没有合适的资源?快使用搜索试试~ 我知道了~
制作和主办:Elsevier沙特国王大学学报一种基于痕迹的网络学习知识水平评估系统Belgroun Brahim,Admane LotfiLMCS Laboratory,Ecole nationale Supériéd阿提奇莱因福奥文章历史记录:接收日期:2018年2018年9月14日修订2018年10月13日接受2018年10月24日在线提供保留字:TBS评估互动痕迹知识水平A B S T R A C T鉴于知识水平是电子学习平台最重要的方面之一学习者知识水平的评估可以通过与交互维度(学习者-学习者或学习者-系统)相关的指标来完成。已经开发了几种方法来评估这种属性。互动痕迹分析是数位学习应用中最常用的评估工具之一本文研究了网络学习平台中的学习知识水平评估问题。我们提出了一个TBS(跟踪系统),帮助观察员评估这个属性。©2018作者制作和主办:Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍当教师和学习者(在电子学习环境中)之间没有直接接触时,自动知识评估成为在线教育的一个非常重要的属性(Ghatasheh,2015)。 它用于估计信息是如何传递给学习者的(Nogry等人,2004年)。它提供的信息可以帮助设计人员找到他们的学习工具的弱点,并在未来版本的学习平台中改进学习过程。在文献中(Ghatasheh,2015; Benzoes,2009; Fusaro,2005),研究人员试图从用于一般系统的一些评估方法中获得启发。Paz和Pow-Sang(2016)和Nogry等人(2004)定义了两种类型的评估方法:(1)可用性评估,关于用户如何执行任务的充分性和该用户的认知能力这种类型的许多方法用于文学(2)关于系统提供的功能是否充分以及用户实现高目标(即学习)所需的功能是否充分的效用评估Eric(2012)将这些方法分为两类:离线方法和在线方法。(1)离线方法是基于计算后验学习质量指数。这些方法使用经典的技术,如问卷调查,访谈,... (2)在线方法是基于实时指标的计算。他们分析了电子学习平台中的用户交互。这些方法可以是定性的或定量的(Nogry等人, 2004年)。(1)人文科学发展的它们提供了理解所研究现象的整体的工具(Nogry等人,2004年)。它们并不专门用于评估学习系统,但它们考虑了学习情况和学习的情感成分(Nogry等人,2004年)。许多研究人员使用这种类型的方法,如(Fusaro,2005年)和*通讯作者。电子邮件地址:b_belgroune@esi.dz(B. Brahim),L_Admane@esi.dz(A. Lotfi)。沙特国王大学负责同行审查https://doi.org/10.1016/j.jksuci.2018.10.0081319-1578/©2018作者。制作和主办:Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页:www.sciencedirect.com978B. Brahim,A. Lotfi/沙特国王大学学报-计算机与信息科学32(2020)977- 986(Benzies,2009年)。他们使用一系列标准来比较电子学习平台.他们计算(每一个)提供(或不提供)的crite- ria的数量Fusaro(2005)使用访谈技术来分析用户她解释了另一种比较方法,并比较了每个平台的优势和劣势(2)定量方法,旨在客观地衡量工具对学习的影响。这些方法的结果通常很难推广到复杂的情况,如学习系统(马克和格里尔,1993年)。此外,这些定量方法很少考虑到学习的组成部分,而这些组成部分对于良好的接受和使用系统至关重要(Eric,2012)。 Colace等人(2003)使用管理功能指数(FI)来计算提供的功能数量与所需功能数量之间的比率。IF为1或最接近1的平台被认为是最具功能的另一种称为微观遗传分析的方法被 用 来 促 进 学 习 者 对 知 识 进 化 的 理 解 ( Siegler 和 Crowley ,1991)。