在线大数据学习效果怎么样,在线学习过程性评价系统工作流程分为哪几步?

本文主要是介绍在线大数据学习效果怎么样,在线学习过程性评价系统工作流程分为哪几步?,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

在线大数据学习效果怎么样?在线学习过程性评价系统工作流程总共分为六个大的步骤,充分说明了大数据支持下的过程性评价嵌入在线学习之中的路径和方法。

在线大数据学习效果怎么样?

第一步,学习者开展在线学习活动,并随之生成学习行为的数据,经过在线学习内容与服务模块,这些数据将被贴附时间戳标记。

第二步,数据按照预定义结构存入学习者学习状态信息库。

第三步,在线学习过程性评价引擎从学习者特征信息库和学习状态信息库中收集数据,依据不同的评价指标和内容,选择不同的方法和模型,对学习者的学习实施过程性评价。

第四步,个性化诊断与引导引擎根据过程性评价引擎分析的结果,通过内容与服务模块为学习者提供有针对性的在线学习诊断服务,预测未来表现并发现潜在的问题,实施个性化引导。

第五步,过程性评价引擎的分析结果被同步传递给评价信息可视化仪表盘,供在线教学者、学伴和专家使用,也提供给在线学习者,帮助其精准了解自己的学习过程和状态,开展自我评价和反思,提高学习绩效。

第六步后,在线教学者、专家根据仪表盘提供的可视化反馈信息,及时评估学习者的进步和表现,提升个性化在线学习的品质。

数据沿着“数据—处理与存储—融合—分析—评价—反馈和优化”的流程,价值不断增加,从最基本的记录到预测未来趋势,向过程性及时引导和调整转变,其中数据是资产,分析和挖掘是技术,过程性评价是手段,促进更加有效的学习是目标。

在线大数据学习效果怎么样?

(一)在线学习过程性活动记录子系统

虚拟的在线学习过程可以看作是五类元素的组合,即学习者、学习资源、交互、事件以及学习结果。这五个元素之间相互影响,密切相关,共同构成系统的在线学习活动。根据在线学习活动属性与关键内容,我们将记录子系统中的过程性活动分为互动交流、资源使用、学习作品、资源分享、平台利用、自我评价、学伴评价、教师点评、学习反思和成长记录等核心活动。

Web爬虫具有目标信息采集准确、应用配置简单的特征,是在线数据记录非常有效的方式。另外,该技术在记录数据的同时,还能执行数据过滤的功能,非常适合大数据背景下在线学习环境的特征。记录子系统利用Web爬虫记录学习活动数据,为下一步的数据处理与存储子系统提供数据来源。

(二)数据处理与存储子系统

数据处理与存储子系统主要包括数据采集、清洗、存储和数据转化四大模块。

其中,数据采集模块实现“采”和“集”两个功能,“采”实现记录系统所提供数据的针对性、价值性、精准性抓取;“集”则按照一定规则和筛选标准进行数据汇聚。如果数据的源头存在垃圾,那么产出的很难是金子。数据清洗模块的作用就是过滤掉“垃圾信息”,尽可能保证入库数据的正确性。数据转化模块在数据层级进行数据格式的统一与数据分类变量重组等工作,将数据转化成为适合融合与挖掘的形式。

数据存储的主要任务是按照数据模型定义的表结构,将转化模块提交的数据集存入数据库中,以防止数据丢失。子系统将结构化数据存储于关系型的开源数据库MySQL中,非结构化与半结构化数据将存储于非关系型(NoSQL)的开源分布式数据库HBase中。HBase是面向列的分布式开源数据库,它和大数据分布式处理框架Hadoop紧密关联,主要包括Client(访问入口)、Zookeeper(协调服务)、HRegionServer(表数据读写操作)、HMaster(HRegionServer行为监视)四个核心组件,可提供过程性评价数据的实时随机读/写访问。

