英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
评价学生网络学习认知参与的预测模型
摘要
在各级教育中，在线学习的使用不断扩大，这引起了人们对在线学习质量的关注。在这项研究中，在线学习质量是通过学生的认知参与来评估的，这反映在他们在讨论中的在线书面信息和他们的在线参与中。本研究建议使用两种类型的数据：学生的参与和书面信息。这两种类型的数据都是使用数据挖掘技术收集和分析的，以产生一个预测模型，说明学生在进行在线学习时的认知途径。这项研究的结果表明，从22个变量中，只有两个变量对学生的在线认知参与有显着性意义：共享信息和发布高级信息。这两个变量导致了学生预测模型中三种不同的途径的形成。
1.导言
在线教育空间是一个复杂的环境，学生必须对自己的学习高度负责(Nedelko，2008)。在线学习往往以学习者为中心，需要大量的自我激励(Nedelko，2008；Smartamp;Chappel，2006)。然而，我们不能否认在线学习的普遍存在和在线学习克服地理因素等限制的能力(Twigg，2003)。在线学习在高等教育机构中的应用不断扩大，这引起了人们对在线学习质量的关注(Chen，Guidryamp;Lambert，2010)。研究人员和教育工作者质疑学生是否确实通过在线学习“学习。如果他们这样做了，他们在多大程度上学会了？研究人员认为，评估在线学习的质量以确保在线学习实施的适当性是必要的(Kwisnek，2005)。
在线学习的质量可以通过观察学生在在线学习环境中的参与来评估(Beer，Clarkamp;Jones，2010)。以前的研究报告说，学生的参与对学习有很大的影响，因为它与学习成绩(Burrows，2010)、知识获取(Chen等人，2010)、动机(Scottamp;Walczak，2009年)和其他学习效益有关。Carini等人。（2006）调查学生参与与学业成绩之间的关联程度。通过兰德考试对学习成绩进行评估，这是对批判性思维和解决问题的测试。他们发现，学生的参与与兰德考试成绩之间存在积极但薄弱的关系。他们还发现，学生的参与度与学生的年级平均分(GPA)呈正相关)。Morris等人。（2005）研究了学生通过登录频率、参与时间参与在线课程的情况，从而与他们的成绩建立了关系。
然而，这些研究无法解释学生在线学习的程度(Cottonamp;Yourke，2006)。比尔、克拉克和琼斯（2010）指出，这些评估仅仅是基于学生对在线学习的参与，他们声称这并不代表学生的在线学习过程，因此没有解释在线学习的总体质量。Zyngier（2008年）进一步阐述了参与率低并不意味着脱离接触。参与不一定导致学习，数量与质量不相似(Dennenamp;Paulus，2005)。事实上，Eskin和Ogan-Bekiroglu（2009）发现，贡献的数量与学生的科学理解之间没有显著的关系：学生可能会频繁地做出反应，但有些反应只反映出科学理解水平低。
评价在线学习质量的一个更有用的方法是评估在在线环境中工作的学生的认知参与水平，以了解学生的学习过程，其中在线学习质量反映了学生在认知上参与的特定水平。认知参与是当学生付出大量的精神努力来参与学习材料时建立的(Richardsonamp;Newby，2006；Walker，Greeneamp;Mansell，2006)。解释在线学习中认知参与的研究很多(见Wysocki（2007)和朱(2006)的作品），因为认知参与是学生有意义学习的先决条件(Solis，2008)。研究表明，认知参与的学生能够创造新的知识（朱，2006），他们在网上讨论中获得了更高的理解(Persell，2004年)。认知参与也被发现是成就的预测因素(Spanjers，2007)。在在线学习中，这些能力可以通过观察学生在书面信息中的行为来评估。
2.研究背景
2.1在线学习中认知参与的调查
朱（2006）探讨了在线学习的四种不同设置中的认知参与。在网络学习中认知参与是不可观察的概念下，作者通过分析学生在网上讨论中寻求、解释、分析和总结信息、批评和推理的行为，并在网上讨论中做出决策，开始了“观察”认知参与的探索。使用她自己开发的编码方案，她发现学生在在线学习讨论中的认知参与程度从高到低不等。然而，朱发现有许多相互关联的变量导致学生的认知活动发生变化，并指出她的编码方案没有被调查的有效性和可靠性。
