不断发展,其教育分析能力也需要从基础性分析、推测性分析发展到更加成熟的预测性分析,集成分散式服务、嵌入式共享服务以及独立式共享服务三种运营模型,实现对教育干预的决策洞察和预测水平。我国应合理规划,形成良好的数据管理机制,深入挖掘、综合利用有价值的数据信息,将数据转化为知识,实现教育效益的真正提高。     

学习分析技术 建立学习预测模型

学习分析技术通过对各种相关数据信息的收集来研究学生在学习中的实际参与、表现和进展情况,并结合学生的某些倾向性特征对其最终学习结果进行预测。通过预测分析可以为大范围和数量的学生提供预测结果,并实时向教学管理者提供相应的干预策略,来避免学生最终课程学习失败。研究所讨论的内容,是如何在大量的因素之中,找到对学生学习结果最具影响性的指标进行分析,从而建立起一个模型,并通过模型预测评估学生是否正在面临课程无法通过的风险。预测的结果将可提供给导学教师,用以优先选择高风险的学生进行主动干预并提供额外资源,最终确保更多的学生学业能顺利完成。论文提供了预测模型的设计方法、对模型的统计学验证以及技术应用最终的实施方案。