基于在线作业数据的学习行为投入画像构建研究

学习者画像是描述学习者特征、实现智能化推送、实施个性化教育的重要基础.如何挖掘并利用在线学习平台中的数据构建学习者画像是当前亟待解决的问题.研究以在线作业为目标场景,以在线学习行为投入为切入点,构建了以参与、坚持、专注、学术挑战和自我调控为主要维度的分析框架和测量指标,利用7695名小学生在线作业数据进行了27个测量指标的有效性验证,采用K-Means聚类方法对在线学习者的行为特征和结果特征进行了标签分类,形成了四类学习者的群体画像,提出了相应的学习指导建议.研究发现,学习者的学业成绩与作业行为投入之间存在显著相关,不同的行为投入平台指标与学业成绩呈现不同的相关性,学习品质相关指标与学业成绩呈现强相关.因此,在线教育平台应通过画像技术,持续跟踪学习者的在线学习行为投入,评估学习者的学习品质,提出个性化的指导建议,推送精准化的学习资源,进而提升学习者在线学习效率.     

基于K-means的MOOC学习行为分析及用户画像研究

随着学界对MOOC教育研究的广泛关注,以edX平台开放共享的MOOC教育大数据为研究基础,通过数据的清洗、筛选、分析,从课程、国家、年龄、性别等方面针对学习者学习行为进行分析,之后提取5类学习行为特征进行K-means聚类分析,得到四类学习者群体,通过对群体画像特点的深入分析,为MOOC教育的优化建设和持续发展提供了诸多有益的启示。     

在线学习中学习路径分析及学习行为特点研究

本文从在线学习者的具体学习活动出发,对在线学习情境下学习者对教学内容的选择、阅读和知识的意义建构等学习行为特点进行研究和分析,应用知识建模方法对单元教学内容进行知识网络分析,设计专用在线学习平台对学习者的学习活动进行实时跟踪记录,对学习者的知识点选择和意义建构过程及其所形成的学习路径和选择性学习行为进行分析。研究表明,学习者在开放自主的学习环境下,能够主动参照教学目标的要求和教学内容的知识网络模型特点,依据自己的学习需求,选择合适的自主学习策略组织自己的学习活动。在线学习过程中学习者对教学资源的选择可以聚合成为一条较为稳定的学习路径,该路径体现了学习者在意义建构过程中对外部资源的意义建构需求。因此在线教学中依据教学内容知识网络特点设计合理的教学活动,有效应用信息技术实现个性化的教学内容信息推送,会促进在线学习者的学习效果和学习效率。     

混合学习环境下学习风格挖掘及群体差异研究

利用所罗门学习风格量表显式获取用户学习风格,并运用K-means聚类算法挖掘不同风格学习者的线上学习行为特征,依据精确度计算结果不断调整Felder-Silverman学习风格模型对应的线上学习行为属性分类,并最终构建学习风格挖掘模型。结果表明,利用该模型来预测学习者的学习风格具有一定有效性。对不同类别学习风格者的学习特点以及倾向进行差异分析,有利于教师与学生有的放矢地调整教学与学习策略。     

特征与调适：高职院校在线学习者画像研究

利用在线学习者画像模型，从一般特征、心理特征、行为特征和习得表现四个维度对高职院校在线学习者给予精准画像分析。研究发现，高职院校在线学习者的学习动机、自我效能感、学习策略、资源访问、交互协作等要素是影响课程综合成绩的重要因素。因此，高职院校需要正确疏导学习者的学习心理，激发学习者自我效能感，引导学习者综合应用多种学习策略，加强线上学习行为调控，提高线上教学资源质量等，以提升高职院校学生的线上学习效果。     

教育大数据环境下基于学习画像的个性化学习路径设计研究

在线学习环境下,探索符合学习习惯和偏好的学习活动路径能够降低学习者学习盲目性、提升学习者的课程体验。研究以教育大数据为背景,以MOOC为研究案例,以个性化学习路径为研究内容,通过对学习结果分类理论、教育目标分类法以及三维目标分类理论的分析、对比、归纳、借鉴,对MOOC平台学习者行为数据进行了维度划分,并从态度和认知两方面入手构建了包含学习兴趣、知识水平、综合能力三个维度的学习者学习画像特征模型。在此基础上,通过交叉使用Apriori All算法和贝叶斯网络对平台行为数据进行差异处理,使其转化为具有信息价值的具体数值,设计出了学习画像与个性化学习路径拟合系统。在此基础上,运用蚁群算法实现个性化学习路径的生成与推荐,为学习者提供精准的学习路径指导,降低学生迷航率。研究结果表明:基于学习画像的个性化学习路径推荐具有精准性;学习画像可以实现MOOC环境下平台数据和学习者之间的耦合;交叉使用多种算法实现不同维度数据的差异性处理,使数据分析、处理、应用具有合理性,是实现个性化学习路径生成推荐的良好基础。     

