• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看

      ?

      交互視角下網(wǎng)絡(luò)學(xué)習(xí)行為特征挖掘

      2021-10-11 08:13:44曲建華徐慧敏
      關(guān)鍵詞:卓越學(xué)習(xí)效果聚類

      馬 曉 曲建華 徐慧敏

      (山東師范大學(xué)商學(xué)院,250358 濟南 )

      1 引 言

      網(wǎng)絡(luò)學(xué)習(xí)已成為互聯(lián)網(wǎng)+時代教育發(fā)展的重要形式,數(shù)據(jù)驅(qū)動的分析和挖掘也為教育研究提出了一種新的范式[1].針對學(xué)習(xí)者在網(wǎng)絡(luò)學(xué)習(xí)的過程中產(chǎn)生的大量行為數(shù)據(jù)進行網(wǎng)絡(luò)學(xué)習(xí)行為的學(xué)習(xí)分析與研究,對開展個性化學(xué)習(xí),提高學(xué)習(xí)效果,支持教學(xué)決策具有重要意義.

      雖然對網(wǎng)絡(luò)學(xué)習(xí)行為的研究已成為學(xué)習(xí)分析領(lǐng)域的熱點,但仍存在網(wǎng)絡(luò)學(xué)習(xí)行為數(shù)據(jù)利用不全面、實際應(yīng)用研究不充分等問題.由于互聯(lián)網(wǎng)技術(shù)和信息技術(shù)的快速發(fā)展,可以對特定情境下的網(wǎng)絡(luò)學(xué)習(xí)行為模型進行深入研究,給出個性化的網(wǎng)絡(luò)學(xué)習(xí)指導(dǎo)建議.本文以山東師范大學(xué)高等數(shù)學(xué)網(wǎng)絡(luò)課程中99名學(xué)生的網(wǎng)絡(luò)學(xué)習(xí)行為數(shù)據(jù)為研究對象,展開以下研究:構(gòu)建交互視角下多維度的網(wǎng)絡(luò)學(xué)習(xí)行為模型,引入基于交互時間的行為特征,挖掘有意義的網(wǎng)絡(luò)行為特征;根據(jù)網(wǎng)絡(luò)學(xué)習(xí)行為特征對學(xué)習(xí)群體進行聚類分析,將學(xué)生分為卓越型、積極型、一般型、拖延型和消極型五種,給出個性化學(xué)習(xí)建議.

      2 文獻綜述

      國內(nèi)學(xué)者針對網(wǎng)絡(luò)學(xué)習(xí)行為的研究主要表現(xiàn)在建立學(xué)習(xí)者行為模型[10]、挖掘影響學(xué)習(xí)效果的學(xué)習(xí)行為、預(yù)測學(xué)習(xí)效果[11]和分析學(xué)習(xí)者群體的學(xué)習(xí)特點等方面.朱珂[12]構(gòu)建了網(wǎng)絡(luò)學(xué)習(xí)空間中的學(xué)習(xí)者交互模型,度量了模型的參數(shù),并對學(xué)習(xí)者的交互做了可視化分析.李有增等人[13]以學(xué)生人口數(shù)據(jù)、學(xué)習(xí)行為數(shù)據(jù)和校園行為數(shù)據(jù)為研究對象構(gòu)建學(xué)生行為分析模型,運用大數(shù)據(jù)技術(shù)為學(xué)校提供多方面的建議.吳林靜等人[14]對各類網(wǎng)絡(luò)學(xué)習(xí)行為進行有效分類和度量,并挖掘?qū)W習(xí)者的相關(guān)網(wǎng)絡(luò)學(xué)習(xí)行為模式.曹天生等人[15]采用統(tǒng)計分析法、社會網(wǎng)絡(luò)分析法等探討了分組策略對交互深度的影響程度.趙慧瓊等人[16]采用多元回歸分析法探究并分析了影響學(xué)生學(xué)習(xí)績效的預(yù)警因素.武法提等人[17]基于個性化學(xué)習(xí)模式建立了個性化行為分析模型,并設(shè)計了學(xué)習(xí)結(jié)果預(yù)測框架.王改花等人[18,19]采用數(shù)據(jù)挖掘方法與統(tǒng)計學(xué)方法對網(wǎng)絡(luò)學(xué)習(xí)行為進行定量分析,探討網(wǎng)絡(luò)學(xué)習(xí)行為與學(xué)習(xí)成績的關(guān)系,進而預(yù)測學(xué)習(xí)成績,并提出適當(dāng)干預(yù).許興等人[20]從學(xué)生的實際網(wǎng)絡(luò)數(shù)據(jù)中提取一組特征,利用決策樹、神經(jīng)網(wǎng)絡(luò)和支持向量機機器學(xué)習(xí)算法對學(xué)習(xí)成績進行預(yù)測,結(jié)果發(fā)現(xiàn),隨著特征數(shù)目的增加,預(yù)測精度普遍提高.胡航等人[21]構(gòu)建了一種基于決策樹和深度神經(jīng)網(wǎng)絡(luò)的模型,依據(jù)日志數(shù)據(jù)診斷學(xué)生在線學(xué)習(xí)行為、借閱行為等,預(yù)測學(xué)習(xí)績效.

