共查询到19条相似文献，搜索用时 281 毫秒
1.
MOOC学习产生的海量数据为教育领域的学习分析提供了基础。基于ed X发布的第一个大规模MOOC开放数据集,使用数据分析方法,从学习者类型分析、学习者特征分析、学习者行为分析三个方面对ed X平台的中外学习者进行了研究,力图多维度展现MOOC学习的实际状况。在数据分析和研究发现基础上,对中国学习者的学习现状及特点、MOOC学习行为中的主要现象以及MOOC数据分析的应用进行了讨论和思考。 相似文献
2.
3.
学习分析是“大数据”在教育领域的应用,引发了教育技术发展的第三次浪潮,并获得学术界的广泛关注。本文梳理了学习分析的形成过程,然后从利益相关者、研究目标、研究对象、技术方法四个维度,回顾了近五年来国内外学者在学习分析方面的研究成果,并提出未来发展趋势和可能遇到的挑战,便于相关人员制定教育决策、优化教育管理过程以及完善学习过程。研究结果表明,学习分析研究主题主要涵盖学习者知识建模、学习情绪建模、学习行为特征抽取、学习活动跟踪、学习者建模、学位获取分析、教学资源和教学策略优化、自适应学习系统和个性化学习、在线学习影响因素分析九个方面;分析数据主要来源于集中式学习环境、分布式学习环境以及身体活动数据;常用分析方法包括统计分析、信息可视化、数据挖掘、社会网络分析、话语分析和网站分析。目前,学习分析研究遇到的挑战包括教育数据预处理难度大、数据访问权限不明确、学习分析适用性有限。虽然学习分析尚处于发展初期,但由于能够为教育系统各级决策提供科学参考,已经成为教育信息化的重要内容之一。 相似文献
4.
教育大数据为教育信息化的发展带来了新的机遇,而对教育大数据应用的实现首先依赖于对来源广泛的教育数据的获取。在这些有待获取的海量的教育数据中,学习经历数据作为一种承载着学习者在学习过程中的学习行为、学习活动、学习进程和与之交互的学习环境等教育信息的数据,蕴含着丰富的学习分析价值。随着相关学习技术的迅速发展,学习经历的跟踪在技术层面已经得以实现,但学习经历的复杂性、多样性和数据劣构性等特点阻碍了对其广泛的应用。由美国“高级分布式学习”组织发布的Experience API（xAPI）规范为破解这一难题提供了可行途径。xAPI规范利用“活动流”来描述学习经历,通过Statement来记录学习经历,并通过语义定义将其转化为良构且易于扩展的数据,为大数据背景下学习经历数据的获取提供了指导性的框架,同时通过实现了接口规范的学习记录仓储（LRS）来共享学习经历数据,由此实现对教育大数据尤其是学习经历数据的获取和共享。 相似文献
5.
大数据学习分析支持个性化学习研究——技术回归教育本质 总被引：1，自引：0，他引：1
大数据时代的来临,引领学习者学习方式发生变革,基于大数据学习分析技术的个性化学习成为教育学和认知科学的研究趋势。提供给学生有针对性的个性化学习是教育发展方向,是技术回归教育本质的实践。大数据应用需要经历数据收集、数据分析和数据可视化等三个必要阶段;大数据学习分析对个性化学习中的教师、学生和教育管理者等利益相关者均产生积极的影响;大数据对实现个性化学习的价值体现在五个方面:完善个性化的学习者档案、分析预测个性化的学习行为、优化个性化的教育决策、改善个性化的学习评估、提供个性化的学习反馈及建议。最后采用德尔菲法、头脑风暴法构建了基于大数据的个性化学习体系框架。利用大数据学习分析反思教育现状,对推动个性化学习的研究具有重要意义,同时将大数据视为一种新的思维方式和学习路径,需要辩证地看待其优势和劣势。 相似文献
6.
大数据技术崛起标志着信息时代的来临,以海量、高速、多样的数据特征,为学科研究、产业发展和社会管理带来全新的可能性。在教育领域,大数据技术能够深入挖掘学生的学习行为、心理状态等信息,为教育决策提供科学依据。随着社会竞争加剧和学业压力增大,焦虑、抑郁等心理健康问题成为制约学生全面发展的重要因素。因此,该研究旨在充分利用大数据技术,构建符合时代要求的高校学生心理健康教育体系,促进学生全面发展和心理健康成长。 相似文献
7.
