基于Android的翻转式课堂教学系统的设计与实现

设计了一款基于Android的翻转式课堂教学系统,系统包括四个主要模块:微课学习、课堂互动、错题本、学情分析。客户端用到了多线程交互、afinal加载图片以及gson解析数据等主要技术;服务端运用了MVC模式,通过Dao类来控制数据的访问。软件适用于Android平板,可以广泛应用于各大中小学的课堂教学中。使学生有更多的自主学习时间,提高学生学习乐趣;老师可以系统、直观地记录每位学生的学习情况和自己教学情况。     

互联网力量撬动教育金矿 国外模式难复制

在国外,互联网碰撞教育已经产生巨大金矿,投资者听到了变革的呼声,胸怀远大的创业者也听到了变革的呼声。但是,当互联网碰撞中国的应试教育,现状并不乐观,而国外的很多模式也很难复制。     

虚拟现实协同创新在线教育

新型冠状病毒疫情迫使在线教育飞速发展,急需虚拟现实技术创建一个高度逼真的学习情境,提高学生的实践和动手能力。这种技术为虚拟教学中的学习者提供了极大的兴趣,使传统的教学过程同时具备资源共享和远程协作的特点。基于VR技术的"面对面"课堂,利用虚拟实验系统在支持多用户在线共同学习的同时,在一定程度上改善了传统教学资源不足的缺点。通过使用虚拟仪器、模拟仪器实现远程实践教学过程,形成知识、学习和实践相结合的新型教育体系。文章结合阅兵式和春晚的VR直播技术,在网络教学、在线教学中的应用,进行了分析研究,对教学效果进行了评估,并总结和探讨了VR教学的优势和劣势及其与传统教学融合发展的问题。     

关于MOOC在高职院校中在线教育的应用与影响

2013年5月,美国著名的在线教育平台edX宣布新增15所高校的在线课程项目,包括中国清华大学、北京大学等6所亚洲名校,紧接着,2013年7月8日,中国的另外两所大学上海交通大学和复旦大学加入美国的另外一个幕课平台Coursera。感觉在一夜之间,MOOC成了我国很多高校不得不研究和面对的新事物。那么,作为高职院校,面对来势汹汹的"幕课"对于在线教育将如何应用?又将如何推广?     

面向在线教育领域的大数据研究及应用

随着互联网和视频通信技术的发展,在线教育如火如荼地展开,在线教育平台产生的数据日益增多.面向在线教育领域的大数据研究及应用对于在线教育的高效性至关重要.首先明确了在线教育平台上大数据的基本概念、分类及特点,其次介绍教育数据挖掘、学习分析和知识图谱等有关技术,然后构建面向在线教育领域的大数据模型,最后按照服务对象的分类重点描述有关大数据的功能,勾勒出未来在线教育平台上大数据应用的基本轮廓,为之后在线教育领域大数据的研发起到指导性作用.     

在线教育游戏的研究

近年来,电脑游戏在青少年计算机应用中所占比例逐年提高,成为青少年主要娱乐方式之一,并深刻影响着青少年的学习、生活和认知方式。本文提出,电脑游戏除了单纯的娱乐作用,应用于教育方面也有一定的潜力。在线教育游戏在其自主学习、综合学习等方面都能起到良好的辅助作用,充分发挥自身教育功能并提高学生学习的主体性。     

东风渐属新桃李:写在清华大学“学堂在线”MOOC平台发布一周年之际

<正>自2013年10月10日"学堂在线"中文MOOC平台正式面向全球发布以来,在短短的1年时间里,来自清华大学、北京大学、复旦大学、西安交通大学、中国科技大学、北京理工大学、台湾新竹交通大学、台湾新竹清华大学等高校的69门优质MOOC课程已通过"学堂在线"面向全球推出,课程涵盖信息技术、数理化、经济金融、艺术、人文、体育等多个领域,选课人次超过57万。同时,清华大学正在     

视频交互技术在在线教育中的应用与实现

当前,在线教育大多数只是单纯的播放视频,存在互动性的缺失问题,导致教学效果并不理想。论文研究丰富在线视频的交互形式来提高学习者的学习体验,实现了丰富交互功能的视频播放器以及交互数据可视化前端平台,打破传统的在线教育枯燥乏味的视频播放形式,为在线教育视频提供一个新的发展方向。     

倒闭已成必然?学霸君

2020年,是在线教育行业喜忧参半的一年。由于受到疫情的影响,在线教育行业获得了前所未有的发展机会,但同时也暴露出了许多隐藏的问题:获客成本过高和内容审核不过关等。如今,《学霸君》面临破产的消息更是为所有拍照搜题类工具APP敲响了警钟。近日,学霸君创始人兼CEO张凯磊在“朋友圈”更新了一封名为《写给学霸君所有亏欠的人》的公开信。信中表示学霸君已经失去了最后的潜在投资者,但“学霸君绝不跑路”“问题不解决不宣布破产”。至此,曾经估值超10亿美元的学霸君现在不得不面临即将破产的惨况。     

在线教育平台中个性化学习资源推荐系统设计

为了通过充分挖掘和分析用户的学习行为规律及认知特点,借助互联网和人工智能技术提升个性化教育的深度和广度,设计了一个包含用户画像的个性化学习资源推荐系统。该系统由数据层、数据分析层和推荐计算层构成。数据层由用户数据以及包含知识资料、学习资料和标签集的资源库组成;数据分析层融合了以基础信息、学习行为等为代表的静态数据和动态数据,据此为用户生成个性化画像、提供直观形象的学习反馈;推荐计算层则通过相似性分析和聚类算法发现用户的学习行为规律,使用TF-IDF方法挖掘用户的资源偏好,并据此给出个性化的学习建议。该系统已应用于一个以人工智能类课程为主的在线教育平台,为师生提供个性化画像、学习反馈与资料推荐的服务,当前处于第二个学期的试用阶段。