基础教育数字化发展研究|胡富珍 王晓东 卜彩丽:基于行为识别的课堂深度学习成绩预测模型研究
引用格式
胡富珍 王晓东 卜彩丽.基于行为识别的课堂深度学习成绩预测模型研究[J].中国教育信息化,2023,29(9):108-118.DOI:10.3969/j.issn.1673-8454.2023.09.013
基础教育数字化发展研究
基于行为识别的课堂深度学习成绩预测模型研究
胡富珍 王晓东 卜彩丽
摘 要: 课堂学习行为智能识别和大数据分析为课堂高阶认知评价带来契机。利用数据技术挖掘学生课堂学习行为对深度学习成绩的影响关系,解决识别与评价课堂高阶认知不足的现实问题。以英语和化学两门学科为例,以课堂学习行为为自变量,以测试试卷深度学习成绩为因变量,通过高斯消元、回代总样本求均方差最优解等算法,分析出课堂“听讲”“阅读”等8种课堂行为对深度学习成绩的权重影响,构建课堂学习行为与深度学习成绩间的预测模型,依据模型可识别和评价学生的高阶认知是否发生,为常态课堂高阶认知规模化评价提供科学依据和技术支撑。关键词: 行为识别;深度学习;深度学习成绩预测模型;过程性评价中图分类号: G434;G632.0 文献标志码: A文章编号: 1673-8454(2023)09-0108-11作者简介: 胡富珍,河南师范大学教育学部博士研究生(河南新乡 453007);王晓东,河南师范大学计算机与信息工程学院教授、博士生导师,博士(河南新乡 453007);卜彩丽,河南师范大学教育学部副教授、硕士生导师,博士(河南新乡 453007)
基金项目: 2023年河南省教师教育课程改革课题研究项目一般项目“基于虚拟研究室的‘学科主导 名师引领’优师计划师范生培养模式创新与实践”(编号:2023-JSJYYB-027);2022年河南省基础教育教学研究项目“基于行为识别的过程性评价模型构建及教学应用研究”(编号:JCJYB2225000502)
一、引言过程性评价是发生在学习过程中的价值判断,通过对学生学习的量化、预测、诊断、干预等过程,实现对学习行为的引导和修正,渐进培养学习习惯,是推进素质教育实践发展的需要。[1]预测是过程性评价的最重要环节,诸多研究证实,学习行为(即交互行为、学习参与等)是确定学业成就的关键参数,学生学习行为可以作为预测评价学生学习成就的重要依据。[2-4]
梳理相关文献,成绩预测评价研究主要集中于在线学习平台,常态课堂(以下简称“课堂”)预测评价研究却较少涉及。分析原因,在线技术平台自动记录学习行为的便利性和规模化,如在线学习系统[5]、慕课[6]、学习管理系统[7]、平板教学[8]等的日志行为数据,是促进学习预测发展的重要力量。而课堂环境数据获取测量仍然依赖人工,如观察法、教师报告法、自我报告等,操作规格高,方式主观低效,很难解决真实情境、过程性评价的问题。新课程标准要求的课堂深度学习通常与质量更高的学习结果相关,规模化的体认与评价更难,而传统课堂的终结性评价无法展示其对学习的积极影响。
随着大数据、云计算、5G技术的发展,课堂学习行为智能识别和大数据分析为课堂高阶认知评价带来契机。本研究尝试在行为识别系统自动记录概率状态的非结构数据的基础上,经过处理生成结构化行为数据,与深度学习成绩进行线性分析,建立预测模型,解决课堂成绩预测研究缺乏,尤其是对课堂高阶认知识别与评价不足的现实问题。基于此,本研究利用智能技术支持,尝试探究以下三个研究问题:①课堂学习行为是否影响深度学习,程度如何?②学生的最佳学习行为内涵随时代变迁是否发生变化,查看平板学习行为影响学生学习吗?③学习行为对深度学习成绩的影响关系是否可以用数学模型描述,能实现课堂规模化评估吗?
