英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料
智能学习分析
David Boulanger1, Jeremie Seanosky1, Vive Kumar1, Kinshuk1, Karthikeyan
Panneerselvam2, Thamarai Selvi Somasundaram2
Athabasca University, Athabasca, Canada
david.boulanger@dbu.onmicrosoft.com
Anna University, Chennai, India
摘要：智能学习环境（SLE）的特点是提供个性化的学习体验。为了在网上学习中实现不同程度的个性化，本文介绍了一种名为SCALE的框架，可跟踪更高级的学习体验并将其转化为定制反馈的机会。SCALE系统的原型版本已被用于研究追踪新手程序员的习惯，一年级工程专业学生的编码能力不断增长，已经为学生提供了定制的反馈，以优化他们在编程中的学习路径。本文描述了我们用SCALE系统进行研究的关键方面，并重点介绍了研究结果。
关键词：SCALE框架 智能学习环境 编程网络学习技术 初学者编程 大数据学习分析
- 介绍
智能学习可能意味着定制学习，优化学习途径，让学习者积极参与并以目标为导向指导教学。虽然智能学习环境的原因（通过定制优化学习），（无处不在的学习交互）以及如何（针对目标导向的学习技术）在较粗糙的级别上显而易见，定制化程度，无处不在的可扩展性以及学习相关数据的整合仍然是教育技术人员面临的关键挑战。智能学习环境包括传统教室以及在线和远程教育。以一贯的方式随时随地学习需要移动的技术，如3G和4G网络支持的智能手机[4]以及学习环境，如家庭翻转教室等。为了提供环境感知学习，硬件和软件传感器对于识别用户的环境和学习需求，来定制学习内容和活动是必要的。预计智能学习环境将高度分散并基于云计算，以适应联合和目标导向的学习活动。为了使智能学习环境具有环境感知能力，技术需要无缝协调并有目的地进行协作，以便识别环境，在适当的学习建议中翻译环境知识，并根据该建议提供学习材料。[9]提供了一个电子学习环境的有趣描述：用户的先前知识，学习风格，学习速度，当前活动，目标，可用学习时间，位置和兴趣。在本文中，我们将介绍SCALE系统，并在对SLE进行简短的文献回顾后，概述它与智能学习环境的关系，之后介绍初步研究的结果。
- 文献评论
智能学习环境涉及情境意识， 然而情境可能涉及几乎任何东西。关于智能学习环境的不同研究项目可能会分析并关注情境的不同方面。SLE定义和识别情境的精度将显着影响其整体性能。
在韩国首尔的淑明女子大学，一个智能云服务框架已经根据名为E4S（弹性四智能）的模型进行开发，以提供智能学习服务[2]。该模型由四个基本服务组成：吸引，潜在，内容和推送。研究人员依靠移动设备中的内置传感器来定义用户的行为或环境。吸引服务将提取要传递给用户的内容类型，前景服务负责准备学习内容以符合用户的环境，内容服务生成内容并建立服务器和目标设备之间的连接。最后，推送服务将生成的内容同步传送到目标设备。
为了使系统适应环境的变化，克卢日纳波卡技术大学为情境感知系统设计了一种自适应算法。该算法的特点是具有四个阶段的闭合反馈回路：监测，分析，计划和执行[6]。该算法使用RAP（资源，动作，策略）环境模型以编程方式描述感知环境，这是作为监控阶段一部分的任务。分析阶段涉及使用环境熵概念评估环境中的变化，以确定环境遵循预定义策略集的程度。规划阶段探索系统的所有状态，以选择系统应对环境变化所应采取的适当行动。执行阶段执行计划阶段中定义的适配操作，以相应地更改系统的状态。
于志文等人[9]讨论了语义基础设施，即语义学习空间，用于情境感知电子学习。语义学习空间“支持语义知识表示，系统环境管理，可互操作内容集成，表达知识查询和自适应内容推荐”。[9]认识到需要调整学习内容与用户的环境，这是一个挑战不同于灵活的内容交付。它还将电子学习环境定义为“用户的先前知识，学习风格，学习速度，当前活动，目标，可用学习时间，地点和兴趣”。例如，在智能学习环境中，系统将跟踪当前用户的知识与目标学习成果之间的知识差距，并为用户提供适当的学习内容，以考虑用户的情况下的差距。在另一篇文章中，于志文等人提出了一种基于本体的语义内容推荐方法，以进一步向复杂的情境感知电子学习迈进一步。推荐人考虑到关于学习者的知识，关于内容的知识以及关于学习领域的知识，以便在任何时间，任何地点，以正确的形式和方式向正确的人提供正确的东西[10]。推荐人经历以下步骤序列：语义相关性计算，推荐提炼，学习路径生成和推荐增加。