基于学习者画像的在线开放课程学习预警研究

在线开放课程学习者数量多且个体特征差异较大,教师难以精准分析学情,存在课程完成率低、学习成效不高等问题。在智能技术支持下,从学习者的基本属性、知识掌握情况、学习行为和学习情绪四个维度刻画在线开放课程学习者群体画像和个体画像,在此基础上设计了基于学习者画像的在线开放课程学习预警模型,并将模型应用于超星慕课平台“C语言程序设计”课程混合式教学实践中。研究结果显示,学习者的学习全过程多模态数据采集是构建画像和实现精准预警的基础;学习者画像能够精准地描述学习者的知识掌握情况、学习行为和学习情绪;基于学习者画像构建的预警模型能为学习者提供精准的学习预警和个性化的教学干预,为教学者提供基于“证据”的教学决策支持服务。     

基于教育大数据的数字化学习行为分析研究

本文对大数据时代下的MOOC在线教育平台做了介绍,并基于教育大数据,针对MOOC在线教育平台中的6门课程,对学习者的数字化学习行为进行了分析。首先,在对大数据统计分析的基础上,对学习者的类型进行了分析。依据不同的学习行为,将学习者分为五类,分别为:打酱油者、虎头蛇尾者、摇摆不定者、坚定完成者以及只为学习者。然后对学习者参与行为进行了分析,探讨了学习者与时间相关的行为以及与成绩相关的行为。     

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。     

基于层次聚类的军校学员MOOC学习行为分析

论文以使用梦课平台的军校本科生为研究对象,对其学习行为模式开展深入的调查与分析。论文旨在通过调查军校本科生的MOOC学习过程,获取其学习行为相关的各类数据,包括课程在线时间、在线交流次数、作业完成质量等,运用层次聚类方法对学习者进行分类,确定不同类型学习者的特点,分析不同的学习行为对学习者最终学习效果的影响,为有针对性地设计在线课程内容,优化在线交流、教学评价等提供有益的借鉴。     

基于edX开放数据的学习者在线学习行为分析

教育数据挖掘指通过分析学习者的学习行为记录和归纳学习者的行为特点,以提高教育质量的一种学习分析方法。在大数据时代下,网络课程学习者产生的大规模学习行为记录为教育数据挖掘提供了充足素材。以edX开放数据集为基础,使用数据分析方法,针对平台中本科学历用户获证概率最低的问题,分别从学习目的及兴趣、学习者类型、学习行为特征3个方面进行分析,深入探讨各种学习行为特征之间的相关性以及对学习效果的影响,为在线课堂平台建设者针对不同用户群体优化课程设计、改进个性化学习管理系统提供参考。     

少数民族中学生数学学习行为特征探究——以内地西藏班(校)学生为例

学习行为可以预测学业成绩并可以显著改善学习结果。针对西藏区内中学生数学学业成绩低而内地西藏班(校)学生成绩高这一事实，研究内地西藏班(校)学生数学学习行为特征并探索中学生学习行为与学业成绩的相关性，可为破解长期以来存在的民族理科难题提供新的视角。运用内地西藏班(校)学生数学学习行为自编问卷数据研究发现：学生的数学学习行为与学业成绩之间呈现显著的相关关系，且能在24.7%的水平上预测学生的学业成绩；内地西藏班(校)学生群体主要分为优秀学习者、良好学习者、波动学习者和困难学习者四类，学习动机、学习态度、学习自信心或学习策略等学习行为对学业成绩影响较大，可以成为预测学业成绩的关键指标。基于此，教师应主动摒弃传统观念，聚焦学习行为并围绕“三个转向”改革自己的教学：从教师教学行为转向学生学习行为、从外显学习行为转向内隐学习行为、从分类教学转向循类教学，从而通过影响学生学习行为来提高少数民族学生的学业成绩。     

学习者的学习效率评测研究--以“课工场”平台学习者的课程学习为例

在线学习过程中由于学习者缺乏实时指导,其学习效率与最终的学习效果难以得到保证。自动评测学习者的学习效率是实现及时干预、提高教学质量的重要基础。文章以“课工场”平台上“WEB前端开发”课程为例,选取参与该门课程的14名学习者的1011个学习回合,以8种学习活动特征来表征学习付出,以回合成绩表征学习成果,并采用层次聚类法进行分析。研究结果表明:案例课程的学习回合可以划分为4类,分别对应不同的学习效率,即低效型、低中效型、中高效型和高效型;评测学习效率可以反映学习者的全程学习状态,并与线下的教师记录相对应。因此,教师可以利用自动评测的结果了解全体学习者的情况并及时调整课程,而学习者可以根据自身的学习状态调整学习方式。学习效率的自动评测还可以作为个性化学习分析的依据,成为自适应学习系统的重要部件。     

以学习分析技术理解学习失败——基于在线课程退课行为的视角

理解学习失败是教育研究的热点。然而,已有研究主要依赖自我报告、社会调查等方法,存在主观性较强等问题,不适合在线学习情境。为解决这一问题,本研究利用细粒度学习行为数据,通过引入“学习路径相似度”概念,以时域建模的方式,找出不同类型退课学习者群体,结合未退课学习者数据,依据学习路径的图拓扑参数和行为发生概率,在学习意义层面描述并解释不同类型学习者之间的差异,从而理解学习失败发生的过程,为探明“学习何以发生”提供新的依据。研究发现：1）退课学习者存在“体验型”与“孤立型”两类学习者;2）图拓扑参数计算结果表明,不同类型学习者在学习投入、学习资源切换频率、学习路径聚集度、小世界网络特性和学习资源重要性等方面存在明显差异;3）行为发生概率结果表明,不同类型学习者存在类似的视频交互行为,“体验型”学习者存在课程甄选行为,“孤立型”学习者缺少社交性交互行为。文章最后从分析方法、辩证理解退课、创新课程形式和社会性学习支持等方面提出对策和建议。     

基于学习者画像的个性化学习策略研究

学习者画像是为学习者提供精准个性化服务的核心,也为个性化学习提供了新的研究方向。从学习者画像的数据收集方法和画像的基本结构以及构建方法入手,并在此基础上探究可以推荐的个性化学习策略。最后指出学习者画像会随着外部因素的不同而产生变化的,因此同一个人在不同课程上的学习者画像是不同的,为后续探究影响学习者画像的因素做好铺垫。     

网络自主学习听说成绩与学习策略的相关性研究

笔者探讨了高职院校学生自主学习听说成绩与学习策略的相关性.研究结果发现,高分组和低分组自主学习听说成绩具有明显的统计学显著性差异.造成这些差异的主要因素是学习策略的使用.高分组的学习者能更好地使用元认知策略,安排规划好自主学习,在学习过程中善于使用不同的学习策略完成不同的学习任务.自主听说过程中记忆策略、认知策略和补偿策略对学习者的听力帮助大,记忆策略和补偿策略对学习者的口语帮助大.     

英语专业学生自主学习能力的培养

语言学习是学习者综合运用各种策略模式对信息积极加工,对学习过程自我监控,从而达到自然运用语言的动态的过程。语言学习者做到有策略地学习就可以针对具体的语言学习活动,选择恰当、有效的学习策略。     

英语学习策略研究与网络自主学习

英语教学中采用个性化学习和自主式学习，最终能够提高学生的自主学习能力和英语综合应用能力，而学习者学习策略在其中起着十分重要的作用。因此，对网络环境下学习者学习策略和自主学习能力的研究仍是当前英语教学研究的重要课题。本文以网络英语教学为背景，探讨英语学习者的学习策略运用及其自主学习能力培养的问题。     

开放学习环境中学习行为投入与认知投入的实证研究

基于学习分析视角,文章从学习行为投入与认知投入两个方面对开放学习环境中的学习者进行描述,并以学习行为投入评测框架和认知投入编码框架为研究工具,利用定性、定量研究方法对408名课程学习者产生的数据进行分析,结果表明:行为投入呈现成绩导向特征,且存在5种类型;中等认知投入水平学习者占比大、类型多为总结型;与同伴交互会促进认知投入水平提高;行为投入、认知投入与期末成绩存在显著正相关的线性关系。探究开放学习环境中的学习行为投入和认知投入,旨在从学习者层面为开放学习环境建设提供新思路。     

远程教育学习者学习投入提升策略研究

学习投入是保证学习质量、促进学生深度学习的重要因素,在高等教育质量评估中日益受到重视。以江苏开放大学学习者为研究对象开展问卷调查,对其学习投入现状进行分析,同时对不同类别学习者群体的学习投入水平差异也进行详尽分析。结果表明,远程学习者的学习投入水平整体较高,各维度从高到低依次是情感投入、认知投入、行为投入,学习投入水平最低的项目分布在学习者在人际交互、时间管理、情绪管理、归属感等四个三级指标中,研究同时还表明,学习者群体在性别、年龄、专业上的学习投入水平存在显著差异,最后提出提升远程学习者学习投入的策略。