System.ArgumentOutOfRangeException: 索引和長度必須引用該字符串內的位置。 參數名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技術實現步驟摘要】
本專利技術涉及一種學習效果預測與提升方法,具體是一種針對“線上+線下”和“案例+導學單”的雙混合式教學的學習效果預測與提升方法,屬于計算機應用。
技術介紹
1、混合式教學自問世以來便受到廣泛關注,不斷被各級各類教育、各領域專家學者視為優化課堂教學、豐富課程體系資源、提升學生學習效果的強有力手段。混合式教學的目的是充分發揮幾種教學形式的優勢改造傳統教學,改變在課堂教學過程中過分使用講授而導致學生學習主動性不高、認知參與度不足、不同學生的學習結果差異過大等問題。
2、混合式教學沒有統一的模式,如常規的“線上+線下”混合式教學模式以及近年來興起的“案例+導學單”混合式教學模式等模式。“線上+線下”混合式教學模式是將在線教學和課堂教學的優勢結合起來的教學形式。“案例+導學單”混合式教學模式是將案例教學和導學單教學的優勢結合起來的教學形式,案例教學是一種開放式、互動式的教學方式,導學單是用于指導學生學習的菜單,具有告知學習程序、明確學習內容、指導學習方法、反饋學習結果的功能,導學單這一紙質媒介不僅為案例的呈現提供了平臺,而且可以較好地梳理案例間的連貫性。
3、現有技術中針對混合式教學學習效果的預測和評價,多是針對常規的“線上+線下”此單一模式的混合式教學,通常是根據學生在線上教學平臺以及課堂教學中的表現來推斷學生的知識水平。基本的技術途徑一般有兩種:第一種是傳統的基于概率模型的方法,如貝葉斯知識追蹤,它使用隱馬爾可夫模型來追蹤學生知識水平的變化;另一種是項目反映理論,它采用邏輯回歸模型來匹自己學生的能力和正確回答問
4、為提高學生學習的主動性、解決不同學生的學習結果差異過大等問題,業內教育工作者嘗試將多種混合式教學模式并用的方式以提升教學效果,但針對多種混合式教學模式并用的學習效果預測和評價,相應的理論研究報道鮮有記載,而僅僅針對單一模式的混合式教學學習效果的預測和評價往往是片面的、無法深層次地對學生的學習行為和學習效果進行全面預測。
技術實現思路
1、針對上述問題,本專利技術提供一種雙混合式教學學習效果預測與提升方法,針對“線上+線下”和“案例+導學單”的雙混合式教學,能夠實現較為精準地預估學生的學習成績,可以為雙混合式教學模式下提升學生學習效果提供理論依據和數據支持。
2、為實現上述目的,本雙混合式教學學習效果預測與提升方法針對“線上+線下”和“案例+導學單”的雙混合式教學,具體包括以下步驟:
3、step1、試驗因素與水平的選取以及數據搜集處理:
4、試驗因素共選取七個,分別為先修課程成績x1、資源使用情況x2、學生信息處理能力x3、案例理解情況x4、導學單完成情況x5、課堂互動情況x6和學習動機x7,x1-x6為教育學相關因素,x7為心理學相關因素,教育學因素對應的水平為四個至五個,心理學因素對應三個水平,對數據進行處理;
5、step2、構建bo-rf預測模型:
6、采用bo對rf回歸模型中的關鍵超參數進行調優,以袋外分位數誤差最小化作為評估最優參數組合的標準,目標函數的概率模型表示為:
7、f(x)~gp(m(x),k(x,x′))
8、式中:f(x)是rf模型每棵決策樹的預測函數;m(x)是目標函數的均值函數,k(x,x′)是協方差函數;
9、bo通過不斷更新目標函數的概率模型,利用先前的評估結果來指導下一次參數選擇,通過迭代的bo過程,找到在有限次數內最優的參數配置,構建bo-rf預測模型;
10、step3、基于bo-rf預測模型的雙混合式學習效果預測:
11、將step1的七個試驗因素作為輸入、以學習成績為輸出對bo-rf預測模型進行訓練,通過訓練好的bo-rf預測模型進行預測;
12、step4、基于預測結果,給出學生的個性化學習效果提升策略:
13、通過調整任一因素水平的方法給出學生的個性化學習效果提升策略。
14、進一步的,step2中,采用bo對rf回歸模型中的“max_depth”和“min_samples_leaf”此兩個關鍵超參數進行調優。
15、進一步的,step1中,將七個試驗因素進行課堂內、課堂外、課堂內外均涉及此三個維度的劃分,課堂內維度包括x4和x6,課堂外維度包括x1和x7,課堂內外均涉及維度包括x2、x3和x5。
16、進一步的,step3中,先運用matlab軟件對bo-rf預測模型進行app開發,將各試驗因素對應水平輸入matlabapp進行預測后,通過調整任一因素水平的方法給出學生的個性化學習效果提升策略。
17、與現有技術相比,本雙混合式教學學習效果預測與提升方法針對的是“線上+線下”和“案例+導學單”的雙混合式教學,選取先修課程成績、資源使用情況、學生信息處理能力等七個對學習效果有影響的試驗因素,通過bo對rf的超參數進行誤差2%內的修正構建bo-rf預測模型,并通過bo-rf預測模型對學習效果進行預測,最后通過調整水平的方式對學習效果提升提供指向性策略,bo-rf預測模型不僅可以實現較為精準的預測精度,而且對學習效果提升提供指向性策略可以有針對性地幫助學生提升學習效果,可以為雙混合式教學模式下提升學生學習效果提供理論依據和數據支持。
本文檔來自技高網...【技術保護點】
1.一種雙混合式教學學習效果預測與提升方法,其特征在于,針對“線上+線下”和“案例+導學單”的雙混合式教學,具體包括以下步驟:
2.根據權利要求1所述的雙混合式教學學習效果預測與提升方法,其特征在于,Step2中,采用BO對RF回歸模型中的“max_depth”和“min_samples_leaf”此兩個關鍵超參數進行調優。
3.根據權利要求1所述的雙混合式教學學習效果預測與提升方法,其特征在于,Step1中,將七個試驗因素進行課堂內、課堂外、課堂內外均涉及此三個維度的劃分,課堂內維度包括X4和X6,課堂外維度包括X1和X7,課堂內外均涉及維度包括X2、X3和X5。
4.根據權利要求1所述的雙混合式教學學習效果預測與提升方法,其特征在于,Step3中,先運用Matlab軟件對BO-RF預測模型進行APP開發,將各試驗因素對應水平輸入MatlabAPP進行預測后,通過調整任一因素水平的方法給出學生的個性化學習效果提升策略。
【技術特征摘要】
1.一種雙混合式教學學習效果預測與提升方法,其特征在于,針對“線上+線下”和“案例+導學單”的雙混合式教學,具體包括以下步驟:
2.根據權利要求1所述的雙混合式教學學習效果預測與提升方法,其特征在于,step2中,采用bo對rf回歸模型中的“max_depth”和“min_samples_leaf”此兩個關鍵超參數進行調優。
3.根據權利要求1所述的雙混合式教學學習效果預測與提升方法,其特征在于,step1...
【專利技術屬性】
技術研發人員:王悉文,范希營,郭永環,朱志偉,季廣中,
申請(專利權)人:江蘇師范大學,
類型:發明
國別省市:
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。