Kosba和他的同事开发了教师ADVisor（TADV）框架，该框架使用LCMS跟踪数据来引出学生，小组和班级模型，并且使用这些模型帮助教育工作者更好地了解他们的远程学生[17]。它使用一组预定义的条件来识别需要教育工作者干预的情况，以及何时满足这样的条件，TADV为教育工作者提供建议，也提出关于将什么发送给学生的建议。而TADV侧重于教育工作者的日常活动，我们的方法旨在帮助他们重新思考所雇用的学习内容和学习设计的质量。我们的方法还可以帮助学生分享他们的经验，重复使用由同龄人收集的额外学习资源，并获得关于他们的进步的良好反馈。
- SCALE框架和智能学习
SCALE是一个混合主动学习分析框架，旨在从任何学习领域收集学习痕迹，并分析这些学习痕迹以提取同一学习领域中的潜在能力水平。SCALE框架专为与Moodle等学习管理系统完全集成而设计，以及Web-CAT1等一系列自动化评分和测试工具，使感知的学习痕迹可靠并与学习成果相关联。SCALE不像学生的学习情境那样将注意力集中在学生的身体环境上（即背景知识）。
SCALE的分层体系结构由传感层，分析层，能力层和可视化层组成。传感层是通过Hackystat2框架实现的，该框架提供了嵌入到学习分析工具中的预设和定制传感器的集合，分析层由与学习领域有关的解析器和分析工具组成。 例如，在编程领域中应用的SCALE的分析层将包含编译器和静态/动态代码分析工具，然后将分析结果转换并存储在综合能力本体中。能力层将能力与学习成果联系起来，并显示学生正在进步或未达到这些学习成果的证据。使用语义Web技术实施的本体以及推理引擎将为发现学生的学习风格和学习路径的新模式和趋势铺平道路。能力本体将持有和定义学生的知识背景，这是提供定制学习资料的先决条件。最后，可视化图层将提供一个图形界面，其中包含一组可视化和交流工具，用于回放学生的表现，显示学生与最新学习活动相关的能力，为所有学习干系人（即教师，学生，同龄人，家长，招聘人员等）可以会面并讨论如何设定新目标以及如何达到目标，并让学生有机会评论他/她的学习，以优化系统对学生的理解。我们设计了一个即插即用架构框架，允许任何以数据为中心的面向学习的应用程序插入到SCALE中。
我们的目标是根据用户的先验知识，规范学习（自律和共同监管），学习风格，学习效率，当前活动，目标，可用学习时间，地点和兴趣等方面来制定SCALE情境感知，部分来自于志文[9]。由于显式数据的可用性，编程是迄今为止那些易于追踪（不一定可分析）的域名之一，这些数据标识程序员在完成编码任务时所做的逐步进展。换句话说，系统用来跟踪和更新学生学习情境的感知小时数可能远远大于化学课程（取决于如何将电子学习应用于化学领域）。由于可以嵌入Hackystat传感器（SCALE基石之一）的大量环境，系统可以更好地表示用户环境。
一个重要的问题涉及SCALE无处不在的程度。这可能是一个棘手的问题要回答。以Java编程领域为例，我们在SCALE系统中集成了三种不同的编程工具，以捕捉学习者Eclipse IDE传感器，虚拟编程实验室3（VPL）IDE传感器和MI-LATTE反射和调节传感器的编码相关活动。由于要使用的软件的特殊性以及学生为掌握编码习惯和能力而必须开发的能力，困难在于将特定计算设备的物理学习环境减少。 掌握软件甚至可能是课程的学习成果，这样学生就可以变得精通。Eclipse是一个专业的集成开发环境，不能在移动设备上运行。 然而，在阿萨巴斯卡大学和马德拉斯技术学院进行的实验设置中，学生将不得不通过任务和许多使用Eclipse的编程练习，另一方面，学生可以安装Eclipse并在任意多台计算机上工作。 我们打算在互联网连接可用的地球上随处可见SCALE框架，尽管低速互联网连接和不可避免的连接问题，SCALE系统将保证通过Hackystat传感器进行可靠的数据收集（有助于环境感知）。另一方面，我们还有其他可通过Web访问的工具（VPL和MI-LATTE）。SCALE可以通过这些替代工具技术在智能手机上提供编程练习，这些编程工具仍然只支持小规模的编程练习。
未来，我们计划为学生提供一系列有关学习路径，选择哪种课程或职业，如何为工作面试做好准备的建议，学生有相似的认知情况，以及采取哪些步骤与顶尖学生进行竞争。目前，SCALE为学生提供最低限度的关于编程概念的建议，这些建议应该加深以便在即将到来的作业或考试中获得最大的成功。SCALE框架是一项正在进行的工作，并将在我们进一步开发系统时实施更复杂的建议。
