大数据背景下基于K-means聚类算法的在线学习行为路径分析与研究

本文主要就K-means聚类算法特点,研究其在线学习行为路径中的应用方法,即通过对学生在线学习行为路径采集数据做聚类分析,获取学生在线学习的行为路径,创建学生在线学习行为模型与行为分析平台,并以学生在线学习行为模式作为数据来源,分析学生在线学习行为特点,总结在线学习行为规律,为混合式教学提供更好的数据指导,达到更好的教学效果。     

网络教学环境下学生学习行为分析

本文针对在线教学平台的实际使用情况进行研究,通过查阅国内外网络学习行为的相关文献,明确网络学习行为的概念、网络学习行为模型构建的方法和技术。以徐州工程学院教学平台《计算机组成原理》为例,搜集网络学习环境下学习者学习过程中的各种学习行为数据,通过实证研究展示大学生网络学习的真实情况,从中发现大学生网络学习行为存在的问题,并针对这些问题提出相应的对策建议。     

基于MOOC的学习者学习效果评价模型的研究

自新冠疫情以来,基于MOOC的在线学习已成为高校广为采用的教学模式。在该教学模式下,教学过程中产生了大量的学生学习行为数据,依托算法对数据进行分析,从而产生的学习者学习效果评价已取得了一定的进展。然而,已有的研究中,学者主要基于MOOC的某一项或某几项学习行为进行分析,因此产生的学习效果评价具有一定的片面性。针对这个问题,首先综合分析了MOOC产生的所有学习行为数据,并为不同的学习行为设置权重,最终形成基于MOOC的学习效果评价模型;其次,基于提出的评价模型,结合教学过程中产生的主客观数据,通过算法对数据分析,对学习者产生个性化、过程性评价及建议,从而实现因材施教。     

基于随机森林的在线教学评估方法研究

面对各教育机构停工停课不停学的现状,在线直播教学、互动答疑,并对学生远程进行阶段性学习效果评估已成为现阶段函待解决的问题.论文根据学校在线教学模式、基于雨课堂、腾讯课堂、腾讯会议等多种具有代表性的远程在线教学APP,使用决策树分类的数据分析在线教学的受教育者学习行为并实现基于上述行为的评估方法,从了解入手,继而保障与提...     

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。     

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。     

基于网络学习平台的学习行为监控研究

本文在对网络学习行为信息的采集分析的基础上,提出了学习者群体及个体网络学习行为的实时监控的方法并进行实践,以期对网络教育教学提供必要依据。     

基于学习行为序列的在线学习研究

为了深入分析线上学习行为与学习成绩的关联性,利用工具SPSS20.0,对268名同学的SPOC和MOOC平台中的在线学习数据进行挖掘。首先通过单变量分析法分析四类在线学习行为与学习成绩的显著性,在此基础上,采用聚类分析对学习行为进行序列转换分析,探讨不同行为序列学习者的学习效果差异性,以优化学习者在线学习行为的有效路径。不仅帮助学习者转换学习路径,及时调整学习行为和反思错题原因,提高在线学习效率,也帮助教师和管理者了解学生的学习行为特点,对在线学习的个性化路径构建有借鉴意义。     

基于隐马尔可夫模型的学习行为评估

在网络教学过程中,为了强化学生对知识的灵活运用,教师通常会引入虚拟实验实训、在线测试之类的系统对学生进行知识训练。以数据库课程SQL在线测试系统为例,为了发现抄袭和异常的学习行为,引入隐马尔可夫模型,对正常的学习行为进行建模,并使用滑动窗口技术解决学习序列长度不一而影响输出概率的问题。实验结果表明,评估模型对抄袭和异常学习行为的识别率比普通方法高,准确率达到93%。     

基于大数据分析的在线课程学习行为数据标准设计

在线课程作为在线教育的一种形式，在我国高校已经得到了广泛应用，它具有开放性、交互性和个性化等特点，给学生提供了更加广阔的学习空间。在线课程的搭建需要借助大数据技术进行辅助支持，以实现对用户信息和教学过程的有效管理。这就要求教师在使用线上资源时必须具备一定的数据分析能力和处理手段，收集并分析学生学习行为数据，建立适合学生特点的个性化教学模式。本文从个体学习者视角研究在线课程的设计与评价问题，通过分析在线课程设计过程中涉及的学习资源、学习活动和学习效果等要素及其相互关系，构建完整的在线课程设计框架体系。     

学习分析技术支持的在线深度学习的模型构建

本文将深度学习与学习分析相结合,从评价学习层次、教师深度教学能力、反思且主动地学习、学习内容的适切性四个方面阐释了学习分析对在线深度学习的影响,并在分析在线学习行为和学习分析过程的基础上,构建了学习分析技术支持的在线深度学习的模型,试图促进学习分析与在线学习融合模式的深入讨论。     

基于学习行为分析的在线课堂管理模式构建与应用研究

随着信息化教学建设,线上教学得到广泛推广,同时也推进了“三教”改革。线上教学与传统线下教学相比,对于课堂的管理更加困难。提出了基于学习行为分析,对在线课堂进行智慧型管理的思路,依托学习通平台进行学生学习数据的收集和处理,把控课堂管理、督查学生学习行为。     

多目标优化视角下在线学习群体形成方法

形成既能满足教师教学实施需求,又能得到学习者认可的在线学习群体是影响在线协作学习效率的重要因素.多目标粒子群算法和遗传算法应用于在线学习群体形成领域是目前的研究热点.然而,利用多目标粒子群算法解决在线学习群体形成问题时存在多样性差,容易陷入局部最优等问题;运用遗传算法解决在线学习群体形成问题时,则需要以耗费大量时间为代...     