研究人员对学习系统的标准评估方法没有达成一致意见(Nogry等人, 2004年)。或者至少,现有的方法没有被广泛接受。评估人员需要考虑到电子学习系统的特殊性的方法(Attwell,2006年)。为此,我们提出了一个新的基于跟踪的系统帮助评估的知识水平(TBS_HAKL)。其目的是:(1) 通过一组数量指标来表示一组质量标准,这些指标是从学习者与系统的交互(痕迹)中计算出来的(2) 并且应用新的分类算法来将每个标准分配给评估类(非常好、好、中等、低和非常低)之一。本文的结构如下:第二部分重点介绍了将交互作用分析应用于评价系统构建的相关工作第三部分介绍了网络学习系统中基于跟踪的系统第四部分提出了在e-learning环境中的TBS_HAKL的体系结构。第五节讨论了评价算法的实验结果。2. 相关工作在数位学习环境中,利用学习者与这项研究最接近的工作见(Djouad和Alain,2017)。他们提出了一种由活动跟踪领导的模型驱动工程方法来计算人类学习指标活动。为此,他们建议使用基于跟踪的系统。它们为每个指示器关联其从主m迹到指示器m迹的变换序列。Martin和Ndoye(2016)回顾了不同类型的在线评估,并确定了可以收集和分析的数据集。使用了两种不同的数据分析和可视化工具:定量数据表和定性数据多眼。这对使用在线评估的教师、教学设计者、管理者和教育研究者都有一定的启示。Mohtadi等人(2016)提出了一个集成在超媒体学习环境(HLE)中的基于跟踪的系统。该HLE还包括元认知激励,旨在提高学习者的自我调节学习行为。他们使用痕迹来评估学习者如何进行元认知活动(目标定位、计划、目标说明、研究判断、评估和监控)。在(Ghatasheh,2015)中提出了一种非常接近的方法,使用机器学习和用户活动分析来评估知识水平。她正在寻找不同机器学习方法中最好的算法进行分类,以便重新组合-在动态e-Learning系统中,为用户的知识水平改进一个合适的自主评估器另一种接近的方法在(Kahlynn等人,2013年)。它是为不同领域的e-Learning用户的知识建模。他提出了一种知识分类器,它首先直观地探索学生特征在其知识类上的最佳权重值。然后,他根据学生的数据和权重值测量学生之间的距离。 最后,他利用分类过程中的差异来找到他们的知识类。Paraskevi等人(2008年)扩展了学习技术系统架构(LTSA)的IEEE参考模型。这一方法是基于使用由一组专家设计的电子问卷。通过自动分析学习者对问卷的回答,所有学习者被分配到不同的学习者档案。根据这些概况,他们可以获得最符合其教育需要的学习材料。在线学习作业的自动评估在(Farrús和Costa-Jussà,2013)中进行了讨论。它允许学生随时评估自己并获得即时反馈。此工具是一个基于网络的平台,它是为加泰罗尼亚语和西班牙语的工程学科(即数学符号和公式)而设计的。用于自动评估的技术是潜在语义分析。在(Alejandro等人,2007年)。它考虑到个别学生的学习需求,通过一个整体的架构和框架开发WBES。此外,三个基本模块的建议WBES概述:一个创作工具,基于语义Web的评价,和基于认知地图的学生模型。该方法增强了IEEE-LTSA(Learning Technology SystemArchitecture)提出的学习技术标准体系结构许多项目引入TBS来解释交互痕迹。解释总是与一个目标有关。e-mediatheque被用于可视化电子中学项目中的协作远程学习(Cram,2007年)。CourseVis(Mazza和Dimitrova,2004)用于三维可视化Web-CT轨迹。ClassroomVis(Laure等人,2007年)可视化学习者的状态和他们之间的关系实时。SYCATA(Yacine等人,2010年)是一个系统,收集所有的痕迹行动者(特别是学习者)的活动,并将它们分为五个类别。它提供了多种形式(图形,数字或混合),以显示这些痕迹的导师和作者。在这项研究中,我们遵循了Diem Pham她将跟踪分析活动分为四个过程:(1)数据建模,(2)数据预处理,(3)计算和(4)数据资本化。我们指定了这些活动,并添加了其他过程来实现我们的目标。