基于TF-IDF算法和DTM模型的网络学习社区主题分析

随着信息技术的快速发展,网络学习社区已成为重要的学习平台之一。在此背景下,文章采用词频—逆文本频率(Term Frequency-Inverse Document Frequency,TF-IDF)算法和动态主题模型(Dynamic Topic Models,DTM),以951条相关文献作为数据来源,首先对网络学习社区的研究热点和研究主题进行了分析,发现网络学习社区具有明确的教育属性,并将网络学习社区领域的相关研究划分为九类主题。随后,文章基于时序绘制了热度高低均值图和热度曲线图,对网络学习社区主题热度与演化情况进行了分析,发现混合教学和学习服务等主题具有核心热点特征,平台建设、学习者交互、社区生态等主题发展较为稳定,学习环境主题有一定的发展潜力,而学习模式、知识共享、学习动机等主题热度逐渐弱化。最后,文章梳理了研究结论,并针对网络学习社区的发展提出了建议。文章的研究为网络学习社区领域中理论和实践研究提供了一定的数据和理论支持,明确了该领域的研究主题和结构,为探讨该领域的未来研究方向提供了新的思路。     

深度学习支持下多模态学习行为可解释性分析研究

当前,学习行为分析已成为研究热点.基于大数据技术挖掘学生的学习行为特征,能为学习过程的改善、学习评价的优化提供重要依据.然而,现有研究却存在分析数据类型单一、实时性不强、结果准确度不高、缺乏可解释性等问题.文章从利用深度学习算法进行多模态学习分析入手,采用HDRBM(Hybrid Deep Restricted Boltzmann Machine,深度混合判别受限玻尔兹曼机)神经网络模型,建立多模态学习分析模型,为教育技术领域中利用多模态大数据挖掘学习者行为特征提供了新范式;接着从可解释性分析的角度,阐述利用深度学习算法进行多模态学习行为分析的算法设计与实现过程;通过实验表明,研究中所采用的方法与技术路线对提高学习行为分析的可解释性有较好成效.     

面向数智化决策的学习分析研究要旨与动向——基于2011—2021年LAK会议论文的质性元分析

学习分析与知识国际会议是面向学习分析领域的专门性顶级国际学术会议,对收入该会议论文集的全部769篇文章进行系统综述,有利于厘清学习分析领域的研究主题分布和演进趋势,有利于拓展我国研究的国际化视野。研究采用质性元分析与社会网络分析混合的方法,发现学习分析在理论研究、数据挖掘、学业预测、监控反馈、干预决策、安全伦理六个方面的研究主题分布,及其在理论、实践与技术三个维度四个阶段的发展历程。基于研究发现,建议未来学习分析研究应更多关注学习发生机理与学习分析学理框架的建构;关注感知技术支持下的多模态学习数据的挖掘;关注脑认知科学和学习科学与学习分析的融合;关注人工智能等新兴技术在学习分析领域运用的研究前沿。     

学习分析的研究现状审视及未来路向思考——基于2011—2022年LAK论文的可视化分析

十多年来,学习分析的发展为描述学习过程细节、洞察学习发展趋势、评判学习参与效果、开展学习成绩预警等方面提供了有效帮助。“学习分析与知识国际会议"(LAK)作为唯一以学习分析为主题的顶级国际性学术会议,致力推动学习分析的前沿研究,也汇集了学习分析最新的实践研究成果,是学习分析研究的风向标。为了更清晰地了解学习分析的研究现状,探寻未来的发展路向,文章对ACM数据库收录的2011—2022年LAK长论文进行收集与整理,并运用CiteSpace对论文的合作网络、文献共被引、研究主题聚类等方面进行可视化分析。结果发现存在的主要问题有：学习分析作者、机构以及国家的合作与交流逐渐增加,而合作结构却比较松散;学习分析在高校研究广泛,却较少关注K12教育,并且在教育实践中的应用不够深入;学习分析研究主题虽然更加多元并贴合研究热点与现实发展,但是新技术在学习分析中的应用较为滞后,二者发展的融合度不足。基于此,学习分析的未来发展要着重从以下方面开展思考：打破研究边界,实现学科间深度融合;深化现实应用,关注用户的切实需求;结合新兴技术,优化教育和教学过程。     

人工智能视角下深度学习的研究热点与教育应用趋势——基于2006～2019年WOS数据库中20708篇文献的知识图谱分析

近年来,深度学习已经成为人工智能教育研究领域的前沿。为了更进一步审视人工智能视角下的深度学习,文章以Web of Science(WOS)核心数据库为文献数据来源,对2006~2019年与深度学习有关的20708篇有效文献进行了知识图谱分析,发现:2014年以后深度学习相关研究的年发文量激增,且重要的节点文献大多集中在计算机模式识别和视觉领域;中国、美国、英国产出的深度学习研究成果占国际发文总量的一半以上;深度学习的相关研究主要集中在大学开展;主流算法、多模态识别、教育应用场景是深度学习的三个研究热点。基于此,文章提出:深度学习主流算法支持的人工智能分析平台搭建、教育数据多模态识别范式更迭、基于场景的智慧校园生态圈构建代表了未来深度学习的教育应用趋势。     

