基于网络学习行为分析的学习风格识别及其实证研究
本文关键词：基于网络学习行为分析的学习风格识别及其实证研究，，由笔耕文化传播整理发布。
【摘要】：随着移动互联网、大数据、云计算等信息技术的发展,人们接收、反馈信息的方式发生了巨大变化,教育教学模式也因此发生了颠覆性变化。网络信息技术使得学习者随时随地获取学习资源成为可能,网络教学受到人们的青睐。 学习管理系统是网络教育的主要媒介,可以实现远程教育的自动化管理,支持教师创建、管理在线课程,评估学习者的学习过程、学习绩效等,它存在的主要目的是为学生提供不受时间、空间等条件限制的个性化教学支持。然而目前广泛使用的Blackboard、Moodle等学习管理系统只注重教师对教学资源的管理,没有考虑到学习者之间的个体差异性,为所有学习者提供的是千篇一律的学习材料和学习活动,系统不能根据学习者之间的差异为学生提供个性化、自适应的教学服务,在个性化和交互性方面存在明显的不足。 由于在网络学习环境中存在教与学在时间或空间上相分离的特点,这无疑使得教师全程了解和监督学生的学习情况变得很困难。为了更好地帮助教师了解学生的学习情况并及时做出反馈,并为学习者提供与之相适应的教学资源,这就要求网络学习平台能够记录和分析学习者的网络学习行为。 目前国内对网络教育的研究主要集中在对网络教育平台的设计与开发、网络课件的设计与制作、网络学习环境中的教学管理等方面,对网络学习行为记录并分析的研究较少。而且,在很有限的对在线学习行为进行记录和分析的研究中,大多基于问卷调查方式收集网络学习者的行为数据,收集的信息一般都是学习者的外在行为特性,与学习者真实的行为轨迹之间存在偏差。借助于现代通信技术,记录并实时追踪学习者的学习活动信息,基于真实的在线行为信息对学习者的个体属性进行分析的研究甚少。 本文在充分考虑学习者个体特征和学习偏好的基础上,构建适合网络学习环境的学习风格模型。收集和整理学习者真实的在线学习行为数据,同时开展线下实证调研,收集学习者的学习风格调查问卷数据。通过问卷数据初始化学习者的学习风格,基于线上学习行为信息建立学习风格的预测模型,进而训练和评估预测模型。研究结果证实,使用SMO (sequential minimal optimization)算法预测学习者的学习风格具有较高的精确度。本研究为改善网络学习平台的教学支持服务提供理论依据。
【关键词】：网络教学 学习管理系统 网络学习行为 学习风格理论 SMO
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：G434
【目录】：
- 摘要4-6
- abstract6-10
- 第一章 绪论10-18
- 1.1 研究背景10-11
- 1.2 研究意义11-13
- 1.2.1 理论意义11-12
- 1.2.2 实践意义12-13
- 1.3 研究目的和研究对象13
- 1.3.1 研究目的13
- 1.3.2 研究对象13
- 1.4 本研究的主要创新点13-14
- 1.5 研究方法和论文框架14-18
- 1.5.1 研究方法14-15
- 1.5.2 论文框架15-18
- 第二章 文献综述研究18-29
- 2.1 学习管理系统18-19
- 2.1.1 学习管理系统定义18
- 2.1.2 学习管理系统相关研究18-19
- 2.2 网络学习行为19-21
- 2.2.1 网络学习行为的定义19-20
- 2.2.2 网络学习行为模型20-21
- 2.2.3 网络学习行为分析方法21
- 2.3 学习风格21-27
- 2.3.1 学习风格的定义21-22
- 2.3.2 学习风格理论22-26
- 2.3.3 学习风格在教育领域的应用26-27
- 2.4 学习风格检测方法27-29
- 第三章 网络学习行为数据的收集29-31
- 3.1 网络学习平台介绍29
- 3.2 网络学习行为数据的收集29-31
- 第四章 网络学习风格模型构建31-36
- 4.1 模型构建31-33
- 4.2 学习风格类型和行为条目的匹配33-36
- 4.2.1 信息加工维度33-34
- 4.2.2 信息感知维度34
- 4.2.3 学习态度维度34-35
- 4.2.4 社会化交互维度35-36
- 第五章 调查问卷数据的收集与分析36-42
- 5.1 问卷设计36-38
- 5.2 问卷发放与回收38
- 5.3 问卷数据分析38-42
- 5.3.1 平台使用情况分析38
- 5.3.2 信度分析38-39
- 5.3.3 效度分析39-40
- 5.3.4 学习成绩与学习风格之间的相关性分析40
- 5.3.5 维度分组信息40-42
- 第六章 学习风格的识别及评估42-48
- 6.1 WEKA功能介绍42-45
- 6.2 SMO算法简介45
- 6.3 预测结果45-46
- 6.4 预测模型的精确度分析46-48
- 第七章 研究总结与展望48-50
- 7.1 研究总结48
- 7.2 研究局限与展望48-50
- 参考文献50-54
- 附录54-60
- 致谢60-61
- 作者攻读硕士学位期间发表的论文61
【共引文献】
中国重要会议论文全文数据库 前10条
1 ;An effective procedure exploiting unlabeled data to build monitoring system[A];中国科学院地质与地球物理研究所第11届（2011年度）学术年会论文集(下)[C];2012年
2 ;A Novel Kernel PCA Support Vector Machine Algorithm with Feature Transition Function[A];第二十六届中国控制会议论文集[C];2007年
3 吕蓬;柳亦兵;马强;魏于凡;;支持向量机在齿轮智能故障诊断中的应用研究[A];第二十六届中国控制会议论文集[C];2007年
4 ;Fault Pattern Recognition of Rolling Bearings Based on Wavelet Packet and Support Vector Machine[A];第二十七届中国控制会议论文集[C];2008年
5 蒋少华;桂卫华;阳春华;唐朝晖;蒋朝辉;;基于主元分析与支持向量机的方法及其在密闭鼓风炉过程监控诊断中的应用[A];第二十七届中国控制会议论文集[C];2008年
6 王海丰;李壮;任洪娥;赵鹏;;基于非下采样Contourlet变换和SVM的纹理图像分割算法[A];第二十九届中国控制会议论文集[C];2010年
7 ;Image Classification with Ant Colony Based Support Vector Machine[A];中国自动化学会控制理论专业委员会A卷[C];2011年
8 晋朝勃;胡刚强;史广智;李玉阳;;一种采用支持向量机的水中目标识别方法[A];中国声学学会水声学分会2011年全国水声学学术会议论文集[C];2011年
9 刘英林;刘洪鹏;g窃
本文编号：358928
本文链接：https://www.wllwen.com/jiaoyulunwen/xuekejiaoyulunwen/358928.html
