现场讲课改进的实时学习分析系统外文翻译资料

英语原文共 19 页，剩余内容已隐藏，支付完成后下载完整资料

现场讲课改进的实时学习分析系统

AtsushiShimada 、Shinrsquo;ichiKonomi、HiroakiOgata

KyushuUniversity,Fukuoka,Japan

KyotoUniversity,Kyoto,Japan

摘要：无本研究的目的是提出一个实时的讲座支持系统。本研究的目标是现场教室，教师讲课，许多学生听取教师的解释，进行练习等。设计/方法/方法 - 建议的系统使用电子学习系统和电子书系统，实时收集教师和学生的教学和学习活动。收集的数据会立即进行分析，以便在讲座开始前和讲座期间向教师提供反馈。例如，教师可以使用预览成就图检查哪些页面已被预览好以及哪些页面未被学生预览。在讲座中，实时分析图显示在教师的PC上。教师可以轻松掌握学生的状态以及学生是否遵循教师的解释。通过案例研究，作者首先确认了本研究中开发的每种工具的有效性。然后，作者使用实时分析图进行了大规模实验，并调查了所提出的系统是否可以改善现场教室的教学和学习。结果表明，教师可以根据实时反馈系统调整讲座速度，鼓励学生在关键词和句子上加上书签和亮点。创意/价值 - 实时学习分析使教师和学生能够在讲座期间加强他们的教学和学习。教师应该开始考虑这个新策略，以立即改善他们的讲座。

关键词：学习分析。

1简介

在技术增强的学习研究领域中，学习分析受到了很多关注。学习分析和研究协会将学习分析定义为衡量，收集，分析和报告有关学习者及其背景的数据，以便理解和优化学习和它发生的环境。在学习分析的早期阶段，研究人员讨论了测量学习环境和收集数据的方法。最近，虚拟学习环境和学习管理系统，如Blackboard（Bradford等，2007）和Moodle（Dougiamas和Taylor，2003年）使我们能够轻松收集大规模的教育数据（教育大数据）。最新研究的重点是分析教育大数据和报告的方法，即如何向教师/学生提供分析结果的反馈。Khalil等。进行了调查（Khalil和Ebner，2016年）学习分析并将方法分为七类：

（1）数据挖掘技术 - 学生学业成就的预测（阿西夫 等，2017），使用点击响应检测有风险的学生（Choi等，2018）并预测学习时间和学习成绩之间的关系（Jo等人， 2014);

（2）统计和数学 - 建立评分系统（Vogelsang和Ruppertz， 2015）和在线讨论的时间话语分析（李和谭，2017年);

（3）文本挖掘，语义学和语言学分析 - 学生学习期刊的总结（Taniguchi等，2017）并了解学生的自我反思（科瓦诺维奇，2018年);

（4）可视化 - 学生从学习管理系统学习的全面概述（Poon等人，2017年），教师和学习者的认知工具（Martinez-Maldonado等，2015）和学习分析仪表板（阿约哈尼 等，2018);

（5）网络分析 - 技术使用与认知存在之间的关系分析（科瓦诺维奇，2017年），根据参与程度将学生的模式分类为类别（Khalil和Ebner，2016年）和LAK（学习分析和知识）会议论文的网络分析（道森等人， 2014);

（6）定性分析 - 对MOOC讨论论坛的评估（Ezen灿 等，2015）并分析教师的评论（Gardner等，2016);和

（7）游戏化 - 电子评估平台与游戏化（Gantilde;aacute;n等人，2017年），游戏化的仪表板（Freitas等，2017）和能力图（格兰和 布希韦, 2014).

学习分析的结果有助于教师和学习者改进他们的教学和学习。因此，学习分析的一个重要问题是获得优化学习环境和学习者自身的反馈。根据频率大致有三种类型的反馈回路：年度，每周和实时反馈。上述研究基本上分为年度反馈或每周反馈类型，因为分析结果不会立即反馈给为分析提供教育/学习日志的现场教师/学生。原因很明显 - 学习分析基本上是在课程，学期或学年之后进行的。因此，反馈相应地延迟。但是，如果能够获得实时反馈，那么它对于现场教室的教师和学生来说非常有用和有用。

我们的研究主要集中在反馈 - 特别是如何提供反馈 - 甚至在讲座期间向现场教室提供有效信息。本研究的目的是实现实时反馈，这些反馈在现场教育环境中并未经常讨论。我们的目标是现场教室，教师讲课和大量讲座。学生听老师讲解，进行练习等。在如此庞大的教室里，教师不容易掌握学生的情况和活动​​。我们不仅利用电子学习系统，还利用电子书系统收集讲座期间的实时学习活动。我们开发了两个主要的反馈系统。在讲座开始之前，一个对老师很有用。系统提供给定材料和测验结果预览的摘要报告。教师可以使用预览成绩图检查哪些页面已预览好，哪些页面未被学生预览。此外，教师可以检查学生难以进行哪些测验，以及应该在讲座中使用的建议页面以帮助学生。另一个是实时分析图，这有助于教师在讲座期间控制他/她的演讲速度。系统按顺序收集学生操作的电子书日志，并实时执行分析，以确定有多少学生关注教师的解释。在本文的其余部分，我们将介绍我们的实时反馈系统的详细信息并报告实验结果。

