CN106408475B - 一种在线课程适用性评价方法 - Google Patents
一种在线课程适用性评价方法 Download PDFInfo
- Publication number
- CN106408475B CN106408475B CN201610874211.7A CN201610874211A CN106408475B CN 106408475 B CN106408475 B CN 106408475B CN 201610874211 A CN201610874211 A CN 201610874211A CN 106408475 B CN106408475 B CN 106408475B
- Authority
- CN
- China
- Prior art keywords
- learning
- course
- learner
- evaluation
- style
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000013016 learning Effects 0.000 claims abstract description 190
- 238000011156 evaluation Methods 0.000 claims description 54
- 230000006399 behavior Effects 0.000 claims description 35
- 230000000694 effects Effects 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 7
- 230000008450 motivation Effects 0.000 claims description 7
- 230000007935 neutral effect Effects 0.000 claims description 7
- 238000013210 evaluation model Methods 0.000 claims description 6
- 238000013100 final test Methods 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 230000003455 independent Effects 0.000 claims description 2
- 101710179738 6,7-dimethyl-8-ribityllumazine synthase 1 Proteins 0.000 claims 4
- 101710186608 Lipoyl synthase 1 Proteins 0.000 claims 4
- 101710137584 Lipoyl synthase 1, chloroplastic Proteins 0.000 claims 4
- 101710090391 Lipoyl synthase 1, mitochondrial Proteins 0.000 claims 4
- 101710179734 6,7-dimethyl-8-ribityllumazine synthase 2 Proteins 0.000 claims 2
- 101710186609 Lipoyl synthase 2 Proteins 0.000 claims 2
- 101710122908 Lipoyl synthase 2, chloroplastic Proteins 0.000 claims 2
- 101710101072 Lipoyl synthase 2, mitochondrial Proteins 0.000 claims 2
- 230000001939 inductive effect Effects 0.000 claims 2
- 230000000007 visual effect Effects 0.000 claims 2
- 238000007619 statistical method Methods 0.000 abstract description 11
- 238000002474 experimental method Methods 0.000 description 26
- 238000011160 research Methods 0.000 description 15
- 230000008901 benefit Effects 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013401 experimental design Methods 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000009329 sexual behaviour Effects 0.000 description 3
- 238000003556 assay Methods 0.000 description 2
- 230000035045 associative learning Effects 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007786 learning performance Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000001543 one-way ANOVA Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 201000004409 schistosomiasis Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种在线课程适用性评价方法,属于智能推荐技术领域。所述方法在统计分析学习者个人学习特点、在线课程教学策略的基础上,通过对大量学习者的个人学习特点和对在线课程的学习效果进行统计计算,建立学习者个人特点与学习效果之间的关联模型,然后采用所述关联模型对学习者在待选课程中的学习效果进行预测,根据预测结果帮助学习者挑选出最适合的课程进行学习,即挑选预测结果最佳的课程进行学习。通过所述方法,可以使学习者从大量的课程资源中更容易地找到适合于个人特点的课程,使其学习效果得到提升。另外,所述方法可以帮助学习者更好地了解所选课程在教学风格等方面的细节,从而在学习中能够有效地克服自身的弱点。