页川 《中国远程教育(综合版)》2013,(4):94
最早提出"大数据"时代到来的全球知名咨询公司麦肯锡称:"数据,已经渗透到当今每一个行业和业务职能领域,成为重要的生产因素。人们对于海量数据的挖掘和运用,预示着新一波生产率增长和消费者盈余浪潮的到来。"在教育领域,2013年2月最新推出的《2013NMC地平线报告(高教版)》中将未来影响学与教的主流技术之一的学习分析技术等同于教育领域的大数据应用。 相似文献
8.
随着信息技术的发展,应用于教育领域的大数据分析已经成为了当今教学的发展趋势。学习分析技术,作为一种新兴技术,改变了传统教学的经验式模式,既能为学生提供高质量、个性化的学习体验,又能改进教育工作者的教学方式,通过信息数据分析完善教学过程。基于此,文章主要介绍了学习分析技术的内涵与方法,并构建了将该技术应用于教育领域的基本模型,最后就其应用及其对教学模式所带来的变革进行了探讨．希望能给传统教学带来启示。 相似文献
9.
数据在学校的发展尤其是教学的改进方面正发挥着越来越重要的作用。让淹没在众多信息系统中的海量数据能够＂说话＂已成为教育信息化领域中的一个重要课题。随着教育信息化的大量投入,教育领域的相关涉众有机会获取包括学生学习成绩在内的多种统计数据。而让数据在教育管理者、教师的教育决策中＂说话＂,则还需要对数据使用目的、数据来源、数据利用过程以及利用过程中的相关因素进行有效的设计。作为在教师教育创新支撑平台中应用数据对教育决策提供支持的基础,本文对决策支持系统的教育应用进行了综述,通过对国内外相关文献的分析,发现教育数据决策研究正日益受到包括教育研究、教育政策与管理、信息技术等领域的研究者从不同角度的关注。这些研究涉及数据的教育使用目的、数据来源、数据利用过程及其相关因素,以及数据挖掘技术、统计技术等技术方法。本文最后还对本课题数据应用的研究定向进行了分析。 相似文献
10.
学习分析:正在浮现中的数据技术 总被引：4，自引：0，他引：4
随着教育信息化的普及与逐渐深入,学习管理系统已经获取并存储了大量的有关学生复杂学习行为的数据,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。因此,有必要从分析数据以改进学习的角度,对日益受到关注的学习分析技术进行解读。首先,学习分析技术是测量、收集、分析和报告有关学生的学习行为以及学习环境的数据,用以理解和优化学习及其产生的环境的技术。接着,综述学习分析技术的发展,指出其在教育中有着广泛的应用前景和巨大的发展潜力:学习分析技术可作为教师教学决策、优化教学的有效支持工具,也可为学生的自我导向学习、学习危机预警和自我评估提供有效数据支持,还可为教育研究者的个性化学习设计和增进研究效益提供数据参考。最后,提出学习分析技术也存在隐私、准确性和兼容性等诸多挑战和问题。 相似文献
11.
李国峰 《北京城市学院学报》2021,(1)
随着教育大数据应用愈发广泛,智慧学习成为现阶段信息化教育的突出成果。依托于教育大数据背景,智慧学习能够为学习者提供更为优化的学科知识架构、统筹整合各类教学资源、提高专业知识的适应性。为充分发挥智慧学习的现实价值,在构建其系统模型时应当遵循科学合理、简便易行、稳定可靠等原则。因此,在教育大数据背景下,智慧学习系统模型的构建可从框架规划、测试开发规范搭建以及明确目标等四方面进行,为学生提供科学有效的学习帮扶工具。 相似文献
12.
