大数据在教育领域的应用研究

大数据时代,各个领域都试图应用大数据技术来进行管理、优化等工作,大数据在教育领域也得到了一定的应用,本文阐述了大数据的准确概念及其三种数据类型,分别介绍了大数据的六个特点:数据量大、类型多、对存储要求严格、时效强、速度快、管理过程比较复杂,并提出了大数据技术在教育领域有转变教育理念、改变思维模式,让传统教育模式向个性化教育转变,重新确立教学评价的方式,加强学校基于数据的管理等的应用.     

大数据背景下数据挖掘课程的教学改革与探索

大数据时代已经到来,需要对大量的结构化和非结构化数据集合进行挖掘,数据挖掘领域需要进行彻底变革,数据挖掘课程的授课内容和实践环节都需进行相应的调整。本文通过分析大数据的内涵、特征,数据挖掘的核心课程,探讨大数据时代对数据挖掘课程提出的新要求与新挑战。     

大数据视角下的学习分析综述

学习分析作为教育信息化的新浪潮,是教育大数据的主要应用领域。泛在网络下的学习大数据高速增长,线上线下的学习形式不断革新,关于学习分析的研究也随着大数据理念的发展而不断变化。本文通过文献分析法,着重从大数据的视角,对国内外学习分析的研究现状进行综述。首先介绍学习分析及相关概念的发展,从大数据视角探讨学习分析发展的驱动力;然后对比国内外在大数据和云计算技术驱动下形成的学习分析框架、应用领域和关键技术,介绍了整合的学习分析系统平台;最后分析大数据创新给学习分析带来的机遇和挑战。     

大数据背景下艺术生文化课学习方法

在高中阶段,艺术生是高中学生群体的重要群体,相较于普通学生,艺术生需要掌握专业课和文化课两个领域知识。随着新时期的到来,大数据教育模式逐渐应用在高中课堂当中,这对于艺术生来讲,所呈现的教学效果极为显著。鉴于此,笔者主要围绕以大数据背景下的艺术生文化课教学展开有效分析。     

大数据背景下经管类高等数学课堂教学改革研究

在当今的大数据时代,合理运用数据进行科学的决策成了各行各业提高管理水平的重要手段,这对作为未来管理领域主力军的经管类专业学生的数据处理能力提出了新的要求。本文剖析了当前经管类专业高等数学课堂教学存在的问题,提出从优化课堂教学内容、改进课堂教学模式、改变课程考核方式等方面对经管类专业高等数学课堂教学进行改革,培养学生应用数学方法从大量混乱的原数据中发现规律的能力,进而提升经济管理专业学生在大数据时代的就业竞争力。     

基于大数据收集与存储的数据挖掘分析及研究

大数据应用研究已成为学术界热点。为更好地收集与存储大数据,变革对数据的管理以使其在大数据时代更好地服务于企业、社会与科学研究,探讨了目前大数据收集与存储方式的优缺点,提出了大数据挖掘与分析面临的问题,为下一步研究大数据生物存储方法奠定基础。     

教育大数据背景下学习效果评估指标分析和研究

基于网络学习空间,设计了一种线上线下混合式教学的学习效果评估指标体系,采用问卷调查的方式对该体系进行了验证.问卷调查结果表明,该体系能够极大地提升学生的学习积极性、自主学习能力、协作沟通能力和创新能力,使学生在丰富的线上资源、高质量线下教学设计的学习环境中获得更好的学习效果.     

大数据与图书馆发展的研究

大数据是近几年IT界最为流行的关键词,也是学术界的研究重点。大数据的出现,使图书馆面临着新的发展机遇。本文从大数据的概念入手,总结了图书馆中的大数据,分析了大数据对图书馆的影响,最后探讨了大数据时代图书馆面临的机遇和挑战。     

大数据背景下数据挖掘在高校固定资产统计中的应用研究

目前我国大部分高校对固定资产实行账物分管的归口管理模式,易造成固定资产实物流动中的失联或者丢失。而数据库管理只是对数据库中已有的数据进行查询等简单统计,通过这些数据获得的信息参考价值不高。隐藏在数据背后的对领导决策有价值的东西,需要分析统计出来。数据挖掘技术可以智能分析数据,从中挖掘统计出有价值的信息,帮助决策者做出正确的决策。     

基于大数据分析的学习评价

针对目前高校课程评价手段单一,不能满足学生个性化学习的要求,本文提出了一种具有个性化和发展性特征的学习评价模型。该模型基于学生课堂教学、课外自学和部分日常生活构成的大数据,通过数据挖掘技术,给出课程学习过程中对每个学生的评价。学习评价关注学习的每个阶段,给出的建议符合学生个性化要求,并可帮助教师因材施教。教学实践结果显示,这种学习评价有助于改善学生的学习。     

基于机器学习的医疗大数据分析与临床应用

医疗大数据指数目庞大、增长迅速、结构复杂、隐藏价值高的数据。机器学习技术能够有效分析医疗大数据的内部联系,对疾病的早期诊断及预后具有重要临床指导意义。阐述了机器学习技术在医疗大数据中的应用及研究进展,包括在大数据分析中的回归分析、决策树、基于内核的算法、降低维度算法等浅层机器学习算法模型,卷积神经网络、循环神经网络、自动编码器、深度信念网络等深度学习算法模型,以及各个算法模型的临床应用,分析了机器学习在医疗数据挖掘中的应用前景和存在的技术难题。     