Description
技术领域
本发明属于智能推荐技术领域,具体涉及一种在线课程适用性评价方法。
背景技术
随着信息技术的发展,越来越多针对个人学习的个性化学习***和课程得到了开发。在线学习在不同阶段的学校教育以及各类成人教育的教学过程中逐渐发挥出了重要的作用。涉及各个学科的在线学习资源,甚至是同一科目的在线课程资源大量地出现在网络上,虽然大量的学习资源为学习者提供了更多的选择,但这也使得学习者在如何选择适合于自己的在线课程方面出现了新的困惑。
为了提升在线课程的学习效果,世界各地的研究者开展了大量的研究。其中最主要的方面是如何提升教学资源的质量,例如在课件中加入大量多媒体元素可以更生动的表现教学内容从而降低学习难度并提升学习者的兴趣。另一个研究热点是增加教学间的互动与引导,例如许多学者采用不同的评价方法来评价各种影响因素和学习效果,进而对教学资源进行有针对性的改进。另外,人工智能和数据挖掘技术的应用也可以帮助教育者获得更有针对性的教学数据,从而为提升学习效果提供新的新途径。
尽管提升在线学习效果已经得到了越来越多的重视,但是辅助学习者从众多的在线课程中选择合适课程的方法却鲜有报道。随着在线学习的发展,越来越多的教育机构和教育工作者致力于开发在线课程,使得大量相同主题却具有不同教学风格和教学策略的课程向学习者开放。显然,不是每一门课程都适合于每一个学习者。根据前人的研究,像学习风格、学习动机、学习行为方式和基础知识等学习者特点会显著影响在线学习效果。换句话说,如果课程的教学风格和教学策略与学习者的个人特点相一致,则在线学习效果会得到提升。所以,设计一种可以帮助学习者进行合适课程选择的适用性评价方法是一种提升在线学习效果的有效途径。
OCAA(On-line course applicability assessment,在线课程适用性评价)是基于学习者特点统计分析的在线学习效果预测方法。根据前人的研究,学习风格、学习行为方式和基础知识是影响在线学习效果的重要的可定量因素。
1、学习风格对在线学习效果的影响
学习风格是指学习者个性化的学习方式,包括在进行创造性思维、信息处理、知识记忆和问题解决时所具有的倾向性特点。大量的研究表明当学习者的学习风格与课程教学策略相一致时学习效果将得到提升。根据学习者学习风格所设计的教学内容可以提高学习效率并使学习者具有更好的表现。对学习风格的适当分类可以有效地对学习者进行区分并为其提供有针对性的帮助。
如上所述,对于学习风格不同的学习者,通过选择合适的学习内容可以提升其在线学习的效果。所以,本发明采用学习风格评价方法对学习者的学习风格进行评价,从而获知是否所选择的课程与其学习风格相一致。前人的研究表明,在线学习环境中Felder-Silverman的早期模型在区分不同风格学习者方面的准确性高达71%。另外,与传统学习相比,在线学习具有其独特的性质。例如学习与交流过程基本都是通过视觉和听觉的方式完成,并且学习者的自主学习在整个学习过程中占有主导地位。因此,“视觉&听觉型学习者”的分类更符合在线学习特点,并且“归纳&推理”型的学习在自主学习过程中也会有明显的不同。基于以上分析,本发明中学习风格评价将根据1988年发表的Felder–Silverman风格模型进行设计。
2、学习行为方式对在线学习效果的影响
在线学习对学习者的限制较少,学习者可以根据需求在任何时间和地点进行学习。但是,无约束的学习环境需要学习者有明确的学习动机并要求更高的自律性。自律性的学习要求学习者主动的管理和调节复杂的学习行为。Heikkila和Lonka认为自律型学习者会设置明确的学习目标并制订详细的学习计划,会保持学习的主动性并能很好的执行学习计划。研究表明自律性对于提升学习者的在线学习效果具有重要的作用。根据Hu和Gramling的研究,自律性对提升学习者在线学习过程中的积极性是非常重要的。相反地,拖延会导致在线学习效果的降低并可能引发各种学习问题。根据Pintrich的研究,自律型学习主要包括以下三种学习策略类型:
1)认知学习策略:这一类型可以应用于简单的记忆性学习(例如对单词、表格等的记忆)或者是较复杂的需要理解的知识。
2.自律型策略:自律型策略用于管理、控制学习者自身的认知活动和实践行为。
3.资源管理策略:这一策略应用于学习者管理和控制其所在的环境。
本发明中,采用基于Pintrich评价模型的学习行为方式评价以评估学习者的自律性行为和学习动机。根据这一评价结果,自律性高的学习者可以选择约束较少的在线课程,并且这些学习者可以自主的制定学习计划。而对于自律性较差的学习者,则需要选择有更多指导和详细教学计划的在线课程。
3、基础知识对在线学习效果的影响
基础知识是影响学***可以帮助提升学***基础知识的学习者会对在线学习内容产生不同的认知,从而影响他们的学习效果。基础知识较差的学习者在学习新知识时将面临更大的挑战,他们需要更多的辅助和引导。Thompson和Zamboanga认为学生和教师都可以从基础知识评价中获益,它可以使教师获得更多有用的信息从而能够根据学生的情况有针对性地调整教学策略。所以在学习开始之前进行基础知识评价有助于预测学生的学习表现。同时,基础知识评价可以提供学生在学习课程前的优势与不足等相关细节信息,从而使教师知道在哪些环节需要特别进行关注。
基础知识评价的关键是确定哪些类型的基础知识是需要进行评价的。Dochy将基础知识分为陈述性和过程性知识两种类型。Anderson将陈述性知识解释为“知道是什么”,而过程性知识解释为“知道为什么”。研究发现不同的评价方法适合于不同类型的基础知识。因此,可以采用不同的评价方法对不同类型的基础知识进行评价。本发明将对学习者的陈述性和过程性基础知识分别进行评价。
