学习分析技术综述
一、学习分析技术的起源与发展
学习分析是一个新兴的、正在发展的学科，是技术促进学习研究中增长最快的领域之一，也是当前的研究热点。美国新媒体联盟与美国高校教育信息化协会主动学习组织合作“新媒体联盟地平线项目(The New Media Consortium's Horizon Project)”的 2010 年度和2011年度报告中，预测基于数据的学习分析技术将在未来的四到五年内成为主流，并对学习分析技术在教学、学习、研究和知识生成等方面所具有的作用进行了分析,勾勒了其广泛的应用前景。近年来,在教育技术领域，学习分析逐渐成为了迅速发展的新热点之一。我们可以看出，各种学习技术系统中己经获取并储存了大量的学习者学习行为数据，而且这些学习行为的数据还在迅速增加，这就急迫需要一种新的技术对这些数据进行分析, 为改进学习实践、增强学习效果提供依据。尽管在传统教学过程中也能够评估学生的成绩、分析教学过程,从而提高教学的质量，但是所采集的数据往往不够充分,信息化程度较低，而且分析结果用于干预教学的周期过长，效果不明显。因此，学习分析技术逐渐浮现出来，并受到越来越多的关注。［1］
二、学习分析技术背景
在学习分析概念形成之前，相关方法、技术和工具都已经发展起来了。学习分析从一系列研究领域汲取技术，如数据统计、商业智能 (Business Intelligence)、网页分析(Web Analytics)、运筹学(Operational Research)、人工智能(AI)、教育数据挖掘(EDM )、社会网络分析、信息可视化等。数据统计历来作为一个行之有效的手段用来解决假设检验问题。商业智能以数据仓库、联机分析处理、数据挖掘等技术为基础，从不同的数据源中提取数据，将之转换成有用的信息，它与学习分析有相似之处，但它历来被定位于通过可能的数据访问和绩效指标总结使生产更高效。网页分析工具，如Google analytics通过网页访问量 ,与互联网网站、品牌等的关联做出报告，这些技术可以用来分析学生的学习资源(课程,材料等)以追踪学生的学习轨迹。运筹学通过设计优化数学模型和统计方法使目标最优化。人工智能和数据挖掘中的机器学习技术建立在数据挖掘和人工智能方法上，它能够检测数据中的模式。在学习分析中的类似技术可用于智能教学系统，以更加动态的方式对学生进行分类而不是简单地进行人口统计分类，可以通过协同过滤技术对特定的资源建立模型。社会网络分析可以分析出隐含的人与人(如在论坛上的互动)和外显的人与人(如朋友或者关注对象)之间的关系，在学习分析中可用于探索网络集群、影响力网络、参与及不参与状况。信息可视化是很多分析的重要一步(包括上面列出的那些分析方法)，它可以用来对所提供的数据进行意义建构，John Tukey1977年在他的《探索性数据分析》一书中给我们介绍了如何更好地利用信息可视化，Turkey强调使用可视化的价值在于帮助在形成正式的假设之前做检验。以上这些学习分析技术都可以对大量数据进行分析和处理,形成分析报告为教育提供帮助。［2］
三、国内外研究现状
2011年2月底，首届“学习分析技术与知识国际会议”在加拿大的阿尔伯达省班芙市举行，主题之一就是学习分析技术。美国新媒体联盟发布的2010年度和2011年度《地平线报告》均预测学习分析技术将在未来的四到五年内成为主流。可见，学习分析技术已逐渐成为教育中的一项新兴技术。事实上，在“学习分析技术”概念出现之前,与之相关的技术、工具及其应用研究已经开展起来。2004年在高等教育中出现的“智能导师系统”和“人工智能系统”掀起了“教育数据挖掘”研究的热潮,也促使学术分析技术这一关注学习者行为的分析技术的诞生。Romero&Ventura(2007)以及Baker &Yacef(2009)对10余年的教育数据挖掘研究进行分析,归纳出5类教育数据挖掘方法,它们是统计分析与可视化;聚类(聚类、离群点分析);预测(决策树、回归分析、时序分析);关系挖掘(关联规则挖掘、序列模式挖掘、相关挖掘);文本挖掘。另外,随着网络学习及相关学习管理系统的不断普及,数据挖掘方法在学习管理系统中得到应用, 并开启了利用网络分析技术对学习者行为加以分析的研究, Romero等人(2005)对Moodle学习平台的日志分析是这方面研究的典范。记录在学习管理系统中的学习者行为数据,经过聚集、分类、可视化以及关联规则分析等操作,生成实时的数据报告,或者利用从行为数据中反映出的常模来生成预测模型。随着学习分析研究与实践的不断深入,除了数据挖掘方法外,一些原本属于社会科学领域的方法如社会网络分析法、话语分析法、内容分析法等也得到成功应用并成为学习分析的关键技术,这些方法的典型应用之一是师生交互行为分析。［3］
四、学习分析技术的内涵
学习分析技术是一个新兴的研究领域，学习分析技术是对学生生成的海量数据的解释，以评估学生的学术进展，预测未来的表现，并发现潜在的问题。简单地说，学习分析技术旨在应用数据分析为教育系统的各级决策提供参考,关键内容就是应用于教育领域的大数据
分析。这一研究方法原先来自于商业领域，商家通过对消费者的活动进行数据发掘分析来把握消费趋势。比如淘宝网会根据用户购买和浏览过的产品，来推断用户对某类产品的偏好。又如在社交网站中，新浪微博会根据个人的关注对象推荐该用户可能感兴趣的其他对象。这类技术的实质，就是通过对数据的提取、归类、分析与总结，进行统计性的预测和判断。基于学生相关数据的分析则是以学生群体为主体，以设计出更完善的教学方法为目标，致力于为学生提供高质量、个性化的学习体验，并评估制定的学习计划是否能有效帮助学生加强学习, 这些分析结果对于教学双方来说都具有重要的意义。对教育工作者和研究人员而言，学习分析在剖析学生与在线文本、课件之间的互动中发挥着至关重要的作用。对学生而言,通过开发用于分析学生具体数据的移动软件和在线平台, 能够为学生提供符
合他们学习需求的支持服务系统，使他们受益于学习分析，提高学习成绩和学习效率。［4］五、组成学习分析的成分
由定义可知,学习分析的核心是收集相关的分析数据。目的是评估、预测学习群体的学习状态和学习效果;最终目标是提供个性化的学习支持。学习分析由五个部分组成:
1.数据收集：这些数据可以来自学生的基本信息，也可以是学生在学习生活中的行为
信息，如学生的兴趣爱好、经常使用的学习工具等数据信息。
2.分析：使用学习分析工具将手机的数据进行需要分析。结果以表格、图表等可视化
的形式呈现在各种媒体上。
3.学生学习：学习分析核心的分析对象就是学生的学习。学习分析告知教师:学生在做什么,他们将时间花在什么地方,他们获取了哪些内容,学生学习的进展如何等方面的问题。
4.反馈：学习分析的结果可以提供给教师、学生以及管理者。学生可以将分析结果作
为自身学习的一个监督量表。而教师和管理者则是依据分析结果重新规划教学活动,提高教学质量。
5.干预：学习分析不仅仅是判定学生处在什么样的一个学习状态中。更是通过学生课
程学习产生的数据,掌握学生在课程学习中的特定阶段和特定活动,为学生个性化学习和指
导提供了依据。［5］
六、学习分析技术的分析方法
学习分析技术除了传统的数据分析方法外, 充分吸收了大数据时代下各个领域的新技术,
包括社会网络分析法、话语分析法和内容分析法。这些新技术的引入,使得学习分析逐渐科学化、现代化和智能化。
1.社会网络分析法(Social Network Analysis)原先是一种社会学研究方法, 它是对社会网络的关系结构及其属性加以分析的一套规范和方法, 现已广泛运用于教育领域。如果将学习者个体作为研究对象,通过社会网络分析法, 我们不难判断学习者个体向哪些同伴
寻求了学习帮助,在哪些方面产生了学习认知上的困难, 又有哪些具体的情境因素影响了
学习者个体的学习过程等。如果将整个网络作为研究对象,社会网络分析法主要关注的是网络学习过程中信息的分布和个体学习的进展情况。
2.话语分析法(Discourse Analysis)原先是一种语言学研究方法, 是在课堂对话基础
上建立的口语分析方法,经过不断发展引入到教育领域,在课堂教学实践中得到了广泛应用。在大数据时代下,话语分析的对象不仅仅只是教学过程中面对面的对话内容, 还涉及网络
课程与会议中产生的文本内容, 以及网络背景下的异步交流内容等。通过话语分析技术,我们可以对网上学习交流过程中话语的文本性含义有更深入的了解,从而探究知识建构的本质,对整个学习发生的过程获得更加清晰的认识。
3.内容分析法(Content Analysis)是一种对传播内容进行客观、系统和定量描述的研