3. 电子学习系统在使用电子学习平台的过程中,发生的动作和事件可以成为学习者用来提高水平的方法的丰富信息来源。这些信息被称为它们通常非常丰富,非常多样,并且它们是随机生成的(Djouad等人, 2012年)。TBS(tracebasedsystem)收集交互痕迹并将其转换为可解释和可测量的指标。它使用了跟踪和跟踪模型的概念框架。图1示出了TBS的一般原理。交互痕迹的利用经历三个步骤(Djouad等人, 2012年):(1)首 先 , TBS 收 集 来 自 痕 量 源 的 相 互 作 用 痕 迹 作 为 观 测 元 素(Obsels)。(2)其次,它变换B. Brahim,A. Lotfi/沙特国王大学学报-计算机与信息科学32(2020)977-986979将它们转换为模型轨迹(M轨迹)。它根据跟踪模型重写跟踪。(3)这是最重要的一步,因为它分析轨迹以计算指标。所采用的分析方法和计算的指标种类往往与所处理的问题有关。指标计算是分析M迹的一个非常有趣的阶段。它们简化了痕迹的处理和解释。Dimitrakopoulou等人(2007年)将指标定义为“代表某些特征的数学变量”。它是由数字、字母数字或图形形式表示的变量“。Dimitrakopoulou等人(2007)建议使用交互分析工具计算指标。选择要使用的迹线必须适应所选择的分析方法及其输入数据的性质。指示器可以表示个人或协作贡献的模式、质量或者还有产品质量(平台质量、学习质量等)。. )(Djouad等人,2012年)。图2解释了如何计算和使用TBS中的指示符。一般来说,一个指标值可以用来构建一个由用户精心设计的反馈.Soller等人(2001)定义了三种类型的反馈:它可以是指标值的直接可视化(镜像);它可以与期望值进行比较(监控);它可以被转换,使用特定的工具,在学习过程中指导学习者的信息(指导)。4. 贡献:基于跟踪的系统有助于评估知识水平(TBS_HAKL)实际上,网络学习系统所产生的知识水平更多地与验证在线学习者在在线课程结束时所达到的技能有关。这也可以通过与交互维度(学习者-学习者或学习者-系统)相关的指标来补充。我们的贡献的目的是提出一个基于跟踪系统,帮助评估学习者的知识水平,换句话说,我们分析交互轨迹来计算用于表示一组质量标准的数量指标。例如,阅读速度和阅读数据量(指标)给出了关于阅读效率(标准)的信息。在这个TBS中,首先通过跟踪分析过程将跟踪转换为数字指标。然后,评估过程中使用的指标,代表每一个标准的一个属于向量。它是一个由五个元素组成的向量;每个元素是该标准属于其中一个评估类(非常好,好,中等、低和非常低)。这些向量将被分组为评估算法在其上运行的归属矩阵我们的目标是帮助观察者评估学习者评估可以实时应用于所有学习者或一组学习者。它还可以隐藏全部或部分学习会话,这些属性允许在不同时期的学习者群体之间进行比较。为此,我们提出了一套评估标准。对于每一个,我们使用一组指标来表示它。为了实现这一目标,我们遵循以下步骤:在第一步中,我们提出了将用于构建跟踪、指标和标准的数据模型。接下来,我们描述如何我们使用这些模型来构建一个评估系统,评估知识水平。第二步,我们提出一套评估准则。对于每一个,我们定义了两个代表性指标和两个指导性指标。每个指标将从一组相互作用的痕迹计算。4.1. 拟议的数据模型在我们介绍跟踪分析过程和评估过程之前,我们介绍了定义用于保存跟踪、指标和标准的结构的拟议数据模型。4.1.1. 跟踪模型该模型代表了观察者的所有概念和观察要求。概念要求允许在时间基础上组织跟踪(时间和日期)。这种安排有助于将评估集中在有限的学习期间。观察要求按类型和交互源组织跟踪。它有助于将观察集中在一组学习者身上。图3显示了为满足这些需求而提出的跟踪模型每个obsel(观察元素)的特征在于三个方面:定义:通过唯一键“IDObsel“标识obsel,obsel名称给出obsel的名称(例如:参与聊天,编辑维基页面,. . ),obsel组(例如:聊天组或Wiki组,. . )和一个最终的简短描述,给出了一个定义的Obsel。计时:由观察开始和结束日期/时间组成。这些属性允许选择将观察的时间段。