基于内容分析法的学习分析国内研究综述

随着教育大数据的快速发展,利用学习分析技术挖掘其潜在价值受到越来越多学者的关注。以CNKI数据库中核心期刊为数据来源,基于内容分析法,对107篇相关文献进行分析,从学习分析研究领域高频关键词以及研究主题两方面探究目前国内学习分析领域研究现状。从深化学习分析数据可视化研究、自适应学习分析系统设计与应用研究、完善基于学习分析的综合测评模型、关注伦理道德与安全问题等方面提出未来发展趋势。     

基于系统性文献综述的多模态学习分析研究进展与前瞻

多模态学习分析是指利用“多模态”的思想和方法对学习者的内在学习状态、特征与变化进行深度诠释,旨在挖掘学习规律、优化学习过程、促进精准教学。在教育大数据研究范式下,多模态学习分析应运而生并形成了诸多研究成果。运用系统性文献综述方法对国内外多模态学习分析相关研究进行梳理发现：当前多模态学习分析研究聚焦于数据采集、数据融合和数据建模三大方面。在数据采集上,得益于智能感知技术的发展,文本、语音、动作、表情、眼动、生理等模态数据备受关注且获取方式愈加便捷;在数据融合上,主要以数据层融合、特征层融合、决策层融合为主,因应深度学习算法的发展,混合式融合初见端倪;在数据建模上,涌现出面向知识、认知、情感、交互状态的学习者模型,且基于多元学习状态的整体性模型日益受到重视。未来多模态学习分析研究应加强情境感知,实现场景数据的混合采集;深挖理论基础,促进数据融合的科学精准;重视情境依存,强化数据建模的情境适用。     

基于CiteSpace国内外深度学习知识图谱可视化分析

文章对CNKI及Web of Science中关于深度学习的国内外相关文献在基于可视化分析工具CiteSpace的基础上进行知识图谱生成并分析,结果显示国外深度学习研究热点集中在内涵、实践和评价研究,国内则集中在促进深度学习的翻转课堂研究、学习科学视域中深度学习教学策略研究、技术教育化和教育技术化和深度学习理论研究。对国内外研究现状提出建议并通过对比国内外研究现状给出启示,为深度学习的理论及实践建设提供参考。     

学习分析:更好地理解学生个性化学习过程——访谈学习分析研究专家George Siemens教授

随着教育信息化的不断深入及"大数据"时代的来临,教育领域已存储并记录了学习者学习过程的海量数据。如何挖掘、分析和利用这些数据为教与学提供可靠依据和参考已成为摆在研究者面前的现实问题。学习分析为解决这一难题提供了一系列方法和策略。目前学习分析的研究正处于起步阶段,受到越来越多地关注。学习分析产生的背景是什么?学习分析与教育数据挖掘的区别如何?学习分析过程中如何保护个人隐私?带着这些问题,我们对国际知名的学习分析研究专家、加拿大阿萨巴萨卡大学George Siemens教授进行了访谈。George Siemens教授是国际知名学者,关注教育领域中的学习、技术、网络及开放性等问题。他著有《网络时代的知识和学习——走向连通》(Knowing Knowledge)和《学习中的新技术手册》(The Handbook of Emerging Technologies for Learning)。其中《网络时代的知识和学习——走向连通》一书对网络时代的知识和学习展开了充分的研究,提出了数字化时代的学习理论——连通主义。该书已经被翻译成中文、西班牙语、意大利语、波斯语、匈牙利语等多种语言。Siemens博士目前担任加拿大阿萨巴萨卡大学(Athabasca University)技术促进知识研究院副院长,学习分析研究团队负责人。他已在30多个国家和地区发表过关于技术和媒介对教育、组织和社会影响的主题演讲。他的研究工作曾在国内外的报纸(包括纽约时报)、广播和电视做过介绍。由于研究成果突出,他被授予许多国内和国际奖励。鉴于他在学习、技术与网络方面的杰出工作,被圣马丁大学(秘鲁最著名的综合大学)授予荣誉博士学位。Siemens博士是学习分析研究协会(The Society for Learning Analytics Research,SoLAR)的创立者之一。自2008年以来,他一直担任教育媒体与技术世界大会(ED-MEDIA)指导委员会委员。他也是《在线学习与技术》(Journal of Online Learning and Technology,JOLT)、《教育中的交互媒体》(Journal of Interactive Media in Education,JIME)等许多杂志的编委。     