究方法。内容分析的过程是一个层层推理的过程, 其实质是对传播内容所含信息量及其变化的分析, 即由表征的有意义的词句推断出准确意义的过程。在教育领域中运用内容分析
法,不仅可以对学习者的学习过程数据进行定量分析, 探寻学习者的行为模式;还可对其进行定性分析,运用积累的大量经验来预测当前的学习者行为, 为学习者提供个性化的学习资源服务。［6］
七、学习分析技术的模型
1.数据的收集
学习分析技术需要大量数据作为支撑,仅仅依靠结构化数据是远远不够的,必须同时收集不同系统中的非结构化数据,保障分析结果的正确性、一致性和完整性。
目前,教育系统中已经积累了大量的学生信息。信息系统中的学生信息、课程信息和教师信息这些档案类信息都可以作为学习分析的数据来源之一;课程管理系统(CMS)和学习管理系统(LMS)中也蕴藏着大量可以挖掘的信息,包括课程中的交互信息(与老师或学生的交流等)、学习表现信息(作业完成情况等)以及行为信息等;同时,基于教师经验、教师观察以及教师直觉的课程指导方针也是形成决策树分析的必不可少的部分。
2.数据的处理
结构化数据的考量很难反映一个学生在一堂课中吸收了多少知识,但是通过其在系统中的
行为反应可以转化为可量化的数据来对其学习过程进行分析。比如在在线课程中,可通过多个方面检测学生的表现:比如与同班同学相比,在网站上花费的时间;登录网站的频率; 犯
了同样错误后重复犯错的概率;在某一科目停留的时间等等。通过综合分析这些数据,可以对学生的学习行为有更深入的了解,从而更加微观地了解学生。
3.软件分析
学习分析软件按照专业程度来分,可分为专用工具和通用工具两种。“专用工具”一般是学习分析项目中的核心分析工具,它专门针对某一项目的具体要求进行设计和开发,在项目实施过程中运用该工具搜集和分析学习者数据, 从而指导教学。典型的专用工具有Socrato、SNAPP 和 LOCO-Analyst 等。而“通用工具”则是原来应用于互联网、可用性设计等其他领域的工具,后来被转用于教育情境下, 用来分析学习者如何使用教学系统, 主要有Mixpanel Analytics、Userfly、Gephi等几种。
4.行为干预
学习分析结果可用来评估学生表现,并及时提供反馈意见,同时还可根据学生的学习效果,有针对性地调整学习内容和方法,为学生提供指导和帮助,提高学生的学习能力。［7］
八、学习分析技术所带来的教学变革
1.个性化教学的变革
学习分析技术的运用可以为每个学生提供一个个性化的学习环境。例如,如果一个学生解决一个问题所花费的时间远少于其他同学,系统分析结果就会自动给予提示与线索,试图促进该学生加强学习。这种即时性的提示在过去是不可能完成的任务,学生至少要等待多天直到他们的作业被批改完。同时,在使用学习分析技术一段时间后,教师能够通过信息追踪和分析,判断自己的教学方法是否有效,从而进行相应的调整。因此,每个学生都能各自拥有一套为他们量身定制的个性化学习课程。国内外大学中,较早应用学习分析的案例之一是美国普渡大学的“信号项目”。该项目于 2007 年启动,将数据从学生信息系统、课程管理系统和课程成绩单中提取出来,按照学习表现分类,从而对那些极有可能不及格或辍学的学生有针对性地提供服务。美国奥兰治县的马鞍峰社区学院通过它的“高等教育个性化服务助理”或叫SHERPA (Service-Oriented Higher Education Recommendation Personalization Assistant)系统,运用学生数据成功实施了个性化教育。该软件为每个学生建立详细档案,记录了其完整的在校期间的日程信息、跟随导师学习的经历以及其它个人信息; 接着对这些信息进行分析,提出对时间管理、课程选择的建议,以及分析其它有助于学生在学业上获得成功的要素。
2.教师角色的变革
学习分析技术的运用将使教师不再仅仅是一个“教师”,同时承担了分析师的角色。传统意义上的教学主要是经验式的,教师凭借自己的主观判断来选择教授课程的内容和方式, 然后通过一次次的反复实践来进行验证。而大数据时代下的学习分析技术有助于教师从这种传统的教学模式中解放出来,教师所做的决策将不再是纯粹的经验式判断,而是建立在数据分析的基础上。美国教育发展中心(Education Development Center) 和学生与技术中心(Center for Children and Technology) 对如何利用数据帮助美国纽约市公立学校的教师进行教学决策开展了研究实践。他们与一家公司合作,对学生在数学学习过程中的数据进行了记录与分析,最后生成了可供教师分析的书面报告和网络报告。书面报告为教师提供了标准的全班学生学习情况的报告,为教师根据学生的需求分组、关注学生的个体特点等提供了依据。网络报告则为学校不同层次的员工提供不同层次的信息和重点。［8］
九、学习分析技术的应用
目前,学习分析技术已经在教学与科研领域开展了应用性探索,主要体现在以下几个方面:
1.教师角度
教师利用学习分析技术可获得有关学生学习成绩、学习过程与学习状态等方面的信息,为改进教学提供帮助。例如,利用学习技术系统,教师可以获得学习者的各种学习数据,包括系统登陆时间、观看课程视频的次数、课程学习消耗的时长和课程作业的完成效果等,通过分析这些数据,教师可以对学生的学习兴趣、学习态度、学习进度有深入了解,从而为制定满足学生学习需求的教学方案提供依据。
2.学生角度
学生利用学习分析技术得到的学习分析报告可以帮助其开展自我评价,使学生成为利用数据发展自我的主动学习者,从而实现认识自我、发展自我、规划自我的目标。同时,学
习分析技术也是学生开展自我导向学习的有效引导工具。通过此方法学生可以分析自己产生的学习过程数据,利用可视化方法对先前的学习时间、时长、内容和进度进行回顾,并在与同伴的比较中了解自己所处的位置。学习分析技术还可以对高危学习者提出危机预警提醒,降低学生的辍学率。
3.教育研究者角度
利用学习分析技术对学习者学习过程的数据进行深入分析, 发现每个学习者学习数据背后隐藏的学习偏好与学习模式,通过对单个学习者的学习模式及学习路径的了解,进而获得群体学习特征及规律,为差异化的学习服务提供可供参考资料。同时学习分析技术也是研究网络学习过程和效用的工具。长期以来,教育研究者一直无法准确判断多年来投入到学习过程中的技术是否实现了应有的目的,而学习分析技术恰好弥补了这一研究的缺失,通过分析教育数据来判断技术应用真实效果。［9］
十、学习分析技术的典型应用案例
目前, 国外多所大学已经开始开展学习分析的实践,包括开发学习分析系统和工具,收集学习者数据,分析学习行为模式,对学习进行干预和预测等。下面我们还将以北亚利桑那大学的GPS项目和澳大利亚Wollongong大学的SNAPP项目为案例进一步介绍学习分析技术的应用情况。
1.北亚利桑那大学的评价绩效状态系统
GPS(Grade Performance Status)是北亚利桑那大学研发的线上学生绩效评价系统, 主要用于评估该校全日制学生的课堂学习绩效。系统能够收集学习者在课堂中的表现评级,并给予相应建议,然后通过邮件发送给学习者。GPS系统邮件主要包括出勤情况、学习成绩和课业问题三，学生收到邮件后应对相关问题给予反馈。
GPS系统的工作流程如下:教师登录到GPS系统后可查询出勤率、学生评级等信息,也可以对学生的学习情况提供个性化的评价。邮件中除了教师评价外,还可包括重大活动、校历、事件的提醒以及校园网上资源的链接等。邮件发送后,系统会在学生个人门户网站上提醒查收,而邮件也会在责任教师的GPS页面中归档,使之能及时审查、更新和修改意见。教师可自主设定邮件发送频率,通常为一周一封, 以避免频繁发送邮件导致学生疲于反馈。邮件可以针对单个学生发送,也可以对班级所有学生发送。学生通过邮件获得建议和资源,及时与指导教师沟通交流。GPS系统通过这种形式帮助学习者提高他们的学习质量。
2.Wollongong 大学的学习网络可视化与评估项目
“学习网络可视化与评估项目”是由澳大利亚Wollongong大学领导，多个学校共同参与。项目基于学习分析的理念研发了学习网络可视化评估工具(SNAPP)。该软件可以从学习管理系统中收集学生的学习行为信息如在线时间、下载次数等;从论坛中提取学习过程中的交流互动数据,如发表帖子数、讨论内容、互动频次等。该项目面向在线学习的学习者,利用 SNAPP 记录和分析其学习活动情况, 使教师在学习的任何阶段都能确定学习者的行为
模式,评估对学生的学习网络,并分析其对学习的影响。这些分析结果可以用于调整教学, 为学习者提供指导,提高其学习能力。SNAPP 可以搜集的论坛中的帖子总数目、单个用户的帖子数和回复数,绘制用户的社交网络图等。通过对这些数据的加工处理,系统可以分析出