发明内容
为了克服学习者在如何选择适合于自己的在线课程方面出现的困惑,帮助学习者选择适合自己特点的在线课程,本发明提供一种在线课程适应性评价(OCAA)方法,所述方法能够分析在线课程教学策略与学习者学习特点之间的关联性,进而预测学习者对该课程的学习效果,从而帮助学习者选到适合自己的在线课程。
为实现上述目标,本发明采用以下技术方案:
一种在线课程适应性评价方法,所述方法在统计分析学习者个人学习特点、在线课程教学策略的基础上,通过对大量学习者的个人学习特点和对在线课程的学习效果进行统计计算,建立学习者个人特点与学习效果之间的关联模型,然后采用所述关联模型对学习者在待选课程中的学习效果进行预测,根据预测的结果帮助学习者挑选出最适合的课程进行学习,即挑选预测结果最佳的课程进行学习,从而提升学习效果。
所述学习者个人学习特点包括学习风格、学习行为方式和基础知识。
所述在线课程教学策略包括教学内容、学时、教学计划、学习周期、指导方式、讨论与交流方式、练习与作业方式、考核方式。
采用学习风格评价方法对学习者的学习风格进行评价,从而获知是否所选择的课程与其学习风格相一致。
优选的,根据1988年发表的Felder–Silverman风格模型设计学习风格评价办法。
采用基于Pintrich评价模型的学习行为方式评价以评估学习者的自律性行为和学习动机。根据这一评价结果,自律性高的学习者可以选择约束较少的在线课程,并且这些学习者可以自主的制定学习计划。而对于自律性较差的学习者,则需要选择有更多指导和详细教学计划的在线课程。
采用以Bloom的知识分类方法和Dochy的教育心理维度分类方法为基础的基础知识评价方法,对学习者的陈述性和过程性基础知识分别进行评价。
一种在线课程适用性评价方法,包括以下步骤:
1)测试学习者的个性特点;
2)分析在线课程的教学策略;
3)结合学习者特点、课程教学策略和学习者对课程的学习效果,进行统计分析和计算,建立在线课程适用性评价模型,即OCAA模型;
4)利用OCAA模型,预测具有特定个性特点的学习者对具有不同教学策略的在线课程的学习效果;
5)指导学习者选择预测效果最佳的在线课程作为学习对象。
本发明的优点和有益效果为:本发明所述的在线课程适用性评价方法(OCAA)的理论基础是:在线学习环境中,学生的学习风格、学习行为方式和基础知识均会对学习效果产生影响。当学习者的个人特点与所选课程的教学风格和教学策略相一致时,将会有较好的学习效果。通过对所收集数据的统计分析,OCAA可以预测学习者在相应课程的学习效果,在预测中得分较高的课程将更适合于该学习者。因此,OCAA可以使学习者从大量的课程资源中更容易的找到适合于个人特点的课程,使其学习效果得到提升。另外,OCAA可以帮助学习者更好地了解所选课程在教学风格等方面的细节,从而在学习中能够有效地克服自身的弱点。
具体实施方式
一种在线课程适应性评价方法,在统计分析学习者个人学习特点、在线课程教学策略的基础上,通过对大量学习者的个人学习特点和对在线课程的学习效果进行统计计算,建立学习者个人特点与学习效果之间的关联模型,然后采用所述关联模型对学习者在待选课程中的学习效果进行预测,根据预测的结果帮助学习者挑选出最适合的课程进行学习,即挑选预测结果最佳的课程进行学习,从而提升学习效果。
所述学习者个人学习特点包括学习风格、学习行为方式和基础知识。
所述在线课程教学策略包括教学内容、学时、教学计划、学习周期、指导方式、讨论与交流方式、练习与作业方式、考核方式。
采用学习风格评价方法对学习者的学习风格进行评价,从而获知是否所选择的课程与其学习风格相一致。
优选的,根据1988年发表的Felder–Silverman风格模型设计学习风格评价办法。
采用基于Pintrich评价模型的学习行为方式评价以评估学习者的自律性行为和学习动机。根据这一评价结果,自律性高的学习者可以选择约束较少的在线课程,并且这些学习者可以自主的制定学习计划。而对于自律性较差的学习者,则需要选择有更多指导和详细教学计划的在线课程。
采用以Bloom的知识分类方法和Dochy的教育心理维度分类方法为基础的基础知识评价方法,对学习者的陈述性和过程性基础知识分别进行评价。
所述在线课程适用性评价方法,包括以下步骤:
1)测试学习者的个性特点;
2)分析在线课程的教学策略;
3)结合学习者特点、课程教学策略和学习者对课程的学习效果,进行统计分析和计算,建立在线课程适用性评价模型,即OCAA模型;
4)利用OCAA模型,预测具有特定个性特点的学习者对具有不同教学策略的在线课程的学习效果;
5)指导学习者选择预测效果最佳的在线课程作为学习对象。
实施例
本实施例选择三门教学策略不同的“JAVA语言”课程进行比较实验,从而建立OCAA评价模型并验证其有效性和使用效果。
1、参与者与课程
表1 实验课程的特点与教学风格
参加本实验的人员包括3名教师和186名计算机专业的大学二年级学生(包括女生47人,男生139人)。参加的教师具有网络教学和辅导经验,学生熟悉在线课程学习。实验被分为两个阶段,与此对应学生被随机分为两个组,分别是第一阶段组(S-1,n=91)和第二阶段组(S-2,n=95)。
在开始课程学习之前,每个学生的个人特点都被分别进行了评价。在S-1组,学生可以自由地选择课程进行学习。在这一阶段将研究学生个人特点与学习效果之间的关系。在下一阶段,S-2组的学生在OCAA的指导下进行课程选择并完成课程的学习。
选择三门难度相当但教学策略不同的在线“Java语言编程”课程进行实验。为了建立OCAA模型,需要对每门课程的特点进行评价分析。根据前期的研究数据和专家分析,在实验开始之前对每门课程的教学风格和教学环境都进行了评价和总结(详见表1)。三名老师分别作为每门课程的指导教师在学习过程中给予学生必要的指导。
2、评价要素
2.1在线课程适用性评价