      從國內(nèi)外的相關(guān)研究可以看出,研究者在挖掘網(wǎng)絡(luò)學(xué)習(xí)行為特征、預(yù)測學(xué)習(xí)效果等方面已取得了顯著成果,但仍有可以改進之處.例如,在挖掘?qū)W習(xí)行為特征方面,注重學(xué)習(xí)行為的次數(shù)分析,較少對學(xué)習(xí)行為的發(fā)生時間進行分析.為此,本文引入了基于交互時間的網(wǎng)絡(luò)學(xué)習(xí)行為特征,構(gòu)建了交互視角下多維度的網(wǎng)絡(luò)學(xué)習(xí)行為模型,在此基礎(chǔ)上對學(xué)習(xí)群體進行聚類分析,歸納出不同類型學(xué)生的網(wǎng)絡(luò)學(xué)習(xí)特征,并給出個性化學(xué)習(xí)建議.

      3 交互視角下網(wǎng)絡(luò)學(xué)習(xí)行為模型

      網(wǎng)絡(luò)學(xué)習(xí)行為數(shù)據(jù)主要來源于網(wǎng)絡(luò)學(xué)習(xí)過程中學(xué)習(xí)者按照自身學(xué)習(xí)需求所進行的交互活動[22].在相關(guān)研究的基礎(chǔ)[11,12,14]之上,本文構(gòu)建了圖1所示的網(wǎng)絡(luò)學(xué)習(xí)行為模型.該模型包含四個維度:人際交互、任務(wù)交互、內(nèi)容交互、系統(tǒng)交互.其中,人際交互是指學(xué)生與學(xué)生、學(xué)生與教師進行的各類交互行為;任務(wù)交互是指學(xué)生與課程任務(wù)之間的各類交互行為;內(nèi)容交互是指學(xué)生與學(xué)習(xí)資源(課件和視頻)產(chǎn)生的交互行為;系統(tǒng)交互是指學(xué)習(xí)與學(xué)習(xí)系統(tǒng)之間的各類交互行為.

      圖1 網(wǎng)絡(luò)學(xué)習(xí)行為模型

      本文以這四個交互維度為依據(jù),在相關(guān)研究的基礎(chǔ)之上,確定了網(wǎng)絡(luò)學(xué)習(xí)行為模型中各交互維度的行為特征,各行為特征的度量指標(biāo)如表1所示.人際交互包括參與討論和發(fā)表討論;任務(wù)交互包括完成作業(yè)、完成測驗、完成簽到、總簽到數(shù)和完成任務(wù)點;內(nèi)容交互包括完成課件、完成視頻和觀看視頻;系統(tǒng)交互包括登錄系統(tǒng)次數(shù)和訪問系統(tǒng)天數(shù).其中,完成作業(yè)、完成測驗、完成簽到、完成課件、完成視頻是五個關(guān)于交互時間的行為特征,是通過交互行為的發(fā)起時間、截止時間和提交時間來度量的,在以往文獻中較少提到.這些行為特征對于發(fā)現(xiàn)網(wǎng)絡(luò)學(xué)習(xí)規(guī)律、改善網(wǎng)絡(luò)學(xué)習(xí)效果具有重要意義.

