人机协同的数据智慧机制:智慧教育的数据价值炼金术
发布时间：2021-11-15 06:30
同其他产业界一样,教育界日益重视数据的价值,但数据本身的价值密度很低,无法直接服务于教育,更别说智慧教育。数据智慧可以解决此问题,它包含数据、信息、知识、智慧四个层级。然而,目前对于数据如何经信息、知识跃升为智慧还没有较好的方法。对此,本研究研制了一种人机协同的数据智慧机制,通过人与机器两方面的理解力实现数据向智慧跃升。人具有"亲而知""觉而知""构而知"和"审而知"四层理解力;机器具有"感而知""描而知""掘而知"和"学而知"四层理解力。人机协同数据智慧机制以理解力为纽带,包括数据跃升为信息的数据关系组织机制,信息跃升为知识的信息模式识释机制,知识跃升为智慧的知识原理派生机制。人机协同的数据智慧机制能为智慧教育提供可行的数据价值提炼方案,助力智慧教育中教与学行为的优化。
【文章来源】：开放教育研究. 2018,24(02)北大核心CSSCI
【文章页数】：10 页
【部分图文】：
智慧教育中人机协同的数据智慧图谱
图2数据的关系组织机制于机器处理。(一)目的切入离散的数据因缺少情境和解释而没有意义(Ｒowley＆Hartley，2008)，因此，“目的切入”环节主要是在特定的学习情境下，以智慧教育的监测目的为切入点，制定解释维度。这里的目的不仅仅是期望实现的学习目标，还包括希望得到的教与学过程中学生的行为反馈和能力变化等，后者主要从采用的具体学习方略中析出。目的越具体越好，最好具有高度的可操作性和可测量性，可以采用格式1所示的结构表征，其中“［］”表示可缺省，“{}［;…n］”表示“{}”中的内容可重复n次，并用“;”分割，“－”是连接符，将各部分连接起来。它表示在“时间(或期间)”，“学生”在“情境”中用“工具”进行“活动”，学习“内容”，并显露出某些“表现”，这些表现达到了指定的“标准”。例如，“7＇，个体-观看视频-杠杆原理/完成测试，5/6”表示在7分钟内，每位学生观看视频中的杠杆原理，完成测试中的6道题并至少答对5道题。格式1中的“活动”可以借助活动理论的层级结构(活动层、行为层、操作层)实现可操作性(彭红超，祝智庭，2016)，“内容”在智慧教育中主要有学材、习材、创材(祝智庭，2016)，“标准”最好提供具体数值或特征以实现可测量。［时间，］学生-［情境-］［工具-］活动［-内容］/{表现［，标准］}［;…n］每个目的的实时情况均需相应的数据来说明，这为数据的意义解释提供了方向。由此，可以以目的为切入点，制定数据的解释维度。维度与目的的属性对应，因为一个目的可能会有多个属性(如格式1有“时间”“学生”等八个属性)
富有意义的信息，这些信息很容易被师生感受辨别(觉而知)，形成对数据意义的初步理解。三、信息的模式识释机制通过关系组织机制，数据跃升为信息，但信息通常只表征“何人、何时、何处、何事”等浅显事实。对于智慧教育的精准决策来讲，事实背后隐含的模式更有价值。识别出信息中内隐的模式并对其进行解释(即模式识释)，可使信息跃升为知识，表征事情是如何发生的，即“知如何”。图3描绘了信息的模式识释机制，共分为四个环节:机器方面为特征提取和信息模化，人工方面为意义理解和模式解释。图3信息的模式识释机制(一)特征提取通过数据的关系组织机制得到的是结构化数据和即席报表、仪表盘等图示。结构化数据组成的测量空间的维度通常过于庞大且并非所有维度都很重要，还会降低算法的性能，因此需要通过映射或变换降低维度，获取一组数量较少的更能反映本质的特征。从形式上看，这些特征属于数学特征(另两类为物理特征、结构特征)(盛立东，2010)，非常抽象，不易被人感知，但适合计算机处理。特征提取可选取两种途径:1)直接选取法，即直接选取失真最小的低维子空间，具体可用最优搜索法、次优搜索法、遗传算法等;2)变换降维法，即对测量空间进行变换映射来降维，具体可用基于距离(如类内距、类间距)可分性测度的特征提取法和基于离散K-L变换的特征提取法(即主成分分析法)等。每种特征提取方法都有(或构造)自己的可分性判据，通过识别可分性判据满足的条件，可以衡量哪种提取方法最有效。一般讲，可分性判据需满足·54·彭红超，祝智庭.人机协同的数据智慧机制:智慧教育的数据价值炼金术OEＲ．2018，24(2)
【参考文献】：
期刊论文
[1]智慧城市教育公共服务评价指标体系研制[J]. 祝智庭,余平. 开放教育研究. 2017(06)
[2]解读教育数据智慧[J]. 祝智庭,彭红超,雷云鹤. 开放教育研究. 2017(05)
[3]智慧学习生态系统研究之兴起[J]. 祝智庭,彭红超. 中国电化教育. 2017(06)
[4]数据与信息之间逻辑关系的探讨——兼及DIKW概念链模式[J]. 叶继元,陈铭,谢欢,华薇娜. 中国图书馆学报. 2017(03)
[5]深度学习:智慧教育的核心支柱[J]. 祝智庭,彭红超. 中国教育学刊. 2017(05)
[6]智慧学习生态:培育智慧人才的系统方法论[J]. 祝智庭,彭红超. 电化教育研究. 2017(04)
[7]以测辅学:智慧教育境域中精准教学的核心机制[J]. 彭红超,祝智庭. 电化教育研究. 2017(03)