本研究主要致力于揭示学习者个人特点对在线学习效果的影响并建立OCAA模型以帮助学习者从大量的课程资源中更有效地进行在线课程选择。影响在线学习效果的学习者特点主要包括学习风格、学习行为方式和基础知识。这些特点可以通过在开课前进行一系列的问卷调查分析和知识测试获得。上述的每一个特点都会在在线学习过程中对学习效果产生积极或消极的影响。学习者个人特点和学习表现之间的关系可以用于评价和预测在线学习效果。因此,本实验希望通过测试数据和统计分析建立在线课程适用性评价(OCAA)模型。OCAA模型的建立是为了帮助学习者从大量的网络学习资源中选择合适的在线课程进行学习。本实验中OCAA模型的建立包括两个关键环节:(1)根据对S-1组获得的学生特点和分析数据建立学习效果预测模型;(2)根据个人特点应用OCAA模型辅助S-2组进行课程选择。通过OCAA模型,希望使不同特点的学生在在线学习过程中可以得到个性化的辅助和引导从而提升其学习效果。另外,本实验对S-1组和S-2组的学习效果进行比较从而对OCAA的有效性进行验证。为了完成两组的比较,三门课程将采用相似内容与难度的试卷进行课后测试。
2.2学习风格评价
本实验的学习风格评价项目根据1988年发表的Felder–Silverman学习风格模型设计。为了完成这一评价并使其尽量简化,本实验根据Felder的44题问卷设计了一份25题问卷。通过对Felder-Soloman问卷的逐条研究和分析,并从中选出了适合于在线课程和本实验的相应条目。同时,根据在线学习的特点和本实验的目的,我们也自行设计了部分的问题。通过将这些条目进行组合完成了学习风格问卷的设计。在这一问卷中,每个分类分别对应有5个问题。问卷中每一分类都按照5个等级进行评定(如表2所示)。5个等级的结果分别反映学习者在该项学习风格评价中的倾向程度。例如:‘Active+’表示非常倾向于“主动型”风格,‘Active’表示比较倾向于“主动型”风格,但其强度要弱于‘Active+’而比‘Neutral’要强。另外,‘Neutral’表示在某一风格分类中没有明显的倾向性。
表2 学习风格问卷结果的分类和等级
为了表明学习者学习风格与课程特点的匹配程度,根据上述的学生学习风格评价结果和表1中的课程风格进行了相应的计算。本实验中的匹配程度包括整体的学习风格匹配程度(S)和每一分类的学习风格匹配程度(mdLS-1,mdLS-2,mdLS-3,mdLS-4and mdLS-5)。mdLS-x的值被设置在1~5之间。对于一门适合于“主动型”风格的课程,‘Active+’的学习者可以获得5分(mdLS-1=5),‘Active’学习者可以获得4分而‘Reflective+’学习者可以获得1分(mdLS-1=1),以此类推。其它的课程和学习者特点(mdLS-2,mdLS-3,mdLS-4and mdLS-5)采用相同的方法进行计算。S的值(100points)由以下公式计算得到:S=4×(mdLS-1+mdLS-2+mdLS-3+mdLS-4+mdLS-5),它反映学习者的学习风格与课程教学风格的匹配程度。因此,S的值不仅与学习者的学习风格有关,而且与所选择课程的教学风格有关。
2.3学习行为方式评价
学习行为方式评价用来考察学习者的自律能力和学习动机。本部分的研究以Pintrich的自律性学习理论为基础。学习行为方式评价将研究是否学习者的学习行为方式可以有效地促进他们参与在线学习并促进他们的自我约束以提升学习效果。本实验设计了一份包含20个问题的问卷(100分,每题5分)对学生的学习行为方式进行调查。问卷的题目主要涉及学生以往学习中的行为方式以及本次学习的目标等内容。每个问题包含3或5个选项(例如对于问题:你是否对本门课程感兴趣?选项为:很感兴趣、感兴趣、一般、不太感兴趣、不感兴趣)。对于包含5个选项的问题,每个选项对应1~5分的分值,而对于三个选项的问题,每个选项对应1分、3分或5分的分值。通过对每个问题的得分相加可以得到最终的分数(以字母“B”表示)。显然,对于同类课程而言,B的值仅与学习者的特点有关,不会随着课程不同而出现变化。但是对于不同的课程来说,需要不同的学习行为方式与其教学策略相匹配,因此学习行为方式评价将会在课程选择中发挥作用。
2.4基础知识评价
本实验中的基础知识评价用于测试学习者对学习“Java语言编程”课程必要知识的掌握情况。实验采用以Bloom的知识分类方法和Dochy的教育心理维度分类方法为基础的基础知识评价方法,这两种分类方法在教育研究中被广泛采用。根据Hailikari等人的研究,基础知识评价被分为两个部分,包括陈述性知识评价和过程性知识评价。这两种基础知识又被分别细分为两种类型(如表3所示)。
表3 基础知识评价的组成部分及其特点
基于以上的基础知识评价理论,本实验设计了包含25个陈述性知识问题(以“dk”表示,共50分,每题2分)和10个过程性知识问题(以“pk”表示,50分,每题5分)的问卷。陈述性知识测试主要是针对Java语言编程的相关概念,而过程性知识测试主要关注编程方面的实际问题。基础知识评价的结果(以字母“K”表示)则由dk与pk的值相加获得。与学习行为方式的结果类似,K的值也是仅与学习者的个人特点有关。但是不同的课程对于基础知识的要求不同,所以基础知识评价将有助于在线课程的选择,特别是与其它因素一起考虑的时候。因此,学生的基础知识评价成绩将与学习风格和学习行为方式的评价结果一起进行统计分析。
3、实验设计
本实施例中OCAA模型将通过实验方法来建立。在实验开始时首先对学生的个人特点进行评价。接下来,实验将被分为两个阶段:在第一阶段,S-1组的学生可以自由地从课程A、课程B和课程C中选择课程并在教师的指导下完成该学习。学习者个人特点与学习效果之间的关系将采用统计学方法进行分析。以第一阶段的实验和统计分析结果为基础进行相关的计算从而建立3门实验课程的OCAA模型。在下一阶段,与S-1组自由选课的形式不同,S-2组的学生根据OCAA的评价结果进行选课。两组学生所学习的课程完全相同,并在课程完成后进行测试以了解学生的学习情况。
本实验采取如下的程序进行:首先向参与实验的教师介绍该实验的设计思路、课程细节、教学方法等内容,然后所有的学生参加学习风格、学习行为方式和基础知识评价。随后,S-1组学生自由选择课程并在2个月的时间内通过计算机进行课程学习。学习结束后对S-1组学生进行测试以了解其学习情况。接着通过统计方法对S-1组学生特点和学习效果方面的数据进行分析并建立OCAA模型。在实验的第二阶段,OCAA辅助S-2组学生进行选课,并与S-1组相同在2个月内完成课程。最终,通过对S-1组和S-2组学生的最终成绩进行比较从而测试OCAA的使用效果。