      表1 網(wǎng)絡(luò)學(xué)習(xí)行為特征

      在網(wǎng)絡(luò)學(xué)習(xí)環(huán)境中,較容易獲得有關(guān)學(xué)生交互時間的數(shù)據(jù),但以往的研究中較少使用交互時間數(shù)據(jù).本文提出了一種新的量化行為特征的方法,以交互行為的時間數(shù)據(jù)構(gòu)建度量指標(biāo),進而量化行為特征.因此,完成作業(yè)、完成測驗、完成簽到、完成課件和完成視頻行為特征能夠分別表示學(xué)生網(wǎng)絡(luò)學(xué)習(xí)的提交作業(yè)、提交測驗、參與課堂簽到、瀏覽課件資源和瀏覽視頻資源行為.對學(xué)生網(wǎng)絡(luò)行為的量化,能更好地分析學(xué)生的網(wǎng)絡(luò)學(xué)習(xí)特點.

      4 實證分析

      4.1研究對象與數(shù)據(jù)采集研究對象為某高校2020年2月至6月高等數(shù)學(xué)網(wǎng)絡(luò)課程的99名學(xué)生的40多萬條網(wǎng)絡(luò)學(xué)習(xí)行為數(shù)據(jù).這些數(shù)據(jù)涉及討論、提交作業(yè)、登錄系統(tǒng)等交互行為.其中,該課程的作業(yè)任務(wù)為19次,測驗任務(wù)為20次,簽到任務(wù)為30次,任務(wù)點總數(shù)為194次,課件資源為32個,視頻資源為154個.部分行為日志數(shù)據(jù)見表2.通過對學(xué)習(xí)行為數(shù)據(jù)的分析提取如下度量指標(biāo):發(fā)表討論數(shù)量、參與討論數(shù)量、作業(yè)提交時間、測驗提交時間、簽到完成時間、課件完成任務(wù)時間、視頻任務(wù)完成時間、訪問系統(tǒng)數(shù)量、平臺登錄天數(shù)等.本文以該課程的線下期末考試成績作為學(xué)習(xí)效果進行分析.

      表2 部分行為日志數(shù)據(jù)

      4.2數(shù)據(jù)處理本文使用Python 3.7和SPSS 20.0對數(shù)據(jù)進行分析與處理,得到網(wǎng)絡(luò)學(xué)習(xí)行為模型中的12個行為特征,其處理方法總結(jié)如下:

      1) 對人際交互維度和系統(tǒng)交互維度的行為特征不進行處理,使用原始數(shù)據(jù).缺失值用0代替;

      2) 完成作業(yè)、完成測驗、完成課件和完成視頻行為特征的度量方式見算法1.缺失值用對應(yīng)截止時間代替;

      3) 完成簽到行為特征采用簽到拖延指數(shù)(TS)進行定義.簽到拖延指數(shù)的定義見公式(1).

      (1)

      其中,i為課堂簽到總次數(shù);ten為第n次簽到的發(fā)布時間;tfn為第n次簽到的截止時間;tqn為第n次簽到的完成時間;

      4) 總簽到數(shù)和完成任務(wù)點行為特征通過對應(yīng)指標(biāo)的累加值進行度量,缺失值用0代替.

      算法1:計算學(xué)生基于交互的行為特征值

      經(jīng)過以上處理,所有行為特征的取值都符合增函數(shù)的規(guī)律.例如,完成作業(yè)行為特征的數(shù)值越大,說明該學(xué)生提交作業(yè)使用的時間越少,越不拖延;完成課件行為特征的數(shù)值越小,說明該學(xué)生完成課件任務(wù)使用的時間越多,非常拖延.

      4.3特征挖掘特征挖掘主要用來挖掘出與學(xué)習(xí)效果顯著相關(guān)的行為特征,并刪除與學(xué)習(xí)效果不相關(guān)的行為特征.本文使用斯皮爾曼相關(guān)系數(shù)衡量行為特征與學(xué)習(xí)效果的相關(guān)性,得出12個行為特征與學(xué)習(xí)效果之間的相關(guān)系數(shù),見表3.若行為特征與學(xué)習(xí)效果之間的相關(guān)性低,表明該行為特征質(zhì)量不佳,應(yīng)將其刪除.

