基于校园数据的教学行为分析研究

发布时间：2020-07-21 10:01

【摘要】：教学行为分析是一种具有规律性、原则性、并发性的科学研究活动,它在主动探索中寻找教学规律,发现教学需求和潜在问题。传统的教学行为分析通常采用问卷调研、路径依赖式的分析模式,研究方向往往只集中在教师的教学质量或学生的学习成绩方面,分析对象单一,缺乏规模化的客观数据论证。随着数据挖掘技术在教育领域的广泛应用,教学行为分析有助于我们主动掌握教学行为发生的特点和规律,实现校园数据的多元化利用,有利于教育规划的制定和教学模式的改进。本文使用校园数据平台对教师授课、学生上网等教学行为数据进行了采集,引用了PauTa准则、特征筛选等方法完成了教学行为数据预处理工作,从中挖掘了教育数据在教学管理、教学评价、网络学习中的实际价值。本文学习和总结了教学行为分析的相关研究,在现有教学行为分析技术的基础上结合了残差计算(Residual Calculation)、支持向量机(SVM)等研究方法,针对教师和学生两个不同群体制定了不同的行为分析模型。本文工作主要有以下几个方面:(1)详细阐述了教学行为分析的研究现状、背景及意义,综合论述了国内外现有的研究方法与技术。针对校园数据中异常数据的处理问题,本文引入了拉依达准则(Pauta),根据教育工作需求对教学行为数据设定了标准阈值,将超过阈值区间的误差定义为粗大误差,为了降低数据样本的噪声比,本文将含有粗大误差的数据分类剔除,为后续的行为分析工作提高了准确率和可信度。(2)针对教师授课的行为方式,本文以高校多媒体教学课程为基础,挖掘教师课堂教学的起止时间数据,提出了一个基于时间点PT(Point of Time)和时间段LT(Length of Time)的教学行为评估模型,并利用RC(Residual Calculation)方法实现了教师行为数据与课堂标准数据的时间向量拟合对比,构建了一个基于多媒体教学时间数据的行为评估体系。(3)根据学生的学习行为习惯,本文以校园网学生上网数据记录为出发点,引用K-means算法统计分析了不同类型的学生上网行为,并依据网络学习规律性建立了“学”与“非学”二元分类模型。通过SVM行为数据分类,本文利用Pearson相关系数分析了学生上网学习行为与上网时间、频率、客户端类型之间的相互关系,清楚的了解了学生上网行为的兴趣取向和学习比重。本文研究发现,不同教师、学院之间的教学时间规律存在不规则差异性,RC行为分析结果是对教师教学时间规范性的数据化表示;同时,学生上网学习行为的学习比重与其上网时间、频率等存在相关关系,不同的学生样本呈现出不同的变化规律。该研究结果为高校教学管理水平的提高和校园网络使用方法的改善提供了真实客观的数据参考。
【学位授予单位】：山东师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP311.13;G434
【图文】：

组织结构图,论文,组织结构,山东师范大学

论文组织结构

教师行为,评价表,教学行为

图 2-1 教师行为评价表介绍则。客观性原则是教学行为分析工作的基本保证，指在进行教客观公正的工作态度，不能凭借感情主观臆断或存在私人情感行为分析旨在给“教”与“学”过程中师生行为以客观有效的性则失去了教学行为分析的研究意义，影响教学决策的正确性则。在进行教学行为分析时，要针对复杂的教学系统和多样化方法，从不同的方面把教学过程中遇到的实际问题真实的反映分析教学活动的各个方面，对教学行为进行全方位的评价，从的实际效果。则。课堂教学的形式有多种，如口述、板书、多媒体等。在进学目标为依据，以教与学相统一的角度为研究出发点，确定合以此为基础，调查研究教学活动中的师生的教学需求，运用科

系统体系结构图,系统体系结构

山东师范大学硕士学位论文1 人机交互行为数据分析信息化环境下逐步实现了使用数据化手段检测人类行为。在校园生活中学生的压往往隐藏于日常行为，为了更加清晰客观的了解学生生活，王锐等人利用研entLife 手机 APP 建立了人机交互系统，并以一种节能方式自动推断学生的日常在达特茅斯学院挑选了来自不同年级、性别、种族的 48 名学生，收集并记录了使用 10 周 Android 手机的实际情况，系统体系结构如图 2-2 所示。通过人机交互活动、交流、睡眠等日常行为进行了自动连续检测，利用检测结果分析学生的压、活动、情绪、社交、心理健康和学习成绩等[24-26]。StudentLife 会自动推断用户静止，步行，跑步，开车，骑自行车）、睡眠时间和社交（持续时间）状况，并加速度传感器（声音、光、位置等）和 EMA（生态瞬时评估法）来调查学生的等状态。检测结果和其他传感器数据暂时存储在手机上，当用户手机在 WiFi 环数据会自动上传到云服务器中。

【相似文献】