以下的信息:(1)识别出远离网络的学习者,提示教师给予关注;(2)识别出班级中的主要的
信息传播者,他们是信息交换的节点;(3)区分绩效良好和不佳的学习者, 于学习评估前进
行干预;(4) 预测学习社区在班级中的发展程度;(5)通过“快照” 提供学习“前”与“后”情况对比,观察各种活动对学习产生影响,从而优化学习活动设计;(6)为学习者观察自己的
表现提供依据。［10］
3.学习分析视角下的远程教学交互分析案例研究
研究目的:本研究的目的是应用学习分析的思路, 在开源平台和工具的支持下, 通过行为数
据分析远程教学交互过程。本案例试图展示一个进行学习分析的开源案例, 在案例分析中所涉及的平台和工具均为免费或开源软件。这些软件的获取和使用门槛均较低,可以供远程教育的研究者和实践者采用。同时,本案例更多偏重行为数据的分析。如前所述,内容分析是远程交互分析的重要研究方法。但本文着重探讨的是内容分析之外的行为分析的可行性。因此,在此案例中没有涉及内容分析的部分。
研究方法:本案例来自中央民族大学2011级的计算机基础课程,时间为2011年10月至2012年1月。课程内容包含计算机基础的基本内容,包括操作系统、Internet应用、Office、多媒体基
础等内容。授课采用混合学习模式,以网络学习为主,面授仅有6学时,网络学习持续12周。教学过程主要依托自行搭建的Moodle 教学平台进行。来自全校各个院系的106名学生参与了
该课程的学习。基于行为数据的学习分析是案例研究的主要方法。其中,着重分析了学生与资源的交互,以及学生与学生的交互。行为数据是分析的主要依据。对于整个课程而言,交互过程是较为复杂的。本文的出发点是尝试对教学交互进行分析, 试图发现特定学习阶段中的交互规律, 从而证明学习分析对于交互分析的可行性。为此, 交互分析中的数据选取方面做了如下设计: 学生与资源的交互数据选择了整个教学过程中学生对资源的访问时间和频次; 学生与学生的交互数据选择了学期开始时学生之间相互认识, 建立社会性联系阶段的交互
数据。Moodle平台记录下来的学生行为数据构成了本研究的数据来源。根据两类交互分析的需要, 笔者选择了不同的分析工具。其中, 学生与资源的交互选择了Gismo (图形化学生交互监测系统,Graphical Interactive Student Monitoring System)。Gismo系免费软件,以Moodle
组块(Block)的形式使用。Gismo通过读取Moodle数据库对学生在线学习情况进行了可视化表征。其中,关于学生资源访问情况的相关数据和可视化表征可以成为学生与资源交互的重要解释,成为教学干预的依据。学生与学生交互的分析选择了NodeXL这一工具。NodeXL是微软研究院团队开发的开源社会网络分析工具,其参与者还包括来自斯坦福、康奈尔、牛津、马里兰等大学的研究者。与既有社会网络分析工具不同,NodeXL以Excel 模板的形式使用,
在功能强大的同时,保证了分析过程的简便快捷,可以通过Excel中的数据直接生成社会网络
图示。
研究过程:Moodle自身记录了大量在线学习数据,教师用户可以在“课程管理”中的“报表”功
能中找到这些日志。在本案例中,Moodle记录下了62000 多条行为记录,包含了学习者登录
课程、阅读课程资料、参与在线活动等多方面的活动情况。这些记录可以按不同的时间和
不同的学习者进行显示, 并可以导出成为文本文件和Excel文档进行进一步分析。Moodle
记录下的交互数据较为完整, 为深入分析提供了方便。但由于数据量大, 难以直观发现其中包含的规律,且手工分析有较大难度。为了实施分析,相关工具的引入是必不可少的。
(1)学生与学习资源的交互。分析学生与资源的交互情况可以由多个视角展开,Gismo 提供了由整体到个体的不同层级的交互情况分析。从宏观角度,图2显示了本课程中学生访问资源的整体情况,其中横坐标为访问日期,纵坐标为访问频次。从中观角度,图3显示了不同模块的资
源被访问的情况,横坐标为资源名称,纵坐标为访问频次。从微观角度,图4显示了每个学生的资源访问情况, 其中横坐标为资源名称, 纵坐标为学生的学号,坐标点颜色的深浅则代表访问量的多少。颜色越深访问量越多。
(2)学生与学生的交互对于生生交互的分析。本案例研究了学期初学生彼此认识阶段中的社会性交互情况。在此阶段中, 教师要求学生完善自己的个人信息, 包括兴趣爱好等。之后,学生通过Moodle中的师生名录功能访问其他人的个人信息以实现相互了解。访问信息相关的行为数据在Moodle中被记录了下来。下页图5是通过NodeXL对本次学习活动中的交互分析的结果。NodeXL功能以独立选项卡的形式显示。交互数据被填写在Excel 的数据栏中,右侧是根据这些交互数据计算出的社会网络图。图6是对本次学习任务中的交互行为进行聚类的结果,发现其中一组交互覆盖了95%的学生(方框框出部分)。图7是对这一组交互进行进一步分析的结果。
讨论：通过对在线行为的分析,本研究发现了一些有意义的交互现象,这些现象成为了教学干预的重要依据。
(1)学生与学习资源的交互。如图2模块1所指的位置所示, 课程学习开始时,学生访问教学资源较为集中,之后渐渐减少。直到模块1作业提交时, 学生开始非常频繁地访问学习资源,以便及时完成作业。这种现象说明了学生不能很好管理学习时间,控制在线学习的过程。针对这一情况,教师与学生一同进行了对学习过程的反思, 其中强调了在线学习中时间管理与传统课堂学习的不同。学生对在线学习的进度管理有所进步。整个学习过程中, 资源访问的最高峰发生在学期大作业提交的最后期限。
(2)学生与学生的交互。图6呈现了学习活动中生生交互的整体图景。其中, 可以较为清晰地发现积极参与活动的学生和游离于活动之外的学生。图7则体现了生生之间社会性交互的一个重要细节。这一组中存在两个核心参与者(B和C)。他们分别属于不同的院系,与其他学生的交互次数最多。同时,存在一个学生(A)起到了桥(Bridge)的作用。A学生虽然没有与其他学生有频繁交互, 但与两个核心参与者都有交互。基于这一发现,进一步对A学生进行访谈了解到, 他与两个核心参与者因不同的原因相熟。于是,教师请A学生介绍B和C认识。在后期的学习中,B和C在多项活动中有积极交互,并对整个班级的在线学习起到了积极影响。
通过以上分析可以看出, 在开源工具和平台的支持下, 可以应用学习分析的思想对远程教学交互进行基于行为数据的分析。这些分析并非完备,但能够解释一些教学现象, 帮助教学者了解远程教学的发展过程,并为教学干预提供了可能。
十一、学习分析技术的未来发展前景
1.向教师、学生及课程管理人员及时反馈相关系统在搜集大量的数据后利用学习分析技术进行分析,将分析结果及时反馈给教师、学生及课程管理人员尤为必要。利用学习分析技术及其相关分析工具,教师可获得有关学生的学习绩效、学习过程以及学习环境的信息。这些信息可以为教师改进教学提供依据。不仅使教师能够及时调整自己的教学策略,优化自己的教育教学过程,而且使学生能够及时发现自己的不良学习行为,提高学习质量。通过对学习者活动数据的统计,课程管理人员可以及时修订课程,发现哪些学习资源是学习者经常关注的,哪些学习资源是学习者根本不关心的,对于学习者比较感兴趣的学习资源加以丰富,
对于学习者不感兴趣的资源进行删除,以此来优化网络空间。
2.推荐相关学习资源有关学习的推荐系统近年来获得了越来越多的关注,这些系统分析了
学习者的数据,通过统计学习者有关下载、标注、观看、阅读等行为频次,研究人员在比较分析后将学习者进行分类,最后将学习者分等级来获得课程,并为学习者推荐合适的学习资源,例如推荐学习者选择初级、中级还是高级课程。通过这一系统可以使学习者在有限的时间内提高自身的学习效率,另外还可以提高学习者的学习兴趣。
3.优化社会学习环境在技术提高学习这一环境下,学习者彼此之间的交互是如何学习
的一个核心部分。在计算机支持的协作学习中,许多研究已经集中到了对网络学习者的分析上。相关的学习分析技术通过对聊天工具、论坛,或者电子邮件客户端中被捕获的数据进行分析,不但会对学习者进行预测而且还会建议有关的小组学习活动。例如,某些学习者在某些学习系统中注册了个人账户,如果所填的个人信息某些方面表示对天文知识感兴趣,课程推荐系统会建议学习者参加天文学习小组。学习者在这个小组中通过彼此之间的信息交流、资源共享等,不仅可以吸引到更多有相同爱好的学习者,而且对提高自身研究领域的学术水平也有很大帮助。［11］
参考文献:
[1]于淼楠,贾骥,白小艳.国内外学习分析技术的比较研究分析[J].课程教育研究,2014(7).