(一)概念界定
1.行为识别
行为识别又叫智能AI行为识别分析系统,是一款以行为识别技术为核心的技术,基于AI神经网络的深度学习算法,把人的主要活动骨架结构化,根据人的运动轨迹,提取其行为特征,生成结构化数据。本研究是利用海康威视行为识别系统,识别并计算出学生课堂学习行为,量化其课堂行为,存入数据库。
2.深度学习
相关学者在对深度学习的相关研究中指出,学生的学习投入水平是评价深度学习的重要指标,[9]学习投入是行为、认知、情感三方面的积极投入,行为是深度学习最重要的投入因素,是情感和认知的中介与载体。[10]行为投入能显性反映出学生在学习过程中的投入程度。研究发现,深度学习者在课堂上更倾向于积极主动地参与课堂活动。没有证据显示表面的消极与成功的深度学习相关联。深度行为投入表现为课堂上的专注听讲、举手、朗读、标注或作笔记、讨论等积极学习行为。[11]
(二)深度学习理论
1.深度学习行为与深度学习结果的关系
深度学习结果表现为知识的建构理解、批判性思维、迁移和有效沟通等关键能力的发展。行为投入学习理论中定义学习过程是一种创造性的、有学术目的的活动。[12]在深度学习过程中,包括几个关键学习行为:一是意义提取,意图在于识别信息中的模式和规律;二是通过逻辑推理来检查证据和论点的合理性;三是监测自身理解力、元认知和创造性的发展。[13]行为与认知变化趋势一致,高阶思维活动外显为积极投入的学习行为,吻合深度学习的高阶学习结果。通过编码学习者的高参与、高投入行为,可推断学习者深度学习知识变化的结果。
2.深度学习结果与认知目标分类的关系
布卢姆认知目标分类理论,通过学习者行为的变化详细划分学习者的认知目标,以思维的累积来分类,涵盖从低级、简单的认知思维布卢姆认知目标分类理论,通过学习者行为的变化详细划分学习者的认知目标,以思维的累积来分类,涵盖从低级、简单的认知思维到高级、复杂的认知思维。[13]六个认知层次是累积的,从简单到复杂排列,分别对应记忆、理解、应用、分析、评价和创造。和深度学习结果对应的学习动词包括关联、解释、联系原理、转换、分类、假设、因果关系、反思等,对应布卢姆教学目标分类中的深度理解、解决长远问题的应用、分析、评价与创造。[14]深度学习结果与认知目标分类的应用、分析、评价、创造描述的角度不同,但内涵高度一致。
(三)PAR学习分析框架
吴文峻通过分析美国西部16所高校的学习数据分析项目,总结出基于大数据的预测分析报告框架(Predictive Analytic Reporting Framework),简称为PAR学习分析框架[15],该框架共分为在线学生记录、集成相关数据、数据分析与预测、解释数据结果、完成分析报告、教学验证与干预六个部分,各部分间的逻辑关系联系紧密。
PAR学习分析框架,源于心理学和控制论,认为智能是主体与环境的交互过程。它基于可观测的具体行为活动,以控制论及感知系统为基础,摒弃内省的思维过程,把智能研究建立于可观测的具体行为活动基础上,通过收集学生行为记录、清洗转换相关数据、对行为数据进行分析和预测、解释数据分析和预测结果,进行教学决策和干预。学习分析框架是一个循环模型,经过一轮的分析和干预之后,在新的起点上再对学生的学习进行分析干预,将动态分析结果反馈给教师和学生,教师和学生根据反馈结果采取相应的改进措施和策略,促进学习目标达成。
学习分析技术赋予成绩预测新的功能,突破过去评价实践中面临的工作量大、不易落地的限制,降低师生评价负担,提高评价精度和效度,促使教、学、评得到更为有效的连接。以确保认知理论、评价、解释与反馈协调过程的实现。
三、研究设计
模型建构框架主要包括行为识别、大数据处理、深度学习理论、布卢姆认知目标分类理论、多元回归方程求解和预测模型。
(一)数据处理
1.数据来源
首先,抽取研究对象。从具备平板教学条件的学校中随机抽取A学校高二两个班级,每班60人,合计120人,课程包括课表所列科目,包括自习课共12门,教师15位。其次,采用行为识别系统追踪真实课堂环境,采集课堂学习行为序列,采集频率是每秒6个数据点,每个点采集学生数据50~60个,如表1所示,采集时间是2020年9月25日至2020年11月17日,除去节假日共44天。