为不同时期计算的指标允许对不同时期进行比较。来源:它定义了obsel的生产者演员。它可以是一个用户(教师、学生或其他人),也可以是一组学习者,他们正在完成一项共同的任务;它也可以是一个系统对象。该识别Fig. 1. TBS的基本原理图二. TBS中的指标计算●●●980B. Brahim,A. Lotfi/沙特国王大学学报-计算机与信息科学32(2020)977- 986有助于确定将被观察的用户组。它允许比较不同用户组的活动除了它们的简单性(捕获和大写)之外,这三个维度(定义,时间和来源)满足所有观察者的要求。该模型还允许设计者提出无限的obsels附加到不同的观察需求。4.1.2. 指标模型指标是根据一种方法(或公式)从一组轨迹中计算出来的数学变量。指标模型定义了有助于使用跟踪计算指标值的结构。图 4显示了拟议指标模型的结构。一项指标具有三个方面的特点:定义: 它由指标名称、指标组以及描述指示符的可选描述。构造:它由两个主要元素描述:组件和方法。组件表示计算指示器所需的一组obsel。这些obsel可以是主轨迹,或者已经计算的指标。第二个元素(方法)定义了如何使用obsels来计算indicator。它包含计算(或查询)的工具和公式使用:它由三个要素描述:向观察者呈现的数据,用于呈现指标的格式(图形,文本,数字或混合)以及向观察者显示的可选描述(评论)4.1.3. 准则模型在本研究中,标准是高水平的指标它是一个由五个元素组成的向量。每个元素是标准属于评估类之一 图图5示出了所提出的准则模型的结构。与指标模型相比,在结构方面引入了新的要素。指示器元件定义两个 表 示 指 示 器 ( R1 , R2 ) 和 两 个 引 导 指 示 器 ( G1 , G2 ) 。Coefficients元素接收定义类的间隔的Vector元素保存标准在下文中(第IV.2.2.A节),我们将解释如何使用这些元素。4.2. TBS_HAKL架构现在,我们将展示如何使用这些模型来构建TBS_HAKL(帮助评估知识水平的基于跟踪的系统TBS_HAKL分为三个过程:跟踪分析、评估和资本化。图6示出了TBS_HAKL架构。4.2.1. 痕量分析痕量分析过程是产生指示物的一系列活动(Pham Thi Ngoc,2011)将这些活动分为一组过程,包括:(1)数据建模,(2)数据预处理,(3) 计算和(4)数据资本化。我们保持相同的组用相同的名字。为了能够评估知识水平,我们增加了一个评估过程。它分为两个子过程:(5)用向量表示准则和(6)应用评估算法将每个准则分配给其类的评估过程当我 们要保 存所有 的过程 结果( 标准和 指标的 值, 评估结果,.. . ),资本化过程应该成为所有需要存储信息的过程中的一个共同过程。A. 预处理跟踪跟踪通常处于原始状态(在日志文件或变量的数据库中各种类型和各种结构)。预处理工艺过滤器他们此操作通过使用观察者定义的过滤器仅提取目标轨迹(过滤轨迹)。B. 痕迹建模它为计算指标准备了必要的数据集(PhamThi Ngoc ,2011年)。它根据所提出的轨迹模型的结构重写过滤后的轨迹。它考虑到观察员的要求。这些需求在跟踪模型的“defini- tion“方面定义C. 指标计算图三. 提出的跟踪模型。见图4。 拟议的指标模型。1/4iP21P P PP22 23 2425ð≤ ≤ ≤ ≤ ÞI1PB. Brahim,A. Lotfi/沙特国王大学学报-计算机与信息科学32(2020)977-986981图五. 提出标准模型。该过程使用指标模型计算指标每当观察者想要计算指标时,他应该指定时间间隔和将被观察的学习者(组)的列表,以及使用“facet”的指标模型的元素该过程检索计算指示符所需的数据集。接着,它使用从指标模型检索的计算方法来计算指标值。计算值将被传送到表示过程以构造准则的所属向量4.3. 评估过程这个过程评估学习者在一段时间内的知识水平。它分为两个过程:标准表示和评估。A. 准则表示法此过程使用指标值来表示一组标准。每个标准都有自己的代表性指标(R1,R2),见图6。TBS_HAKL架构。属于向量V属于V1;V2;V3;V4;V5时间:vNb单位2类iNb单位B. 