基于行为序列的学习过程分析与学习效果预测
发布时间：2021-11-03 13:37
学习过程数据反映了学习者在学习过程中的状态。当前众多对学习者学习过程数据进行挖掘与分析的研究,大多基于学习者在某一学习行为上投入的精力和时间来开展。这些粗粒度数据并不能细致地反映学习者的认知投入水平,且部分学习行为数据对学习效果的预测正确率不高。与学习者参与度相比,学习过程中的学习行为序列,更能反映学习者学习行为轨迹、意愿与认知过程。利用滞后序列分析法对DEEDS平台上的学习过程数据的分析发现:滞后序列分析法可以清晰地揭示若干重要的学习行为序列;相较于支持向量机、逻辑斯蒂回归以及决策树等数据挖掘方法,朴素贝叶斯方法具有良好的预测性能,平均正确率超过70%。研究结果证明,学习者的学习行为序列可以为教师呈现更全面的在线学习图景,帮助教师发现学习者的学习习惯、偏好以及认知过程,辅助教师对教学过程进行反思。同时,通过行为序列数据可以较准确地预测出学习者的学习成就,继而对预测模型中关键属性进行分析,为教师在后续教学过程中采取有针对性的干预措施提供建议,达到提高教育教学绩效的目的。
【文章来源】：现代远程教育研究. 2018,(02)北大核心CSSCI
【文章页数】：10 页
【部分图文】：
行为序列转换图
朴素贝叶斯方法所得学习效果预测准确率明显高于其他三种方法。从图2（a）中可以发现，选用不同特征数目所建预测模型的准确率结果中有9个峰值，模型所对应的特征数目分别为5、11、15、18、20、29、34、44、56。上述9个预测模型进行独立样本T检验的结果如表5所示。综合考虑模型复杂度、模型差异性和预测准确度，本研究选择特征数目为29的预测模型为最终结果。模型所选择的特征数目为表4所示的前29个，平均预测准确度达到73.10%，总体来说具有图2不同方法所得预测模型的误差棒图p511151820293444565/0.6840.1710.025*0.003*0.000*0.000*0.000*0.000*110.684/0.3190.0600.008*0.000*0.000*0.000*0.000*150.1710.319/0.3890.1020.001*0.001*0.001*0.008*180.025*0.0600.389/0.4300.008*0.011*0.011*0.075200.003*0.008*0.1020.430/0.0660.0780.0790.344290.000*0.000*0.001*0.008*0.066/0.9610.9200.323340.000*0.000*0.001*0.011*0.0780.961/0.9610.356440.000*0.000*0.001*0.011*0.0790.9200.961/0.371560.000*0.000*0.008*0.0750.3440.3230.3560.371/表59个不同预测模型两两T检验结果（*p＜0.05）基于行为序列的学习过程分析与学习效果预测【技术应用】..109
失表明学习者并不是在获知学习任务后立即着手开始实验，往往倾向于先进行一些其他活动，继而再跳转到实验环节。教学者可以采取多种形式获知出现此类现象的原因，例如是学习平台存在缺陷还是教师的引导方式存在问题，进而为改善后续教学提供支持。2.发现有效行为序列与教学规律发现和定义对学习效果具有促进意义的行为序列是提高教学绩效的前提。通过对所建立学习效果阅读学习资源记录与反思实验结果TSF组装与运行有限状态机电路P调参【技术应用】基于行为序列的学习过程分析与学习效果预测图3与学习效果密切相关的行为序列转换图..110
【参考文献】：
期刊论文
[1]MOOC学习结果预测指标探索与学习群体特征分析[J]. 牟智佳,武法提. 现代远程教育研究. 2017(03)
[2]基于行为序列分析对在线学习参与模式的探索[J]. 李爽,钟瑶,喻忱,程罡,魏顺平. 中国电化教育. 2017(03)
[3]高校学生上网行为分析与数据挖掘研究[J]. 胡祖辉,施佺. 中国远程教育. 2017(02)
[4]edX平台教育大数据的学习行为分析与预测[J]. 贺超凯,吴蒙. 中国远程教育. 2016(06)
[5]滞后序列分析法在学习行为分析中的应用[J]. 杨现民,王怀波,李冀红. 中国电化教育. 2016(02)
[6]大数据时代网络教育学习成绩预测的研究与实现——以本科公共课程统考英语为例[J]. 孙力,程玉霞. 开放教育研究. 2015(03)