表1 数据编码及表示2.行为数据处理
行为识别系统设备记录的原始行为是阅读、书写、向左、向右、向后、查看平板(看手机)、举手、趴桌、起立、听讲等10种行为概率状态的非结构性数据,经过清洗、合并、格式转换、行为分类,生成结构化课堂行为数据存入SQL数据库文件。
(1)行为数据特征定义
给定一个原始学生特征集合M,M集合中,学号特征以r={r1,r2,…,rj}表示,时间特征以t={t1,t2,…,tn}表示,课程特征以y={y1,y2,…,yi}表示,动作特征以l={l1,l2,…,lk}表示,则M={rj,tn,yi,lk}。其中,j为学生人数,n为行为时间序列,i为学校安排的课程序列{语文,数学,英语,物理,化学,历史、地理、生物,政治,安全与健康、自习,体育(足球)、语/数/英},k为系统初始动作序列,值为1时表示对应动作{阅读、书写、向左、向右、向后、查看平板(看手机)、举手、趴桌、起立、听讲}发生。
定义一个目标学生特征集合F,F集合中,学号特征以r={r1,r2,…,rj}表示,时间特征以t={t1,t2,…,tn}表示,课程特征以y={y1,y2,…,yi}表示,行为特征以h={h1,h2,…,hk}表示,则F={rj,tn,yi,hk}。其中,j为学生人数,n为行为时间序列,i为学校安排的课程序列{语文,数学,英语,物理,化学,历史、地理、生物,政治,安全与健康、自习,体育(足球)、语/数/英},k为识别出的行为序列号,值为1时表示对应动作{阅读、书写、起立、讨论、趴桌、听讲、举手、查看平板(看手机)、聊天}发生。
(2)行为数据采集
基于大学生的行为识别研究搭建行为识别系统,该研究将大学生的课堂动作区分为“阅读、书写、向左、向右、向后、玩手机、举手、趴桌、起立、听讲”等10种基本学生动作类型,其概率值形成课堂智能学情系统,旨在抓取并记录学生动作。
(3)行为数据编码
为了外化隐性知识,采用编码体系对上下午时间、上课节数、课表安排科目、数字摄像头采集到的初级行为和目标行为特征分别进行编码,编码方法如表1所示。
(4)行为数据清洗
数据清洗是整个数据分析过程的第一步,清洗工作会占整个数据分析流程80%左右的时间。本次清洗流程如表2所示。
表2 数据清洗流程(5)讨论行为、聊天行为区分处理
F={rj,tn,yi,hk}表示学生rj,在tn时间序列状态,若集合M中的向左、向右或向后的lk值为1,则可计算全班学生在tn时间序列时的值,计数器p初值为0;当且仅当M值中 hk 的行为序列{向左、向右、向后}为真,则计数器p值加1。
学生目标行为特征F值填充,若M中hj 值{向左∪向右∪向后}=1,且计数器p /全班人数≥0.167(每班分为10组,每组6人,初级确定经验概率为0.167,回归时验证),则F值中“讨论”值为1,“聊天”值为0,否则“讨论”值为0,“聊天”值为1;F值中其它时间序列的行为序列值与M值相等。
(6)目标行为特征
10种课堂原始行为经清洗、分类生成9种课堂学生学习行为特征,如表3所示。
表3 中学生课堂基本学习行为分类及编码3.深度学习成绩数据处理
授课教师依据修订的布卢姆认知目标分类系统,对期中测试试卷知识点进行人工标记,生成深度学习测试成绩。标记示例如表4所示。
表4 试题根据布卢姆认知目标分类标记示例(二)数据分析
数据分析方法采用的是相关性分析和多元回归方程。主要采用SPSS25和DEV C++软件,估计多个课堂学习行为特征对深度学习成绩的线性影响关系,分析路线如图1所示。
图1 数据分析路线
1.学习行为与深度学习成绩的相关性分析