[2]胥果.运用学习分析技术促进网络教育平台发展[J].软件导刊,2013(12):185-186.
[3]魏顺平.学习分析技术:挖掘大数据时代下教育数据的价值[J].现代教育技
术,2013(12):5-11.
[4][6][7][8]陈律.大数据背景下学习分析技术对教学模式的变革[J].中国信息化编
辑部,2013.
[5] 高键,张海,王以宁.教育中的大数据如何改变学习?--极具潜力的学习分析技术领域
新进展[J].中国信息技术教育，2013(7):195-197.
[9]姚捷.大数据时代背景下学习分析技术的应用[J].创新教育,2013.
[10] 李青,王涛.学习分析技术研究与应用现状述评[J].中国电化教育,2012(8).
[11]王红,乔金瑶学习分析技术在未来教育中的应用[J].软件导刊,2013(12).
一、考试基本要求 本考试大纲适用于报考深圳大学教育技术学专业硕士研究生入学考试。《教育技术学基础》是为招收教育技术学硕士生而设置的具有选拔功能的水平考试，它的主要目的是测试考生对教育技术学的基本概念和知识的熟悉程度，以及运用教育技术学的理论方法分析、解决教育信息化相关问题的能力。 二、考试形式与试卷结构 （一）试卷成绩及考试时间 本试卷满分为150分，考试时间为180分钟。 （二）答题方式 答题方式为闭卷、笔试。 （三）试卷题型结构 名词解释题：5小题，每小题6分，共30分 简答题：3小题，每小题15分，共45分 分析论述题：3小题，每小题25分，共75分 三、考试内容和考试要求 1、教育技术学概述 （1）理解教育技术学的学科性质和研究方法，牢固掌握教育技术学概念的内涵； （2）熟悉教育技术学的哲学基础和一般科学理论基础的相关知识，并能够分析这些知识与教育技术学理论的关联； （3）能够从不同角度和脉络分析教育技术的发展历史，掌握国内外教育技术发展各阶段的特点； （4）熟悉当前教育技术研究与实践的前沿动态。 2、学习资源和学习环境 （1）掌握学习资源、媒体资源、网络教育资源的概念、分类和特点； （2）掌握网络学习环境、网络教学系统与网络教育支撑平台的结构特点和功能； （3）掌握幕课资源、微课资源的结构功能以及教育价值。 3、技术支持的教学过程 （1）熟悉典型的学习过程理论，并能够分析这些理论对信息化教学策略和教学方法的影响；（2）掌握网络教育支撑平台的主要教育功能，能够在网络教学支持平台中设计教学活动；（3）掌握有代表性的信息化教学策略与教学方法。 4、教学系统设计 （1）熟练掌握教学系统设计的含义、影响教学系统设计发展的主要因素等内容； （2）深入掌握不同类型教学设计的模式方法； （3）能够设计线上和线下教学的安排和转换； （4）熟悉幕课课程、翻转课堂的教学设计的主要特征。 5、教学系统开发 （1）掌握教学系统开发的含义、教学系统开发的技术，熟悉当前网络教学系统开发的新技术； （2）掌握网络课程设计中的需求分析、结构设计、界面设计和技术路线； （3）掌握网络教育的学习支持服务的设计与应用的知识； （4）掌握计算机多媒体教学软件、网络教学软件和移动学习软件开发的技术方案。
第一章技术分析概述 引言：从证券市场产生的那一天起，人们一直在寻找和探索评定市场和分析市场的方法，以作为入市买卖的依据。实际上技术分析一直是证券投资中极其重要的方法，虽然基本分析与技术分析比肩齐名，但纯粹使用基本分析的人实属凤毛麟角。因此从这一意义上说，技术分析的实际应用价值是极高的，能够读懂并正确理解技术分析的人所得到的回报也是巨大的。本章将着重阐述技术分析赖以成立的理论基础，也就是技术分析的三个理论前提，只有明确并始终坚持这三个前提，才能深入学习和探讨技术分析的各种理论和方法。任何时候在应用技术分析的同时，去试图探寻价格变动的原因都是偏离了技术分析而陷入基本分析之中。当然我们并不是说基本分析没有用，只是把二者混在一起使用极容易使自己陷入迷团，在价格变动的原因和结果之间打转转，因此本章的学习就是要把技术分析界定清楚，为以后的内容奠定基础。 第一节技术分析的理论基础 技术分析是经验的总结，它不象数学公式或物理定律那样有着严密的逻辑性和科学性，这也正是引起对技术分析争议的原因之一。实际上技术分析也并非空穴来风，它有着赖以成立的哲学基础和理论前提，不理解这一点是无法应用好技术分析的。经常在技术分析与基础分析之间摇摆，甚至纠缠不清而产生困惑的原因也是因为没有深刻理解上述问题。 一、什么是技术分析 所谓技术分析，就是通过图表的方式对市场行为进行研究从而推判出市场价格发展的未来趋势。 可见，技术分析是一种研究市场的方法，其中图表是手段，市场行为是研究对象，未来趋势是研究的目的。 1、技术分析的研究手段——图表 最初的图表是手工绘制的，今天的图表不仅由电脑绘制，而且增添了许多自动的分析功能，大大方便了对市场的跟踪和研究，目前的图表分析工具主要分为两类，一类是动态报价系统，主要的功能是跟踪市场的即时变化；另一类是静态分析系统，主要用于收市后对市场的未来发展做出分析和决策，在第二章中将对图表的形式概括介绍。 2、技术分析的研究对象——市场行为 市场行为极其复杂，但都可以通过价格和成交量表现出来，其中价格是技术分析的目的，是首要的研究对象，而成交量是对价格运动的验证，它是股市的血脉，反映着市场的活跃程度，可以对价格运动的研究起着较好的辅助作用。 3、技术分析的研究目的——未来趋势 这是技术分析的核心问题，研究价格图表，就是要在一个趋势形成和发展的早期，及时准确地判定出来，从而达到顺应趋势的目的。 二、技术分析的理论前提 1、市场行为包容消化一切 （1）这是技术分析的基础，它的内容是影响价格变动的任何因素，政治的、经济的、心理的或其他任何方面的，都反映在价格之中，各种已知的和可以预知的所有信息都可以被市场所包容并且消化掉。
药物分析学现状及研究进展 药物是预防、治疗、诊断疾病和帮助机体恢复正常机能的物质。药品质量的优劣直接影响到药品的安全性与有效性，关系到患者的生命安危。虽然药品也是一种商品，但是由于其特殊性，对它的质量控制远比其他商品严格。因此必须运用各种有效手段，包括物理、化学生物学以及微生物学等等的方法，通过各个环节来全面保证、控制以及提高药品的质量。传统的药物分析手段大多包括化学方法来分析药物分子，控制药品质量。但是，如今的药物分析无论是分析领域，还是分析技术都已经大大的拓展。从静态发展到动态，从体外分析发展到体内分析，从品质分析发展到生物活性分析，从单一技术分析发展到联用分析，从小样本分析发展到高通量分析，从人工分析发展到计算机辅助分析，从而使得药物分析从20世纪初的一门分析技术，逐步发展成为一门日渐成熟的科学——药物分析学。药物分析学采用化学、物理、数学、生物学和信息学等分析理论和方法，结合现代化学、光谱、色谱及连用技术，对化学药物、中药/天然药物和生物技术的研发、生产、和临床应用等各环节进行全面的质量控制。 药物分析学作为药物科学研究的眼睛，梳理并逐步明确了重点方向的重大科学问题，形成了关键的技术和方法，观念不断更新，研究范围也不断拓宽。分析科学、计算化学、生物学等相关学科的发展，促进了药物分析学的理论、技术和方法的发展；药学学科的发展对药物分析学提出了更高的需求，药物分析学不仅是静态的化学药物、中药和生物技术药物的分析，而且拓展到对生物体内、代谢过程、工艺流程、反应历程的动态分析、检测和综合质量评价分析。基因组学、蛋白质组学和代谢组学在新药开发中日益受到重视，对药物分析学提出了新的挑战和机遇，药物分析学已从以物质为中心转移到与生命科学的结合，即药物成分和药物活性的相关分析。现就药物分析学的一些较重要发展领域和分析技术的进展作一概述。手性药物分析 美国药典药名字典所收载的药物中有一半至少含有一个不对称中心。而其中绝大多数人工合成的手性药物，例如90%抗癫痫药，β-受体激动剂和阻断剂、口服抗凝剂，50%抗炎药和局麻药都以其外消旋体供药用。生物系统由生物大分子组成，如蛋白质、糖脂、多核苷酸、受体等，这些生物大分子都由L-氨基酸和D-糖类构成，因而生物体是一个手性环境。在手性药物的两个对映体分子被引入体内后，具有手性的受体、酶蛋白质将其作为两个不同的化合物处理，因而药物对映体具有不同的代谢途径和药理作用，进而产生不同的疗效或毒副作用。另外，一些药物在体内发生手性转化，如S-(+)-布洛芬是优映体，但低活性的R-(-)-劣映体可在生物体内转化为高活性的S-(+)-体。由于个体差异等原因使用外消旋体不易控制有效剂量，特别是当肾功能减弱时，S-(+)-优映体易在体内蓄积，通过抑制肾环氧化酶，加剧肾局部缺血，而发生毒副反应。美国等国药品管理部门已要求在申请新手性药物时，提供每一种对映体的药动学、药理学和毒理学研究资料，并对研制外消旋体而不是单个对映体做出合理的解释。常规的分析方法用于外消旋体药物的药动学、浓度-效应关系研究时，会导致错误的结果。因此目前需要建立对映体选择性分析方法，用于研究手性药物对映体的药物动力学、药效学和手性药物的质量控制。 对映体的分离和测定在分离科学上曾被认为是最困难的工作之一。经典的分级结晶、旋光等方法的重现性或灵敏度欠佳。随着手性色谱学，尤其是手性高效液相色谱法、性气相色谱法和手性毛细管电泳法等的发展，为解决上述问题提供了有效的手段。色谱法分离药物对映体的方法可分为两大类：间接法（手性衍生化试剂法，CRD）和直接法。间接法采用手性衍生化试剂与手性胺类、醇类、羧酸类等反应形成非对映体衍生物。非对映体对在常规色谱系统中，根据非对映体分子的手性结构、手性中心所连接的基团、色谱系统的分离效率（包括溶