评估过程评价过程由评价指标的属性向量构造属性矩阵- 自身的引导指示器(G1,G2)和自身的定向系数(C1,C2)。R1、R2、G1和G2由指标模型提供。C10伏11V22P11P12P13P14P15 36 7和C2是由观察者输入的两个系数他们习惯确定每个标准的分类方向,Mblg<$B@·· ·CA<$6· ·····I2···I3···I4···I5观察员的意见。 图 7显示如何分类crite-使用这些指标。R1和R2是针对每个数据单元(学习者,受试者,Vn64···Pn1···Pn2···Pn3···Pn4···Pn5Page,.. . ). G1和G2是所有数据单元所共有的例如,R1可以是每个学习者的阅读页数; R2是每个学习者的阅读时间。G1和G2分别是R1和R2的平均值。结果是一个二进制向量,其元素对于标准类为“1 00”,其余为例如,非常好类的标准由向量(1,0,0,0,0)表示为了计算属于向量,我们收集数据单元的所有结果表1显示了如何计算归属向量。其中:Vi∈1≤i≤n∈:i是准则Cri的所属向量;n:i是准则C ri的所提出的标准的数量; Pij:是cri-cri属于类别j 1 i n的概率; 1 j 5。评估过程包括通过以下方式分析该归属矩阵:计算一些统计数据。目标是在类之间进行比较。该算法分为两个部分:第一个评估一个时期。第二部分比较了不同时期的结果● 评估一个时期7775PPPPn.Σ37PP..适度。62m1C5PM1/2i;j]-av982B. Brahim,A. Lotfi/沙特国王大学学报-计算机与信息科学32(2020)977- 986评估算法包括以下步骤:1.计算五个元素的平均向量Av。它包含所属矩阵列的平均值。Av1;a v2;···;a v56.使用质量向量将周期指定给其类。表2解释了如何使用质量矢量来评估学习者● 各期我们的想法是用质量矢量代替每个周期。目标-PnMn[i;j]目的是根据他们的知识水平来安排时间。的其中:av j¼1/1BLG;n:是标准的数量。2. 计算五个元素的标准差向量Dv它包含所属矩阵列的标准差。Dv1;dv2;···;dv5n当:dv j¼1/1BLGJ ;n:是标准的数量。3. 计算五个元素的幂向量PP1;P2;···;P5算法的步骤如下:1. 计算所有周期的质量矢量Mii<$1::pi1;mi2;·· ·;mi5p是周期数。2. 构建一个包含这些向量的新的归属矩阵。图8解释了如何构造这个矩阵。3. 计算一个新的周期质量矢量Mp<$m1;m2;···;mpp是周期数。哪里其中:pi<$avim M i1M i2M i4M i5dvi4. 计算所属系数矩阵CI¼be l½;]是l½;]-是l½;]-是l½;]0c12c13C14c15c21 0c23C24C25¼4. 把质量矢量按升序排列。4.4. 数据资本化过程c316C320C34C35 7441C42c430c45资本化过程的目的是保存其他亲的所有结果,c51c 52c 53C540. 如果pjcesses。它存储建模的轨迹、计算的指标和表示的标准。它提供了重用和共享其中:c ij¼PJ0其他指标和标准。5. 为例5. 计算五个元素的质量矢量MM¼m1;m2;·· ·;m5哪里P5C机为了测试TB_HAKL,我们提出了分为五组的28个标准每个小组使用一个学习工具。对于每个组,我们分配一组用于表示标准的obsel图9示出了所提出的标准和obsel的列表。例如,学习者在学习期间多次阅读(访问)页面I5第1页5k¼1CJK学习周期阅读次数和阅读时间(指标)可以提供有关页面流行度(标准)的信息。随着这些指标值的增加,表2学习者行为评价与质量向量的关系。条件结果mj≥0: 5mi 0: 38i<质量的50%学习过程是类J。m1m4好.<学习的过程是图7.第一次会议。使用决策树对准则进行分类表1计算归属向量。数据单元类V_良好良好中等低V_低U1 1 0 0 0 0U2 0 0 1 0 0........................