语义增强的在线学习行为预测研究

当前学习者的在线学习行为预测研究未充分利用短文本中的语义数据,导致对学习者的学习状态刻画不够全面,严重影响了行为预测的准确性.针对此问题,本文提出了语义增强的在线学习行为预测方法.首先,利用双向长短时记忆网络得到到短文本的语义向量表示;其次,基于学习者的统计、行为和短文本数据得到学习者的特征表征,并利用长短时记忆网络模型构建其学习状态表征;最后,利用学习状态表征预测学习者的学习行为.在11门真实在线课程数据集上的实验表明,本文方法能过有效提升在线学习行为预测的精确度.     

基于SPOC视频学习数据的学习行为特征分析方法

在基于小规模限制性在线课程(Small Private Online Course,SPOC)平台的学习过程中,教育数据为学习分析提供了依据。为了帮助教师改进教学策略,帮助学生改进学习效果,本文提出了一种综合考虑学生分类和视频学习时间的学习行为分析方法,旨在发现学生潜在的学习现象,并根据该现象对不同类型学生的学习行为之间的相似性和差异性进行分析和总结,发现不同类型学生的学习习惯以及影响学生学习效果的时间因素。通过案例分析表明,该方法可以为教师教学和学生学习提供反馈,辅助学生的自我调节学习和教师的个性化教学。     

数据分析视角下高职学生在线学习行为案例研究

针对高职学生在线学习行为研究不足的问题,利用Excel、SPSS软件对广东省某高职学校《计算机应用基础》课程学生在线学习情况进行统计和分析,并探索在线学习行为与学习效果之间的内在联系。研究结果表明:不同性别、专业背景的高职学生在线学习行为方面有所差异;高职学生学习行为与学习效果之间存在不同程度的相关性。并对提升高职课程教学质量提出建议。     

LFKT:学习与遗忘融合的深度知识追踪模型

知识追踪任务旨在根据学生历史学习行为实时追踪学生知识水平变化,并且预测学生在未来学习表现.在学生学习过程中,学习行为与遗忘行为相互交织,学生的遗忘行为对知识追踪影响很大.为了准确建模知识追踪中学习与遗忘行为,本文提出了一个兼顾学习与遗忘行为的深度知识追踪模型LFKT.LFKT模型综合考虑了四个影响知识遗忘因素,包括学生重复学习知识点的间隔时间、重复学习知识点的次数、顺序学习间隔时间以及学生对于知识点的掌握程度.结合遗忘因素,LFKT采用深度神经网络,利用学生答题结果作为知识追踪过程中知识掌握程度的间接反馈,建模融合学习与遗忘行为的知识追踪模型.通过在真实在线教育数据集上的实验,与当前知识追踪模型相比,LFKT可以更好地追踪学生知识掌握状态,并具有较好的预测性能.     

图灵机的行为学习*

图灵机计算时读写头在带子上的活动,包括移动及改写字符，称为圈灵机的行为．本文证明，图灵机的行为是可学习的．即存在一个学习过程，它能根据一个图灵机的行为序列，学到另一个也能产生同样行为序列的图灵机．     

基于数据挖掘技术的在线学习行为研究综述

随着互联网 教育技术的快速发展,慕课已成为当下最新、最潮的学习形式。由于在线学习平台积累了大量学习行为数据,传统统计分析方法已无法满足应用需求,使得数据挖掘技术被引入在线学习行为的研究,从而涌现出大量的研究成果。为了深入分析在线学习行为研究中数据挖掘技术的整体应用情况,本文首先从国内外公认的Web of Science数据库收集2008年至2017年3月相关文献进行了统计和可视化分析;然后介绍了利用数据挖掘技术进行在线学习行为研究的一般流程;接着将数据挖掘技术在在线学习行为研究中的应用总结归纳为五类,并详细介绍了相关研究成果及代表文献;最后总结全文,并讨论了未来可能的研究方向。     

一种灵活的网络学习行为数据采集与分析系统

网络学习正在日益兴起,在多样化的教与学过程中充分利用网络上日益丰富的学习资源,满足不同层次求学者的需要。对网络学习中学习者的各项学习行为进行分析,从中找出学习者群体的特征和个体的特点,从而帮助教育者促进网络教与学的建设是目前迫切学要解决的问题。本文结合当前主流的学习行为数据采集和分析的方法的优点和不足,提出了一种基于数...