- 试用SCALE电子学习技术的先行者
加拿大阿萨巴斯卡大学和印度安娜大学马德拉斯理工学院（MIT）进行了一项实验，分析在第一年工程课程中引入以追踪为导向的学习技术。这些痕迹旨在增强学生的学习体验，并可能提高他/她在课程中的表现。该实验在麻省理工学院校园进行，在767位参与学生和10位教授（每间教室一位教授）中设置了C编程课程。属于九个不同教室的学生接受传统讲座，而随机选择的第10间教室除了课堂讲座外，还在Moodle中获得了可追踪的在线学习环境。该课程中引入的电子学习技术包括Moodle学习管理系统，虚拟编程实验室，Eclipse IDE传感器和CTAT导师。CTAT导师一次引导学生在一行代码中更好地解决编程练习。研究内容使用基于象限的框架提供给学生[18,19,20,21,22]。新设计遵循四个步骤：观看，讨论，概念化和尝试。它还为学生提供了如何学习而不是学习什么的指导方针。所有这些技术都能追踪学习者在更细粒度水平上的学习习惯。此外，收集的数据被整合到一个单一的框架中，以关联来自不同传感器的数据集。
这项研究的目的在于发现新趋势，并研究当智能学习环境的元素是他/她学习体验的一部分时，学生的表现如何表现。由于本实验不是在受控环境中进行的，因此读者应该注意，除了我们将关注潜在模式并在即将进行的实验中确认它们之外，我们不会从这个实验的结果中提出任何要求，最先进的电子学习技术和面向自律和共同学习的学习过程的尖端设计。
实验涉及10个不同的教室，每个教室大约有75名学生参加，每个教室都有一位独特的教授。教室从课堂0到课堂9编号。课堂3是这个实验中感兴趣的课堂。课堂3的表现将与所有其他课堂的平均表现相比较。所有的教室都使用相同的结构来教授相同的课程，课程包括三个评估，一个理论考试和一个实践考试。评估1由理论问题组成，而评估2和评估3则由编程练习组成。因此，课堂3的学生尚未接触到评估1中的虚拟编程实验室工具，同时他们可以访问Moodle中的整个课程内容（其中实施了新的教学设计）。我们将在学期末与其他课堂相比较，分析或观察课堂3表现。
图1显示了教室3和其他教室的每次评估的平均分数，图2显示了通过评估的学生的百分比，这两个数字都表明，在第一次评估中，教室3似乎表现不佳。我们详细阐述了一些可以部分解释为什么课堂3的平均成绩较差的原因的假设。1）是否让课堂3的学生有更多时间适应新的教学设计？2）新的教学设计是不是最理想的理论部分？3）如果新的教学设计得到了正确的电子学习技术的支持，那么它们是否是最佳的？我们将力争在更多受控环境下的未来实验中验证/无效这些假设，然而图表显示，在评估2和3中课堂3的平均分数和通过百分比显着高于其他课堂的分数。我们想验证课堂3的学生是否开始从新的教学设计和新的电子学习技术中受益评估1。
图1 评估平均成绩标记 图2 评估通过率
图3 考试通过率 图4 理论考试GPA
图5 实践考试GPA
至于理论和实践考试，图3表明，通过理论考试（几乎超过5％）的课堂学生3的比例高于其他课堂学生的比例。这种观察可能支持这样的假设，即学生花更多时间去适应新的教学设计，但是这种设计在某种程度上优化了学生的学习体验。至于实际考试，其他班级通过实践考试的学生的百分比是非常好的学生通过率。 然而，课堂3和其他课堂在实际考试中表现不错。不过，我们可能会发现，其他课堂的理论考试和实践考试之间的通过率差距更大。
最后，在图4和图5中，我们看到在课堂3中有更少的学生拥有GPA C，D或E，并且更多的学生在课堂3中获得了GPA S，A和B。请注意，GPA从最佳到最差的顺序是S，A，B，C，D和E，所有这些仅仅是观察并提出了一些趋势。在不久的将来，全球的几所大学将进行更多的实验，以了解智能学习环境对学生表现的影响，并确认我们在这个实验结果之后的假设。
- 未来的工作和结论
SCALE还将结合因果学习分析（CLEAN）扩展来确定各种学习相关事件的原因，这将包括确定学习成果的成功和失败的原因，以及确定这些因素对学习成果的影响等等。此外，SCALE将跟踪典型的每个学生类别（风险，平均和优秀学生）的编程活动的类型和顺序（调试，编译，测试，记录，编写代码等）。SCALE还将寻找最有效的学习方法和行为，以及学生错误的概念性原因。CLEAN扩展将作为使用模式
全文共10487字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[14446]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