联合国0 0 0 1 0总和S1S2S3S4S5属于向量S1nS2NS3nS4nS5n2B. Brahim,A. Lotfi/沙特国王大学学报-计算机与信息科学32(2020)977-986983也增加了。为了评估这一水平,我们将衡量页面和学习者阅读的受欢迎程度。图10解释了如何使用指示符来计算页面流行度标准的所属向量。见图8。 建立3个周期的归属矩阵(示例)。所有其他准则在 实 践 中 , 我 们 使 用 了 一 个 跟 踪 库 , 其 中 包 含 一 年 内 ( 从01/01/2015到12/31/2015)62名学习者的交互跟踪(obsels)。图11示出了收集的Obsel的统计。5.1. 一个时期评估的例子在这个例子中,我们使用所有的标准来评估六个月内(从01 - 01-2015到06-30-2015)的所有学习者群体。结果如图所示。 12个。每个标准由所属矩阵中的一行表示。结果是一个五个元素的向量。每个元素是标准属于其中一个级别类别(非常好,好,中等,低和非常低)的概率。在这个例子中,27.0912%的学习者有一个非常好的水平 , 12.2051% 有 一 个 良 好 的 水 平 , 25.1582% 有 一 个 中 等 水 平 ,14.9723%有一个低水平和20.5732%有一个非常低的水平。图13示出了“页面读取极性“标准的细节我们计算两个指导指标(每页的阅读见图9。 使用的标准列表。984B. Brahim,A. Lotfi/沙特国王大学学报-计算机与信息科学32(2020)977- 986‘‘nb_read”表的其余部分是一个二进制向量,其元素为5.2. 比较时期在本例中,比较了四个季度(P1 = 1月至3月; P2 = 4月至6月; P3:7月至9月; P4 = 6月至12月)。所有的标准都用来观察所有的学习者。评估结果如图1A和1B所示。14和15。周期是按照它们在质量矢量中的质量排序的。第一季度是最好的,相差0.0683*,第四季度是第二个,相差0.068,第三季度是第三个,相差0.0388,最后一个是第二季度,相差0.0364。6. 讨论本研究旨在改进知识水平评估过程。它把学习者与我们期待的结果相比,结果是可以接受的:使用属于向量表示标准比(Benzies,2009)和(Fusaro,2005)中提出的二进制向量更清晰,更现实。此外,这种表述方式没有考虑到使用者使用指标(根据事务跟踪计算)使标准与学习期间平台上发生的事情更加相关。指导性指标(G1,G2)为计算机学习者提供了可能性,或将其与某些知识标准(国际,国家或地区)进行比较。例如,我们可以将每个学习者的阅读次数与所有学习者的平均阅读次数进行比较。或者我们可以将学习者比较时期和工具提供了准确关注学习平台弱点的可能性我们也可以关注最好(或最差)的时期或学习者。这种可能性有助于设计人员改进平台的未来版本。此外,它还帮助教师通过与学习者活动有关的建议和评论来跟踪学习者。见图10。 如何计算网页的流行度所属向量?7. 结论和今后的工作本文提出了一个基于痕迹的网络学习知识水平评估系统TBS_HAKL。见图11。 收集的obsels的快照。见图12。 一个时期的评价结果。B. Brahim,A. Lotfi/沙特国王大学学报-计算机与信息科学32(2020)977-986985图十三. 一个标准(页面读取极性)的计算示例。它基于对学习者与学习平台之间的交互痕迹的分析。它旨在通过一套数量指标来代表一套质量标准。每个标准由五个元素的向量表示。每个元素是一个概率,该标准属于一个类。建议将知识水平分为五个等级(很好、良好、中等、低和很低)。评估过程适用于一个包含所有代表标准的矢量的矩阵。它的目的是确定每个班级中学习者的百分比。它也可以在不同时期的不同学习者群体之间进行比较。为了测试我们的方法,在一年内(从01/01/2015到12/31/2015)跟踪了62名学习者。我们使用了28个标准和21个Obsels(图1)。9)。首先,我们评估了一个时期(2015年1月1日至2015年6月30日)。27.0912%的学习者水平很好,12.2051%的学习者水平很好,25.1582% 的 学 习 者水 平 中 等 , 14.9723% 的学 习者 水平较 低 ,20.5732%的学习者水平很低(图1)。 