为降低算法数据的维数,需要将具体学习行为变量与深度学习成绩导入SPSS进行二元相关分析,从9种课堂学习行为中筛选Sig值小于0.5的k种与深度学习成绩显著相关的行为变量数据集。为保证分析结果的准确性,文科以英语学科为例、理科以化学学习为例分别分析。尽管能筛选出k种变量与深度学习成绩之间是显著正相关,但仅依靠简单二元相关分析来预测学生成绩是不可靠的,需要实施多元回归方法分析多个行为变量对深度学习成绩的复杂影响。
2.构建课堂学习行为与深度学习间的多元回归方程
采用与深度学习成绩间高相关的k种课堂学习行为指标构建深度学习线性回归方程如下。
第i个学生第j种课堂行为x[i,j]与其深度学习成绩y[i]的回归方程如公式1所示。
公式1中:记h[j]={h1,h2,…,hk}变量表示第j种课堂学习行为对深度学习成绩的权重值;记x[i,j]={x1,x2,…,xk}变量表示第i位学生的课堂学习行为j的频度每节课平均值,j为对应行为序列{听讲、阅读、书写、举手、趴桌、查看平板(看手机)、讨论、聊天}。
3.以高斯消元解多元线性方程组
(1)从样本γ1(γ1=120)中,以学生均等机会随机抽取1000万次组合,每一种组合形成k×k矩阵方程,即A=(xij)k×k,B=(yj)1×k,A为k×k矩阵,B为1×k矩阵。对每一种组合以高斯消元法解方程组。
(2)判断k个方程有k个主元,则方程组有唯一解,迭代结果记录为
4.迭代逐步缩小搜索,求全局最优解
以高斯消元求得的局部最优解的权重值h[j]={h1,h2,…,hk}为基数,对k种行为的系数值以0.2的频度逐步缩小权重值,当θ变化值趋于0停止,求总体样本(n=120)全局最优解,此时所求得的行为系数min[j]={min1,min2,…,mink}为最接近真实值的解。
5.预测公式
将求得的全局最优解的常数min[j]={min1,min2,…,mink}权重值代入回归方程。求得预测,如公式2所示。
6.模型验证
夏皮罗—维尔克检验是为了检验数据的正态性,使其有资格进行参数检验。我们的数据在t检验前的正态性检验结果导致显著水平(男生=0.003,女生=0.000),则违反正态性假设。因此,我们使用-1.0和1.0之间的偏斜度和弯曲度结果,并假设分布足够正态,以使参数测试的数据合格。[16]
研究采用配对样本t检验来找出男生和女生表现的差异,以解释在深度学习成绩预测上的性别特征。高中学生特征、课堂行为特征和深度学习结果(RQ1)进行t检验,以确定男女学习者在混合学习设置中的表现。这项研究旨在发现,鉴于男女高中学生在社会中的不同角色和责任,其混合学习中的表现是否同样出色。研究发现,男生学习者的表现(男生= 62.5)略好于女生学习者(女生= 61.1)。一项独立的t检验显示,两种表现之间的差异没有统计学意义(t = 1.569,df = 228,p = 0.05)。说明本预测模型在班级中不会因为两个班级的男女生比例不同而出现影响深度学习的因素。
7.信效度分析
利用高中英语、化学深度学习成绩预测回归模型求得的英语预测成绩和英语原始成绩进行t检验,均大于0.05(t=1.034),化学预测成绩和化学原始成绩进行t检验,均大于0.05(t=1.108),说明模型的拟合效果较好,将随机挑选30位高中学生拟合得到的期中英语深度学习预测成绩与标记的英语深度学习成绩进行比较,经对比,该模型在均方差小的数据集上预测准确率较高,英语学习(sd=4.5266)对深度学习的解释力达75.611%。英语学习(sd=5.5736)对深度学习的解释力达70.611%,均大于0.7的解释力。四、结果与讨论
(一)明确课堂学习行为对促进深度学习影响的权重关系
依据数据分析结果,不同的课堂学习行为对深度学习成绩的影响不同,相同的课堂行为对不同学科的影响也是不同的。为准确描述其影响程度,基于相关学者对课堂学习行为的分类水平,结合本研究的研究目的以及学生行为与深度学习的二元相关性分析,将学生课堂学习行为分为深度投入、浅层投入和非投入三类投入水平。[17][18]如表5所示。