(三)数据融合子系统

数据融合子系统通过在数据间、信息间、知识片段间建立多维度、多粒度的语义连通,形成面向多层次知识提取的数据集合,解决数据的碎片化问题。在参考现代教育评价理论和在线学习理论的基础上,本研究将过程性学习数据融合为四类核心内容,分别是:

学习态度相关数据,主要表现在线学习者学习过程的认真程度,用以衡量学习任务完成量方面的数据;

学习方法相关数据,主要是完成学习任务的行为或操作性知识方面的数据;

学习过程相关数据,主要为学习者在学习情境中与教学者、学伴,以及资源环境的交互而产生的数据,包括知识、技能和态度等核心内容;

自评他评数据,主要是来自于学生自评、学伴互评和教师点评方面的数据。

通过小数据的融合,系统打通了过程性学习评价的数据孤岛,为进一步数据分析提供了支持。

(四)在线学习过程性数据分析子系统

在线学习过程数据分析子系统从多个维度挖掘融合后数据中的有价值信息,对学习者的个体学习过程进行画像。其中,数据挖掘综合运用数学统计、关联规则和决策树等方法,分析学习者学习过程与学习内容、学习状态等变量的相关关系,帮助评价系统针对学习者的特征开展精准知识推荐和引导。机器学习主要研究计算机如何模拟人类利用已知事实规律获取新知识的智慧。应用机器学习方法可以模拟人类智慧,分析学习者的学习状态、学习行为及其潜在的影响因素,针对性地刻画个体行为特征和在线学习的风格。

学习分析技术是测量、收集和分析有关学习数据,以理解和优化学习及其产生情境的技术。《2016新媒体联盟中国基础教育技术展望:地平线项目区域报告》认为:“大数据学习分析技术将在未来两至三年成为极具影响力的教育技术”。

学习分析技术能够帮助系统对学习者的学习结果进行评估,理解和优化在线学习及其产生的情境,预测学习者的发展趋势,为过程性评价提供实时反馈信息。

模式识别利用计算机代替人对学习行为信息进行处理和识别,它通过样本获取、特征抽取、类型识别和过程性评判等核心步骤,实现学习过程特征的描述、识别和分类。SNA(SocialNetworkAnalysis,社会网络分析)从社会关系网络结构出发,计算学习者在学习社群中的位置、角色、声望和群体属性等信息,分析学习者在线学习社群网络形成的过程与特征,从而为学习者的积极性和交互程度判断提供依据。

(五)在线学习过程性评价子系统

过程性评价将评价“嵌入”到学习过程中,主张对学习的动机、参与过程和学习效果进行三位一体的评价。如下表所示,本研究将依据一定的评价标准和指标,从学习动机、学习参与过程、学习效果三个维度开展评价。评价不仅关注学习效果,而且关注影响学习者学习投入的动机以及知识积累的过程,将评价活动和过程作为被评价者展示自己进步和成绩的平台,让学习者主动参与到学习与评价活动中去。

学习动机是激发个体学习,并使学习行为趋向一定目标前进的心理动因和倾向,具有方向性、驱动性、行为导向性和持久性的特征。学习者往往对感兴趣、有价值、处于能力范围内并可带来成就感的学习内容投入更多的时间和精力,从中获得较大的满足感。学习动机评价将从知识价值的认识(知识价值观)、对学习的直接兴趣(学习兴趣)、对自身学习能力的认识(学习能力感)、对学习成绩的归因(成就归因)四个方面展开。

学习参与注重建立伙伴关系,是一种主动的个性化学习体验。纽曼将学习过程中的参与看作是行为参与、情感参与和认知参与的有机组合,这种划分思想得到了研究者们的普遍认同。在师生分离、生生分离的在线学习状态下,过程性评价子系统通过对行为(内容互动、学伴互动、师生互动、学习环境互动)、情感(兴趣、成功、焦虑、厌倦等),以及认知(记忆、理解、运用、分析、评价、创造和知识掌握等)三个维度的学习参与评价,分析学习个体多方面潜能的自由发展和个性化表现。