12)。其次,我们比较四个季度(P1 = 1月至3月; P2 = 4月至6月; P3:7月至9月; P4 = 12月至12月)。 四分之一是最好的,相差0.0683,四分之四是第二个,相差0.068,四分之三是第三个,相差0.0388,最后一个是四分之二,相差0.0364。14和15)。今后,为了提高评估过程的绩效,我们希望:通过考虑到学习者所写评论的含义通过新的更重要的观测数据来丰富跟踪数据库;改进指标和标准的图示,使其易于观察员解释。见图14。 四个时期的比较结果图15.周期结果图。●●●986B. Brahim,A. Lotfi/沙特国王大学学报-计算机与信息科学32(2020)977- 986引用Alejandro ,C.,Alejandro,C.,Alejandro ,P.,Rubén,P.,Humberto,S.,Agustín,G.,2007年自适应和智能的基于Web的教育系统:走向一个完整的架构和框架。专家系统应用33,1076-1089。https://doi.org/10.1016/j.eswa.2006.08.034。Attwell,G.,2006年。评价电子学习的电子学习的评价指南Perspektiven-Offset-Druck,不来梅,德国。Benedues,B.,2009年对Moodle学习平台功能和实用性的评估:逻辑学的一种方法。魁北克大学蒙特利尔分校。Colace,F.,De Santo,M.,Vento,M.,2003.评估在线学习平台:案例研究。2003年第36届夏威夷系统科学国际年会。第9页。https://doi.org/10.1109/HICSS.2003.1174342Cram,D.,2007年痕迹的可视化:应用于中学回忆的痕迹Dimitrakopoulou , A. , Petrou , A. , 马 丁 内 斯 , A. , 马 科 斯 , A. , Kollias , V. ,Jermann,P.,Harrer,A.,博伦湖,Dimitrakopoulou,A.,Petrou,A.,马丁内斯,A.,马科斯,J.A.,2007年元认知支持诊断的交互分析技术现状。信息社会技术、网络。Djouad,T.,阿兰,M.,2017.观察和理解在线学习活动:基于模型的活动指标工程方法技术知识学习。23,41https://doi.org/https://doi.org/10.1007/s10758-017-9337-9Djouad , T. , Mille , A. , Reffay , C. , 2012 年 。 Ingénierie des indicateursd'activités à partir de traces modélisées pour un Environnement Informatiqued'Apprentissage Humain. 教育和培训信息和通信科学与技术28.埃里克·J 2012.本文介绍了EIAH在认知心理学中的主要评估方法Farrús,M.,Costa-Jussà,M.R.,2013年。使用潜在语意分析的数位学习自动评估:一个使用案例。Int. Rev. Res. 开放式远程学习。14,239-254.Fusaro,M.,2005.机构委员会关于直线上平板形状的报告Ghatasheh,N.,2015.使用机器学习和用户活动分析的e-Learning系统中的知识水平评估。(IJACSA). Int. J. Adv. Comput. Sci. Appl.6,107-113.Kaharan,H.T.,Sagiruglo,S.,Colak,Ilhami,2013年。直觉知识分类器之发展与领域相依资料之建模。 知道了。- B a s e dSyst. 37,283-295.Laure,F.,Jean-Mathias,H.,Jean-Charles,M.,Thibault,C.,2007.在EIAH跟踪中观察和调节药物活性。