智慧课堂中的数据分析与游戏化平台

发布时间：2020-09-03 08:39

　　随着国家综合国力的迅猛发展,第三次工业革命的到来,信息技术在各个领域都得到了广泛的应用,每个行业都在向信息化,数字化发展。国家在教育领域的信息化方面非常关注,《十三五规划纲要》中提到:推进教育现代化,坚持教育优先发展,加快完善现代化教育体系。可见,如何推进教育现代化的发展是急需研究的问题。智慧课堂是实现教育现代化的一种手段,国内外的各个高校都在支持智慧课堂的发展。智慧课堂对高等教育中的教学具有较强的现实意义。它不仅利于学生在课堂上的自我评估,更有利于教师跟踪学生的学习动态,提供个性化帮助。本文通过调研等实证研究方法,调查了目前大学课堂的教学模式及交互方式,其中主要包括近年来新兴的MOOC、SPOC、翻转课堂等,这些形式在提高师生交互效率上仍有些许不足。因此,本文利用互联网技术和移动互联网设备,以游戏化机制为前提,实现课堂教学过程中的实时交互与实时反馈,改进了传统课堂的教学模式,将O2O(Online to Offline)线上和线下相结合的形式融入“智慧课堂”,提供课下的线上学习活动,使传统课堂得以延展。作为智慧课堂的载体,本文自主研发了游戏化平台,该平台共分为课上交互系统以及课下闯关系统两部分。在课上,系统提供“摇一摇”及“弹幕”的功能,学生不仅可以实时记录知识盲点,也可直接与授课教师进行互动;不仅如此,教师还可通过课下闯关平台跟踪采集学习数据。学生需在课下系统中完成每周关卡,这些关卡拥有不同的领域方向,学生可基于兴趣自由选择。在期末评估时,为提高学生的主观能动性,学生自主选择分数,以项目的方式完成对应的分数要求,最后的评估以一份类似“体检报告”的成绩单呈现出来。该成绩单通过数据,图表等各种方式展现学生在本学期的完成作业情况,学习时间情况以及擅长领域推测等。结合这些大量的过程性数据,系统进行了大数据分析,分析结果提供给授课教师以便为教学内容、教学方法和教学模式的改进提供数据支持。本文在使用基本的统计学方法之外,还利用了经典的K-means方法对所有学生聚类。基于游戏化平台收集的数据种类,K-means算法选择了三个特征值,分别为:学生摇晃手机的次数,作业完成次数以及期末成绩。在进行数据标准化后,分别对k=3,k=4进行聚类,分析聚类结果。课后我们对每一类学生的知识盲区分别进行了讲解,并做了新一轮的测试。实验数据表明,与不使用游戏化平台的情况对比,平时任务的完成率有所提高,课上的互动次数明显增加,期末成绩的优秀率大幅提升。本文的主要内容共分为六部分。首先介绍了国内外智慧课堂的相关内容,证明了开发智慧课堂对个性化学习的必要性,在此基础上介绍了智慧课堂应用的游戏化理论与数据挖掘技术。此后本文介绍了关于游戏化课上及课下平台的实现过程,相关内容包括系统的需求分析,设计与实现以及开发时所用到的工具。最后通过学生的数据进行挖掘分析,为智慧课堂中的个性化学习提供保障。
【学位单位】：吉林大学
【学位级别】：硕士
【学位年份】：2017
【中图分类】：TP311.13;TP311.52
【部分图文】：

机器学习,基本模型

第 2 章游戏化平台的实现基础2.3.1 机器学习的模型机器学习的基本目标是学习一个 x->y 的函数，通过对输入数据的观察，训练调整参数后，总结与输出数据之间存在的映射关系，这种关系可以直接扩大到整个样本中预测结果。当从样本中随机抽取一个 x 的时候，通过之前求得的映射关系，即可以得到预测值，如图 2.1 所示：

聚类算法,区间,算法

图 2.2 聚类算法的分类聚类算法比较理想的结果是具有较低的区间相似和较高的类内相似。下面是在本文中评价聚类算法的几个要点：在聚类算法的一般使用中，所涉及的数据量不会很大，故所获得的结果不会有很大的误差。作为一个优秀的聚类算法，当数据量上升到百万级时，应同样可以得到正确的结果；在选取特征值时，特征值属性的单位往往不是统一的，例如，有符号类型，布尔类型等，对于这些单位的属性同样要具备处理能力；优秀的聚类算法应该最小化用户的输入参数，避免要求用户输入非常重要的参数，防止结果出现较大偏差。2.4.3 K-means 算法介绍在数据挖掘中，K-Means 算法是一种聚类分析的算法，它通过一直寻找离中心点最近的位置来区分不同类别。K-Means 算法在使用的过程中会涉及到如下步

预处理数

存在某位学生在某个任务环节漏答以及重复答任务过程是非常必要的[21]。在进行预处理之后，据要进行规格化，规格化是指将相关属性数据按的范围中, 如将成绩属性的值映射到-1.0 至 1.0 的由于单位以及区间的不同所带来的大小不一致, 差。聚类的具体实现中，本文对数据的预处理方式已经进行了大致欧式距离计算以及数据标准化的方法。本章节主ns 算法的聚类分析。从数据库中整理出来的部分数

【参考文献】