表5 课堂学习行为深度学习水平分类及权重根据学生课堂学习行为对深度学习成绩的贡献值大小,对行为进行排序和划分,帮助教师快速识别出学习策略的选择对学生产生的正向效应。有学者的研究把听课、举手、阅读定义为课堂积极学习行为,玩手机、趴桌、聊天定义为课堂消极学习行为,[19]传统教学经验划分方法的可信度值得商榷。“玩手机”被定义为消极行为,本研究结果中“平板学习”对英语成绩的权重影响值为6.60719,对化学成绩的权重影响值为8.47029,远高于书写、听讲和阅读行为的影响。
(二)“讨论、举手、查看平板”成为影响深度学习的最佳课堂学习行为
从权重影响的大小看,对于英语学习来说,讨论、举手、查看平板依次是最佳相关学习行为,而在化学方面,查看平板、讨论和举手依次是最佳相关学习行为。相关学者已有的研究结果对比变化很大。[20][21]如表6所示。
表6 深度学习最佳相关学习行为变化对比分析说明随着时代的变迁,信息时代学生的最佳学习行为的内涵已发生变化,“讨论”学习行为随着时间的发展仍然是重要影响因素。“听讲、书写、阅读”学习行为影响地位随时代发展而被“举手、查看平板”学习行为所替代。在学习行为与深度学习成绩相关性分析中,“查看平板”学习行为在文理科中权重贡献值均居前(x英=6.607192,x化=8.47029),因此,“查看平板”不仅不会影响学生学习,而且是促进文科和理科学习的最佳相关学习行为之一。
讨论也叫对话,常以对话者持续的话语投入为主要特征,互动和反思贯穿整个学习过程。[22]讨论是促进深度学习的学习行为,导致高质量的学习结果,上述相关学者的研究也显示了这一结果。“查看平板”是学生与学习内容的内部交互,涉及观看教学视频、阅读文本、浏览和发表论坛,是学生在组织自己的知识和想法时,通过与学习内容的交互,整合、组织和生成新知的过程。学生不仅是信息的接收者,也是信息的发出者,为保障交互的有序性,变换讨论方式,课堂发言常采取举手的形式争取提出自己的问题或答案的机会,古人云“疑之思之始,学之端”,“举手”拥有一种交流的冲动,是学习主动性和专注性的外在表现。[23]新时代建构主义学习观认为,学习不是由教师把知识简单地传递给学生,而是由学生在研讨、交流、信息共享的交互环境中对原有知识的调整和建构新意义的过程。学习观的变革拓展了有效学习的评判标准和依据,也推动最佳学习行为内涵的延伸和发展。本研究从数据密集型科学所得的结论符合建构主义原理,一定程度上能保证结论的可靠性。
(三)用数学模型描述学习行为与深度学习成绩的关系,实现课堂的规模化评估
根据课堂学习行为对深度学习的影响权重,可以构建基于学生的课堂学习行为与深度学习成绩间的数学模型。生成的深度学习成绩预测模型是线性回归方程,运算简单,系统消耗小,可实现规模化评测,有助于实现自动抓取学生的课堂学习行为值并直接预测学生深度学习能力,反馈与学生的学习过程同步发生,弥合评价和使用反馈信息之间的差距,为促进参与和抑制其他行为提供决策依据,也为课堂的规模化评测提供技术支撑。
1.以英语为代表的文科课堂学习行为与深度学习成绩的关系
依据表5中的学习行为特征权重值,构建一个由8个变量表征文科成绩深度学习的预测模型:
深度学习(英语)= 0.43163×听讲 + 0.36628×阅读 + 0.44030×书写 + 9.50309×举手 - 2.06270×趴桌 + 6.60719×查看平板 + 29.59428×讨论 - 0.04105×聊天
(注:阅读、书写、举手、趴桌、查看平板、讨论、聊天行为值为44天英语课堂学习行为均值)
2.以化学为代表的理科课堂学习行为与深度学习成绩的关系
根据表6学习行为特征权重值,构建一个由8个变量表征理科成绩深度学习的预测模型:
深度学习(化学)= 0.13882×听讲 + 0.55787×阅读 + 0.32619×书写 + 1.73169×举手 - 4.73289×趴桌 + 8.47029×查看平板 + 7.59575×讨论 - 2.29719×聊天
(注:阅读、书写、举手、趴桌、查看平板、讨论、聊天行为值为44天化学课堂学习行为均值)
