排序方式： 共有3条查询结果，搜索用时 15 毫秒
1
1.
利用计算机视觉技术和机器学习技术对学生课堂行为进行自动识别,是过程性评价的一种新方法,近年来逐渐引起了研究者的关注。文章以监控设备拍摄的实际课堂教学视频为数据源,采集、标注了学生课堂行为数据,提取了学生的人体骨架信息。在此基础上,文章采用Boosting算法和卷积神经网络算法,对基于这两类不同机器学习算法的5种模型进行了学生课堂行为自动识别准确率实验。实验结果表明,在学校教室这种识别比较困难的场景,基于人体骨架信息提取的学生课堂行为自动识别可以达到较高的精度,其中基于Boosting算法的XGBoost模型识别准确率最高。文章的研究推动了计算机视觉技术和机器学习技术的进一步应用,有助于解决学生课堂行为自动识别难题,并助力教师优化教学策略、提高教学效率。 相似文献
2.
私播课(Small Private Online Course,SPOC)论坛中的非结构性文本蕴含学习者认知和内部心理加工过程,对其分析有助于理解和解释学习结果的成因.以64名学生在SPOC论坛中的会话文本为对象进行数据挖掘,结合LDA主题建模和隐马尔可夫模型对学习者会话行为进行实体建模,并比较高低绩效组会话行为差异,最后运用回归分析和卡方检验探索了影响学习绩效的行为模式.结论表明高低绩效组的学习行为转移存在明显差异,高绩效组的行为转移具有渐进性和平滑性,倾向于序次解决问题,而低绩效组的行为转移则更倾向于浅层回溯.信息查阅、信息加工、信息发布、协作交互、问题解决和信息评价行为均与学习成绩有关,但信息查阅行为对学习成绩有着显著正向影响,且较多的协作交互和信息评价行为能够触发学习者的高阶认知.通过教育文本数据挖掘,教师能够发现不同群体的行为特征,从而进行适应性指导和精准教学,促进学习者高阶思维发展. 相似文献
3.
混合同步学习因其有助于打破物理空间限制,提升教育灵活性,实现传统学习和在线学习的有机耦合,逐渐受到远程教育领域的关注.其源自对传统课堂教学限度的突破,萌发于在线学习创造的同步异步情境中,最后在同步技术与课堂教学的深度融合与调试中形成并为人们所熟悉.研究从其应用目的和学习组织方式的视角,将混合同步学习划分为教育公平和灵活便捷两种不同的应用价值取向,并对各自存在的优势与不足展开系统阐述.重点论述了混合同步学习在促进教育均衡化、教师专业发展、终身学习以及应对突发事件方面的重要价值和潜力.基于当前混合同步学习在实践应用中面临的困难,建议在未来研究与实践中,教学实践者应该更加平等地关注两端学生的需要,充分利用远程教师教学角色,发挥"双师教学"效用、创设数智融合的学习环境以及重视同伴互评和智能学习评价. 相似文献
1