[7]MOOC学习行为及效果的大数据分析——以北大6门MOOC为例[J]. 贾积有,缪静敏,汪琼. 工业和信息化教育. 2014(09)
[8]基于数据挖掘的网络学习行为与学习效果研究[J]. 傅钢善,王改花. 电化教育研究. 2014(09)
[9]学习活动流:一个学习分析的行为模型[J]. 郁晓华,顾小清. 远程教育杂志. 2013(04)
[10]基于数据挖掘的教师网络学习行为分析与研究[J]. 吴淑苹. 教师教育研究. 2013(03)
本文编号：3473783
【文章来源】：现代远程教育研究. 2018,(02)北大核心CSSCI
【文章页数】：10 页
【部分图文】：
行为序列转换图
朴素贝叶斯方法所得学习效果预测准确率明显高于其他三种方法。从图2（a）中可以发现，选用不同特征数目所建预测模型的准确率结果中有9个峰值，模型所对应的特征数目分别为5、11、15、18、20、29、34、44、56。上述9个预测模型进行独立样本T检验的结果如表5所示。综合考虑模型复杂度、模型差异性和预测准确度，本研究选择特征数目为29的预测模型为最终结果。模型所选择的特征数目为表4所示的前29个，平均预测准确度达到73.10%，总体来说具有图2不同方法所得预测模型的误差棒图p511151820293444565/0.6840.1710.025*0.003*0.000*0.000*0.000*0.000*110.684/0.3190.0600.008*0.000*0.000*0.000*0.000*150.1710.319/0.3890.1020.001*0.001*0.001*0.008*180.025*0.0600.389/0.4300.008*0.011*0.011*0.075200.003*0.008*0.1020.430/0.0660.0780.0790.344290.000*0.000*0.001*0.008*0.066/0.9610.9200.323340.000*0.000*0.001*0.011*0.0780.961/0.9610.356440.000*0.000*0.001*0.011*0.0790.9200.961/0.371560.000*0.000*0.008*0.0750.3440.3230.3560.371/表59个不同预测模型两两T检验结果（*p＜0.05）基于行为序列的学习过程分析与学习效果预测【技术应用】..109
失表明学习者并不是在获知学习任务后立即着手开始实验，往往倾向于先进行一些其他活动，继而再跳转到实验环节。教学者可以采取多种形式获知出现此类现象的原因，例如是学习平台存在缺陷还是教师的引导方式存在问题，进而为改善后续教学提供支持。2.发现有效行为序列与教学规律发现和定义对学习效果具有促进意义的行为序列是提高教学绩效的前提。通过对所建立学习效果阅读学习资源记录与反思实验结果TSF组装与运行有限状态机电路P调参【技术应用】基于行为序列的学习过程分析与学习效果预测图3与学习效果密切相关的行为序列转换图..110
【参考文献】：
期刊论文
[1]MOOC学习结果预测指标探索与学习群体特征分析[J]. 牟智佳,武法提. 现代远程教育研究. 2017(03)
[2]基于行为序列分析对在线学习参与模式的探索[J]. 李爽,钟瑶,喻忱,程罡,魏顺平. 中国电化教育. 2017(03)
[3]高校学生上网行为分析与数据挖掘研究[J]. 胡祖辉,施佺. 中国远程教育. 2017(02)
[4]edX平台教育大数据的学习行为分析与预测[J]. 贺超凯,吴蒙. 中国远程教育. 2016(06)
[5]滞后序列分析法在学习行为分析中的应用[J]. 杨现民,王怀波,李冀红. 中国电化教育. 2016(02)
[6]大数据时代网络教育学习成绩预测的研究与实现——以本科公共课程统考英语为例[J]. 孙力,程玉霞. 开放教育研究. 2015(03)
[7]MOOC学习行为及效果的大数据分析——以北大6门MOOC为例[J]. 贾积有,缪静敏,汪琼. 工业和信息化教育. 2014(09)
[8]基于数据挖掘的网络学习行为与学习效果研究[J]. 傅钢善,王改花. 电化教育研究. 2014(09)
[9]学习活动流:一个学习分析的行为模型[J]. 郁晓华,顾小清. 远程教育杂志. 2013(04)
[10]基于数据挖掘的教师网络学习行为分析与研究[J]. 吴淑苹. 教师教育研究. 2013(03)
本文编号：3473783
本文链接：https://www.wllwen.com/jiaoyulunwen/xuekejiaoyulunwen/3473783.html