4、数据收集与分析
需要收集的研究资料包括:(1)学习风格评价、学习行为方式评价和基础知识评价的分数;(2)课后测试的分数。所有的数据将采用IBM SPSS Statistics软件进行分析。
本实验采用如下4种类型的计算方法。第一,采用皮尔逊相关分析法分析S-1组学生的最终测试成绩(T)和三个特点评价结果之间的线性相关性。与最终测试结果明显具有线性相关性的参数将作为下一步回归分析的自变量。第二,采用多元线性回归分析法建立T与各种自变量之间的线性相关模型。课程A、课程B和课程C的OCAA模型将根据多元线性回归分析的结果建立。第三,根据S-2组学生的特点评价结果采用OCAA模型进行学习效果(最终测试成绩)预测。学生将会选择OCAA预测结果最好的课程进行学习。最后,通过方差分析方法比较两组学生的学习成绩,从而了解OCAA在提升在线学习效果方面的作用。
5、结果与讨论
5.1相关分析结果
首先,采用皮尔逊相关分析法分析S-1组的最终测试成绩(T)与学生三种特点评价结果(B,S,K)之间的线性相关性,其结果见表4。
表4 S-1组T和B,S,K之间的相关性分析
**p<0.01.
表4的计算结果表明,在课程A中,学习风格(p<0.01)和学习行为方式(p<0.01)都与最终考试成绩存在明显的正相关,而基础知识(p>0.05)与最终考试成绩没有明显的正相关,所以在对课程A进行回归分析时,参数K应该从自变量中排除。造成这一现象可能的原因是课程A中包含足够的基础知识内容以帮助学生理解课程内容,所以即使是基础知识较差的学生也不会对最终成绩造成明显的影响。对于课程B而言,学习风格(p<0.01)和基础知识(p<0.01)都与最终考试成绩存在明显的正相关,而学习行为方式(p>0.05)与最终考试成绩没有明显的正相关。因此在课程B中学习行为方式不会明显的影响最终考试成绩,在对课程B进行回归分析时,参数B应该从自变量中排除。这是由于课程B包含详细的教学计划,学生只需按已有教学计划进行学习而不需要自行制定计划。根据表4中课程C的分析结果,学习风格(p<0.01)、学习行为方式(p<0.01)和基础知识(p<0.01)都与最终考试成绩存在明显的正相关,表明这三个因素都会明显影响课程C的最终考试成绩。
5.2回归分析与学习效果预测模型
本实验中,采用多元线性回归分析的方法对最终测试成绩(T)与各个自变量之间的线性关系进行建模。根据相关性分析的结果确定了所选三门课程的自变量,然后采用IBMSPSS Statistics软件对T与所有自变量数据进行多元线性回归并建立多元线性回归方程。SPSS分析结果见表5、表6和表7。
在表5中列出了所有变量的汇总结果。确定系数(R2)表明课程A、课程B和课程C中自变量所产生的总解释变异量分别84.1%、96.3%和94.9%。
表5 S-1组模型汇总
a预测变量:(常量),B课程A,S课程A
b预测变量:(常量),S课程B,K课程B
c预测变量:(常量),B课程C,S课程C,K课程C
随后,采用方差分析对上述模型进行检验。根据表6的检验结果,课程A、课程B和课程C的F检验统计量的值分别为71.496,367.601和161.214,对应的概率P值分别为0.002,0.000,0.001,均小于0.01。这说明在0.01的显著性水平下,自变量对多元回归模型具有显著的影响。
表6 S-1组Anovad
a预测变量:(常量),B课程A,S课程A
b预测变量:(常量),S课程B,K课程B
c预测变量:(常量),B课程C,S课程C,K课程C
d因变量:T
根据自变量参数的t检验结果(表7),三门课程的显著性水平均小于0.05,表明课程A、课程B和课程C中的自变量对T值均有显著的影响。
表7 S-1组系数a
a因变量:T
根据上述的分析与检验,按照在表7中所列的变量系数可以建立三门课程的线性回归模型方程。根据非标准化系数得到的三门课程的线性回归方程如下:
T课程A=11.037+0.507B+0.407S
T课程B=9.327+0.385S+0.474K
T课程C=7.644+0.205B+0.405S+0.299K
该模型表明每一个变量的系数与最终考试成绩(T)均为正相关。另外,对于不同的课程,学习者特点对于在线学习效果的影响程度并不相同,其影响程度与课程的教学风格和策略有很大的关系。
5.3OCAA的应用与在线学习效果
根据实验程序,S-2组学生在OCAA的辅助下从课程A、课程B和课程C三门课程中选择合适的课程。基于S-2组学生的学***均成绩见表8所示。
表8 S-1组和S-2组学生的选课结果及最终考试平均成绩
为了检验OCAA的使用效果,采用方差分析对S-1组和S-2组每门课程的最终考试成绩进行了比较。在进行方差分析前,对三门课程数据的方差齐性进行了检验,其结果均大于0.05,表明三门课程的方差满足方差齐性要求。方差分析的结果如表9所示。
表9 S-1组和S-2组最终考试成绩的单因素方差分析
a调整多重比较:Bonferroni.
对于本实验所选择的三门课程,表9列出了S-1组和S-2组之间的最终考试成绩具有显著性差异(p<0.05)。换句话说,本实验中OCAA的使用对于学生的学习效果具有显著的影响。另外,根据Bonferroni均值比较的结果,本实验的三门课程中在OCAA的辅助下学生均有较好的表现。
6.实验结论
本实验中,我们基于学习者的个人特点和特定在线课程的教学策略分析建立了OCAA方法。S-1组的实验结果表明,学生的学习风格、学习行为方式和基础知识对在线学习效果均有显著的影响。另外,对于不同的课程而言,上述三种个人特点对学习效果的影响程度并不相同。这主要是由于每门课程具有其独特的教学策略,其对学生在不同方面的个人特点有不同的要求。在S-2组中,通过OCAA的指导,学生可以根据其个人特点进行选课。从S-1和S-2组学生最终考试成绩的方差比较可知,在OCAA的辅助下学生的学习效果可以得到明显的提升。
