有关化学专科开题报告范文和量化学习：一种正在兴起的学习范式类论文参考文献范文

《量化学习：一种正在兴起的学习范式》

该文是化学相关大学毕业论文范文和范式和学习范式和量化类大学毕业论文范文。

量化学习：一种正在兴起的学习范式

秦瑾若傅钢善

当前,以云计算、大数据、3D打印、移动互联网、物联网等为代表的信息技术的兴起与应用,社会的信息化程度不断加深,信息技术对教育的革命性影响日趋明显.教育界正在面临着来自理论和实践两大层面的挑战,当今时代对教育研究的科学化与精准化提出了更高的要求.技术支撑下的数据密集型科学作为科学领域的第四代研究范式,引起了广大专家和学者的高度关注[1].量化学习作为数据密集型科学指导下的一种典型的新兴学习范式,以学习过程数据化作为出发点和关键点,以变革教与学方式为根本目标,将会成为构建学习新生态、推动教育研究的科学化和精准化、进一步提升教育信息化效能的重要驱动力.

量化学习概述

1.量化学习的基本内涵

（1）量化自我

早在20世纪70年代,就有学者提出了人本主义计算的理念,提倡利用可穿戴设备等技术记录人们在生活中的各类信息,进而来了解人类的生理、心理和行为等指标.但由于当时技术和观念的限制,这种理念并没有受到重视.到了2007年,美国《连线》杂志的两位主编Kevin Kelly和Gary Wolf正式提出了“量化自我”的概念.其具体是指运用传感器、体感设备等技术手段对人类的物质吸收、身心状态和行为表现等要素进行实时记录,并进行综合分析,以改善人们的生活水平[2].美国新媒体联盟和美国高校教育信息化协会组织在2014年发布的《地平线报告（高教版）》中指出,量化自我将在4~5年内成为推动整个教育领域发展的关键技术[3].信息技术与教育教学的关系已经一步步从应用整合的量变过渡到融合创新的质变上,要实现信息技术对教育产生革命性影响的愿景,就必须推动信息技术与教育教学的进一步融合.所以,这就需要我们探索如何将量化自我技术应用于教育当中,即从量化自我走向量化学习.

（2）量化学习

本研究认为,量化学习是指利用互联网、物联网、大数据等信息技术获取、存储学生在学习过程中的外显与内隐的相关数据,通过数据挖掘、语义分析等方法来进行分析与建模,对学生的学习状态、身心指标和学习结果进行描述和预测,并进行适当干预,以达到改善学习效果、满足学生个性化学习需求、促进学生身心全面发展的目标.其中,外显数据主要是指学生浏览文字、视频、图片等学习资源,以及参与社会互等数据.内隐数据主要是指学生在学习过程中产生的情感、态度、动机等相关数据.

2.量化学习的价值取向

（1）以数据为基础,构建基于数据分析的量化认知

数据是量化一切的前提和基础,只有把学习过程中的信息转变为数据,量化学习才能够得以开展[4].通过运用体感设备、可穿戴设备、网络信息平台等先进的科技收集和存储学生学习行为、学习心理的海量数据,运用数据挖掘等算法,探索数据背后的价值,实时描绘与预测学生的学习状态、身心情况和学习效果.一方面,对于学生来说,可以及时了解自己的学习效果,调整学习方法与学习情绪,自我改善；另一方面,对于教师和教学管理机构来说,可以及时调整教学策略,对学生进行针对性指导.量化学习把基于直觉分析的经验化认知转向了基于数据分析的量化认知,更能明晰教育的内在规律,使教学研究更具有科学性和精确性.

（2）以学生为中心,满足个性化需求

教育的本质是有目的地培养人的活动,核心是要做到以人为本,尊重个体差异,培养发散思维和创造思维,使每位学生对知识和技能达到最大程度的掌握.量化学习从学生的角度出发,通过量化、挖掘、分析学生在学习过程中的内隐和外显数据,明晰并预测每位学生对知识的掌握情况与心理状况,并进行有针对地个性化指导.比如,检测到一处知识点是某位学生的薄弱环节,通过分析,就会给该学生推送多一些这方面的资源,或者适当降低难度,并提供与该知识点相关的前一部分内容,让学生重新学习,建立新旧知识结构之间的联系,直到熟练掌握.或者学生情绪不佳,可以进行有针对性的心理疏导.如果学生的掌握程度很好,可以适当增加难度,并提供后续知识使其继续向前学习.

