基于SPOC的混合式学习评价指标体系的构建

分析程序设计课程学习环境的发展历程和基于SPOC的混合式学习环境下学习评价的特点,对网络环境中学习行为的数据流进行分类,并整合到评价量规中,提出一个混合式学习环境下的学习评价体系模型,具体阐述该模型中评价量规的两个维度,为在线学习环境下的学习评价以及自适应的智能化学习平台设计提供建议。     

基于加涅认知学习理论SPOC教学平台研究与应用

针对SPOC现有教学学习氛围孤单、时间规划笼统等弊端,提出了基于加涅认知学习理论的移动端SPOC教学平台设计方法。通过设置激励、学习情报和课程通告等功能,不断刺激与引导学习者,使学生不受时间和地点限制,更高效地激发学习者学习兴趣,增强学习动机。并通过教学实践证明了平台效果。     

基于大数据的高职学生学习行为及效果分析

大数据技术的迅猛发展正在影响社会的各个领域,其在教育中的应用已取得了很大的进展。在教育大数据深入发展的背景下,基于蓝墨云班课平台中的高职学生学习行为日志数据,对学生的资源浏览情况、参与活动情况、作业测试成绩等相关的数据进行收集、预处理和展示。在此基础上,采用大数据学习分析得到了学生学习行为与学习效果的关系,以期为教育教学工作者提供教学内容组织、构建教学模式的依据。     

基于在线学习行为分析的个性化学习推荐

随着在线课程和线上学习的普及,大量的在线学习行为数据被积累。如何利用数据挖掘技术分析积累的大数据,从而为教学决策和学习优化提供服务,已经成为新的研究重点。文中分析了在线学习的行为特征,挖掘学习者的性格特征与学习效率的关系,实现个性化学习方法推荐。首先,提取在线学习行为特征,并提出了一种基于BP神经网络的学习成绩预测方法,通过分析在线学习行为特征,预测其相应的线下学习成绩;其次,为了进一步分析学习者的在线学习行为与成绩的关系,提出了基于实际熵的在线学习行为规律性分析,通过分析学习者的在线学习行为,定义并计算相应的实际熵值来评估个体的学习行为规律性,从而分析规律性与最终成绩的关系;再次,基于Felder-Silverman性格分类法获得学习者的性格特征,对学习者实现基于K-means的聚类分析获得相似学习者的类别,将学习成绩较优的学习者的在线学习习惯推荐给同一类别的其他学习者,从而提高学习者的在线学习效率;最终,以某在线课程平台的实际数据为实验对象,分别实现在线学习行为特征提取、线下成绩预测、学习规律性分析和个性化学习推荐,从而验证了所提方法的有效性和应用价值。     

面向计算思维能力培养的SPOC混合学习模式 设计与实践

分析计算思维能力的构成,探讨SPOC混合学习对计算思维能力的支撑,以数值计算课程为例阐述SPOC混合学习的整体设计方法和过程,通过SPOC混合学习效果的分析,说明该教学模式对学生计算思维能力培养有明显的帮助。     

基于深度学习的IPTV视频用户行为分析方法研究

IPTV视频业务的复杂性和多样性使其难以充分发挥运营商技术优势。借助深度神经网络DNN模型对IPTV视频用户进行用户行为分析。利用深度学习算法对用户点播视频活跃度实施精确分类,从而帮助IPTV服务提供商合理配置资源,同时为终端用户提供更高效优质的服务。实验结果表明,与现有的方法相比,该方法收敛快,分类准确率达93%。     

基于网络教学资源平台的个性化自主学习研究

在分析国内外关于个性化自主学习研究的基础上,总结个性化自主学习的特征,提出基于网络教学资源平台的学生个性化自主学习方法框架,介绍实现基于网络教学资源平台的个性化自主学习的关键技术,提出利用搜索引擎、Web Service、个性化定制等技术整合校园分散的网络教学资源,设计开发学生个性化自主学习的门户,即通过在该门户上集中学生感兴趣的、专业对口的相关教学资源,创造一个没有教师监督,却能正确引导学生学习,并能对学习进度和效果进行有效评估的个性化自主学习环境。     

优化学生的学习行为

学生进行认知学习的行为方式非常之多，如静思冥想、专注听讲、查阅材料、询问辩论、合作探究、实验操作等。不同的学习内容、学习环境以及学生的性格、年龄等都会影响学习行为，进而产生不同的学习效益。在信息技术课程中，要根据学生的学习行为方式改革教学方法、教学过程，如故事教学、虚拟教学、自主探究、合作学习等。     

基于SPOC的混合学习模式在高职专业基础课中的改革与实践

结合SPOC资源的特点和高职院校教学改革实际需求,提出基于SPOC的混合学习模式,以电工电子技术课程为例设计应用案例,从SPOC课程设计思路、知识点碎片化的SPOC学习内容构建和混合式SPOC课程教学评价体系3方面介绍实施方法,为高职院校深入建设和应用SPOC提供借鉴。     