OCAA的理论基础是:在线学习环境中,学生的学习风格、学习行为方式和基础知识均会对学习效果产生影响。当学习者的个人特点与所选课程的教学风格和教学策略相一致时,将会有较好的学习效果。通过对所收集数据的统计分析,OCAA可以预测学习者在相应课程的学习效果,在预测中得分较高的课程将更适合于该学习者。因此,OCAA可以使学习者从大量的课程资源中更容易的找到适合于个人特点的课程,使其学习效果得到提升。另外,OCAA可以帮助学习者更好地了解所选课程在教学风格等方面的细节,从而在学习中能够有效地克服自身的弱点。
最后应说明的是:显然,上述实施例仅仅是为清楚地说明本发明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。
Claims (1)
1.一种在线课程适应性评价方法,其特征在于:所述方法针对互联网在线课程,在统计分析学习者个人学习特点、在线课程教学策略的基础上,通过对大量学习者的个人学习特点和对在线课程的学习效果进行统计计算,建立学习者个人学习特点与学习效果之间的关联模型,然后采用所述关联模型对学习者在待选课程中的学习效果进行预测,根据预测的结果帮助学习者挑选出更适合的课程进行学习,即挑选预测结果最佳的课程进行学习,从而提升学习效果;
所述学习者个人学习特点包括“学习风格”、“学习行为方式”和“基础知识”的项目组合;
所述在线课程教学策略包括“教学内容”、“学时”、“教学计划”、“学习周期”、“所适应的学习风格”、“指导方式”、“讨论与交流方式”、“练习与作业方式”、“考核方式”的项目组合;
以1988年发表的Felder-Silverman学习风格理论为基础设计学习风格评价算法以评估学习者的学习风格;
以Pintrich评价理论为基础设计的学习行为方式评价算法以评估学习者的自律性行为和学习动机;
采用以Bloom的知识分类方法和Dochy的教育心理维度分类方法为基础的基础知识评价算法,对学习者的陈述性和过程性基础知识分别进行评价;
所述方法包括以下步骤:
(1)对学习者的个人学习特点进行评价:其中的评价模型细节包括:
学习风格评价;该评价通过问卷形式进行,在学习风格评价问卷中,每个分类分别对应有5个问题;问卷中每一分类都按照5个等级进行评定(如下表所示);5个等级的结果分别反映学习者在该项学习风格评价中的倾向程度;
学习风格问卷结果的分类和等级
学习行为方式评价;该评价通过调查问卷形式进行;该问卷包含20个问题,总分为100分;问卷的题目主要涉及学生以往学习中的行为方式以及本次学习的目标等内容;每个问题包含3或5个选项;对于包含5个选项的问题,每个选项对应1~5分的分值,而对于三个选项的问题,每个选项对应1分、3分或5分的分值;通过对每个问题的得分相加可以得到最终的分数;
基础知识评价,该评价通过测试的方式进行,测试试卷包含25个陈述性知识问题(以“dk”表示,共50分)和10个过程性知识问题(以“pk”表示,50分);基础知识评价与具体选择的课程有关;基础知识评价的结果K则由dk与pk的值相加获得;
(2)分析在线课程的教学策略:获取相应的评价结果,并与学习者的学习风格进行匹配,获取学习者在该门课程的学习风格评分;在线课程的教学策略由课程提供者进行评价,评价的主要内容如下表中所示:
课程的教学策略
学习风格与课程特点的匹配程度S按以下方式计算:本申请中的匹配程度包括整体的学习风格匹配程度(S)和每一分类的学习风格匹配程度(md LS-1, md LS-2, md LS-3, md LS-4和md LS-5),md LS-x的值被设置在1~5之间;计算方式为:对于一门适合于“主动型”风格的课程,‘Active+’的学习者可以获得5分(md LS-1=5),‘Active’学习者可以获得4分而‘Reflective+’学习者可以获得1分(md LS-1=1),以此类推;S的值(100分)由以下公式计算得到:S = 4 ×(md LS-1 + md LS-2 + md LS-3 + md LS-4 + md LS-5);
(3)评价模型的建立:本申请在获得相应的基础数据后,采用如下三个步骤进行模型建立,第一步:由学习者进行课程学习并在学习结束后进行测试获得测试成绩(T);第二步:采用皮尔逊相关分析法分析学学习的最终测试成绩(T)和三个个人学习特点评价结果之间的线性相关性;与最终测试结果明显具有线性相关性的参数将作为下一步回归分析的自变量;第三步:采用多元线性回归分析法建立T与各种自变量之间的线性相关模型,该模型即为该门课程的OCAA模型;
(4)利用OCAA模型,预测具有特定个人学习特点的学习者对具有不同教学策略的在线课程的学习效果;
(5)指导学习者选择预测效果最佳的在线课程作为学习对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610874211.7A CN106408475B (zh) | 2016-09-30 | 2016-09-30 | 一种在线课程适用性评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610874211.7A CN106408475B (zh) | 2016-09-30 | 2016-09-30 | 一种在线课程适用性评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106408475A CN106408475A (zh) | 2017-02-15 |
CN106408475B true CN106408475B (zh) | 2017-12-26 |
Family
ID=59228069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610874211.7A Active CN106408475B (zh) | 2016-09-30 | 2016-09-30 | 一种在线课程适用性评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106408475B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107221212B (zh) * | 2017-05-27 | 2020-08-14 | 广州大洋教育科技股份有限公司 | 一种基于时间序列的在线学习者认知风格分析方法 |