学习分析视域下的在线学习动机评估研究

突如其来的新冠肺炎疫情使在线课程的学习效果受到质疑,在线学习动机研究逐渐受到重视。在此背景下,文章以现有研究中主观动机测量模型为基础,梳理出评估学习动机的一级指标,在借鉴学习投入研究成果的基础上,结合在线学习过程中产生的行为数据,确定了评估学习动机的观测指标,并通过机器学习研究得到一种在线学习动机四级分类模型。最后,通过半结构化访谈,文章发现在线学习过程中,近期价值、自主感、工具性、社会关系等与学习动机的形成有较强的正向关系,而情感态度对学习动机的形成影响较弱。文章提出的在线学习动机评估方法可为在线学习平台的设计提供一定的理论参考。     

基于大数据的个性化自适应在线学习分析模型及实现

通过大数据学习分析模型,能够深入探究学习者的学习过程与情境,发现学习规律,根据每一个学生的需求和能力为其提供个性化自适应学习。本研究综述了大数据的内涵及应用,从微观视角提出了大数据之“大”,不在于其表象的“大容量”,而在于分析数据的全面性和潜在的“大价值”。基于大数据分析,从数据与环境(What)、关益者(Who)、方法(How)和目标(Why)等4个维度构建个性化自适应在线学习分析模型。以《C语言程序设计》课程学习为例,从基于大数据个性化自适应的学习过程结构、学习过程可视化及学习效果实证等方面进行分析,研究结果表明对学生学习行为与知识掌握的数据分析,能够推荐合理的学习路径与恰当难度的学习资源,可对学生的学习效果做及时准确的反馈,提供个性化服务干预,有利于促进教与学。     

基于深度学习的学生教学评价情感分析

随着教育信息化建设的深入推进,教学系统中积累了海量的学生教学评价数据,这些数据蕴含了丰富的信息,亟待挖掘利用。为了挖掘学生教学评价中的情感倾向,为提高教学质量提供科学依据,文章提出了一种基于双通道深度记忆网络的深度学习模型,用于学生教学评价的方面级情感分析。在该模型中,设计了双通道策略以充分提取评语中隐含的局部特征和上下文依赖信息,并使用循环注意力机制提取与特定教学方面相关的情感信息以实现细粒度的方面级情感分析。通过在真实的教学评价数据集上进行实验,结果表明,所提出的方法能有效挖掘学生评价中关于不同教学方面的情感倾向,为教师和教学管理者了解并改进教学提供依据。     

电子书包中基于教育大数据的个性化学习评价模型与系统设计

根据大数据技术的模块构成和电子书包所包含的系统和功能,对电子书包中教育大数据的模块内容进行分析。之后,在评价内容上从课程内容学习、参与互动交流、考试与作品和课外资源学习四个方面进行了细分和聚类．构建了基于电子书包的个性化学习评价模型。在评价结果上,依据柯氏四级评估模式和布鲁姆教学目标分类理论设计了基于教育大数据的个性化评价层次塔,该层次塔包括学习成效、概念转变、学习迁移和学习力四个层级。最后,结合教育大数据、教育云服务、个性化评价模型和评价层次塔,设计了个性化学习评价系统模型,包括信息采集模块、数据分析与处理模块、个性化评价模块和可视化反馈模块,并通过云管理层实现对教育云服务平台、云存储池和云集群计算平台的调控和管理,以期为后面开展个性化评价系统的设计与开发提供有益的指导。     

基于数据分析的大学英语测试研究

大学英语测试是检验学生语言知识和应用技能水平的一种常规手段,也是对教师教学效果的直观反馈,测试结果对教学质量的提升和教学方法的改革具有十分重要的推动作用。传统的语言测试以笔试为主,测试设计缺乏灵活性和针对性,无法全面体现学生的英语学习情况。在互联网技术的推动下,融合网络媒介的大学英语测试变得更加灵活多样,开发具有针对性、合理性的测试方法能够有效提高测试效率,更好地为教学服务。     

基于MOOCs大数据的学习分析和教育测量介绍

大规模在线开放课程区别于传统的远程教育和网络公开课,是基于课程与教学论以及网络和移动通讯技术发展起来的新兴在线课程形式.这类新型在线课程重在教学设计和研究,运用了丰富的教学模式,并采集网络大数据进行学习分析,以提高教学质量、完善网络课程系统.本文从大数据的定义和分析方法、学习分析和教育测量新思路、以及问题与挑战的角度对此进行介绍和探讨.本文认为对网络课程大数据的分析和研究将大大推动教育测量和学习分析的发展,促进教育质量的提升,但面临的挑战和困难也不容忽视.     

基于大数据标签与机器学习的车牌识别算法

为了提高机器学习算法对实际场景中车牌识别能力,克服天气、车牌种类对识别的干扰,以实际场景拍摄的车牌为识别对象,设计并开发了一种基于大数据标签与机器学习的车牌识别系统。首先,在不同启用场景、不同天气下采集两万帧车牌,涵盖各省市汽车,作为大数据标签和学习基础,建立车牌图像和车牌文字字段的训练集数据库;然后,利用图像降噪、自动阈值分割、形态学处理以及边缘检测,完成车牌定位与分割;随后,通过建立支持向量机与随机森林分类器,对训练集样本进行模型学习,完成机器学习算子,完成针对车牌的最终识别;最后基于Windows系统、C++语言与OpenCV开源学习框架,编码实现算法和系统。经过与对照组的对标测试,所提算法具有更高的车牌识别能力。