文献评论

根据频率大致有三种类型的反馈回路：年度，每周和实时反馈。每年（或逐项）反馈循环的典型例子是教育的评估和改进。通常会对学生的成绩，考试成绩，课堂问卷等进行分析和评估。分析了电子书系统中自我效能感与学习行为的关系（Yamada等人， 2015).教师会收到新的信息，即学生在标记和注释方面的行为与其自我效能和学习材料的内在价值有关。年度（或逐项）反馈循环的其他示例包括对学生表现的分析（Okubo等，2016）和学生最终成绩的预测（毛利 等，2016).设计年度反馈循环，以便反馈结果将在下一年（或期限）交付。换句话说，学生和教师不会直接收到通过分析他们自己的学习日志获得的反馈结果。反馈也可以是对前几年收集的学习日志的分析。

每周反馈循环可以根据学生的状态推荐相关材料，通过分析学习日志（如出勤报告和测验结果），使用学业成绩预测确定。例如，预览和审核模式的分析（Oi等，2015）或学习行为分析（Yin等，2015）有助于了解学生的每周表现。文本分析技术提供了预览的摘要材料（Shimada等，2015）和审查（Shimada等，2016).与年度反馈循环相比，分析结果直接反馈给提供学习日志的学生和教师。

有几个相关的工作可以解决实时学习分析问题。Minovic等。为教师提供了一个可视化工具，可以在游戏过程中实时跟踪学生的学习进度（米诺维奇和米洛瓦诺维奇，2013年).Piech等人。收集了数以万计的程序代码，并运用机器学习方法来识别学生的“下沉”状态。学生们即将进入有问题的“下沉”状态之前就获得了反馈（Piech等，2012).Freitas等人。讨论即时反馈给学生的有效性，特别是游戏化对大学教育的影响（Freitas等，2017).傅等人。还提出了对程序代码的实时分析（Fu等，2017).他们提供了一个学习仪表板，以捕捉学生在课堂上的行为，并确定学生面临的不同困难。虽然这些研究获得了实时反馈，但分析的目标及其反馈是虚拟学习环境中的活动。相比之下，我们的研究旨在实现实时性，反馈循环，即使在讲座期间，分析结果也可以反馈给现场学生和教师。教师可以检查学生正在做什么，例如，学生是否遵循解释，或者他们是否正在做与讲座无关的事情。教师可以灵活地控制讲座的速度和/或花更多的时间进行练习，而不是进行不间断的讲话。

网络体育教育系统

在我们大学，各种教育/学习日志由三个系统收集：电子学习（Moodle），电子档案（Mahara）和电子书（BookRoll）。学生使用这些系统提交报告，回答测验，访问材料并反思他们的学习活动。电子书系统收集更精确的学习日志，例如当学生打开某些材料或他/她转动材料页面时。所有学生都使用自己的笔记本电脑，以便他们可以在校内外的任何地方访问这些系统。

电子书日志是通过名为“BookRoll”的电子书系统收集的。表一显示电子书日志的样本。日志中记录了许多类型的操作。例如，OPEN表示学生打开电子书文件，而NEXT表示学生点击下一个按钮移动到后续页面。可以通过减去后续时间戳来计算每页的浏览持续时间。从Moodle数据库的表中收集电子学习系统的学习日志，例如出勤和测验分数。系统通过整合相关表来分析测验分数和课堂出勤率。在本研究中，我们主要使用电子学习系统和电子书系统来实现所提出的实时学习分析系统。

现场讲座支持系统

我们提出了示例案例研究图1，这实际上适用于我们大学的讲座。时间线分为两部分：开始上课前和上课时。在上一次讲座中，老师给学生一些预览材料，这些材料是使用摘要技术自动生成的（Shimada等，2017).学生在课前预览了给定的材料，系统收集了预览期间记录的操作日志。在课程开始之前，学生回答了测验，并在服务器上收集了结果。

在讲座开始之前，我们的系统分析了学习日志，以制作包含成绩和测验结果预览的总结报告（详见第2.6节）。此外，系统还提供了有关重要页面的信息，这些信息应在讲座中得到很好的解释。例如，教师应该关注与测验相关的页面，尤其是那些导致测验得分较低的页面。我们的系统提前在讲义材料中分析了测验语句与其相关页面之间的关系。第2.3节解释了我们如何自动发现重要页面。

