您的位置: turnitin查重官网> 教学 >> 高中教学 >> 高中物理教学 >“大数据”和教育

“大数据”和教育

收藏本文 2024-01-21 点赞:3863 浏览:13731 作者:网友投稿原创标记本站原创

摘要:未来世界是信息处理的世界,如何更好地分析数据并与别人分享数据,也将是未来教育发展的一个方向。师生们在对Moodle网络学习平台的长时间研究应用过程中积累了大量的数据,如何深入应用这些数据,并通过分析这些数据对教育教学产生有意义的影响?本文通过数据挖掘技术分析了所积累的数据,进一步扩展Moodle的功能,以期更好地为教育事业怎么写作。
关键词:数据挖掘;Moodle
Moodle网络学习平台,是基于社会建构主义教育理论而开发的课程管理系统(CMS)。我校自2006年开始学习和使用Moodle平台来支持教学,积累了大量的复杂数据,如何充分有效地使用这些数据成为了一个新课题。在读了涂子沛老师的《大数据》后发现数据挖掘是一种有效利用这些数据的方法。目前,数据挖掘技术已经在商业领域得到了广泛使用,如银行、股市、保险、医药、零售等。将其应用于教育领域,势必成为教育信息化发展的一种重要趋势。
本研究选取本校利用Moodle搭建的网络学习平台,以2007~2012年学生学习数据作为研究对象,平台(:http://.cn/soft/ACRD4CHS.EXE">PDF浏览器用户请先下载安装

源于:大学毕业论文www.udooo.com

2.试卷分析

如下页表3前两行所示,对本次考试总体成绩及试卷进行了分析,在数据挖掘中,对试题的难度使用首次答题平均分和成绩中值表示,这个数据将可以为试卷的组成提供选题的根据,从而对考试分数的分布偏度和分布形态产生直接的影响。理想情况下,整个试卷的分数分布偏度为0,本次测验为负偏度说明题目较容易。

3.学生分析

Moodle平台的测验模式有多种,本测验设置了多次试答取最高分显示模式,以便学生在考试或者测试后立即获得成绩和排名,通过“回顾”找到自己学习知识点的优势和不足,及时调整下一步的努力方向。因此可以通过数据挖掘技术对学生的多次试答成绩进行分析,从而分析学生的进步情况、学习障碍、知识点和知识单元的掌握情况等,还可以利用一些更复杂的分析工具对其进行各科目测试成绩的横向比较。
总之,利用这些信息,教师可以持续地对测验进行维护。例如,教师可以删除不规范的题目,修改太难或太简单的问题。这些分析结果可为学生了解自己的学习状况、教师监控学生的学习状况提供参考,并为教师做出教学决策提供依据。
目前应用存在的主要问题有:①某些学科试题编辑的难度大,如数学、物理、化学等学科涉及一些特殊符号,在试题编辑时一些填空、证明、计算题设计有一定难度。令人欣慰的是Moodle平台是个开放性平台,全世界对它感兴趣的人都在不断完善它,如WIRIS就是一个专门为数学开发的插件,利用它可以完成大部分数学试题编辑。②有些题目还无法实现自动判分,不能及时反馈,如语文、英语学科的作文就只能辅助以人工判分。
● Moodle平台的互动评价(Workshop)的数据挖掘
“互动评价”是其他网络学习平台所不具备的,Moodle平台的互动评价是为教学“量身写作”的,评价可以具体到学生作品的某个具体的点,并且能用具体的分数和等级体现。互动评价是同学间的评价。即由同班级学生,针对某个作品进行学习成果互评。在此过程中,学生的角色不再只是被评价者,不只是完成自己的作业,还要对别人的作品进行评价,因此要仔细欣赏别人的作品,表达自己的观点、提出批判及建议的同时也要学习别人的优点。而就被评者的角色而言,学生在接受别人的建议后,进一步修改作品。通过反复的评价及修改,在互动评价过程中,学生们可以借此不断地累积学习经验。所以互动评价不只是评价,其过程更是一个学习的过程。而“学生自评”顾名思义就是学生根据教师给出的评价标准和自己的完成过程及满意程度给自己的作品做出评价,是学生提高自我认识、促进自我反省的过程。对互动评价的数据挖掘主要从以下三方面进行。

1.教师参与情况统计分析

Moodle2.0后的版本对互动评价进行了改写,将教师和学生置于同等位置,减小了教师对学生的评价干预。通过两种评价比较分析发现,如果评价设计合理,不仅能正确评价学生,并且更有利于培养学生公正评价自己和他人的态度。

2.学生评价对象分配统计分析

Moodle2.0后的版本中学生的评价对象既可以随机分配也可以手动分配。为促使小组成员公正互评,防止恶评,可以进行分组用组成绩评价学生,分配时“启用防止同组学生互评”

源于:论文网站大全www.udooo.com

选项,每一个作品评价人数和每一个成员评价作品数都控制在5人以上,这样每一学生对同一作品评价行为都受到其他人制约。通过对不同版本评价的数据研究发现,在学生的时间允许情况下,参与评价的人数越多评价结果越趋于合理。

3.学生评价数据的统计分析

最初使用互动评价时,采用了让学生对评价作品打分方法评价作品。弊端是学生评价作品标准不同,而且学生很难区分分数细微差别。随着应用深入,在评价表中设计了“是/否”、“好/中/差”(3级)、“很好/好/中/差/很差”(5级)等评价标准,结合打分方法,使得学生对作品既有定量评价,又有定性评价。通过对比研究发现评价结果更加趋于合理。
总之,通过对网络课程的数据进行挖掘,可为教师提供如学生在线参与学习活动情况、学生的学习偏好、学习效果等信息,通过这些信息教师可以进一步改进教学策略,以提高教学效果和质量。通过研究发现教师在课程中的主导作用在逐渐淡化,成为了课程设计的“幕后导演”,虽然没有了“主演”的风光,却从更深层次决定了课程的质量。
参考文献:
涂子沛.大数据[M].桂林:广西师范大学出版社,2012.
黎加厚.信息化课程设计——Moodle信息化学习环境的创设[M].上海:华东师范大学出版社,2007.
[3]魏顺平.Moodle平台数据挖掘研究[J].中国远程教育,2011(01).
[4]王全旺,赵兵川.数据挖掘技术在Moodle课程管理系统中的应用研究[J].电化教育研究,2011(11).
[5]李钊,熊威,李琪.数据挖掘在Moodle平台中的应用浅析[J].计算机光盘软件与应用,2011(12).
[6]姜跃.数据挖掘在网络教学平台中的应用[J].软件导刊,2011(10).
[7]刘宇.基于Moodle平台的远程学习监控与动态评价[J].南京邮电大学学报(社会科学版),2011(6).

copyright 2003-2024 Copyright©2020 Powered by 网络信息技术有限公司 备案号: 粤2017400971号