CN109035930B (zh) * | 2017-06-08 | 2020-10-30 | 鹰硕(韶关)信息产业集团有限公司 | 一种基于互联网的录播数据推荐方法 |
CN107274020B (zh) * | 2017-06-15 | 2020-05-22 | 北京师范大学 | 一种基于协同过滤思想的学习者学科总测成绩预测***及方法 |
CN107705643B (zh) * | 2017-11-16 | 2024-01-02 | 四川文理学院 | 一种机器人主持教学方法及其装置 |
JP6655643B2 (ja) * | 2018-03-16 | 2020-02-26 | 株式会社 みずほ銀行 | 学習支援システム、学習支援方法及び学習支援プログラム |
CN108596804A (zh) * | 2018-04-28 | 2018-09-28 | 重庆玮宜电子科技有限公司 | 多线程在线教育评价方法 |
CN109086939A (zh) * | 2018-08-14 | 2018-12-25 | 合肥知多少教育科技有限公司 | 一种做题结果的录入方法及装置 |
CN108985993A (zh) * | 2018-08-21 | 2018-12-11 | 北京航空航天大学 | 一种在线学习的网络自适应控制***及控制方法 |
CN109146741A (zh) * | 2018-09-07 | 2019-01-04 | 广东电网有限责任公司 | 一种基于能力测评的课程推送方法、装置及设备 |
CN111081095A (zh) * | 2018-10-18 | 2020-04-28 | 泛学优有限公司 | 影音教学平台、分析子***及方法、推荐子***及方法 |
CN109543841A (zh) * | 2018-11-09 | 2019-03-29 | 北京泊远网络科技有限公司 | 深度学习方法、装置、电子设备及计算机可读介质 |
CN109636690B (zh) * | 2018-12-17 | 2022-11-25 | 中国人民解放军国防科技大学 | 基于学习者在线学习行为数据的学习有效性综合评分方法 |
CN110070232B (zh) * | 2019-04-28 | 2021-06-18 | 东北大学 | 引入教师教学风格的多维度预测学生成绩的方法 |
CN112053020A (zh) * | 2019-06-06 | 2020-12-08 | 兰贵曜威公司 | 一种用于提供人机交互式辅助语言学习的方法、***及设备 |
CN110570339B (zh) * | 2019-09-16 | 2022-04-29 | 四川长虹电器股份有限公司 | 一种在线教育教学干预方法 |
CN111612665B (zh) * | 2020-05-27 | 2024-04-05 | 上海松鼠课堂人工智能科技有限公司 | 用于打地基学习的监督和校正***与方法 |
CN111754370B (zh) * | 2020-07-01 | 2021-04-27 | 厦门致力于学在线教育科技有限公司 | 一种基于人工智能的在线教育课程管理方法及*** |
CN111882247A (zh) * | 2020-08-07 | 2020-11-03 | 成都理工大学 | 一种基于综合模糊评价模型的在线学习***评价方法 |
CN113239185B (zh) * | 2021-07-13 | 2021-10-29 | 深圳市创能亿科科技开发有限公司 | 教学课件的制作方法、设备及计算机可读存储介质 |
CN117390522B (zh) * | 2023-12-12 | 2024-03-29 | 华南师范大学 | 基于过程与结果融合的在线深度学习等级预测方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508846A (zh) * | 2011-09-26 | 2012-06-20 | 深圳中兴网信科技有限公司 | 一种基于网络的媒体课件的推荐方法和*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130311409A1 (en) * | 2012-05-18 | 2013-11-21 | Veetle, Inc. | Web-Based Education System |
CN105225553B (zh) * | 2014-06-17 | 2018-06-12 | 中兴通讯股份有限公司 | 在线教育中课程的推荐方法及装置 |
-
2016
- 2016-09-30 CN CN201610874211.7A patent/CN106408475B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508846A (zh) * | 2011-09-26 | 2012-06-20 | 深圳中兴网信科技有限公司 | 一种基于网络的媒体课件的推荐方法和*** |
Non-Patent Citations (1)
Title |
---|
"基于GALSRM模型的自适应学习***体系结构研究";姜强等;《现代远距离教育》;20130215(第1期);第75页第1段,附图5 * |
Also Published As
Publication number | Publication date |
---|---|
CN106408475A (zh) | 2017-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106408475B (zh) | 一种在线课程适用性评价方法 | |
Kubilinskienė et al. | Applying robotics in school education: A systematic review | |
