新書推薦：
《
索恩丛书·北宋政治与保守主义：司马光的从政与思想（1019~1086）
》
售價：NT$
345.0
《
掌故家的心事
》
售價：NT$
390.0
《
农为邦本——农业历史与传统中国
》
售價：NT$
340.0
《
小麦文明：“黄金石油”争夺战
》
售價：NT$
445.0
《
悬壶杂记全集：老中医多年临证经验总结（套装3册） 中医医案诊疗思路和处方药应用
》
售價：NT$
614.0
《
无法忍受谎言的人：一个调查记者的三十年
》
售價：NT$
290.0
《
战争社会学专论
》
售價：NT$
540.0
《
剑桥意大利戏剧史（剑桥世界戏剧史译丛）
》
售價：NT$
740.0
|
| 編輯推薦： |
|
在受疫情严重干扰的几年中，在线学习成为各大中学校一种重要的学习方式，有效地降低了疫情的负面影响，也必将长期影响今后学校的教学方式。本书基于三所高校混合课程中学生的在线学习行为数据，对于当前研究领域中亟待讨论的问题，如收集哪些在线学习数据、如何处理和转换学生在线学习数据等问题如何界定统一的指导原则；混合课程学习成绩预测模型如何构建及其准确性如何保障；已构建的混合课程学生成绩预测模型的通用性限制条件等，进行了全面探讨，并进一步提出混合课程学习成绩预测模型的跨课程迁移应用条件。
|
| 內容簡介： |
|
在受疫情严重干扰的几年中，在线学习成为各大中学校一种重要的学习方式，有效地降低了疫情的负面影响，也必将长期影响今后学校的教学方式。本书基于三所高校混合课程中学生的在线学习行为数据，对于当前研究领域中亟待讨论的问题，如收集哪些在线学习数据、如何处理和转换学生在线学习数据等问题如何界定统一的指导原则；混合课程学习成绩预测模型如何构建及其准确性如何保障；已构建的混合课程学生成绩预测模型的通用性限制条件等，进行了全面探讨，并进一步提出混合课程学习成绩预测模型的跨课程迁移应用条件。
|
| 關於作者： |
|
罗杨洋，博士，兰州大学高等教育研究院讲师，主要研究方向：混合教学中的学习分析，教育大数据。在《中国电化教育》、《清华大学教育研究》、《电化教育研究》等核心期刊发表过论文。获得过两项国家发明专利。作为主要成员参与国家社会科学基金“十三五”规划2020年度教育学一般课题“基于系统论的职业院校在线教育体系、模式、评价研究”（主持人：周潜）。参与国家社科基金2020年度教育学重点委托课题“国家“十四五”时期教育信息技术学科发展研究”（主持人：韩锡斌）。
|
| 目錄：
|
第1章引言
1.1混合课程学生成绩预测的背景及问题
1.2本研究的意义
1.2.1理论意义
1.2.2实践意义
1.3本研究所涉及的核心概念
1.3.1混合课程
1.3.2学生在线学习行为
1.3.3学习成绩预测
1.3.4机器学习算法
1.4本研究结构
第2章文献综述
2.1混合课程中学习成绩预测研究的进展
2.1.1混合课程中学习成绩预测研究回溯
2.1.2完全在线课程中基于学生在线行为预测学习成绩研究的进展
2.1.3混合课程中基于学生在线行为预测学习成绩研究的进展
2.2混合课程中基于学生在线行为的学习成绩预测建模方法
2.2.1基于学生在线学习行为的学习成绩预测建模的数据收集与预处理
2.2.2基于学生在线学习行为的学习成绩预测建模的机器学习算法选择
2.2.3混合课程分类对学习成绩预测结果的影响
2.2.4学习成绩预测结果的验证和评价
2.2.5学习成绩预测结果的解释
2.3本章小结
第3章研究设计
3.1研究问题
3.2研究框架
3.3基于设计的研究方法
3.4研究路线
3.5本章小结
第4章面向学习成绩预测的混合课程分类方法
4.1研究案例及数据收集
4.1.1山东L高等院校混合课程描述
4.1.2数据收集及预处理方法
4.2混合学习行为的聚类分析及意义
4.2.1聚类方法选择
4.2.2聚类过程描述
4.2.3聚类结果分析
4.2.4聚类结果的讨论
4.3面向学习成绩预测的混合课程分类
4.3.1面向学习成绩预测的混合课程分类方法
4.3.2面向学习成绩预测的混合课程分类结果
4.3.3面向学习成绩预测的混合课程分类结果的讨论
4.4本章小结
第5章混合课程学习成绩预测模型的构建
5.1数据准备及预处理
5.2基于学生在线学习行为的学习成绩变量选择及处理
5.2.1预测变量的选择
5.2.2结果变量的处理
5.3预测方法选择及预测过程
5.3.1基于在线学习行为的混合课程成绩预测算法选择
5.3.2混合课程中基于在线行为的学习成绩预测模型构建
5.4预测结果分析及讨论
5.4.1混合课程中基于在线行为的学习成绩预测结果及评价
5.4.2不同混合课程类别的学习产出预测结果讨论
5.4.3学生在线学习行为与成绩的相关性对训练预测模型影响的讨论
5.5本章小结