同样，Wysocki（2007）也有兴趣调查学生在在线学习中的认知活动。维索基研究的方法来源于Richardson和Newby（2006）的先前作品，涉及到对学生在学习中使用的学习策略类型的认知参与。早些时候，Richardson和Newby（2006）发现，“深度”和“实现”策略对于有先前在线学习经验的学生来说是重要的。维索奇（2007）报告了相反的情况，即先前的在线学习经验对认知参与没有影响。然而，Wysocki（2007）和Richardson和Newby（2006）都使用问卷来评估学生的认知活动。为了本研究的目的，没有必要更深入地发现这一复杂问题。
范德梅杰登（2005）从社会知识建构的角度对认知参与进行了研究，在网络讨论中对学生在建构知识时的阐述进行了评价。学生被归类为认知参与的高或低水平。低层次的学生是那些在构建知识时主要没有详细阐述他们的陈述的学生，而高层次的学生则解释他们的事实并提出引发其他问题的问题。Howard（1996）同意这种衡量，他说，简单的阐述不会像更高层次的阐述那样对学习有效。使用合作学习任务，她发现学生的参与水平因互动媒体的类型而异。
在线认知参与的各种结果和一些问题，如学生处于较低的认知参与程度，提高了评估认知参与的必要性，特别是在更大程度上的在线学习环境中。
2.2一种解释学生在在线学习中的认知参与的预测模型
分析学生的在线书面信息往往揭示了关于学生互动模式的知识，其中在线行为最常见，以及为什么最有可能发生特定行为(McLoughlinamp;Luca，2000；朱，2006)。然而，这些调查并没有揭示如何实现更高层次的认知参与的途径。也就是说，要能够在在线学习中达到更高层次的认知参与，哪些要素应该共存？Macfadyen和Dawson（2010）发现，使用预测模型可以预测学生在测试中更好的未来表现的在线学习变量是：发布的讨论消息数量、完成的评估数量和发送的邮件数量。同样，Hung和Zhang（2008)发现，能够达到80(百分比）以上最终成绩的学生与访问课程材料的频率、阅读公告栏信息的数量和访问课程材料的频率等变量有关。这些研究解释了学生在参与在线学习的测试中的更好的未来表现。
为了通过认知参与来确定在线学习质量，应该构建一个预测模型，以帮助教育者理解哪些在线变量可以预测更高层次的认知参与，并帮助解释学生应该采取的途径来达到更高的水平。利用这一调查中的知识，教育工作者可以意识到需要更多关注在线学习质量的具体方面，从而可以对在线学习指令进行改进和干预。通过分析学生的在线参与和认知参与水平，本研究报告了学生认知参与预测模型的初始学习集。由此产生的学习集将是教师提出早期干预措施以促进学生更好地参与在线学习的有用指南。因此，提出了以下研究问题：
(1)学生在在线学习环境中的认知参与水平是多少？
(2)是否有可能创建一个模型，预测未来的认知参与在线学习环境？
3.研究方法
3.1参与者和程序
这项研究的参与者是20名本科生，他们在马来西亚Teknologi大学注册了一个基于网络的多媒体开发课程。有5名男性和15名女性。他们是从80名学生中随机挑选出来的。本研究中的样本需要通过在线讨论来完成五项解决问题的任务，这些讨论涉及他们在开发一个由4或5名学生组成的功能教育网站时所面临的问题。他们还利用在线学习访问课程材料（内容页面、网页链接、自我报告）、下载笔记和向讲师提问。在线学习环境是在学习管理系统(LMS)Moodle中开发的。学生参与在线学习获得了20%的总体成绩。
3.2数据分析
本研究通过在线讨论，从LMS和学生的在线书面信息中收集了数据。因此，本研究采用了舒科等人的综合分析模型（2012），用于分析图1中的这两种数据类型。
图1
3.2.1分析学生的书面信息
学生在解决问题任务时的书面信息被收集并分成部分，并由两个编码员分类。评分间信度为0.745，Fleiss（1981）认为良好。以“意义”为分析单位，从总共415条消息中计算出430段。然后根据范德梅登（2005)提出的认知参与编码方案对这些片段进行编码）。为了分析学生在线互动，她开发了一个三个维度的编码方案：认知维度、调节维度和情感维度。认知维度是指学生用来加工学习内容，达到学习目标的思维活动。学习内容的类型可以是事实，概念，公式，推理，论据，定义和结论。她区分了高层次和低层次的认知阐述。高级别阐述包括编码方案认知层面的五个类别，即：要求详细阐述的理解问题(CHV2)、详细阐述的答案(CHG2)、进一步阐述的新想法的提出(CI2)、接受进一步阐述（接受 )和进一步阐述的拒绝(拒绝 ）。低层次的阐述包括编码方案认知层面的其他八个类别：事实问题(CHV1)、验证问题(CHVER)、仅回答问题(CHG1)、未进一步阐述的新想法的提出(CI1)、提及先前讨论过的想法(CIT)、摘要(CIE)、不进一步阐述的接受(ACCEPT-)和不进一步阐述的拒绝（拒绝-）。