“数据驱动学校,分析变革教育”的大数据时代已经来临,利用教育数据挖掘技术和学习分析技术,构建教育领域相关模型．探索教育变量之间的相关关系．为教育教学决策提供有效支持将成为未来教育的发展趋势。“大数据”的出现．将掀起人类教与学的又一次变革。2012年,美国国家教育部发布了《通过教育数据挖掘和学习分析促进教与学》报告．对美国国内大数据教育应用领域和案例。以及应用实施所面临的挑战进行了详细的介绍。借鉴此报告．我们认为未来我国教育领域的大数据研究和应用。应加强国家和地方对相关的研究和应用在技术层面、管理体制层面以及法律制度层面的支持,按需合理规划具体研究和应用,整合现有资源,发挥后进优势,借助“大数据”实现真正意义上的个性化学习．进而实现教育公平。 相似文献
13.
Doug Clow 《Teaching in Higher Education》2013,18(6):683-695
Learning analytics, the analysis and representation of data about learners in order to improve learning, is a new lens through which teachers can understand education. It is rooted in the dramatic increase in the quantity of data about learners and linked to management approaches that focus on quantitative metrics, which are sometimes antithetical to an educational sense of teaching. However, learning analytics offers new routes for teachers to understand their students and, hence, to make effective use of their limited resources. This paper explores these issues and describes a series of examples of learning analytics to illustrate the potential. It argues that teachers can and should engage with learning analytics as a way of influencing the metrics agenda towards richer conceptions of learning and to improve their teaching. 相似文献
14.
Stephen J. Aguilar 《TechTrends》2018,62(1):37-45
We are still designing educational experiences for the average student, and have room to improve. Learning analytics provides a way forward. This commentary describes how learning analytics-based applications are well positioned to meaningfully personalize the learning experience in diverse ways. In so doing, learning analytics has the potential to contribute to more equitable and socially just educational outcomes for students who might otherwise be seen through the lens of the average student. Utilizing big data, good design, and the input of the stakeholders, learning analytics techniques aim to develop applications for the sole purpose of reducing the classroom size to 1. Over time, these digital innovations will enable us to do away with a model of education that teaches toward the non-existent average student, replacing it with one that is more socially just—one that addresses the individual needs of every student. 相似文献
15.
吴晓凤 《天津职业院校联合学报》2020,(3):39-43
大数据时代,信息和数据结构的发展,对教育领域产生了重要影响力,如弥合区域间高等教育资源配置,促进教育平等,满足学习者多样化的需求,提升了教育的社会化服务,使教育规模化和个性化的达到了统一。大数据教育资源的使用提供了改变学生需求的新模式,学习模式不再限于空间和时间;运用教育大数据提供的服务,构建出的基于信息数据的自主学习环境,不仅培养学生自主学习习惯,提升大学生学习兴趣,更为学生的自主学习营造了智慧化的环境。 相似文献
16.
随着“大数据时代”的到来,一股席卷全球的智能化在线教育浪潮正在蔓延,高校传统的教学模式趋向颠覆,高校教师的职业发展也将受到重大挑战。众多大学生在在线学习时将会产生海量的数据,高校教师如何挖掘、分析这些数据,对改进自身教学实践、促进自身专业发展都具有丰富的价值。学习分析在大数据时代的高等教育中被广泛应用已成必然趋势,并具有非常广阔的应用前景,高校教师应该具备较强的数据分析能力。学习分析从以下四个方面促进大数据时代高校教师在线专业发展：可以提升作为在线学习者的高校教师的学习效率,激发其自主的专业发展意识;可以提高高校教师作为在线教学者的教学效率,发展其在线教学实践智慧;可以提高高校教师作为研究者的研究绩效,提升其对学生在线学习的服务能力;可以提高高校教师作为管理者的管理效率,提升其在线教学领导力。 相似文献
17.