表1 操作日志

图1 案例

在讲座中，老师解释了材料的内容，学生们在笔记本电脑上浏览了这些材料。在我们的大学，学生被要求打开并浏览与教师相同的页面，并在重点上放置重点或备忘录。在讲座期间，依次收集并存储学习日志。分析结果立即在Web界面上可视化并每分钟更新一次。因此，老师可以检查最新的学生活动。可视化包括关于有多少学生关注讲座，有多少学生浏览前一页等的实时信息。第2.6节中描述了Web界面。老师根据学生自适应地控制讲座的速度。例如，如果许多学生没有参加讲座并仍在上一页，那么老师放慢了讲座的速度。

重要页面挖掘

讲座材料和测验之间存在很强的关系，因为测验通常是使用讲义材料的内容产生的。相关页面很重要

了解材料的内容。然而，例如，讲座材料和测验被单独存储或者在使用主题名称的系统中非常弱地连接。我们可以手动评估测验项目及其相关页面之间的关系，但是当测验项目数量和/或页面数量增加时，这不容易或不现实。此外，如果讲座材料被更新，即页面编号改变，则教师必须更新该对应关系。因此，我们开发了一种自动确定对应关系的方法。

我们的策略假设相关页面包含与测验语句相同的关键字。每个测验声明QS都分为语素。然后，我们提取名词n（1,...,n,...,N...）。对于每个名词n，创建归一化直方图hn 。直方图hn 的每个bin bu;n 表示页面u包含名词n的次数。请注意，在计算名词n出现在所有页面中的次数后，将这些箱子标准化。为了获得最终结果，我们将所有名词的频率相加。我们将归一化值ru 定义为页面u的相关分数。

虽然挖掘方法查找与给定测验语句高度相关的页面，但它不考虑页面之间的关系。因此，我们还应用一种排名方法，为每个页面分配排名分数。这个想法的灵感来自VisualRank（Jing和Baluja，2008).使用以下方法迭代更新排名向量

其中S是列标准化相似度矩阵，Su;v 测量页面u和v之间的页面相似度。在本研究中，我们简单地使用由一包词表示的两个特征向量之间的L2范数来评估相似性（张等人，2010).B是偏向量。我们使用关联分数ru 作为B的元素.R重复更新直到它收敛。a，（0＃a＃1）控制相似度矩阵和偏差矢量之间的平衡。根据文献（Jing和Baluja，2008），agt; 0：8经常在实践中使用。在排名向量R收敛之后，与重要页面相关的页面具有更大的排名分数。我们选择排名前N位的页面非常重要。

预览成就

通过分析电子书操作日志，我们可以确定学生预览给定材料的每个页面的时间。通过从操作日志中减去两个连续的时间戳，可以轻松获取每个页面的预览时间。请注意，我们忽略了持续时间少于3秒且超过600秒来丢弃跳过和放弃的页面。图2显示预览成就的可视化结果的示例。教师可以在开始他/她的讲座之前提前检查给定材料的预览状态。

测验结果

从电子学习系统收集测验结果和问题，并在课堂上汇总分数。我们为正确答案的比率设置了一个阈值（在我们的实现中，我们将阈值设置为50），如果准确度低于阈值，则在摘要图表下方显示预先自动挖掘的重要页面。看到图3作为网页的一个例子。如有必要，测验结果的摘要图表后面是测验语句和相关页面信息。

图2 结果显示

图3 网页示例

网页的可视化器

所提出的分析结果的可视化器被实现为web系统。教师可以从PC轻松访问网页。在讲座开始之前，教师可以访问提供给定材料和测验结果预览的摘要报告的网页，如图2和3.教师可以使用预览成绩图检查哪些页面已预览好，哪些页面未被学生预览。此外，教师可以检查学生难以进行的测验以及应该在讲座中解释的建议页面以帮助学生。

在讲座中，教师可以访问两种实时分析图。一个是显示的实时热图图4.水平轴和垂直轴分别代表一天中的时间和页码。换句话说，垂直线对应于浏览每页的学生数量的分布。垂直线每分钟更新一次;也就是说，每分钟添加一个新行。每个单元格代表学生人数。由教师解释的页面以红色矩形突出显示。如果在教师解释的页面上使用较亮的颜色（红色，橙色，黄色或绿色），则大多数学生都会按照教师的说明进行操作。要求学生尝试与教师在同一页面上，并在必要时添加精彩集锦或备忘录。因此，当学生的分布向下倾斜时，一些学生仍然在浏览前一页。在这种情况下，教师应该放慢讲座速度，以便学生能够跟上。

另一个实时分析图是圆形图（左边的部分）图5），这是上述热图的总结版本。教师可以花一些时间从热图中检查和了解情况。为了提供热图的可视化摘要，第二个视觉集中于三种

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[20323]，资料为PDF文档或Word文档，PDF文档可免费转换为Word