[8]解读教育大数据的文化意蕴[J]. 祝智庭,孙妍妍,彭红超. 电化教育研究. 2017(01)
[9]面向智慧学习的精准教学活动生成性设计[J]. 彭红超,祝智庭. 电化教育研究. 2016(08)
[10]智慧教育新发展:从翻转课堂到智慧课堂及智慧学习空间[J]. 祝智庭. 开放教育研究. 2016(01)
本文编号：3496226
【文章来源】：开放教育研究. 2018,24(02)北大核心CSSCI
【文章页数】：10 页
【部分图文】：
智慧教育中人机协同的数据智慧图谱
图2数据的关系组织机制于机器处理。(一)目的切入离散的数据因缺少情境和解释而没有意义(Ｒowley＆Hartley，2008)，因此，“目的切入”环节主要是在特定的学习情境下，以智慧教育的监测目的为切入点，制定解释维度。这里的目的不仅仅是期望实现的学习目标，还包括希望得到的教与学过程中学生的行为反馈和能力变化等，后者主要从采用的具体学习方略中析出。目的越具体越好，最好具有高度的可操作性和可测量性，可以采用格式1所示的结构表征，其中“［］”表示可缺省，“{}［;…n］”表示“{}”中的内容可重复n次，并用“;”分割，“－”是连接符，将各部分连接起来。它表示在“时间(或期间)”，“学生”在“情境”中用“工具”进行“活动”，学习“内容”，并显露出某些“表现”，这些表现达到了指定的“标准”。例如，“7＇，个体-观看视频-杠杆原理/完成测试，5/6”表示在7分钟内，每位学生观看视频中的杠杆原理，完成测试中的6道题并至少答对5道题。格式1中的“活动”可以借助活动理论的层级结构(活动层、行为层、操作层)实现可操作性(彭红超，祝智庭，2016)，“内容”在智慧教育中主要有学材、习材、创材(祝智庭，2016)，“标准”最好提供具体数值或特征以实现可测量。［时间，］学生-［情境-］［工具-］活动［-内容］/{表现［，标准］}［;…n］每个目的的实时情况均需相应的数据来说明，这为数据的意义解释提供了方向。由此，可以以目的为切入点，制定数据的解释维度。维度与目的的属性对应，因为一个目的可能会有多个属性(如格式1有“时间”“学生”等八个属性)
富有意义的信息，这些信息很容易被师生感受辨别(觉而知)，形成对数据意义的初步理解。三、信息的模式识释机制通过关系组织机制，数据跃升为信息，但信息通常只表征“何人、何时、何处、何事”等浅显事实。对于智慧教育的精准决策来讲，事实背后隐含的模式更有价值。识别出信息中内隐的模式并对其进行解释(即模式识释)，可使信息跃升为知识，表征事情是如何发生的，即“知如何”。图3描绘了信息的模式识释机制，共分为四个环节:机器方面为特征提取和信息模化，人工方面为意义理解和模式解释。图3信息的模式识释机制(一)特征提取通过数据的关系组织机制得到的是结构化数据和即席报表、仪表盘等图示。结构化数据组成的测量空间的维度通常过于庞大且并非所有维度都很重要，还会降低算法的性能，因此需要通过映射或变换降低维度，获取一组数量较少的更能反映本质的特征。从形式上看，这些特征属于数学特征(另两类为物理特征、结构特征)(盛立东，2010)，非常抽象，不易被人感知，但适合计算机处理。特征提取可选取两种途径:1)直接选取法，即直接选取失真最小的低维子空间，具体可用最优搜索法、次优搜索法、遗传算法等;2)变换降维法，即对测量空间进行变换映射来降维，具体可用基于距离(如类内距、类间距)可分性测度的特征提取法和基于离散K-L变换的特征提取法(即主成分分析法)等。每种特征提取方法都有(或构造)自己的可分性判据，通过识别可分性判据满足的条件，可以衡量哪种提取方法最有效。一般讲，可分性判据需满足·54·彭红超，祝智庭.人机协同的数据智慧机制:智慧教育的数据价值炼金术OEＲ．2018，24(2)
【参考文献】：
期刊论文
[1]智慧城市教育公共服务评价指标体系研制[J]. 祝智庭,余平. 开放教育研究. 2017(06)
[2]解读教育数据智慧[J]. 祝智庭,彭红超,雷云鹤. 开放教育研究. 2017(05)
[3]智慧学习生态系统研究之兴起[J]. 祝智庭,彭红超. 中国电化教育. 2017(06)
[4]数据与信息之间逻辑关系的探讨——兼及DIKW概念链模式[J]. 叶继元,陈铭,谢欢,华薇娜. 中国图书馆学报. 2017(03)
[5]深度学习:智慧教育的核心支柱[J]. 祝智庭,彭红超. 中国教育学刊. 2017(05)
[6]智慧学习生态:培育智慧人才的系统方法论[J]. 祝智庭,彭红超. 电化教育研究. 2017(04)
[7]以测辅学:智慧教育境域中精准教学的核心机制[J]. 彭红超,祝智庭. 电化教育研究. 2017(03)
[8]解读教育大数据的文化意蕴[J]. 祝智庭,孙妍妍,彭红超. 电化教育研究. 2017(01)
[9]面向智慧学习的精准教学活动生成性设计[J]. 彭红超,祝智庭. 电化教育研究. 2016(08)
[10]智慧教育新发展:从翻转课堂到智慧课堂及智慧学习空间[J]. 祝智庭. 开放教育研究. 2016(01)
本文编号：3496226
本文链接：https://www.wllwen.com/jiaoyulunwen/xuekejiaoyulunwen/3496226.html