随着教育信息化的快速发展特别是数字化校园和网络高等教育的日益普及,教育领域中部署了众多的软件系统．在这些软件系统中存储着海量的教育数据。如何利用这些教育数据,使这些数据转变为信息、知识,并为教育决策、教学优化服务。可从E-Learning数据挖掘中找到一些答案。文章系统梳理了国内外E—Learning数据挖掘的研究进展．并采用格语法分析方法对“E—Leaming”的关键要素和过程进行分析,提出可以“谁在学、学什么、怎么学、学得如何”这一系列问题为主线。开展E—Learning数据挖掘工作,从而获得对E—Learning现状的更加完整的认识。在尝试回答“谁在学、学什么、怎么学、学得如何”的过程中,分解出三类挖掘任务情境即用于回答“谁在学”的学习者特征挖掘。用于回答“学什么、怎么学”的学习过程挖掘以及用于回答“学得如何”的学习结果挖掘．并对应地构建出三种数据挖掘模式。对模式的应用结果表明,这三种数据挖掘模式在E—Learning要素和过程分析中是有效的．较好地拓展了对E—Learning关键要素认识的完整性。包括对“谁在学”有了更全面的认识、对“学什么、怎么学”有了更准确的认识和对“学习的结果如何”有了更深入的认识。 相似文献
18.
Yi-Shan Tsai Carlo Perrotta Dragan Gašević 《Assessment & Evaluation in Higher Education》2020,45(4):554-567
AbstractThe emergence of personalised data technologies such as learning analytics is framed as a solution to manage the needs of higher education student populations that are growing ever more diverse and larger in size. However, the current approach to learning analytics presents tensions between increasing student agency in making learning-related decisions and ‘datafying’ students in the process of collecting, analysing and interpreting data. This article presents a study that explores staff and student experience of agency, equity and transparency in existing data practices and expectations towards learning analytics in a UK university. The results show a number of intertwined factors that have contributed to the tensions between enhancing a learner’s control of their studies and, at the same time, diminishing their autonomy as an active agent in the process of learning analytics. This article argues that learner empowerment should not be automatically assumed to have taken place as part of the adoption of learning analytics. Instead, the interwoven power relationships in a complex educational system and the interactions between humans and machines need to be taken into consideration when presenting learning analytics as an equitable process to enhance student agency and educational equity. 相似文献
19.
Qinyi Liu Mohammad Khalil 《British journal of educational technology : journal of the Council for Educational Technology》2023,54(6):1715-1747
The field of learning analytics has advanced from infancy stages into a more practical domain, where tangible solutions are being implemented. Nevertheless, the field has encountered numerous privacy and data protection issues that have garnered significant and growing attention. In this systematic review, four databases were searched concerning privacy and data protection issues of learning analytics. A final corpus of 47 papers published in top educational technology journals was selected after running an eligibility check. An analysis of the final corpus was carried out to answer the following three research questions: (1) What are the privacy and data protection issues in learning analytics? (2) What are the similarities and differences between the views of stakeholders from different backgrounds on privacy and data protection issues in learning analytics? (3) How have previous approaches attempted to address privacy and data protection issues? The results of the systematic review show that there are eight distinct, intertwined privacy and data protection issues that cut across the learning analytics cycle. There are both cross-regional similarities and three sets of differences in stakeholder perceptions towards privacy and data protection in learning analytics. With regard to previous attempts to approach privacy and data protection issues in learning analytics, there is a notable dearth of applied evidence, which impedes the assessment of their effectiveness. The findings of our paper suggest that privacy and data protection issues should not be relaxed at any point in the implementation of learning analytics, as these issues persist throughout the learning analytics development cycle. One key implication of this review suggests that solutions to privacy and data protection issues in learning analytics should be more evidence-based, thereby increasing the trustworthiness of learning analytics and its usefulness.
Practitioner notes
What is already known about this topic- Research on privacy and data protection in learning analytics has become a recognised challenge that hinders the further expansion of learning analytics.
- Proposals to counter the privacy and data protection issues in learning analytics are blurry; there is a lack of a summary of previously proposed solutions.
- Establishment of what privacy and data protection issues exist at different phases of the learning analytics cycle.
- Identification of how different stakeholders view privacy, similarities and differences, and what factors influence their views.
- Evaluation and comparison of previously proposed solutions that attempt to address privacy and data protection in learning analytics.
- Privacy and data protection issues need to be viewed in the context of the entire cycle of learning analytics.
- Stakeholder views on privacy and data protection in learning analytics have commonalities across contexts and differences that can arise within the same context. Before implementing learning analytics, targeted research should be conducted with stakeholders.
- Solutions that attempt to address privacy and data protection issues in learning analytics should be put into practice as far as possible to better test their usefulness.