基于深度学习的视频行为识别技术综述

行为识别（action recognition,AR）是计算机视觉领域的研究热点,在安防监控、自动驾驶、生产安全等领域具有广泛的应用前景。首先,对行为识别的内涵与外延进行了剖析,提出了面临的技术挑战问题。其次,从时间特征提取、高效率优化和长期特征捕获三个角度分析比较了行为识别的工作原理。对近十年43种基准AR方法在UCF101、HMDB51、Something-Something和Kinetics400数据集上的性能表征进行比对,有助于针对不同应用场景选择适合的AR模型。最后指明了行为识别领域的未来发展方向,研究成果可为视频特征提取和视觉内容理解提供理论参考和技术支撑。     

基于聚类技术的网络学习行为数据分析研究

在“互联网+”时代,网络学习已经成为学校教育教学的重要组成部分。文章选取某高职院校《计算机应用基 础》网络课程为分析对象,运用聚类技术对高职院校学生在线学习行为进行数据分析,建立学生特征分类模型,为教师优化教 学提供决策参考、为学生推送学习建议,以提高网络教学的效果。     

基于MOOC数据的学习行为分析与预测

随着近2年慕课(massive open online course, MOOC)的兴起,教育大数据分析正成为一个新兴的研究方向.2013年秋,北京大学在Coursera上开设了6门慕课.通过分析挖掘约8万多人次参与这6门课的海量学习行为数据,力图展现慕课学习活动多个侧面的风貌.同时,首次针对中文慕课中学习行为的特点,将学习者分类,以更加深入地考察学习行为与学习效果之间的关系.在此基础上,通过选择学习者的若干典型行为特征,对他们最后的学习成果进行预测的工作也尚属首次.数据表明：基于学习行为的特征分析能有效地判别一个学习者能否成功完成学习任务获得通过证书,并能找出潜在的认真学习者,这为今后更加精准的慕课教学测评提供了一种依据.     

基于SPO C 的数据挖掘课程混合式教学模式研究

According to the characteristics of data mining course, this paper proposes to apply hybrid teaching mode to the teaching of this course based on SPOC. The use of SPOC platform can improve the teaching quality of teachers through online and offline teaching, fully mobilize students' interest in learning, and improve the learning effect.     

基于时空数据的驻留行为特征可视分析

随着智慧城市的快速发展,大量商业场所每天会产生海量的驻留行为数据,然而传统驻留行为数据分析方法难以克服数据稀疏性问题,并且对于时空伴随关系的发现准确度也较低。根据驻留行为数据特征和可视分析任务,设计一种交互式的可视分析系统。对原始数据进行处理,提取相关的时空特征并发现用户伴随关系。使用改进的可变滑动窗口算法,并结合可视分析技术,设计用户关系图、时间甘特图、多变量表达的示意性地图、径向条形图、日历热力图等多种视图,实现对驻留场所的流量分布、用户来源等特征的多时段可视分析。应用两个真实数据集进行案例分析,并对发现的行为模式及对应现象进行解释说明,证明了该系统的可用性和拓展性,并表明其可实现团体出行特征和场所流量分析等系统级应用,为相关经营性商业场所提供合理化建议及辅助决策支持。     

基于开放E-Learning平台的学生行为分析中心

基于开放的E-Learning平台,构建了一个学习行为分析和监控系统。通过对学习历史数据的处理,对学生学习状态进行分析,对学习模式进行挖掘,并且提供友好的可视化界面,以帮助教师分析学生学习模式和有效调整教学计划。     

基于E-leaming的高校学习资源管理系统解决方案

基于E-leaming环境的高校教育平台可满足学生共享高等教育资源以及专业人才的继续教育问题。在对E-leaming在高等教育中的应用进行了深入研究后给出了其原型系统的解决方案。     

基于用户行为分析的搜索引擎研究

如何提高搜索引擎的效率,把用户从无序的搜索结果中解放出来,是当前研究的一个热门方向。本文通过对现有自动分类搜索引擎的分析,提出了通过使用加权贝叶斯算法来分析用户行为,达到提高搜索效率的目的,并通过实例介绍了它的实现方法。     

基于序列聚类的事件流数据特征分析

事件流是近年来兴起的一种对实时进入系统的海量数据进行分析查询的应用,而数据特征是评价系统所需要的负载模型的重要部分。以网络安全监控为背景,提出一种将事件流聚集成时间序列并进行相似性聚类来分析数据特征的方法。通过适当的粒度聚合,将事件流转化成时间序列,选取周期性的时间序列作为代表消除随机干扰,给出基于序列线性相似性的聚类算法。聚类试验表明,具有相似时间特征的事件流可以被有效地聚集到同一类中。