Lesh et al. | Formulating operational definitions of desired outcomes of instruction in mathematics and science education | |
Ghazvini | Relationships between academic self-concept and academic performance in high school students | |
Biswas et al. | Data mining methods for assessing self-regulated learning | |
Verdú et al. | A genetic fuzzy expert system for automatic question classification in a competitive learning environment | |
Valanides et al. | Learning and teaching about scientific models with a computer-modeling tool | |
Ren et al. | Exploring an on-line course applicability assessment to assist learners in course selection and learning effectiveness improving in e-learning | |
CN101000600A (zh) | 学习管理***及方法 | |
US20230146132A1 (en) | Systems and methods for learner growth tracking and assessments | |
KR20190066849A (ko) | 빅데이터와 머신러닝 기반의 학생 맞춤형 인공지능 stem 교육 플랫폼 | |
Gaudioso et al. | Supporting teachers in collaborative student modeling: A framework and an implementation | |
Pérez-Rodríguez et al. | Integrating challenge-based-learning, project-based-learning, and computer-aided technologies into industrial engineering teaching: Towards a sustainable development framework | |
Zhou et al. | The Effect of Teachers' Support on Learners' Online Self-Regulated Learning: Mediating Analysis Based on Self-Efficacy. | |
Lu et al. | Developing a weather prediction project-based machine learning course in facilitating AI learning among high school students | |
Li et al. | Evaluation of gamification techniques in learning abilities for higher school students using FAHP and EDAS methods | |
Lamm et al. | Developing strong international agricultural education programs by understanding cognition | |
Arroyo et al. | Addressing cognitive differences and gender during problem solving | |
Wang | Exploration on the operation status and optimization strategy of networked teaching of physical education curriculum based on AI algorithm | |
Gibson | simSchool and the conceptual assessment framework | |
Begosso et al. | An approach for the use of Learning Objects in teaching Computer Programming concepts | |
Shamir et al. | Introducing Computational Thinking Practices in Learning Science of Elementary Schools [Research-in-Progress] | |
Kuk et al. | Intelligent agents and game-based learning modules in a learning management system | |
Sandoval et al. | Learning styles, a correlational study in engineering students | |
Yi | Research on the Cognitive Input Evaluation Model of MOOC Online Learning from the Perspective of Learning Analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |