xAPI——新一代学习技术规范引领智慧教育新标准

随着教育变革中技术力量的迅猛发展,智慧教育、学习分析、教育大数据等因素对于教育信息化进程的重要影响,原有SCORM标准难以满足当下的学习需求,xAPI这一学习技术标准应运而生并成为了学习技术标准的新里程碑。本文探讨了xAPI的缘起、何谓xAPI、特性和工作原理,并分析了SCORM标准和xAPI标准的不同点,介绍了运用xAPI开发的典型案例,最后通过对xAPI技术标准的分析和智慧教育内涵的解读,提出xAPI技术标准支撑智慧学习的六大核心要素。     

基于EML和xAPI标准的智慧课堂学习活动分析模型及其应用研究

EML建模语言是从课堂的角度来描述教学,即角色、活动和环境。xAPI标准是从单个的教学活动来呈现教学环节,即角色、行为和对象。二者都只能片面地说明师生活动,无法形象地呈现智慧课堂环境下的学习活动。文章将智慧课堂环境下的学习数据、学习记录、学习活动的层级关系进行了梳理,并且通过EML和xAPI的结合,将智慧课堂重新呈现,提出一个新的课堂设计模型。该模型能够实现智慧课堂和学习活动的分层设计和重用,也有利于智慧课堂标准的研究。最后,以智慧课堂案例为基础,进行相关的教学设计和课堂学习活动分析,以期为同行提供借鉴。     

基于xAPI的数字化学习过程数据跟踪

为了更好地跟踪学习者的学习情况、准确把握学习者的学习能力、客观评价学习者的学习效果,文章提出引入xAPI来解锁LMS的学习过程数据。为此,文章基于对SCORM标准跟踪原理与xAPI跟踪存储原理的对比分析,提出了同步跟踪和异步跟踪两种策略,详细解说了这两种跟踪策略的原理和实现方式,并对同步跟踪策略进行了验证。文章的研究既为数字化学习中对学习者的评估分析提供了数据支持,并可通过数据全面掌控学习者在学习过程中的综合表现,也为基于SCORM的数字化学习注入了活力。     

xAPI与基于Moodle的在线学习经历数据获取

在线学习的发展离不开规范的技术标准,但是早期的SCORM(Sharable Content Object Reference Model,可共享内容对象参考模型)技术标准已经不能适应目前的学习需求,而x API(Experience Application Programming Interface,经验应用程序编程接口)的出现为在线教育带来了新的发展机遇。文章介绍了x API的基本功能、x API的核心Statement(声明)及x API的存储机制LRS(Learning Record Store,学习记录存储),并通过Moodle平台详细介绍了基于x API的在线学习经历数据的获取过程。文章指出,x API能更好地支持学习生态系统的建设、完善评价机制、促进个性化学习的实现,对在线教育具有积极意义。     

大数据学习分析支持个性化学习研究——技术回归教育本质

大数据时代的来临,引领学习者学习方式发生变革,基于大数据学习分析技术的个性化学习成为教育学和认知科学的研究趋势。提供给学生有针对性的个性化学习是教育发展方向,是技术回归教育本质的实践。大数据应用需要经历数据收集、数据分析和数据可视化等三个必要阶段;大数据学习分析对个性化学习中的教师、学生和教育管理者等利益相关者均产生积极的影响;大数据对实现个性化学习的价值体现在五个方面:完善个性化的学习者档案、分析预测个性化的学习行为、优化个性化的教育决策、改善个性化的学习评估、提供个性化的学习反馈及建议。最后采用德尔菲法、头脑风暴法构建了基于大数据的个性化学习体系框架。利用大数据学习分析反思教育现状,对推动个性化学习的研究具有重要意义,同时将大数据视为一种新的思维方式和学习路径,需要辩证地看待其优势和劣势。     

基于Web Services的个性化学习资源获取

学习资源的共享与获取是电子学习中的重要内容,本文首先根据概率论模型提出一个学习资源与学习需求之间的相似性计算方法,然后基于WebServices技术提出一个获取个性化学习资源的解决方案,用来解决教育机构资源的整合和学习者获取个性学习资源的问题。利用该方案,学习者在任何一个提供此服务的客户端索引学习资源时,都可以从众多教育机构提供的学习资源中获得最符合自己需要的学习资源。     

教育大数据背景下智慧学习系统模型的构建研究

随着教育大数据应用愈发广泛,智慧学习成为现阶段信息化教育的突出成果。依托于教育大数据背景,智慧学习能够为学习者提供更为优化的学科知识架构、统筹整合各类教学资源、提高专业知识的适应性。为充分发挥智慧学习的现实价值,在构建其系统模型时应当遵循科学合理、简便易行、稳定可靠等原则。因此,在教育大数据背景下,智慧学习系统模型的构建可从框架规划、测试开发规范搭建以及明确目标等四方面进行,为学生提供科学有效的学习帮扶工具。     

学习仪表盘：大数据时代的新型学习支持工具

随着在线教育的蓬勃发展和教育大数据时代的来临,一种新型学习支持工具——学习仪表盘（LearaingDashboard）应运而生。学习仪表盘基于信息跟踪技术和镜像技术,对学习者的学习行为、习惯、情绪、兴趣等信息进行记录和追踪,通过分析与可视化、个性化的显示,为在线教育的学习者、教师、研究者、教育管理者等提供多层次的学习支持,帮助学习者实现自我认知、学习反思以及意义建构,促进学习新方法或模式的产生。目前,学习仪表盘发展快速,正逐渐从关注学习登录次数、学习时间和进度等浅层学习信息的辅助性学习工具,逐渐发展为集学习、分析、评价、反馈等多功能于一身的统领学习资源、支持学习过程的强大集成化系统。随着其功能和形式的不断创新与完备,学习仪表盘将在更多学习情境中得以应用,以更精妙的数据分析设计框架和更l喻悦的使用体验为学习者提供更为高质高效的学习支持。     

大数据视角分析学习变革——美国《通过教育数据挖掘和学习分析促进教与学》报告解读及启示

“数据驱动学校,分析变革教育”的大数据时代已经来临,利用教育数据挖掘技术和学习分析技术,构建教育领域相关模型．探索教育变量之间的相关关系．为教育教学决策提供有效支持将成为未来教育的发展趋势。“大数据”的出现．将掀起人类教与学的又一次变革。2012年,美国国家教育部发布了《通过教育数据挖掘和学习分析促进教与学》报告．对美国国内大数据教育应用领域和案例。以及应用实施所面临的挑战进行了详细的介绍。借鉴此报告．我们认为未来我国教育领域的大数据研究和应用。应加强国家和地方对相关的研究和应用在技术层面、管理体制层面以及法律制度层面的支持,按需合理规划具体研究和应用,整合现有资源,发挥后进优势,借助“大数据”实现真正意义上的个性化学习．进而实现教育公平。     

三维点云数据获取技术

综述了各种三维数据获取技术的现状,给出了对此类技术的评价指标,根据这些指标,对常用的几种技术进行了比较.为基于编码光、结构光和计算机视觉三维数据获取系统的设计与实现提供了理论论证基础.     

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。     

大数据驱动智慧教育发展模式研究

通过描述大数据的特点和发展态势,指出教育将会向智慧教育的方向发展,大数据将会改变传统的学习方式、教学方式和管理方式.大数据建立智能化数据采集系统获取大规模非结构化教育数据,形成教育大数据以支持智慧教育的决策、实施、评价等全过程.需要通过丰富的教育资源、丰富的教与学渠道、针对性的教学方式来构筑大数据教育平台,促进智慧学习.     

基于大数据的教学评价研究

文章基于教育大数据的视角,结合教育评价活动的转型,对教育大数据的采集、可视化分析与呈现技术等开展了研究。文章认为,教育大数据技术推动了教育评价中数据驱动决策的实现,为多方参与教育评价、实现发展性学生评估提供了良好的支持。平板电脑、数码笔、可穿戴设备等能够实时地将不同类型的学习数据数字化,实现了对学生学习全过程数据的采集,为教育领域中实现基于数据分析与理性证据的教育评估与决策提供了数据基础。各类可视化分析工具能够在稀疏的教育大数据中过滤、挖掘各类隐含的教育信息和规律,帮助我们理解学生个人知识体系的构建过程,探索学生个体的社会学习网络的演化规律,揭示教育事件在特定时空呈现的特征。     

学习分析:正在浮现中的数据技术

随着教育信息化的普及与逐渐深入,学习管理系统已经获取并存储了大量的有关学生复杂学习行为的数据,从这些数据中挖掘出改进教学系统、提升学习效果的信息,在教育信息化领域一直有着巨大的吸引力。因此,有必要从分析数据以改进学习的角度,对日益受到关注的学习分析技术进行解读。首先,学习分析技术是测量、收集、分析和报告有关学生的学习行为以及学习环境的数据,用以理解和优化学习及其产生的环境的技术。接着,综述学习分析技术的发展,指出其在教育中有着广泛的应用前景和巨大的发展潜力:学习分析技术可作为教师教学决策、优化教学的有效支持工具,也可为学生的自我导向学习、学习危机预警和自我评估提供有效数据支持,还可为教育研究者的个性化学习设计和增进研究效益提供数据参考。最后,提出学习分析技术也存在隐私、准确性和兼容性等诸多挑战和问题。     

多空间融合视域下学习环境及学习情境探究

互联网、人工智能、大数据、云计算、物联网等技术的教育应用逐渐走向纵深,使得学习环境发生了深刻的变革,亟需探究符合时代背景、面向新型学习环境的教与学交互理论,探究如何设计学习环境来应对新兴技术支持的学习情境。通过分析学习情境的基本特征,探究多空间融合后学习情境革新带来的学习环境设计原则的变化。基于新技术、新理念、新方法等对教与学影响的思考,最终提出学习情境的描述框架。学习情境是一种复杂的网络现象,基于互联网技术、人工智能、大数据分析储存技术等的应用,学习情境客观存在于虚拟环境中,成为一种具有目标性的长期存在的学习活动,借助互联网实现教学知识传播与知识共享,并可以实时进行学习分析、导航、评估、反馈、调节等,学习情境成为学习的连接器和促进有效学习的助推器。     

学习分析：从源起到实践与研究

学习分析是“大数据”在教育领域的应用,引发了教育技术发展的第三次浪潮,并获得学术界的广泛关注。本文梳理了学习分析的形成过程,然后从利益相关者、研究目标、研究对象、技术方法四个维度,回顾了近五年来国内外学者在学习分析方面的研究成果,并提出未来发展趋势和可能遇到的挑战,便于相关人员制定教育决策、优化教育管理过程以及完善学习过程。研究结果表明,学习分析研究主题主要涵盖学习者知识建模、学习情绪建模、学习行为特征抽取、学习活动跟踪、学习者建模、学位获取分析、教学资源和教学策略优化、自适应学习系统和个性化学习、在线学习影响因素分析九个方面;分析数据主要来源于集中式学习环境、分布式学习环境以及身体活动数据;常用分析方法包括统计分析、信息可视化、数据挖掘、社会网络分析、话语分析和网站分析。目前,学习分析研究遇到的挑战包括教育数据预处理难度大、数据访问权限不明确、学习分析适用性有限。虽然学习分析尚处于发展初期,但由于能够为教育系统各级决策提供科学参考,已经成为教育信息化的重要内容之一。     

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。     

基于联盟链的学习数据存储系统研究

近年来,教育技术领域持续关注教育数据的相关应用,如学习分析、学习测量、自适应学习等。通常情况下,教育数据存储于各教育机构自己的数据库中,学习者跨平台进行学习活动时,产生的学习数据被分割,失去完整性;此外,教育数据的隐私安全问题逐渐受到重视。区块链技术在金融领域的发展,所产生的联盟链为解决教育数据的存储与隐私安全问题提供了解决思路。通过对公用链与联盟链进行比较分析,文章提出了基于联盟链的学习数据存储系统,以连接不同机构的数据库,并按时间顺序提供学习者完整的历史学习数据,在一定程度上保护了学习者的教育数据隐私安全。     

大数据视角分析学习变革——美国《通过教育数据挖掘和学习分析促进教与学》报告解读及启示CSSCI

"数据驱动学校,分析变革教育"的大数据时代已经来临,利用教育数据挖掘技术和学习分析技术,构建教育领域相关模型,探索教育变量之间的相关关系,为教育教学决策提供有效支持将成为未来教育的发展趋势。"大数据"的出现,将掀起人类教与学的又一次变革。2012年,美国国家教育部发布了《通过教育数据挖掘和学习分析促进教与学》报告,对美国国内大数据教育应用领域和案例,以及应用实施所面临的挑战进行了详细的介绍。借鉴此报告,我们认为未来我国教育领域的大数据研究和应用,应加强国家和地方对相关的研究和应用在技术层面、管理体制层面以及法律制度层面的支持,按需合理规划具体研究和应用,整合现有资源,发挥后进优势,借助"大数据"实现真正意义上的个性化学习,进而实现教育公平。     

数据驱动的精准化学习评价机制与方法

综合素质评价是深化教育改革、落实立德树人根本任务的必然要求。信息技术赋能教育教学过程,使得传统教育评价机制向数据驱动的精准化学习评价方向迈进。数据驱动的精准化学习评价是一种不断获取、整合、分析学习过程中的多模态数据,对教学和学习活动的信息流与运行轨迹作出观测、解释和反馈,以发现教育中存在的问题,辅助课堂教学干预的评价方法,包含多场景数据采集、多空间数据融合、精准分析模型构建、分析结果可视化四个关键组成部分。多场景数据采集为学习评价提供数据来源和量化手段支撑,多空间数据融合为学习评价提供统一数据标准,精准分析模型为学习评价提供数据驱动的学习分析与评价方法,分析结果可视化为学习评价提供反馈和应用服务。数据驱动的精准化学习评价框架,应以区块链技术为基础,融合人工智能、云计算、学习分析、情境感知等新兴技术,在多维时空尺度上全面采集学习过程中的多元海量数据,通过全面、系统的统计分析和数据挖掘,从学习者的内在动机到认知发展、情感表现,再到社会综合交互能力,多维度、及时、准确地评估学生的学习状况。当前,探索数据驱动的精准化学习评价,可从构建符合多空间数据特征的综合素质评价框架,完善过程性数据的采集与共享机制,突破情感、认知、动机与社交评价的关键技术,以及研制数据驱动的学习评价平台等方面入手。