第6章混合课程分类方法验证和学习成绩预测模型优化
6.1混合课程中学生行为数据量对学习成绩预测的影响
6.1.1数据合并及预处理
6.1.2数据合并后的混合课程分类
6.1.3数据合并后的学习成绩预测
6.2增量学习方法构建混合课程学习成绩预测模型的效果
6.2.1数据准备及预处理
6.2.22019—2020年第二学期的混合课程分类
6.2.3使用增量学习方法基于学生在线行为预测混合课程的学习成绩
6.3不同情境下的预测结果讨论
6.3.1通过增量学习迁移应用学习成绩预测模型的讨论
6.3.2数据合并后预测变量特征的讨论
6.3.3数据合并后批量学习所得预测结果的讨论
6.4本章小结
第7章学习成绩预测模型的跨课程迁移应用
7.1公共基础课教学场景的预测模型迁移应用
7.1.1研究案例的数据收集与预处理
7.1.2预测模型的三种迁移应用方式
7.1.3预测结果
7.2专业基础课教学场景的预测模型迁移应用
7.2.1研究案例的数据收集和预处理
7.2.2预测模型的3种迁移应用方式
7.2.3预测结果
7.3预测模型迁移应用结果的讨论
7.3.1模型迁移应用条件的讨论
7.3.2在线学习行为数据分布与预测结果准确率的讨论
7.3.3预测结果稳定性讨论
7.4本章小结
第8章研究结论
8.1研究结论
8.2创新点和局限性
参考文献
后记
|
| 內容試閱：
|
近年来越来越多的高校教师开始采用混合教学方式进行授课，新冠疫情加速了这个进程。在混合教学中，可以随时利用网络教学平台记录的数据，对学生学习效果进行动态评价，该方法涉及基于学生在线学习行为进行学习成绩预测的问题。与完全在线教学相比，混合教学中学生的学习行为包括线上和线下两个部分，仅仅依据线上的行为数据实施预测具有很大挑战性。将混合课程进行分类，然后基于某类课程进行预测是目前共识的研究思路，然而，如何对混合课程进行分类？如何构建预测模型？预测精度如何估计？模型的通用性如何？这些问题仍然没有得到很好的解决。
本研究基于三所高校混合课程中学生的在线学习行为数据，探讨混合课程的分类方法，构建基于机器学习算法的学习成绩预测模型，分析影响预测的因素，评估预测精度。采用基于设计的研究方法，主要开展了以下研究： (1)采集了一所高校网络教学平台中2018—2019年第一学期全部2456门混合课程的在线数据，提出了依据学生在线学习行为聚类对混合课程进行分类的方法，并将课程分为五种类型： 不活跃型课程、低活跃型课程、任务型课程、阅览型课程和高活跃型课程。(2)对比了不同机器学习算法在五类课程中构建学习成绩预测模型的准确率。发现使用批量学习的随机森林算法构建的预测模型准确率最高； 五种类型的混合课程中，只有“高活跃型课程”的预测准确率最高，预测结果准确率平均可达74.7%； 且成绩较好的学生预测结果准确率高于其他学生。(3)采集了同一所高校2019—2020年第二学期全部1851门混合课程的在线数据，验证了前文提出的混合课程分类方法的有效性，并对已构建的预测模型进行了优化。(4)选取另外两所高校的两门混合课程作为案例，对上述预测模型的通用性进行了检验，发现当案例课程与前述“高活跃型混合课程”的学生在线学习行为聚类特征相似时，已构建模型的预测准确率较高； 在新课程的数据输入时使用增量学习方式相对于批量学习方式所得的预测结果准确率更高。
本研究为教学智能技术的开发者提供了理论指导、技术路径和实践先例。如果你致力于开发使用学生不完全学习过程数据预测学习成绩的智能工具，本研究将说明预测模型的构建流程、数据处理方法和结果迁移应用的限制和条件。本研究同时为高等院校中致力于开展混合教学的教师采用智能技术分析教学过程、优化教学设计提供了实践指导。如果你对学生在混合教学中的学习行为模式感兴趣，本研究将详细说明学生在线学习行为模式的分类方式及其对混合课程类型的影响。如果你正在混合教学中尝试使用智能技术，分析学生学习行为、预测学习成绩，本研究将为你介绍在混合教学场景下智能技术的依赖和限制，并为你提供基于学生在线行为的混合课程学习成绩预测结果的可信度判断方法。如果你是专注研究混合教学的学者，本研究将为你提供研究混合课程中学生成绩预测的新视角。
本研究的所有章节都致力于阐述以下三个要点： (1)仅使用学生的在线行为数据预测学生成绩需将混合课程分类，而基于学生在线学习行为的聚类特征进行分类时，分类结果具有良好的通用性，便于计算机自动化编码实现。(2)在混合课程中基于学生在线学习行为进行学习成绩预测是具有判别条件的，未达到判别条件的成绩预测模型无法获得准确的预测结果。(3)混合课程学习成绩预测模型是可跨课程迁移应用的，且具有相应的应用条件。
罗杨洋
2021年12月
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