      由表3可以看出:與學(xué)習(xí)效果存在顯著相關(guān)的行為特征有參與討論、完成作業(yè)、完成簽到、總簽到數(shù)、完成任務(wù)點、完成課件、完成視頻、登錄系統(tǒng)次數(shù)、訪問系統(tǒng)天數(shù).其中,完成作業(yè)、完成簽到、完成課件、完成視頻都是和交互時間有關(guān)的行為特征,均與學(xué)習(xí)效果有較強的相關(guān)性,說明基于交互時間特征的選擇是合理的.完成作業(yè)、完成簽到、總簽到數(shù)和登錄系統(tǒng)次與參與討論數(shù)存在顯著相關(guān),說明學(xué)生登錄網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)完成課程任務(wù)時,往往伴隨著與同學(xué)、老師間的人際交互.完成作業(yè)、完成簽到、總簽到、完成任務(wù)點與完成課件、完成視頻之間存在較強的相關(guān)性,說明任務(wù)交互行為特征與內(nèi)容交互行為特征之間的相關(guān)性是顯著的.特別是完成任務(wù)點、完成課件、完成視頻和登錄系統(tǒng)次數(shù)與完成作業(yè)的相關(guān)系數(shù)均大于0.4,說明學(xué)生登錄網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)時,主要進行課程資源的學(xué)習(xí)和課程任務(wù)的完成等活動,符合網(wǎng)絡(luò)學(xué)習(xí)的普遍規(guī)律.發(fā)表討論、完成測驗和觀看視頻與學(xué)習(xí)效果的相關(guān)系數(shù)絕對值小于0.01,說明發(fā)表討論、完成測驗和觀看視頻與學(xué)習(xí)效果不存在相關(guān)性,可判定其對學(xué)習(xí)效果的解釋力不佳,將其刪除.

      表3 行為特征與學(xué)習(xí)效果的相關(guān)分析矩陣

      注:*表示顯著性水平小于0.05;**表示顯著性水平小于0.01.

      4.4聚類分析為了提高自主學(xué)習(xí)效率,改善學(xué)習(xí)效果,在上述模型的基礎(chǔ)之上,本文針對學(xué)習(xí)群體進行聚類分析.為了確定最優(yōu)的K值,本研究使用輪廓系數(shù)法對不同K值的聚類結(jié)果進行評價.輪廓系數(shù)值越趨近于1,意味著樣本與自己所在簇群的樣本很相似,并且與其他簇群中的樣本不相似,即聚類結(jié)果越趨于合理.設(shè)定K值的取值范圍為3~8,不同K值所對應(yīng)的輪廓系數(shù)值如圖2所示.

      圖2 不同簇群數(shù)量及其對應(yīng)的輪廓系數(shù)值

      本研究采用K-means聚類算法,對篩選后的9個行為特征進行聚類分析,得到五個簇群,聚類結(jié)果見表4.

      表4 聚類結(jié)果

      為了檢驗聚類后的學(xué)習(xí)群體分布是否符合正態(tài)分布,對聚類后的學(xué)習(xí)群體人數(shù)進行柯爾莫可洛夫-斯米洛夫(簡稱K-S檢驗),檢驗結(jié)果見表5.從表5可以看出,K-S檢驗的顯著性結(jié)果為0.20,說明聚類后的學(xué)習(xí)群體分布符合正態(tài)分布,與實際情況相符.由此可見,本文選取的行為特征是合理的,聚類結(jié)果是有效的.

      表5 學(xué)習(xí)群體的正態(tài)性檢驗

      從表4中可以看出,全部學(xué)生的總簽到數(shù)均高于27,由于本文使用的網(wǎng)絡(luò)課程數(shù)據(jù)較為集中,說明一般情況下,全部學(xué)生能夠完成課堂簽到任務(wù),參與每次網(wǎng)絡(luò)授課;簇1、簇2、簇3、簇4學(xué)生的完成任務(wù)點高于188,說明約95%的學(xué)生能夠完成全部任務(wù)點.簇5學(xué)生的全部行為特征值均低于其他學(xué)生.

