网络背景下高职英语自适应教学实践研究.docxVIP

?

?

网络背景下高职英语自适应教学实践研究

?

?

方兰兰

摘要：隨着我国网络信息技术的发展，“互联网+”的时代来临，网络已经深入到我们生活的方方面面。作为我国职业教育的重要组成部分，高职教育的教学水平会对我国的应用型人才的培养产生重要的影响，英语作为一种全球语言，能够帮助学生更好地与外界交流，因此一直是我国高职院校的重点教学内容之一，但是传统的英语课堂已经不能够有效吸引学生，因此采用自适应学习模式是一种比较好的选择。基于这种情况，本文对在网络时代下的高职院校英语教学自适应模式发展展开了研究，阐述了具体的教学模式，以供参考。

关键词：高职英语自适应教学互联网+

现代信息技术的发展促进了我国社会经济的发展，促进我国步入了“互联网+”的时代，网络成为了我们生活中不可或缺的一部分。在高职院校，英语是一门十分重要的科目，作为未来与世界沟通的途径之一，对学生的影响很大。高职院校培养的应用型人才，但是现在的高职院校学生普遍出现就业难的情况，归根到底，是高职院校的教学模式和已经方法已经不再适应当今时代的需要了。因此高职院校更要抓住机会，顺应时代的发展，利用好网络资源，开展自适应的教学模式，提高学生综合素质。

一、自适应技术基础模块探讨

作为基于现代信息技术发展起来的一种教育模式，自适应学习能够发展，是基于一个很重要的基础模块，就是人工智能技术。在自适应技术发展初期，小范围内的自适应学习模式十分简单，电脑设定好相应的程序，弹出一道检测题，如果学生做对了，那么就会继续下一道题，如果做错了，就会弹出相应的知识点，这种模式死板僵化，并不能达到预期的效果，这种情况在人工智能技术发展之后有所改观，人工智能技术最主要的作用就是在教育数据的发掘上，人工智能技术的出现帮助自适应学习变得更加个性化，更加能够根据学生的需求制定学习，这也促进了自适应学习的飞速发展。

单从数据挖掘这个词来看，这是一个计算机科学领域的词汇，这个概念有着长期的发展历史，但是将其作为教育学方面的一个词汇，它还是一个比较新的领域。简单来说，教育学领域的数据发掘就是指对教育学领域的数据和知识进行挖掘和发现，这些数据最终会被用于帮助学生更好地学习。在计算机领域，数据发掘有着成熟的方法和模式，但是教育领域的数据具有特殊性，因此应用的数据挖掘的方法也是不同的。比如说，在教育学领域，数据的层次划分比较明显，同时不同层级的数据还是相互嵌套的，而且与计算机科学不同的是，教育学的数据会涉及到心理学和情绪上的东西，这些内容并不是能够完全把控的，因此教育学的数据发掘还属于一个比较全新的领域，也是自适应学习系统构建的重要模块之一。一般来说，教育学的数据发掘的方法有以下四个部分：

第一部分的内容是预测，这部分内容的发掘主要是为了将在教育过程中不同的变量组合到一起，根据这些变量的不同情况来推测数据发展的可能结果。在进行预测环节的过程中，可以着重观测那些比较有特点或对时间影响更大的变量，同时也可以关注对预测结果具有调节性或者中介性的变量，提高预测的准确性。

第二部分的方法叫做聚类，顾名思义，这种方法是将相同性质的自然分组集合到一起，比如说学习者、班级、学习行为等。

第三部分的方法是关系挖掘，主要就是指挖掘出变量之间存在的关系，在进行这类方法的挖掘过程中，可以重点从关联规则的角度出发，或者通过序列模式的挖掘，找到挖掘模型的因果关系。

第四部分的方法就是模型发现法，这种方法是先建立一个验证模型，然后作为另一轮的分析进行输入，比如说预测挖掘就是采用模型发现法进行的，在当前的教育数据发掘过程中，模型发现法的应用范围已经越来越广泛。

二、网络背景下自适应学习技术原理综述

（一）在大数据的支持下构建学习模型

人工智能技术是促进自适应学习发展的一个重要因素一般来说没人工智能实现自适应学习都是按照以下步骤进行的，即先搜集大数据，然后根据大数据反馈的信息构建学习模型，最后以学习模型为依据，输出学习建议。这个步骤说起来很简单，但是做起来却很难，学习模型的构建需要经历非常复杂的过程，这是普通人很难理解的，用通俗的话来说，就是人工智能会参考人类大脑思考的方式来进行计算，通过大量数据之间的相互传导和沟通，在数以万计的函数点的嵌套当中发现当前学习的规则，然后建立起初步的模型，随后通过模型的不断进化、完善，形成一个完整的学习模型。而在学习建议输出方面，学习建议的构成要素主要有三个部分，即学习材料，比如说学生在学习过程中需要的一段教学视频或者一些练习题等，第二部分是一个规则，用于检查学生是否掌握学习材料的内容，最后是学习材料的推送顺序，根据学生在学习方面的反馈来决定学习材料如何推送。由于这三部分的详细情况都是人工智能来决定的，因此学生在系统当中花费越多的时间去学习，就会产生越多的行为数据，这些数据就能够帮助系统提高工作效率。

（二）