基于机器学习算法的文本分类方法综述 摘要：文本分类是机器学习领域新的研究热点。基于机器学习算法的文本分类方法比传统的文本分类方法优势明显。本文综述了现有的基于机器学习的文本分类方法，讨论了各种方法的优缺点，并指出了文本分类方法未来可能的发展趋势。 1.引言 随着计算机技术、数据库技术，网络技术的飞速发展，Internet的广泛应用，信息交换越来越方便，各个领域都不断产生海量数据，使得互联网数据及资源呈现海量特征，尤其是海量的文本数据。如何利用海量数据挖掘出有用的信息和知识，方便人们的查阅和应用，已经成为一个日趋重要的问题。因此，基于文本内容的信息检索和数据挖掘逐渐成为备受关注的领域。文本分类(text categorization，TC)技术是信息检索和文本挖掘的重要基础技术，其作用是根据文本的某些特征，在预先给定的类别标记(label)集合下，根据文本内容判定它的类别。传统的文本分类模式是基于知识工程和专家系统的，在灵活性和分类效果上都有很大的缺陷。例如卡内基集团为路透社开发的Construe专家系统就是采用知识工程方法构造的一个著名的文本分类系统，但该系统的开发工作量达到了10个人年，当需要进行信息更新时，维护非常困难。因此，知识工程方法已不适用于日益复杂的海量数据文本分类系统需求[1]。20世纪90年代以来，机器学习的分类算法有了日新月异的发展，很多分类器模型逐步被应用到文本分类之中，比如支持向量机(SVM，Support Vector Machine)[2-4]、最近邻法(Nearest Neighbor)[5]、决策树(Decision tree)[6]、朴素贝叶斯(Naive Bayes)[7]等。逐渐成熟的基于机器学习的文本分类方法，更注重分类器的模型自动挖掘和生成及动态优化能力，在分类效果和灵活性上都比之前基于知识工程和专家系统的文本分类模式有所突破，取得了很好的分类效果。 本文主要综述基于机器学习算法的文本分类方法。首先对文本分类问题进行概述，阐述文本分类的一般流程以及文本表述、特征选择方面的方法，然后具体研究基于及其学习的文本分类的典型方法，最后指出该领域的研究发展趋势。 2．文本自动分类概述 文本自动分类可简单定义为：给定分类体系后，根据文本内容自动确定文本关联的类别。从数学角度来看，文本分类是一个映射过程，该映射可以是一一映射，也可以是一对多映射过程。文本分类的映射规则是，系统根据已知类别中若干样本的数据信息总结出分类的规律性，建立类别判别公式或判别规则。当遇到新文本时，根据总结出的类别判别规则确定文本所属的类别。也就是说自动文本分类通过监督学习自动构建出分类器，从而实现对新的给定文本的自动归类。文本自动分类一般包括文本表达、特征选取、分类器的选择与训练、分类等几个步骤，其中文本表达和特征选取是文本分类的基础技术，而分类器的选择与训练则是文本自动分类技术的重点，基于机器学习的文本分来就是通过将机器学习领域的分类算法用于文本分类中来[8]。图1是文本自动分类的一般流程。
有效分析学习起点,合理选择教学内容 摘要：阅读教学低效甚至无效往往源自教学内容选择不当，教学内容选择不当又往往和学习起点分析直接关联。结合实例，重点论述了有效学习起点分析的三个策略：从学情视角去解读文本，结合文本核心价值整合学生的阅读期待，根据文本特征选择恰当的分析方法，进而做到合理选择教学内容。 关键词：学习起点；教学内容；文本特征 “以生为本”的教育理念、“学为中心”的教学视角已成为当前新课程改革的核心共识与共同愿景，但是从教学实践来看，目前很多语文课堂离这样的美好期待还相距甚远。其中的原因自然是多方面的，但很重要的一点就是很多老师在教学中对学生的学习起点分析不够有效。 何谓学习起点？就是指语文教师在教学设计阶段对将要任教的班级学生“学情状况”的一种描述，包括学生对本堂课的学习需要、学习基础、学习兴趣以及学习的差异等情况分析。因材施教，自然是教学中非常理想的境界。但从学习起点的角度来讲，就是教师要对自己施教的学生有一个透彻的了解，对学情的把握要充分有效。很多教师以为自己“教”的与学生实际“学”的是一致的，但实际情况往往不
是这样的。阅读教学中，即使是同一个文本，在实际的教学过程中也会因学生的差异，生成的教学内容有较大的差别。如果不能科学地分析学习起点，不能从学情的视角去审视和调整教学内容、教学方法，那么，“以生为本，以学为中心”的教育教学理念就会被架空，因材施教也就成了一句空话。当然也有相当一部分老师认识到关注学习起点的重要性，但是对学习起点的分析却是基于主观经验，缺乏有效的分析策略。基于这样低效不可靠的学习起点分析策略建构起来的教学内容就可能存在很大的问题。在课堂教学实际中，集中地表现为教师仍然习惯于以“教”为中心，重在“教”的展示与表演，具有挑战性的有效学习活动难以发生。 事实上，如何从学生的“学”来选取合适的教学内容，一直是语文教学特别是阅读教学讨论的焦点。但是，从相关研究文献综述和语文课堂教学现状调查来看，这个问题至今未能得到较好的解决。面对这样的尴尬，我们认为只有基于有效“学习起点”的分析，才能选择和确立合理的教学内容。 那么，在阅读教学实践中，如何有效分析学生的学习起点，并在此基础上确定合理的教学内容呢？ 一、从学情视角来解读文本 阅读教学的第一步是文本解读，文本解读要做到有效，就需要从学生的实际出发，从学情视角来充分考虑学生对文本的理解与学习的期待。
对比式学情分析，提高远程智慧联动教学效益 成都高新新源学校谭琳王艳 摘要：远程智慧联动教学指的是教师在新媒体技术的支撑下，打破空间局限，实现异地同时同师授课。准确把握两个班的学情，是提高远程智慧联动教学效益的关键。对比式学情分析将学情看作一个流动的过程，重视学情的即时性，注重学情分析在“当下”，通过课前、课中、课后的对比式学情分析，便于老师制定和调整教学计划。 关键词：远程智慧联动学情分析 一、前言 “学习者的回归”是课程改革的重要理念。远程智慧联动课堂上教师在新媒体技术的支撑下，打破空间局限，实现异地同时同师授课，如何最大化这种远程智慧联动教学的效益，首先要解决的问题就是准确分析把握近端与远端学生学情。近端学生一般是授课教师所执教班级，教师对学生的学情了解比较清楚，但对远端学生而言，授课教师与学生彼此都是陌生的状态，授课教师对学生学情很难有准确的把握。那么怎样才能做到“准确”分析学情呢？这正是本研究所关注的一个重要内容。 事实上，前人对如何准确分析学情已经做了相当深入的研究。在中国知网上输入关键词“学情分析”很快就能搜索到多大5437条的相关研究成果。但当关键词改变为“远程教学学情分析”时，遗憾的是我们只搜到了0条结果。由此可见，远程智慧联动教学下如何准确分析学情尚为一块处女地，是一个有价值的研究点。但同时，我们无经验可借鉴，研究难度可想而知。但无论是传统课堂，还是远程智慧联动课堂学情分析面对的都是学生，有着一定的共同性。所以，我们再次将关键词更换为“学情分析的方法”，这次我们搜索到582条，但可采纳者仍旧不多，我们精选了5篇进行学习。随后，我们在国家哲学社会科学学术期刊数据库输入“学情分析”，查到相关文献142篇，我们精选了33篇进行学习，以期对我们的研究有所裨益。我们在谷歌镜像和国家哲学社会科学学术期刊数据库输入“远程教学学情分析”“远程学情”“远端学情”查找的结果都为0，因此，对传统课堂学情分析进行深入的文献研究，结合我们在实践中的经验和课堂