      為了更清晰地觀察不同簇之間網(wǎng)絡(luò)學(xué)習(xí)行為特征的差異,本文通過折線圖來對聚類結(jié)果進行展示.通過對5個簇的行為特征平均值進行標(biāo)準(zhǔn)化處理,得到圖3.由圖3可以看出:這5個簇學(xué)生的多個行為特征值(參與討論、完成簽到、登錄系統(tǒng)次數(shù)和訪問系統(tǒng)天數(shù))有顯著差異,參與討論、完成簽到、登錄系統(tǒng)次數(shù)和訪問系統(tǒng)天數(shù)的值是按照簇1、簇2、簇3、簇4和簇5依次遞減的.簇1、簇2、簇3和簇4學(xué)生的完成任務(wù)點和完成視頻差異并不明顯.不同簇行為特征的差異有助于進一步分析各類學(xué)生的網(wǎng)絡(luò)學(xué)習(xí)特點,為學(xué)生提供個性化學(xué)習(xí)建議.

      圖3 聚類結(jié)果可視化

      4.5學(xué)習(xí)群體特征分析與建議為了更好地分析不同簇學(xué)生的學(xué)習(xí)效果,本文通過圖4對學(xué)習(xí)效果進行展示.依圖4可見,各簇學(xué)習(xí)效果的上限、中位數(shù)和平均值是按照簇1、簇2、簇3、簇4、簇5的順序依次遞減的.因此,將本文中的網(wǎng)絡(luò)學(xué)習(xí)群體分為以下5種類型:卓越型學(xué)生(簇1),積極型學(xué)生(簇2),一般型學(xué)生(簇3),拖延型學(xué)生(簇4),消極型學(xué)生(簇5).

      圖4 各簇學(xué)習(xí)效果分析

      4.5.1 卓越型學(xué)生——簇1 卓越型學(xué)生有11人,占學(xué)生總數(shù)11.11%,其學(xué)習(xí)效果高于其他類型.由圖3可以看出,卓越型學(xué)生的多項行為特征值均高于其他類型的學(xué)生,可見卓越型學(xué)生的網(wǎng)絡(luò)學(xué)習(xí)行為是積極的、主動的,特別是在系統(tǒng)交互維度上表現(xiàn)尤為突出.卓越型學(xué)生的完成視頻情況僅低于積極型學(xué)生,說明卓越型學(xué)生可能課前已經(jīng)掌握了部分學(xué)習(xí)內(nèi)容,因此沒有提前完成視頻任務(wù).卓越型學(xué)生有良好的自律能力,能主動積極地完成各項網(wǎng)絡(luò)學(xué)習(xí)任務(wù),通過自己在學(xué)習(xí)上的付出獲得優(yōu)異的學(xué)習(xí)效果.對于卓越型學(xué)生,應(yīng)當(dāng)豐富網(wǎng)絡(luò)學(xué)習(xí)資源,拓寬學(xué)習(xí)深度,引導(dǎo)學(xué)生向更廣、更深的層次發(fā)展.

      4.5.2 積極型學(xué)生——簇2 由圖4可以看出,積極型學(xué)生的學(xué)習(xí)效果僅低于卓越型學(xué)生.結(jié)合圖3,積極型學(xué)生的總簽到數(shù)、完成任務(wù)點和完成視頻等行為特征也都比較優(yōu)秀,特別是積極型學(xué)生完成視頻的情況顯著高于卓越型學(xué)生.可見積極型學(xué)生能充分利用網(wǎng)絡(luò)上的學(xué)習(xí)資源,積極地參與網(wǎng)絡(luò)學(xué)習(xí),從而獲得較好的學(xué)習(xí)效果.積極型學(xué)生占學(xué)生總數(shù)的25%左右,這類學(xué)生發(fā)展成卓越型學(xué)生的可能性很大.但由圖3可見,積極型學(xué)生的系統(tǒng)交互行為特征明顯低于卓越型學(xué)生.對于積極型學(xué)生,應(yīng)當(dāng)加強課前預(yù)習(xí)與課后復(fù)習(xí),積極參與師生的互動交流,積累學(xué)習(xí)經(jīng)驗,從而改善學(xué)習(xí)效果.

