大数据下网络智能自主学习平台.pptVIP

数字化平台 学生在任何时间都可以通过网络学习； 老师可以在任何时间、任何地点接受培训； 学校管理者可以自动分配教学任务； 整个学校变成以学生为中心的学习环境； 在固定空间之内，是一个个的学习中心、交互中心、分组教室、安静的区域；突破空间界限，人们可以通过交互式或基于WEB 的交流平台，在任何时间、任何地点进入校园网，进行学习和交流。 大数据下的网络智能自主学习平台 1.简要概述 简要概述 “人类历史中的许多灾难都源于这样一个事实，即社会的变化总是远远落后于技术的变化。这是不难理解的，因为人们十分自然地欢迎和采纳那些能提高生产率和生活水平的新技术，却拒绝接受新技术所带来的社会变化——因为采纳新思想、新制度和新做法总是令人不快的。” ?——斯塔夫里阿诺斯《世界通史》 传统教育与大数据教育 传统的教育兴盛于工业化时代，学校的模式映射了工业化集中物流的经济批量模式：铃声、班级、标准化的课堂、统一的教材、按照时间编排的流水线场景，这种教育为工业时代标准化地制造了可用的人才。 大数据教育将呈现另外的特征：弹性学制、个性化辅导、社区和家庭学习、每个人的成功。 简要概述--大数据教育 大数据与传统的数据相比，就有非结构化、分布式、数据量巨大、数据分析由专家层变化为用户层、大量采用可视化展现方法等特点，这些特点正好适应了个性化和人性化的学习变化。 大数据教育提供了另外一种可能，标准化的教育将转向网络完成，而人才培养和个性化将主要由学校承担：越来越小的班级、越来越近的学校、越来越聚焦的教育支持、越来越个性的培养方式，将使教育摆脱工业化时代。“为什么数学课每天都有，而舞蹈、音乐和体育课一周一次呢？” 罗宾逊这个疑问逐渐得到改观，针对性和多元的教育目标正在普遍得到认可，尤其是在私立学校中。 自主学习行为 印度教育科学家苏伽特?米特拉是一个里程碑式的人物。1999年，他去了印度的很多偏僻的乡村，那里的人既不懂英语、也没见过电脑。苏伽特?米特拉在孩子们经常聚集的街头的墙上装上连接互联网的电脑屏幕，配上鼠标，然后离开那里。几个月后，试验表明，孩子们无师自通，学会了使用电脑。在以后的十多年里，苏伽特?米特拉在印度、南非、柬埔寨、英国、意大利等地还进行了类似的以生物、数学、语言等为内容的教育实验。结果证明，在不需要老师或科学家输入逻辑和程序的情况下，学习者可以独立自主地完成学习，这就是“自组织学习”。由此，苏伽特?米特拉对教育作了建构主义的重新定义：教育是一种自组织行为。 1970年，托夫勒写了第一本畅销书《未来的冲击》，在书中托夫勒不仅批评了以哈钦斯为代表的面向过去的教育、支持了以杜威所代表的面向现实世界的教育，更创造性地提出了明确的面向未来的教育： 简要概述--未来的冲击 小班化 多师同堂 在家上学趋势 在线和多媒体教育 回到社区 培养学生适应临时组织的能力 培养能做出重大判断的人 在新环境迂回前行的人 敏捷的在变化的现实中发现新关系的人 在未来反复、或然性和长期的设想下的通用技能 未来的教育会是怎样的？ 主流的模式必将是： 视频成为主要载体 教育资源极其丰富 翻转课堂 按需学习 终生学习，不以年龄划线 远程教育的提法将消失 距离不再是问题，教育在学校之外发生 等等 简要概述--信息化数据 基于云、物联网、数据库技术、社会网络技术等的成熟应用，托夫勒当年感性预知的理念性的东西清晰地展现在我们面前：信息不仅仅是一种视觉和感官的东西，更是可捕捉、可量化、可传递的数字存在。 在教育中有两个特定的区域会用到大数据：教育数据挖掘和学习分析。一般来说，教育数据挖掘，是对学习行为和过程进行量化、分析和建模；而学习分析是利用已有的模型来认识、理解新的学习行为和过程。 教育数据挖掘 早期的教育数据挖掘主要是网站日志数据的挖掘。 现在新的计算机技术支持的交互式学习方法和工具（智能辅导系统、仿真、游戏），为量化和收集学生行为数据带来了新的机会。特别是更加集成、更加模块化和更加复杂化的在线学习系统提供了更多类型的数据，其中包含了数据挖掘算法需要的许多变量。教育数据挖掘能发现这些数据中的模式和规律，探索建立预测模型，让我们重新发现和预测学生如何学习。 教育数据挖掘 教育数据挖掘通常强调分析碎片化学习，并用自适应软件来干预。预测模型在建立自适应学习系统中扮演一个关键角色。基于预测模型的适应和干预，能被用于改变学生下一次的学习体验，甚至用于推荐额外的学术服务，来支撑他们的学习。 概括起来，教育数据挖掘构建模型能回答以下问题： 什么主题顺序对一个特定的学生最有效？ 什么学生行为与更多学习相关？ 什么学生行为表示满意、投入或学习进步？ 什么功能的在线学习环境会带来更好的学习