https://doi.org/hal-www.example.com马 克 , 硕 士 , Greer , J.E. , 1993. 智 能 教 学 系 统 的 评 估 方 法 。 J. Artif. 内 特 尔 4 ,129https://doi.org/10.1.1.52.6842。Martin,F.,Ndoye,A.,2016.使用学习分析来评估学生在在线课程中的学习情况。J.Univ. Teach.学习.练习13. https://doi.org/10.1177/0047239516656369.马扎河Dimitrova,V.,2004.可视化学生跟踪数据,以支持教师在基于网络的远程教育。在:第13届国际万维网会议的替代轨道论文海报-万维网Alt。04年154号https://doi.org/10.1145/1013367.1013393Mohtadi,M.T.,Deraoui,A.,Allali,H.,Hajami,A.,2016.追踪系统用于在线学习活动中的元认知行为。2016年第五届多媒体计算与系统国际会议(ICMCS)IEEE,Marrakech,Morocco,pp.1-4.https://doi.org/10.1109/ICMCS.2016.7905610Nogry , S. , Jean-Daubias , S. , Ollagnier-beldame , M. , Nogry , S. , Jean-Daubias,S.,估价,作案手法,Nogry,S.,Jean-Daubias,S.,Ollagnier-beldame,M.,2004.评价环境影响评估:方法必须多样化。Paraskevi,K.T.,Phivos,M.,Stefanos,D.K.,2008.以学习者剖析与学习资源调适为基础之智慧型数位学习系统。Comput. Educ.51,224-238.Paz,F.,Pow-Sang,J.A.,2016.软件开发过程可用性评估方法的系统映射综述。Int. J.Software Eng.Appl.10,165https://doi.org/10.14257/ijseia.2016.10.1.16Pham Thi Ngoc,D.,2011.服务的具体化和概念,用于分析人类对信息的利用。缅因大学。https://doi.org/NNT:2011LEMA1015Siegler,R.S.,克劳利,K.,1991.微观发生方法:研究认知发展的直接手段。Am.Psychol. 46,606-620. 10.1037/0003-066X.46.6.606https://doi.org/上发布。Soller,A.,马丁内斯,A.,Jermann,P.,Muehlenbrock,M.,2001.从镜像到引导:支持协作学习的最新技术综述在:计算机支持的协作学习欧洲会议论文集EuroCSCL-2001,页。324-331亚辛湖,Noureddine,G.,Khaled,H.,2010.基于追踪的协作学习系统。J.计算机信息技术18,207-219.
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 十种常见电感线圈电感量计算公式详解
- 军用车辆:CAN总线的集成与优势
- CAN总线在汽车智能换档系统中的作用与实现
- CAN总线数据超载问题及解决策略
- 汽车车身系统CAN总线设计与应用
- SAP企业需求深度剖析:财务会计与供应链的关键流程与改进策略
- CAN总线在发动机电控系统中的通信设计实践
- Spring与iBATIS整合:快速开发与比较分析
- CAN总线驱动的整车管理系统硬件设计详解
- CAN总线通讯智能节点设计与实现
- DSP实现电动汽车CAN总线通讯技术
- CAN协议网关设计:自动位速率检测与互连
- Xcode免证书调试iPad程序开发指南
- 分布式数据库查询优化算法探讨
- Win7安装VC++6.0完全指南:解决兼容性与Office冲突
- MFC实现学生信息管理系统:登录与数据库操作
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功