      4.5.3 一般型學(xué)生——簇3 從圖4可以看出,一般型學(xué)生的學(xué)習(xí)效果居于中等水平,多項網(wǎng)絡(luò)學(xué)習(xí)行為特征表現(xiàn)良好.從圖3可見,一般型學(xué)生的完成作業(yè)、完成課件和完成視頻的行為特征值低于拖延型學(xué)生,說明一般型學(xué)生完成網(wǎng)絡(luò)學(xué)習(xí)任務(wù)較為困難,學(xué)習(xí)能力一般,學(xué)習(xí)動機不強烈.一般型學(xué)生占學(xué)生總數(shù)的40%左右,比重較大.對于一般型學(xué)生,應(yīng)當(dāng)通過積極參與小組協(xié)作活動、教師監(jiān)督、作業(yè)提醒等來提高自主學(xué)習(xí)性,增強學(xué)習(xí)興趣,改善學(xué)習(xí)效果.

      4.5.4 拖延型學(xué)生——簇4 拖延型學(xué)生的學(xué)習(xí)效果略高于消極型學(xué)生.圖3中的數(shù)據(jù)表明,拖延型學(xué)生的系統(tǒng)交互行為遠低于卓越型學(xué)生,說明拖延型學(xué)生不能積極主動地參與網(wǎng)絡(luò)課程的學(xué)習(xí),沒有完成網(wǎng)絡(luò)課程的學(xué)習(xí)任務(wù),達不到應(yīng)有的學(xué)習(xí)效果.通過調(diào)研發(fā)現(xiàn),原因可能是拖延型學(xué)生的知識基礎(chǔ)較薄弱,學(xué)習(xí)能力較差,缺乏學(xué)習(xí)動機,因此,在完成學(xué)習(xí)任務(wù)時存在一定的拖延.對于拖延型學(xué)生,應(yīng)當(dāng)及時提醒學(xué)生完成網(wǎng)絡(luò)學(xué)習(xí)任務(wù),加強與課程有關(guān)的基礎(chǔ)知識的學(xué)習(xí).教師應(yīng)鼓勵學(xué)生積極參與網(wǎng)絡(luò)課程的學(xué)習(xí),盡可能地避免完成學(xué)習(xí)任務(wù)時的拖延,在一定程度上改善學(xué)習(xí)效果.

      4.5.5 消極型學(xué)生——簇5 消極型學(xué)生的數(shù)量較少,只有4名學(xué)生,學(xué)習(xí)效果較差.由圖3可以看出,消極型學(xué)生幾乎不參與討論,很少訪問網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng),說明消極型學(xué)生缺乏基本的自我學(xué)習(xí)能力,不關(guān)注自己的學(xué)習(xí)效果,有嚴(yán)重的學(xué)習(xí)拖延傾向.對于消極型學(xué)生,可以通過自我激勵提高學(xué)習(xí)積極性,加強與師生的溝通交流,督促其完成學(xué)習(xí)任務(wù),盡量改善學(xué)習(xí)效果.

      5 結(jié) 論

      網(wǎng)絡(luò)學(xué)習(xí)行為特征的研究對于發(fā)現(xiàn)網(wǎng)絡(luò)學(xué)習(xí)規(guī)律、提高網(wǎng)絡(luò)學(xué)習(xí)效果具有重要意義.本文提出了包含人際交互、任務(wù)交互、內(nèi)容交互和系統(tǒng)交互維度的網(wǎng)絡(luò)學(xué)習(xí)行為模型,根據(jù)獲取的網(wǎng)絡(luò)學(xué)習(xí)行為數(shù)據(jù),提取了發(fā)表討論數(shù)、作業(yè)提交時間、訪問系統(tǒng)數(shù)等多個度量指標(biāo),據(jù)此進一步構(gòu)建了參與討論、完成課件等12個網(wǎng)絡(luò)學(xué)習(xí)行為特征.特別地,本文引入了五個基于交互時間的行為特征,即完成作業(yè)、完成簽到、完成測驗、完成課件和完成視頻,使得對網(wǎng)絡(luò)學(xué)習(xí)行為特征的研究不再局限于學(xué)習(xí)次數(shù)的分析,對網(wǎng)絡(luò)學(xué)習(xí)行為的分析具有重要參考價值,可以更好地發(fā)現(xiàn)網(wǎng)絡(luò)學(xué)習(xí)行為的拖延傾向.通過分析行為特征與學(xué)習(xí)效果的相關(guān)性,挖掘出參與討論、完成作業(yè)、登錄系統(tǒng)次數(shù)等9個有意義的網(wǎng)絡(luò)學(xué)習(xí)行為特征.