论潘懋元大学教学思想:教育史学与学习科学的双重视角

潘懋元教授是我国“高等教育学”学科的奠基者与开拓者。在长期的教学工作和教学管理实践中,潘懋元教授坚持潜心教学和研究,建构起层次分明、结构完整、逻辑严谨的大学教学思想体系。基于教育史学与学习科学的双重视角,从发展脉络、基本内涵、实践智慧和教育意蕴四个方面,深入剖析了潘懋元教授的大学教学思想体系,分析了潘懋元教授的大学教学思想的理论基础、实践基础和发展历程,总结了潘懋元教授的大学教学原理论、大学教学过程论、大学教学原则论和大学教学方法论思想。潘懋元教授教学思想的实践智慧在于:正式学习与非正式学习相结合、深度教学与深度学习相融合。潘懋元教授教学思想的时代意蕴在于:基于教育内外部关系规律,促使教学关系转型、师生角色转型和师生发展转型,即实现知识建构与知识创新的统一、“以师为要”与“以生为本”的统一、自我发展与协同发展的统一。     

Learning Analytics Explained

This paper explores the potential of digital learning environments to address current issues related to individualised instruction and the expansion of educational opportunities in English as a foreign language at university level. To do so, an applied linguistics-centred research endeavour was carried out. This reflection led to the implementation of a twofold device composed of an online English course designed to enable students to submit production tasks (oral and written) and an individualised feedback generation system providing students with tailor-made revision sheets. In order to analyse the potential of this pedagogical device to (i) manage groups of heterogeneous students, (ii) offer ‘reasonably’ time-consuming revision procedures for the teaching staff and (iii) have students achieve institutional objectives (i.e. reach a threshold level in English), an experimental study (2013–2014) was carried out amongst 250 French undergraduate STEM (Science, Technology, Engineering and Mathematics) students at University Pierre et Marie Curie (Paris). In this study, various sets of data were collected and analysed: students’ attendance, satisfaction and performance at the final examination; time spent tutoring those students’ online production tasks throughout the year. Cross-references and comparison of the data revealed encouraging results, thus contributing to a discussion on distance solutions for foreign languages and on tailor-made foreign language teaching and learning practices at university level.     

院校研究与学习分析

院校研究与学习分析在学习研究方面同异并存,皆利用大数据探寻学生学习的优劣.院校研究主要依赖大学的管理和调查数据,学习分析主要使用学习管理系统收集的数据.院校研究聚焦于帮助大学“知己知彼”,学习分析旨在助力“知学生”“知学习”“知教育”.院校研究为学校层面决策提供实证研究证据,学习分析识别学生个体学习行为从而支持个性化学...     

Performance Analytics: The Missing Big Data Link Between Learning Analytics and Business Analytics

Big data analytics technology is changing the human capital development landscape. Global benchmarking trends reveal a gap between what executives expect from our profession and what we are currently capable of delivering. Emerging big data performance analytics technology offers our profession the capability to answer this growing executive expectation to diagnose the current and projected strengths and vulnerabilities of their workforce. It provides real‐time evidence that our performance improvement solutions optimize human and organizational performance.     

学习分析对自我调节学习的影响机理研究

近年来,众多学者将学习分析应用于自我调节学习以优化学习过程和学习效果,但当前学习分析的应用多以数据为驱动,尚未涉及学习者内在要素的变化规律,无法得知学习分析是如何影响自我调节学习的。为回答该问题,研究首先基于现有研究和理论归纳学习分析与自我调节学习的内在联系。其次,以学习分析的普遍应用模式为背景,收集学习者自我调节学习后的反思和访谈数据,利用认知网络分析和语义分析挖掘自我调节学习受学习分析影响的要素变化规律和各阶段触发特征。最后,总结变化规律和触发特征得到学习分析对自我调节学习的影响机理。结果表明,学习分析介入后,切实促进了自我调节学习各要素的融合,且在自我调节学习的不同阶段,学习分析触发自我调节学习发生的起点和路径存在差异。研究结论为促进学习分析更深入地支持自我调节学习提供了发展方向和理论依据。     

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.     

数据驱动的自适应学习分析模型研究

随着教育信息化的深入发展,学习分析逐渐成为人们洞察学习过程细节、实现精准教学和个性化教学的有效方式。学习分析模型的研究有助于给予学习分析正确的指引。文章对国内外的学习分析模型进行了分类和梳理,并阐述了其优势与不足,在此基础上构建了基于数据驱动的自适应学习分析模型,对其构成要素进行了阐释和说明,进而指出它的未来发展趋势,以期为学习分析系统的研发及相关研究提供参考。     

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。     

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。