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。     

基于学生行为的大数据分析

伴随着当前校园信息化建设的不断发展,校园大数据逐渐受到更多的关注,将大数据与教育资源有机结合是当今时代实现智慧校园建设的全新思路.利用智慧校园平台大数据对学生行为分析,可在教学内容、方法、教师理念等多方面进一步强化.本文基于学生行为大数据,构建学生学习分析模型,对学生的学习行为以及习惯深入探索,并提出针对性优化措施,以期进一步推动学生积极学习,促进学生学习质量有效提高.     

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.     

大学生上网行为管理研究及对策

网络给大学生学习和生活提供了便捷的交流平台,但它是一把"双刃剑",也导致很多学生痴迷于网络.网络中的不良信息除对社会造成影响外,也对学生的生理、心理、行为等方面产生影响.本文通过对大学生上网行为问题研究,提出解决大学生上网行为问题的软硬策略,使上网行为管理得以完善.     

大数据在教育行为变革中的应用研究

教育行为变革牵涉到学生学习、教师教学、教育管理等行为变革。其目的在于提高学生学习效率和学校教学、 管理质量。教学变革与教育管理变革往往基于学生学习行为基础数据。随着信息技术的发展,利用大数据技术对学生学习行 为、教师教学反馈评价、教育管理等领域产生的海量数据进行有效获取、提炼、加工并以有效视图显示给教师及教育教学管理 者,为教育行为变革提供有效数据,从而确保教育教学及管理变革起点正确。     

基于大数据的高校学生在线学习画像研究

以四川省某高校的网络教学平台为研究对象,对该平台的学生在线学习数据进行学习行为画像。采用python、dycharts、图表秀,对不同任务点(视频)学习情况下学生章节测验平均分、不同作业平均分下学生的章节测验平均分、不同网络测评成绩下学生网络学习状况进行了画像。画像结果能直观看出任课老师对于课程设置的情况、学生学习的各项基本情况、各学院对于学生学习管理的长处和短处,从而更有针对性地进行改善和提高。     

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。     

面向长短期混合数据的MOOC辍学预测策略研究

针对MOOC中学生行为数据的长短期混合特性,为解决辍学预测中的动态类别不平衡问题,提出一种基于深度学习的辍学预测策略。首先建立以天为时间步长、周为学习周期的新型学生行为时间序列,以捕捉每一时间步长下时间序列数据的短期依赖关系和相邻学习周期之间的长期模式和趋势。然后结合辍学定义的两种不同表达揭示MOOC辍学预测的动态类别不平衡现象。接着引入基于代价敏感的长短期时间序列深度学习模型,以实现对高辍学风险学生的精准预测。最后在KDD Cup 2015数据集上的实验证明,所提策略能够有效帮助MOOC课程教师和教学管理者追踪课程学生在不同时间步长的学习状态,从而动态监控不同学习阶段的辍学行为。     

基于LSA的在线学习行为序列演变分析

本研究针对在线环境下教与学时空分离,致使在线学习过程不易掌握的问题,分析了不同阶段的学习行为变化,阐释了优秀群体与中等群体间的差异化行为模式,展示在线学习过程全景,以期为掌握在线教学规律、优化教学策略、提升教学效率等提供依据.     

高职学生网络社交行为与学习投入相关分析

以海南软件职业技术学院学生为例,依据95后高职学生网络社交的现状、学习投入现状的调查结果,结合其网络社交和学习投入的特点,通过回归分析来探索95后高职学生网络社交行为与学习投入之间的关系,对高职学生学习投入优化及网络行为的规范都具有积极的引导意义.     

建立民主和谐的课堂师生关系——以“画笔工具的使用”一课为例

义务教育阶段中,新课标课堂教学所追求的目标是激发学生的学习兴趣和提高学生创新的积极性.在符合新课标理念的课堂中,不同的教学方法适用于不同的学习内容,不同年龄层次和不同学习程度的学生也不能用同样的教学方法,只有经过多种方式的探索,才能找出最适合自己学生的教学方法.本文借助对初一学生进行图像处理软件教学过程的设计,阐述课堂设计中落实新课标理念,从中体会注重学生个体思想的发展、让学生感受快乐学习、注重师生关系等方面的呈现.     

线上体育课堂在线人数的智能评估方法

由于线上教学时,学生与教师无法面对面交流,给教师监察学生行为与课堂表现造成极大不便,为此研究线上体育课堂在线人数智能评估方法.使用量化分析法采集在线人数学习行为相关信息数据,获得学习行为信息数据集;构建线上课堂在线人数信息处理系统,并利用可视化与平行坐标方法将学习行为数据进行分段评估处理,实现各段学习行为的准确评估.实...     

基于Web日志挖掘的网上学习行为研究

网络教育要想为学习者提供个性化的指导和服务,必须注重教学过程跟踪,注意对学生学习行为的分析.Web服务器日志中记录了访问者的所有信息,通过数据挖掘的方法可以获得需要的有用知识,并由此得到用户的访问模式.文中使用Web日志挖掘的方法分析学生的网上学习行为,通过数据过滤、用户辨别和会话辨别,采用模糊集和粗糙集的方法获得访问用户的聚类和分类等有用信息.实验证明,通过Web日志挖掘的方法,可以更好地了解学生的学习偏好,提高教学服务质量.     

多角度唤醒学生学习热情

人的行为是由人的思想、心态来决定的.积极的心态是一种潜在的素质,是克服困难、推动学生学习活动的内在动力.小学生由于实践经验、生活阅历以及知识储备等局限,学习信息技术时总存在这样或那样的困难.信息技术教师若能结合教学实际,使学生在信息技术学习方面树立良好的积极心态,将收到事半功倍的教学效果.     

基于"文化理解"的美术地方课程资源的开发与实践——以《富阳祠堂建筑》教学案例研究为例

基于"文化理解"素养,我们深入实地,实现"富阳祠堂建筑"美术课程资源的转换;全面探究,促成"富阳祠堂建筑"与多学习领域相结合.并通过不同学习领域的教学实践引发思考、沉淀想法,包括:注重创造发现,避免机械模仿;学生对作品的理解胜于作品的本身;从行为上带动学生进行收集、制作和创造;培养学生正确的审美观.     

通过网络开展自主学习的尝试

新课程改革强调在教学过程中发挥学生的主体作用,改变学生学习方式,通过自主、合作和探究式学习来提高学生学习兴趣和培养学生的创新能力.如何把课改的精神、理念转化为具体的课堂教学行为,这是当前中小学教师共同面临的新任务和挑战.     

K12学习平台个性化学习资源推荐

随着在线学习平台的普及, 产生了大量学习行为数据, 如何利用大数据挖掘技术分析在线学习行为, 解决学习者经常面临的“资源过载”和“学习迷航”问题, 更好地实现教学决策、学习过程优化和个性化学习方法推荐等, 已经成为研究重点. 文章基于苏州线上教育中心的学习行为数据, 研究了常用的推荐系统模型, 结合该平台的数据特点, 提出了一种基于知识图谱的协同过滤推荐算法, 利用该算法, 平台推荐的资源准确率超过了90%, 有效解决了学生“学习迷航”的问题.     

浅谈信息技术在班主任工作中的运用

班主任管的事情多如牛毛,要管学生的生活、学习、行为、情感等各个方面,在当今社会,仅靠传统的班级管理方式已经不能满足需要,而利用现代技术加强班级管理,可以实现班级量化管理、与学生以及家长进行有效沟通.因此现在很多班主任老师顺应时代的需要,不断学习,充分利用博客、QQ群、飞信等现代信息技术更好地完善班级管理工作.     

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。