（3）立足学习过程,重视过程性评价

真正意义上的学习在于对学习过程的体验和领悟,而非体现在试题与考试上的学习结果.一切要以学生的需要为中心,用发展的眼光来评价学生的表现.在传统的教育教学模式下,如何获取学生学习过程方面的数据（浏览学习资源的轨迹、交互、参与学习活动、情感体验）成为了一大难题.在量化学习中,利用物联网、互联网等先进的信息技术实时捕捉学生在学习过程中动态生成的内隐与外显数据,通过数据建模与分析,一方面,可以帮助学生进行自我监督、自我管理,以及帮助教师及时调整教学策略,开展干预和指导；另一方面,这些过程性的数据成为了评价学生学习效果的主要方面.

量化学习的系统构成与运行机理

1.量化学习的系统构成

量化学习使学习回归本质,即教师引导学生在自我建构的过程中不断突破自我、完善自我,促进身心全面发展.通过量化与分析学生在多种场景下的相关数据,一方面帮助教师准确把握学生的掌握情况,给予适当指导；另一方面,学生也可以及时获悉自己的学习情况,进行自我调整.通过分析,本研究认为量化学习的系统构成主要包括数据、学生、教师、其他管理者、学习场景和学习支持服务6大要素.

（1）数据.数据是开展量化学习的基础,通过收集不同场景下学生的外显与内隐的相关数据,为教学分析和教育决策提供支持.可以说,数据是量化学习系统的核心组成要素.

（2）学生.一切为了学生,一切从学生出发.一方面,学生是整个系统的开端,是数据的直接生成者；另一方面,学生也是整个系统的收尾,是数据分析的受益者.通过明晰学生的学习状态和心理活动,采取适当的管理与干预措施.

（3）教师.教师对学生的学习状况掌握最为全面、了解最为深入,通过数据的分析结果,采取适当措施进行指导、干预和决策.

（4）其他管理者.包括家长、教育管理部门、智能机器人（比如学习代理）等,协助教师一同对学生进行有效管理.（5）学习场景.即量化学习发生的场所,由多种

场景组成（虚拟与现实、正式与非正式）.

（6）学习支持服务.在量化学习中,学习支持服务是进行决策和干预的主要内容,包括线上服务、线下服务以及线上线下（O2O）相融合式服务.

2.量化学习的运行机制

量化学习的运行机制包括从数据标准化、数据收集、数据分析到教育决策四个循环往复的阶段.（1）数据标准化.在量化学习中,学习活动通常发生在不同的学习场景中,数据来源广泛、类型丰富、表达方式多种多样.数据之间的互用互通成为了量化学习开展的基础和关键所在,也是一大难点.所以,针对这些非结构化、异构类型的数据,首先需要制定出统一的数据规范,把不同场景、不同来源的数据标准化、统一化,便于下一步的操作.此外,还可以构建统一的数据字典,保证数据存储的一致性,避免在数据交换的过程中出现类型混淆等问题.

（2）数据收集.根据不同的学习场景,采用不同的数据收集方式.在量化学习中,场景复杂多样,数据的收集面宽泛.对于现实生活当中的物理学习场景（教室、户外活动）,可以采取问卷调研、访谈调研、实地观察等方法,并利用可穿戴设备、体感设备、视频录制等技术记录学生的过程性行为.对于虚拟学习场景（网络学习平台、MOOCs平台、游戏化学习情境）,利用后台大数据功能实时记录学生的学习足迹,包括登录平台次数、浏览资源次数、参与讨论情况、提交作业、同伴互评情况等.

（3）数据分析.量化学习综合采用定量与定性相结合的研究方法,对收集到的数据进行全方位的分析与描绘.针对外显类的数据,主要采取定量的研究方法,包括问卷法、社会网络分析法、数据挖掘算法等；针对内隐类数据,主要采取定性的研究方法,包括访谈法、观察法、语义分析法、文本分析法等.最后综合这些方法,全面、客观、真实地描绘出学生的知识掌握、心理活动等情况.