1.国外研究现状 国外有关概念教学的理论与实践研究早己有之。心理学和教育学领域许多学者结合自身的实践研究对概念教学的定义、概念形成过程和概念获得方法等方面进行了深入的研究，进而提出了一些与之相关的教学理论和方法，这对于概念教学有着重要的理论指导意义和实践借鉴意义。 20世纪60年代和70年代早期，概念形成模式即被塔巴作为归纳思维教学模式三大教学策略之一，她认为这一模式通过让学生参与或观看一些实验、现象来获得信息从而能够提高学生的信息处理能力进而形成概念和培养学生的思维能力，而并不是教师将理论和概念悉数传授给学生。这就启示我们，对于思维积极、活跃的高中学生而言，历史老师要注重学生思维和智能的全面培养并不是给他们“倾倒”概念和理论。 进入20世纪，美国著名的心理学家和教育学家布鲁纳(Bruner)提出概念学习理论，他认为概念学习是思维的核心，并把概念学习分为概念形成和概念获得两部分，特别强调了概念获得的重要意义。这就要求历史教师在进行概念教学时，既要注重学生对历史概念的“体验”，又要有意识地培养学生对历史概念进行高水平的思维，这样在学生的大脑里形成的历史概念才会更牢固、更深刻，才能真正意义上提高他们的史思维能力。 20世纪90年代，美国著名心理学家奥苏贝尔(D.P.Ausubel)提出的有意义学习理论是其学习认知理论的重要概念。他提出的有意义学习类型有三种:表征学习、概念学习、命题学习。他将概念学习分为两个阶段:形成概念和同化概念。这两个阶段也是学生对概念的理解阶段。同时，他将概念学习之间的属性关系分为上位关系、下位关系和组合关系，他提出的概念学习的目标和过程比布鲁纳的概念学习更加明确和具有操作性。这对我们高中历史概念教学提供一定的理论基础和依据，对学生进行历史概念的学习提供了更加明确的思路和依据。 美国心理学家加涅(Gagne)在布鲁纳和奥苏贝尔提出的概念学习理论基础上，将概念分为具体概念和定义概念，加涅在其名著《学习的条件和教学论》中认为:具体概念是通过直接感觉而获得的，例如对某个人物的认识;定义概念是通过下定义的方式而获得的。概念形成和概念强化这两种学习方法和策略就是他在阐明这两种概念的内涵后他提出的。这一分类在某种程度上揭示了概念的内涵。
一、填空（10×1’=10） 1、评价是对一个事物的价值的确定。 2、教育技术网络化的最明显标志是互联网应用的快速普及。 3、微格教室一般由一个主控室和若干个微型教师组成。 4、课件点播系统其实就是一个适用于教学的视频点播系统。 5、Authorware是基于设计图标和流程图结构的编辑平台，具有丰富的函数和程序控制功能有丰富的交互方式。 6、Flash是一款二维动画软件，可模仿动作轨迹，通过其动作语言语言能够制作出复杂的交互性课件。 7、最常用的媒体开发工具是PPT。 8、当前输入文本最方便的工具是语音，输入文本最规范最熟练的是手写。 9、Flash的功能：绘图，创建动画（逐帧、补间），交互功能，视频处理。 10、美国教育心理学家布鲁姆将教育目标分为三类：认知领域、情感领域、动作技能领域。 11、在多媒体中，操作最频繁的是电脑，常用的是投影仪。 12、教育技术的五个范畴：设计、开发、利用、管理和评价。 二、选择（10×2’=20） 1、P118，四种分析方法。 2、P119，教学目标的分类。 3、P120，教学目标的编写方法，ABCD. 4、P134，自主学习的设计方式。 5、P217，五类媒体。 6、P110，三种实施模式。 三、判断（10×1’=10） 1.在上课之后，为了延长电脑、投影仪等的使用寿命，应当马上断电。（×） 2.上课之后，教师应当马上关闭投影仪。（√）【投影仪在使用后不能马上断电】 3、微格教室上课时间一般为5—10分钟。（√） 四、名词解释（4×3’=12） 1、教育技术 AECT94定义：为了促进学生的学习，对有关的学习过程与学习资源进行设计、开发、利用、管理和评价的理论和实践。 AECT2005定义：通过创造、使用、管理适当的技术过程和资源，促进学习和改善绩效的研究和符合道德规范的实践。 2、教育信息化：是指在国家及教育部门的统一规划和组织下，在教育系统的各个领域全面深入地应用现代信息技术，促进教育改革和加速实现教育现代化的过程。 信息化教育：在现代教育思想、教育理论的指导下，主要运用现代信息技术来实现开发教育资源，优化教育过程，以培养和提高学生信息素养为重要目标的一种新的教育方式。 3、信息素养：是指能够有效地、高效地获取信息，能够熟练地、批判地评价信息，能够精准地、创造性地使用信息；并且具备以独立学习的态度和方法，在信息社会中履行一定的社会责任，将这些信息技能运用于信息问题的解决并进行创造性思维的综合的信息能力。 4、信息化教学环境：建立在多媒体计算机和互联网基础上，是在现代教育理论
《多媒体教学辅助中语文课的板书现状调查及对策的研 究》课题文献综述 一、文献综述的引言： 随着素质教育的推进和信息技术的发展，自主学习、探究学习、合作学习不断翻新课堂学习，幻灯片、多媒体不断广泛运用于课堂，一些传统的教学方法和手段，受到冷落，淡出课堂。作为最传统教学手段的板书，同样也越来越被淡化、忽略。 语文教学既是一种传授知识的活动，又是一种思想教育的方式。如果说成功的语文教学是知识传授与思想教育的统一的话，那么语文教学的板书设计更是传授知识和思想教育的完美结合了。板书是教师精心设计、简明扼要、生动直观地体现教学重点、难点的微型教案，通过板书在阅读教学中的运用，能有助于学生有层次地掌握知识的体系，有助于学生做好笔记，领会知识，强化记忆，启迪思维，发展学生搜集和处理信息的能力、获取新知识的能力、分析和解决问题的能力，以及交流与合作的能力。因此，它既体现教师的业务素质的优劣，也反映教师教学水平的高低。掌握了它，不但可以提高课堂教学的艺术，也可以大大地提高课堂教学效率。 二、课题研究的现状： 早在1912年当时的教育部就在《师范学校规程》中明确规定师范生必须掌握“黑板写法”第一次将教学板书写进了教学规程。黎锦熙先生在《新国文教法》中对语文板书作了介绍。解放后语文教学板书的问题得到了进一步重视在理论构建和具体操作上都有了较大进展但是仍然存在较多问题。现在众多教育家认为“所有的直观教学中要数黑板最普通、最重要、最灵活但也许就因为黑板过于被人们所熟悉以致往往被忽视或使用不足。”也即是教师的板书时有时随意性较大或者即使设计了板书也没有充分发挥板书的应用价值。特级教师斯霞曾说：“好的板书对于提纲挈领地了解课文内容，对于把握住课文的关键问题，起着很大的作用。教师必须慎重考虑，精心设计。板书的原则是简单扼要，眉目清楚，切忌随心所欲，杂乱无章。备课时，我常常为设计少而精的板书费一番心血。”
基于学习分析的在线学习测评建模与应用 ———课程综合评价参考模型研究 孙洪涛1，郑勤华2，陈耀华2，陈 丽2 （1.中央民族大学现代教育技术部，北京 100081；2.北京师范大学远程教育研究中心，北京 100875） [摘 要]课程是在线学习的载体。课程评价是远程教育教学评价的重要组成部分。近年来，随着在线学习的迅速发展， 课程评价从内容到手段上都正经历着重要的转变。学习分析的发展为课程评价提供了新的途径。本研究首先提出了课程评价的概念框架，并通过学习分析构建了课程评价的模型，从媒体技术、学习资源、学习活动、学习支持和联通度五个维度对在线学习课程进行评价。在此模型的基础上，设计并开发了课程评价的学习分析工具，对所提出的模型进行了实际验证。最后，分析了基于学习分析的课程评价的特征和趋势。本研究为课程综合测评提供了理论参考，为学习分析技术在课程评价中的实际应用提供了方法上的借鉴。 [关键词]学习分析；课程综合评价参考模型；C-SERI ；课程评价[中图分类号]G434[文献标志码]A [作者简介]孙洪涛（1977—），男，山东青岛人。高级工程师，博士，主要从事学习分析、教育信息化规划等方面研究。 E-mail ：sun_htao@https://www.doczj.com/doc/885346453.html, 。 基金项目：北京师范大学自主科研基金项目“学习者在线学习状态分析与可视化工具研发（项目编号：SKZZB2015013）”；中央高校基本科研业务费专项资金 一、引言 课程是远程教学的载体[1]，承载着远程教学的内容与过程。对于课程的评价是远程教育教学评价的重要组成部分。 在远程教育领域中，课程内涵丰富，并且在不断发展之中。课程从其本源意义上包含着学科教学科目和教学进程两个层面。《现代汉语词典》中将课程解释为学校教学的科目和进程。《中国大百科全书》（第二版）中将课程定义为课业及其进程，并列举了三种对课程的常见理解：课程即教学科目，课程即预期的学习结果或目标，课程即学习经验或体验。 [2] 教育行业标准中《在线课程建设》征求意见稿中指出，在线课程是在网络环境下组织某门课程的教学内容并实施的教学活动的总和。在线课程由在线学习 平台承载和运行。在线课程包括有组织的教学内容，有设计的教学活动，有记录的交互信息和对课程的教学分析。 [3] 国家开放大学将课程界定为实现专业培养 目标而开设的学科及其目的、内容、范围、活动、进程等的总和。一门课程是教学计划中的一个科目。[4]英国高等教育统计署(Higher Education Statistics Agency)发布的《什么是课程》研究报告中指出，课程具有广泛的内涵，课程的概念在高等教育周期的不同阶段有所不同。总体而言，课程是与一系列确定的学习结果相关的学习参与。[5]这个定义从课程的目的出发，强调了课程的参与过程。可见课程并非仅仅是科目与资源的集合，而更为强调学习过程和结果。 通过以上定义可见，课程的定义有广义和狭义之分。广义定义将课程界定为学科，由一系列课程构成科目体系；狭义的课程指一门具体课程，包含着课程