五、研究结论与启示
(一)研究结论
研究明确“听讲、阅读、书写、举手、趴桌、查看平板(看手机)、讨论、聊天”8种学研究明确“听讲、阅读、书写、举手、趴桌、查看平板(看手机)、讨论、聊天”8种学生课堂学习行为发生对促进深度学习影响的权重关系。其中“讨论、查看平板(看手机)、举手”3种行为维度是当今信息时代深度学习的最佳相关行为因素,发展了传统认为“书写、讨论、听讲”是最佳相关行为的旧观念。“查看平板”学习行为能促进学生学习有了证据支持。在此基础上,以英语和化学两门学科为例,根据课堂学习行为对深度学习的影响权重,构建课堂学习行为与深度学习成绩间的数学模型,可根据学生课堂学习行为预测深度学习成绩,为课堂规模化过程性评价提供科学依据和技术支撑。
(二)研究启示
1.行为评价渐进培养学生课堂深度学习习惯
学习者个体或群体的学习习惯变化是推动教育变革的原动力,能力靠“日复一日的习惯”养成。研究明确学生课堂学习行为与深度学习成绩间的数学预测模型,该模型提供学习行为和学业成就之间因果关系的证据,通过成绩预测的方式综合学生多个复杂的学习行为因素组合生成统一评价标准,将学习行为习惯转化为可测量指标。数据驱动的研究范式,破解传统人工低效数据测量方式的难题,为动态修正学生课堂学习行为找到定量研究方法,是教师改善教学、学生优化学习行为的决策依据。
评价的目的是及时干预学习行为、渐进培养深度学习习惯。过程性评价不仅仅反馈个体数据,还隐含对学习习惯的肯定和否定,学生的行为发展过程以显性的方式呈现出来。据此教师即时调整教学方法或增加干预手段,对干预效果即时反馈,教师在干预反馈中找到事实支持,与学生形成一种依存和互融的关系。同时,反馈结果让学生改善深度学习动机,及时投入学习过程,促进后续行为改善、深度学习习惯养成,达到增值性评价目的。这些干预效应在学生习惯养成中起到因果作用(远端效应),将大大改善教育的不可预知性。[24]
2.合作学习是促进学生深度学习的有效方式
研究的目的是确定促进深度学习的行为差异,描述我们希望鼓励的学习行为,辅助教师和学生把握知识发生的本质。从研究的结果看“讨论”“举手”“查看平板”是影响深度学习的最佳学习行为因素,这些学习行为体现在学生与学生、学生与教师、学生与学习内容间的交互,思想碰撞、反思和评价产生新的认知过程,从而建构知识的意义。合作学习是指学习者以对话的方式为达到学习目标而建构知识的一种主要方式;[25]具有主体性、主动性和社会性,以对话为旨趣,以协作为支撑,关注情感素养培养,体现教学是一种社会性存在的本质内涵。[26]
研究的目的是要对实践产生影响,研究结论能够映射教学实践。教师通过采用合适的教学方法影响学生合作学习发生,并通过这些影响生成高水平学习结果。教师选择思维空间大、多层次、多侧面的问题作为合作内容,行为引导学生积极参与具有挑战性的任务,实现深度理解和高投入的学习过程,才能达到合作学习的目的。同样,在合作学习中学生呈现出多样化的思维,都不是能预设的,教师必须针对学生的不同思路、方法及时加以判断,有效促进教师专业发展。因此,合作学习是促进深度学习发生、师生共同进步的有效教学方式。
3.智能技术可以促进深度学习发生
从研究的结果看,“查看平板”学习行为已经是促进深度学习的最佳行为因素之一。在信息时代,按照相关学者关于“未来社会”的观点,信息成为社会发展的主要动力,信息源则是新的权力源。[27]平板教学等技术作为学生的认知工具,提供丰富的数字化资源,改变学生的学习方式;提供包括工具软件资源、音视频、电子文本、虚拟现实等类型资源,与传统的课本资源相比,具有多媒体性、交互性、丰富性等特征。数字化的资源环境也在影响和改变着学生的学习方式、交往方式。他们的交流对象不仅仅是教师和学生,更是基于信息技术为师生开辟超越时空的交流对象或交流内容。基于网络的平板等作为数字化学习的载体,满足学生个性化需求,成为拓展人类个性化的创造性工具。