      為發(fā)現(xiàn)不同網(wǎng)絡(luò)學(xué)習(xí)群體的學(xué)習(xí)規(guī)律,本文通過輪廓系數(shù)法確定了最佳聚類簇數(shù),對研究對象進行了聚類分析,最終得到5種不同類型的學(xué)習(xí)群體:卓越型學(xué)生、積極型學(xué)生、一般型學(xué)生、拖延型學(xué)生和消極型學(xué)生.經(jīng)檢驗,聚類得到的學(xué)習(xí)群體符合正態(tài)分布.聚類可視化結(jié)果顯示,卓越型學(xué)生的學(xué)習(xí)效果最為優(yōu)異,能主動積極完成各項學(xué)習(xí)任務(wù);積極型學(xué)生能夠充分利用網(wǎng)絡(luò)學(xué)習(xí)資源,從而獲得較好的學(xué)習(xí)效果;一般型學(xué)生在完成學(xué)習(xí)任務(wù)方面較為困難,學(xué)習(xí)效果居中;拖延型學(xué)生的學(xué)習(xí)能力較差,學(xué)習(xí)動機不強烈;消極型學(xué)生的學(xué)習(xí)效果較差,不具備基本的自我學(xué)習(xí)能力.針對不同學(xué)習(xí)群體的學(xué)習(xí)行為特點和學(xué)習(xí)規(guī)律,本文給出了個性化的建議,期望改善各學(xué)習(xí)群體的網(wǎng)絡(luò)學(xué)習(xí)效果.由于本研究目前的樣本數(shù)較少,因此下一步的重點是將網(wǎng)絡(luò)學(xué)習(xí)行為模型應(yīng)用到更大規(guī)模的在線課程學(xué)習(xí)體系中.

      猜你喜歡
      卓越學(xué)習(xí)效果聚類
      “百詞斬”對于大學(xué)英語四級詞匯學(xué)習(xí)效果的實證研究
      民族文匯(2022年14期)2022-05-10 03:08:22
      創(chuàng)優(yōu)陽江 追求卓越
      中國核電(2021年3期)2021-08-13 08:56:14
      基于學(xué)習(xí)性評價原則提高研究性學(xué)習(xí)效果的研究
      蓮心寶寶有話說
      大作為 走向卓越
      基于DBSACN聚類算法的XML文檔聚類
      電子測試(2017年15期)2017-12-18 07:19:27
      創(chuàng)新,只為追求更加卓越
      中國公路(2017年11期)2017-07-31 17:56:26
      卓越之夢
      海峽姐妹(2016年2期)2016-02-27 15:15:28
      基于改進的遺傳算法的模糊聚類算法
      一種層次初始的聚類個數(shù)自適應(yīng)的聚類方法研究
      404 Not Found

      404 Not Found


      nginx
      长白| 金门县| 海兴县| 河源市| 新野县| 会同县| 华安县| 朝阳县| 中宁县| 南安市| 和政县| 库伦旗| 乳山市| 望江县| 宁晋县| 渝中区| 连江县| 南部县| 郓城县| 化隆| 威远县| 鄂尔多斯市| 荔波县| 定安县| 英德市| 读书| 凤翔县| 贵州省| 新昌县| 赤峰市| 郧西县| 尼勒克县| 承德市| 岐山县| 互助| 文安县| 册亨县| 丽水市| 阿瓦提县| 清流县| 连云港市|