表面分析技术讲义 绪论 一、表面与表面科学 1. 表面与界面的定义 2.表面科学的三个组成部分 表面科学主要由表面物理、表面化学和表面分析技术三个方面所组成，是当前材料科学的前沿。 3.表面科学发展的三个阶段 （1）1947年以后(点接触二极管于1946年发明),人们开始认识到半导体表面的重要性，研究了干燥空气、湿空气、含臭氧空气等对锗表面的影响。此阶段证实了表面态的存在，但对它的来源仍不清楚。 （2）1957年前后，超高真空技术发展起来，已可以获得10-9Torr （1Torr=133.332 Pa）的真空度。通过解理、离子轰击、场致蒸发等方法可以获得一个清洁表面。人们注意力集中在清洁表面的原子排列，发现在表面原子存在重构或驰豫，并通过物理方法测量了表面的光、机、磁等特性，发现与体性质有明显的区别。此阶段仍处于唯象阶段。 （3）1968年Harris发现Auger电子能谱（AES）可以用来确定表面原子的化学态和成分。随后光电子能谱（XPS）、二次离子质谱（SIMS）等表面分析技术的相继出现，使人们可以了解表面几十个原子范围内和微区（1 m或更小）的成分和它们的化学态。60年代末期以来，随着计算机技术、电子测量技术和超高真空技术的发展，表面科学也以极其迅猛的速度发展。
二、表面科学研究领域 1．表面科学研究的领域 表面科学研究表面和与表面有关的过程，包括宏观的和微观的。近几十年来表面科学从原子水平来认识和说明表面原子的化学、几何排列、运动状态、电子态等性质及其与表面宏观性质的联系，推动了基础研究和新技术的发展。 表面科学是近代研究的重要领域，它有许多技术应用。例如： ①小于1 m的薄膜（半导体、绝缘体和金属膜等），具有复杂 的图案和结构，要求高纯和精确掺杂。 ②膜的内部和界面问题。通过离子溅射逐层剥离变成表面问 题，或在薄膜和界面形成过程中作为表面问题加以研究。 ③器件小型化带来的表面问题。 ④新型微波器件和集成光学器件中的超晶格技术的超晶格量 子现象及表面问题。 （1）纯表面科学 在10-8~10-11Torr真空度下研究单晶平滑晶面，单晶台阶面。主要是对Ge、Si、GaAs等半导体材料和Pt、W等金属材料的清洁表面进行研究。主要目的是发现清洁表面的特征，合适理论研究结果的正确程度。 （2）应用表面科学 在10-8~10-11Torr真空度范围内研究单晶、多晶、非晶材料的表面，其主要目的是分析怎样得到清洁表面或工业清洁表面，使产品的性能好，重复性好，成品率高，可靠性高。多精彩了得相界或晶粒间界的结构及特征以及纳米材料、梯度材料和各种复合材料等也属于这个领域。境界和相界同许多结构材料、敏感材料有关。两种材料的接触效应，吸附、氧化、外延、扩散、烧结、电迁移等也属于应用表面科学研究的范围。 （3）触媒实验 在10-0~10-2 Torr真空度下，用多晶、非晶和超微粒子来研究吸
编号 学士学位论文学习分析技术综述研究 学生姓名：陈晓霞 学号：20100604002 系部：信息工程技术系 专业：教育技术学 年级：2010级 指导教师：张宗虎 完成日期：2014 年 5 月10 日
摘要 随着社会的不断进步，科学技术的不断发展与更新，我们生活在一个信息膨胀、数据大爆发的时代，大数据时代已经让我们深陷其中，对着海量的信息、数据我们无从下手。在教育信息化的时代，教育领域已经部署了众多的学习管理系统，在这些软件系统中存储着海量的学习者信息及学习过程数据，从这些数据中挖掘出改进教学系统、提升学习效果的信息，在教育信息化领域一直有着巨大的吸引力；如何运用这些数据，使这些数据转换成有效信息、知识，并为教学决策、学习优化服务，也备受教育工作者以及学习者们的关注。学习分析技术有助于发挥学习过程中数据的价值，使数据成为审慎决策、优化学习的重要依据。 学习分析是一类运用先进的分析方法和分析工具预测学习结果、诊断学习中发生的问题、优化学习效果的教学技术。随着教育信息化的发展和在线学习方式的普及，学习分析已经开始被运用于教育教学实践中，并取得了一定的效果。为了解学习分析技术的研究和应用现状，本文运用文献分析法辨析了学习分析技术的基本内涵，讨论了其组成要素和应用模型，探索了其技术来源、分析方法和分析工具，深入分析了学习分析技术在国内外的应用情况。关键词：学习分析；信息技术教学；学习管理系统
Research of Learning Analytics Abstract With the continuous progress of society, science and technology continues to evolve and update, we live in an information expansion , the era of data explosion of big data era has let us get stuck , facing the vast amounts of information, data, we can not start. In the era of information technology in education , in the field of education has deployed a large number of learning management systems , information stored learners and learning process vast amounts of data in the software system, to improve the education system to dig out from these data to improve learning outcomes information in the field of information technology in education has always been a great attraction ; how to use these data to make these data into useful information , knowledge and decision-making for the teaching and learning optimization services, but also educators and learners much attention . Learning to play a value analysis technology helps the learning process data so that the data become prudent decision-making , and optimize an important basis for learning. Learn to analyze a class of applying advanced analytical methods and analytical tools to predict learning outcomes , the diagnosis of learning problems , optimize learning teaching techniques. With the development of information technology in education and popularization of online learning , the learning analysis has begun to be used in teaching practice in higher education , and achieved certain results. To understand the research and application of analytical techniques to learn , study literature analysis using Discrimination learning the basic content analysis techniques , discussed its constituent elements and application of the model to explore the sources of their technical , analytical methods and analysis tools , in-depth analysis a case study in the application of analytical techniques at home and abroad . Key words：learning analytics;information technology teaching;learning management system