（4）教育决策.教育决策包括预测、诊断与干预.根据数据分析的结果,明确学生的学习现状与心理活动,预测他们之后的发展方向,并对学生在学习过程中出现的问题进行诊断,之后采取适当的干预措施,这其中包括线上、线下以及线上线下相融合的教学服务.一方面,由教师、家长、教育管理部门组成的支持服务共同体为学生提供课程资源、个性化指导、进度规划、心理辅导和生活引导等帮助.另一方面,可以由智能系统根据实际情况,为学生推送一些个性化资源,进一步满足学习需要.

量化学习的应用领域

1.个性化推送

在量化学习中,利用数据存储技术记录学生的个人基本信息与行为信息,分析学生与学习对象之间的对应关系、学生与学生之间的相似关系与联结关系,把握学生的基本学习兴趣与学习问题所在.推送适合学生认知水平的学习资源,减少他们搜索资源所需要的时间,降低学生在学习过程中的时间成本和精神成本,提高学生的学习质量和学习满意度.

2.个性化学习路径制定

个性化学习路径是指根据学生的认知水平和认知风格,向学生推送满足其需要的学习内容和资源,由学生自定的学习活动序列.

在量化学习中,通过对学生在学习过程中产生的海量数据进行深入分析,利用数据挖掘中的决策树算法、贝叶斯算法以及话语分析等方法,从中自动生成相应的个性化学习路径,为学生提供适合自己认知水平的一系列学习活动,引导学生自主高效的学习,满足他们的个性化需求.

3.学习干预设计

在智能信息时代,学习干预更加倾向于自动化与精准化.通过对学生在学习过程中生成的内隐与外显数据的收集与分析,明确学生在学习过程中存在的问题,并对其将来的表现和结果进行预测.如果预测结果不良,学习系统会首先自动通知学生,并对该学生进行针对性指导,比如向学生推送一些强化类的学习资源等；如果学生存在的问题比较严重,系统会通知教师和其他教育管理人员,对学生进行人工干预以及心理疏导.

4.过程性评价

量化学习注重学生对学习过程的体验和感悟,让学生在实践、探究和思考的过程中逐步从“学会”过渡到“会学”,将知识转化为技能.通过利用体感设备、可穿戴设备等物联网时代的新兴科技,以及网络平台后台的实时记录功能,科学、实时、全面地记录学生在学习过程中的各类数据.这些被记录的过程性数据成为了对学生学习效果评价的主要方面.在这里需要说明,评价不是目的,只是一种手段,量化学习的最终目的是满足学生的个性化需求,促进学生知识技能、心理素质的全面提高.

“数据驱动发展,分析变革教育”已经成为当今教育领域发展的风向标.

量化学习作为大数据时代下催生的一种新型学习范式,将会是推动信息技术与教育教学深度融合的关键驱动力,具有广阔的应用前景,应该作为政府、社会和学校的重点关注对象.

目前,在具体开展量化学习的过程中,还存在以下挑战：一是如何全方位地收集内隐和外显数据,不同场景的数据之间如何有效互通互融；二是教师、教育管理者、智能系统之间如何协调,以便对学生进行正确的指导和干预；三是通过数据分析,如何促进学生知识技能、心理素质的全面发展；四是如何进一步满足学生的个性化需求,培养学生自主探究的能力；五是如何根据内隐与外显数据,以及不同场景下的数据,对学生做出科学的评价.

这些问题都需要专家和学者们进行更加深入的研究、实践和探索.相信,随着“互联网+教育”步伐的加快,量化学习的价值与作用会越来越显现,将会是我国教育事业进步的重要推动力.@

参考文献

祝智庭,沈德梅. 基于大数据的教育技术研究新范式[J]. 电化教育研究,2013(10)：5-13.

Gary Wolf,Kevin Kelly. The Data-driven Life[EB/OL].<http://www.nytimes.com/2010/05/02/magazine/02self-measurement.html>.

Johnson L, Adams Becker S, Estrada V, et al. NMC Horizon Report：2014 Higher Education Edition[R].Austin,Texas: The New Media Consortium, 2014.

张枝实,张吉先,林卉. 量化自我技术教育应用的现状和趋势研究[J]. 中国远程教育,2015(3)：66-71.

作者单位：陕西师范大学教育学院

化学论文参考资料：