学习效果是在线学习者完成课程学习之后能力提升的程度,增值是学习效果的主要表达方式。阿斯汀的学生参与理论(StudentInvolvementTheory)将学习效果解释为能力获得程度的认定,从动态角度解释了学习质量的提高过程,受到广泛关注。

在参考阿斯汀思想的基础上,系统根据过程性评价理念和在线学习的特征,从高层次思维能力(探究问题的能力、批判思维的能力、创造性思维能力,以及知识的综合应用能力等)、知识应用与实践能力(发现问题、解释问题、分析问题和解决问题的能力)、在线协作能力(交流、沟通与在线协作学习能力)、自我学习与发展能力(自主信息收集与阅读、信息整合与终身学习能力等)和其他综合能力(学科视野、创新能力、信息素养)等五个核心内容出发,展开学习效果过程性评价。

通过评价子系统提供的学习质量反馈信息,在线教学者可更清楚地了解学习者的学习状态和效果,对教学策略展开反思与内省,并针对个体差异展开积极的引导、干预和学习路径调整推荐。在线学伴从协作视角判断过程性成果价值,通过协同与互助等方式共同构建良性的同侪互动。利用来自于评价子系统、教学者和学伴的反馈信息,学习者能更好地认识自己的优势和不足,及时纠正问题。

过程性学习评价强调,课程知识内容的建构是有意义的观点和思想产生并不断改进的过程。大数据背景下,贯穿于在线学习始终的过程性评价在学习者个体知识的不断建构与发展中,实现在线教学、学习和评价的有机融合

人工智能、大数据、云计算和物联网的未来发展值得重视,均为前沿产业,多智时代专注于人工智能和大数据的入门和科谱,在此为你推荐几篇优质好文:


多智时代-人工智能大数据学习入门网站|人工智能、大数据、物联网云计算的学习交流网站

多智时代-人工智能大数据学习入门网站|人工智能、大数据、云计算、物联网的学习服务的好平台

这篇关于在线大数据学习效果怎么样,在线学习过程性评价系统工作流程分为哪几步?的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/818687

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

Security OAuth2 单点登录流程

单点登录(英语:Single sign-on,缩写为 SSO),又译为单一签入,一种对于许多相互关连,但是又是各自独立的软件系统,提供访问控制的属性。当拥有这项属性时,当用户登录时,就可以获取所有系统的访问权限,不用对每个单一系统都逐一登录。这项功能通常是以轻型目录访问协议(LDAP)来实现,在服务器上会将用户信息存储到LDAP数据库中。相同的,单一注销(single sign-off)就是指

浅析Spring Security认证过程

类图 为了方便理解Spring Security认证流程,特意画了如下的类图,包含相关的核心认证类 概述 核心验证器 AuthenticationManager 该对象提供了认证方法的入口,接收一个Authentiaton对象作为参数; public interface AuthenticationManager {Authentication authenticate(Authenti

Spring Security基于数据库验证流程详解

Spring Security 校验流程图 相关解释说明(认真看哦) AbstractAuthenticationProcessingFilter 抽象类 /*** 调用 #requiresAuthentication(HttpServletRequest, HttpServletResponse) 决定是否需要进行验证操作。* 如果需要验证,则会调用 #attemptAuthentica

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展,我们的业务数据越来越多,单纯使用 MySQL 已经不能满足我们的数据查询需求,例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后,随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步,我们目前的解决方案是建立数据中间表。把需要检索的业务数据,统一放到一张M

关于数据埋点,你需要了解这些基本知识

产品汪每天都在和数据打交道,你知道数据来自哪里吗? 移动app端内的用户行为数据大多来自埋点,了解一些埋点知识,能和数据分析师、技术侃大山,参与到前期的数据采集,更重要是让最终的埋点数据能为我所用,否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式,可以区分为: 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理:自动程度高的,能解决通用统计,便于统一化管理,但个性化定

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境