在本研究中，只使用了认知维度（13类），如表1所示。根据范德梅杰登（2005）的分类，将学生的个体认知参与分为高(H)、高-低(HL)或低(L)认知参与水平。这是通过比较他们的高水平认知贡献与低水平认知贡献的百分比来实现的。结果存储在Excel电子表格中，然后用LMS数据库中的数据集编译。
表一
3.2.2.基于LMS数据的学生在线参与分析
学生参与在线学习的数据从LMS数据库中检索。从数据中提取了登录频率、发布消息数量、查看消息频率、讨论和访问课程材料等活动。接下来，数据被导出到Excel电子表格中，以与讨论脚本中的认知参与代码合并。使用了两次完整的数据集：将数据导入SPSS进行进一步的统计分析，并将数据导入WEKA进行数据挖掘。对完整数据集的数据挖掘导致了学生在在线学习中认知参与的预测模型的构建。
4.结果与发现
4.1学生在在线学习中的认知参与水平
表3显示了学生在线学习活动的描述性统计，包括他们通过添加帖子、查看讨论、登录和访问资源（网络链接、注释)来参与）。关于通过在线讨论解决问题的活动，学生的书面信息被编码并分类为低水平或高水平的认知贡献。发现学生的认知参与水平相当低。高水平认知贡献的均值低于低水平认知贡献。通过将高水平和低水平认知贡献的百分比与各自的方法进行比较，8名学生被归类为具有高水平认知参与(H)，7名学生被归类为具有高水平认知参与(HL)，5名学生被归类为具有低水平认知参与(L)。这种分类意味着H类学生能够（在更大程度上）详细说明信息，提出需要进一步解释的问题，或者与其他类别的学生相比，用解释来批评信息。
从LMS数据库检索到的数据显示，最频繁的活动是查看讨论（57.07%)(见表3）。可以观察到，测井频率小于观察讨论（19.60%）。这意味着每次学生登录时，他们都会反复查看讨论。由于要求学生通过在线讨论解决几项解决问题的任务，预计这一比例很高。关于学生的在线参与和他们的认知参与水平，高频率的参与并不一定确保高水平的认知参与。
4.2.在线学习中学生预测模型所涉及的变量
为了建立一个预测模型，将内容分析和LMS中的两组数据结合起来，并利用数据挖掘技术进行分析。预测模型如图2所示。如图2所示，从列出的22个调查变量中，只有2个变量出现：NoHcog和CI1。预测模型具有0.845的高Kappa可靠性，这表明它是一个几乎完全一致的模型，所获得的结果不是偶然的(Viera，Joanneamp;Garrett，2005)。在本研究中，NoHcog代码的出现是预期的，因为NoHcog代码是高级认知贡献的总和，包括来自代码CI2、CHV2、CHG2、ACCEPT 和REJECT 。
预测模型告诉我们，有四个以上的信息，这两种类型的任何一种，将导致学生达到一个高水平的认知参与。另一方面，仅在信息共享级别上发布了6条以上信息的学生(即没有提供详细说明，CI1)更有可能达到较低的认知参与水平。七名学生属于HL类，他们遵循了类似的原则路径作为H学生，但由于他们在高水平上发布了不到四条信息，这导致他们属于这一类别。
总之，为了达到H、H-L或L的类别，共有三条途径。路径简化见表4。表4中路径的总结告诉我们，来自H、HL和L类别的所有学生都采取了类似的途径来达到各自的水平。来自H类和HL类的学生被发现采取了类似的途径(CI1和NoHcog)来达到各自的水平。这两个级别之间的差异是由于它们贡献的Hcog代码的频率（要么超过四个，要么少于四个）。
5.讨论情况
在这项研究中提出了两个问题：学生在在线学习环境中的认知参与水平是多少？是否有可能创建一个模型，预测未来的认知参与在线学习环境？在本研究中，第一个研究问题涉及认知参与的水平。如表3所示，与低水平认知贡献相比，高水平认知贡献的平均值较低。这些结果与以前的研究人员所获得的结果相似，如张和松（2008年)、侯和吴(2011年)、侯、麦克洛林和卢卡(2000年)、范德梅杰登(2005年)和朱(2006年）。他们发现，学生在构建知识的同时，努力实现更高层次的认知互动，比如应用新的共同构建的知识。大多数学生能够比较和分享信息，但很少能够谈判意义并发现新的知识。
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[258428]，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。