龙源期刊网 https://www.doczj.com/doc/885346453.html, 机器学习概述 作者：李炜 来源：《科技视界》2017年第12期 【摘要】机器学习成为人工智能、模式识别领域的共同研究热点，其理论方法已经被广 泛应用于解决实际工程应用及科学领域的复杂问题。随着技术的快速发展，以统计为基础的机器学习受到人们的关注，并在语音、自然语言、视觉等领域获得成功应用。本文主要阐述了机器学习的分类，介绍几种常用的机器学习方法。 【关键词】机器学习分类；人工智能；P-N Leraning 0 概述 机器学习是实现人工智能领域的一个重要的研究分支，其研究的主要内容是实现利用计算机程序让带有处理器及计算功能的机器可以随着经验的增加提高处理问题的性能。目前，机器学习的理论已经被广泛的应用到，如智能视频监控、生物识别、无人驾驶等各个领域。 1 机器学习的发展及分类 机器学习基本上可分为 4 个阶段。第一阶段：上世纪 50 年代到 60 年代中期，系统通过自身不断的学习输入、输出反馈，完善系统参数及本身的性能。第二阶段：从 1960 年代中叶到70 年代中，该阶段主要是对系统结构的研究，如通过逻辑结构或者图结构来解释描述机器内 部结构。第三阶段的时间是从上世纪 70 年代中到 80 年代中期，主要通过研究学习策略和学习方法来提高改善学习的效率，同时引入知识数据库，此阶段机器学习取得了长足的发展；1986 年至今，神经网络的引入，及人工智能的需要，人们对机器学了得连接机制进行了研 究。 目前机器学习领域的研究一般可分四类，即无监督学习、监督学习、半监督学习以及增强学习[1-2]。 1.1 无监督学习 无监督学习是一种自学习的分类方式，对没标记的训练样本进行学习，发掘未知数据间隐藏的结构关系。无监督学习和核密度估计方法非常相似。常用的无监督学习有关联规则学习和聚类学习 1.2 监督学习 监督学习是有人工参与的一种学习。监督学习一般分为 3 步，第一标记样本，第二训练，第三模型概率估计。其大概过程如下：（1）输入样本的特征向量和样本类别标记，（2）训
AECT教育技术学定义 年美国AECT关于教育技术的演变： 1963 Audiovisual communications is that branch of educational theory and practice concerned with the design and use of messages which control the learning process. It undertakes: (a) the study of the unique and relative strengths and weaknesses of both pictorial and nonrepresentational messages which may be employed in the learning process for any reason; and (b) the structuring and systematizing of messages by men and instruments in an educational environment. These undertaking include planning, production, selection, management, and utilization of both components and entire instructional systems. Its practical goal is the efficient utilization of every method and medium of communication which can contribute to the development of the learners' full potential.
技术性分析概述 技术分析是以预测价格未来走势为目的，以图表形态、技术指标等为手段，对市场展开包括归纳、分析、排除、确认、比较、决策、验证等一系列的思维和研究。 技术分析的基本观点是：所有汇价的实际供需量及其背后起引导作用的种种因素，包括投资市场上每个人对未来的希望、担心、恐惧、猜测等，都集中反映在外汇的价格和交易量上，因而研究它们是最直接有效的。 技术分析是相对于基本面分析而言的。基本面分析法着重于对政局政策、经济情况、市场动态等因素进行分析，以此来研究外汇的价格是否合理；而技术分析则是透过图表或技术指标的记录，研究市场过去及现在的行为反应，以推测未来价格的变动趋势，其依据的技术指标是由汇价涨跌或成交量等数据计算而出的。技术分析只关心外汇市场本身的变化，而不考虑会对其产生某种影响的经济、政治等各种外部因素。 基本面分析的目的是为了判断汇价现行的价位是否合理并描绘出它长远的发展空间，而技术分析主要是预测短期内汇价涨跌的趋势。通过基本面分析我们可以了解应购买何种货币对，而技术分析则让我们把握具体购买的时机。在时间上，技术分析法注重短期分析，在预测旧趋势结束和新趋势开始方面优于基本面分析法，但在预测较长期趋势方面则不如基本面分析法。 技术分析和基本面分析都认为汇价是由供求关系所决定，但是基本面分析主要是根据对影响供需关系种种因素的分析来预测汇价走势，而技术分析则是根据汇价本身的变化来预测汇价走势；基本面分析研究市场运动的原因，而技术分析研究市场运动的效果。但是人们更关心的是如何预测汇价的未来趋势以及买卖汇价的适当时机，因而对技术分析情有独衷。 技术分析基于以下三个基本前提： 1、历史自我重复： 技术分析主体以及市场行为研究的大部分都与人类哲学研究有关。例如，在过去100多年里被辨识并加以分类的图表模式，反映了出现在价格图表上的某些标准图景。这些图景展现出市场牛市或熊市的心理状态。由于这些模式在过去运作良好，我们假定它们在将来也会继续如此。 表达这个前提的另一个方法是理解未来立基于对过去的研究这一关键，或者这个将来只是过去的重复。 2、价格活动是有趋向性的 趋向的概念对于技术分析来说至关重要。此处仍然如此：除非一个人接受市场实际上是存在趋向性的前提，否则就没有必要继续读下去了。将市场的价格行为制表的全部目的，就是为了辨识其发展早期的趋向，并以此趋向为依据。 此外，认识到处于运动中的趋向比颠倒的趋向更易持续是非常重要的。一个趋向在其改变方向之前会一直持续。这听起来是一个显而易见的概念，但这正是我们试图实现的。我们在寻找一个市场最
从流量分类、路由优化、服务质量（Q os）/体验质量（Q o E ）预测、资源管理和安全性的角度，回顾了机器学习算法如何应用于SDN 领域。介绍篇： 异构网络增加了网络的复杂性，在有效组织，管理和优化网络资源方面带来了许多挑战。（什么是异构网络） 在网络中运用智能化方法是解决这些问题的方法之一。如知识平面方法（KP ）：ML +认知技术将automation,recommendation and intelligence带入互联网。 由于传统网络固有的分布特征，每个节点（路由或交换机）只能查看系统的一小部分并对其进行操作。SDN 可以对其进行帮助。 在SDN 中应用机器学习是合适的原因： 1. 图形处理单元GPU 和张量处理单元TPU 等技术为机器学习提供了很好的机会； 2.集中式SDN 控制器具有全局网络视图，能够收集各种网络数据，便于机器学习算法的应用。 3.基于实时和历史网络数据，机器学习技术可以通过执行数据分析，网络优化和网络服务的自动提供来为SDN 控制器提供智能化。 4.SDN 可编程性使机器学习算法生成的最优网络解决方案（如配置或资源分配）能够在网络上执行。 （图1 综述总体路线图） 第一二节：相关工作。 第三节：SDN 背景知识。 第四节：介绍常用的ML 算法 第五节：从流量分类、路由优化、服务质量（Q o S ）/体验质量(QoS)预测、资源管理和安全等方面对ML算法在SDN领域的应用进行了综述，并详细说明了机器学习在每一类中的应用。 第六节：讨论未来的研究方向：高质量的训练数据集、分布式多控制器平台、提高网络安全性、跨层网络优化和增量部署SDN。 第七节：软件定义其它。 SDN 网络架构（图2） 机器学习和sdn 的综述 2018年11月29日20:01