如何在教学中促进“查看平板”这样的数字化学习行为,结合学习科学,在学习的选择、组织与整合的过程中,把信息技术、信息资源、信息方法、人力资源和课程资源有机结合起来,面向课堂,把信息化与学科的整合落到实处。[28]利用智能技术创设真实的问题情境,丰富资源环境,构建调动学生主动学习为目的的多种教学新模式,从不同层面开展多种多样的教育教学探索与实践,发展学生的批判性思维、问题解决能力,实现学生的对话、合作、自主、探究能力等高阶思维发展,破解核心素养培养难题。
六、结语
本研究采用学习分析的方法考察学生课堂学习行为与深度学习成绩间的线性影响关系,并明确“听讲、阅读、书写、举手、趴桌、查看平板、讨论、聊天”等8种学生课堂学习行为发生对促进深度学习影响的权重关系,提出对教育评价、课堂学习、教学及学科整合的启示,以供参考。
参考文献:
[1]高凌飚.关于过程性评价的思考[J].课程·教材·教法,2004(10):15-19.
[2]PHAN H P. The integration of future time orientation, epistemological beliefs, achievement goals and research strategies: building empirical evidence[J]. British Journal of Educational Psychology, 2009(79):155-173.
[3]SKINNER E, FURRER C, MARCHAND G, et al. Engagement and disaffection in the classroom: part of a larger motivational dynamic?[J]. Journal of Educational Psychology, 2008,100(4):765.
[4]KUH G D, KINZIE J, BUCKLEY J, et al. Piecing together the student success puzzle: research, propositions, and recommendations[J]. ASHE Higher Education Report, 2007,32(5).
[5]孙月亚.开放大学远程学习者在线学习行为的特征分析[J].中国电化教育,2015(8):64-71.
[6]XING W, CHEN X, STEIN J, et al. Temporal predication of dropouts in MOOCs: reaching the low hanging fruit through stacking generalization[J]. Computers in Human Behavior, 2016,58:119-129.
[7]李爽,王增贤,喻忱,等.在线学习行为投入分析框架与测量指标研究——基于LMS数据的学习分析[J].开放教育研究,2016,22(2):77-88.
[8]武法提,牟智佳.平板教学中基于大数据的学生个性化分析模型构建与实现路径[J].中国电化教育,2014(3):63-69.
[9]BEATTIE IV V, COLLINS B, MCLNNES B. Deep and surface learning: simple or simple dichotomy?[J]. Accounting Education, 1997,6(1):1-12.
[10]BIGGS J. Study process questionnaire manual[J]. Academic Achievement, 1987.
[11]卜彩丽.深度学习视域下翻转课堂教学理论与实践研究[D].西安:陕西师范大学,2018.
[12]马志强,苏珊,张彤彤.基于学习投入理论的网络学习行为模型研究——以“网络教学平台设计与开发”课程为例[J].现代教育技术,2017,27(1):74-80.
[13]ENTWISTLE N J, SMITH C A. Personal understanding and target understanding: mapping influences on the outcomes of learning[J]. British Journal of Educational Psychology, 2011,72(3):321-342.
[14]ANDERSON W, KRATHWOHL D. A taxonomy for learning, teaching, and assessing: a revision of bloom’axonomy of educational objectives, complete edition[M]. Long Man ,2001:154-159.
[15]吴文峻.面向智慧教育的学习大数据分析技术[J].电化教育研究,2017,38(6):88-94.
[16]PALLANT J. Survival manual[J]. Step-by-step Guide for Data Analysis Using SPSS, 2011,4.
[17]SKINNER E A, BELMONT M J. Motivation in the classroom: reciprocal effect of teacher behavior and student engagement across the school year[J]. Journal of Educational Psychology, 1993,85(4):571-581.
[18]GREENWOOD C R, HORTON B T, UTLEY C A. Academic engagement: current status of research and practice[J]. Bulletin of School Psychology, 2002,31(3):328-349.
[19]许宏吉,赵文杰,李梦荷,等. 基于行为识别的课堂智能学情分析系统[C]//Proceedings of 2019 3rd International Conference on Advanced Education and Management Science(AEMS 2019).[出版者不详],2019:362-366.
[20]COBB J A. Relationship of discrete classroom behaviors to fourth-grade academic achievement[J]. Journal of Educational Psychology, 1972,63(1):74-80.
[21]HOGE R D. The validity of direct observation measures of pupil classroom behavior[J]. Review of Educational Research, 1985,55(4):469-483.
[22]BURBULES N C, BRUCE B C. Theory and research on teaching as dialogue[J]. Handbook of Research on Teaching American Educational Research Assoc, 2010:1112-1113.
[23]陈羚.国内外有关教师课堂提问的研究综述[J].基础教育研究,2006(9).
[24]LEENKNECHT M, WIJNIA L, KHLEN M, et al. Formative assessment as practice: the role of students’ motivation[J]. Assessment & Evaluation in Higher Education, 2021,46(2):236-255.
[25]王陆,杨卉.合作学习中的小组结构与活动设计研究[J].电化教育研究,2003(8):34-38.
[26](日)佐藤学.学习的快乐——走向对话[M].钟启泉译.北京:教育科学出版社,2004:37-38.
[27]杨宏杰.浅谈托夫勒“未来社会”的思想[J].新西部,2013(5):166.
[28]卜彩丽,胡富珍,苏晨,等.为深度学习而教:优质教学的内涵、框架与策略[J].现代教育技术,2021,31(7):21-29.
Research on Performance Prediction Model of Classroom Deep Learning Based on Behavior Recognition
Fuzhen HU1, Xiaodong WANG2, Caili BU1
(1.School of Education, Henan Normal University, Xinxiang 453007, Henan;
2.College of Computer and Information Engineering, Henan Normal University, Xinxiang 453007, Henan)
编辑:王天鹏 校对:王晓明
期刊简介
《中国教育信息化》创刊于1995年8月,是由中华人民共和国教育部主管,教育部教育管理信息中心主办,面向国内外公开发行的国家级学术期刊。期刊内容力求全面深入地记录我国教育信息化的建设进展、研究与应用成果和行业发展状况,开展我国教育信息化发展状况调研和教育信息化国际比较研究,服务于国家教育宏观决策;力求全面准确地把握教育信息化相关的方针政策和标准规范,及时追踪ICT前沿技术的发展趋势及其与教育的融合,深度挖掘教育信息化建设与应用的体制、机制创新,服务于我国教育信息化实践。
●RCCSE中国核心学术期刊
●中国人文社会科学(AMI)扩展期刊
●中国期刊全文数据库收录期刊
●中文科技期刊数据库收录期刊
●国家哲学社会科学学术期刊数据库收录期刊
●中国核心期刊(遴选)数据库收录期刊
●龙源期刊网收录期刊
一年12期,每月20日出版
20元 / 期,邮发代号:82-761
编辑部邮箱:mis@moe.edu.cn
通讯地址:北京市西城区华远北街2号921室