Progressive Teaching Improvement For Small Scale Learning: A Case Study in China
Progressive Teaching Improvement For Small Scale Learning: A Case Study in China
复制标题
小规模学习的渐进式教学改进：中国案例研究
DOI：
10.3390/fi12080137
复制
发表时间：
2020-08
期刊：
影响因子：
3.4
通讯作者：
Zhang Gangyao
中科院分区：
文献类型：
--
作者：
Jiang Bo;He Yanbai;Chen Rui;Hao Chuanyan;Liu Sijiang;Zhang Gangyao
学习数据反馈和分析在教育的各个方面都得到了广泛的研究，特别是在大规模远程学习场景中，如海量公开课(MOOCs)数据分析。现场教与学仍然是大多数教师和学生的主流形式，针对如此小规模场景的学习数据分析研究很少。在这项工作中，我们首先开发了一个新颖的用户界面，在微信和小程序的启发下，在每节课后逐步收集学生的反馈意见，灵感来自于最流行的购物网站的评估机制。然后，收集到的数据被可视化地呈现给教师并进行预处理。我们还提出了一种新的人工神经网络模型来进行渐进式学习性能预测。这些预测结果被报告给教师，供下一堂课和进一步的教学改进。实验结果表明，所提出的神经网络模型优于其他机器学习方法，在期末三类分类任务上达到了74.05%的准确率。
Learning data feedback and analysis have been widely investigated in all aspects of education, especially for large scale remote learning scenario like Massive Open Online Courses (MOOCs) data analysis. On-site teaching and learning still remains the mainstream form for most teachers and students, and learning data analysis for such small scale scenario is rarely studied. In this work, we first develop a novel user interface to progressively collect students’ feedback after each class of a course with WeChat mini program inspired by the evaluation mechanism of most popular shopping website. Collected data are then visualized to teachers and pre-processed. We also propose a novel artificial neural network model to conduct a progressive study performance prediction. These prediction results are reported to teachers for next-class and further teaching improvement. Experimental results show that the proposed neural network model outperforms other state-of-the-art machine learning methods and reaches a precision value of 74.05% on a 3-class classifying task at the end of the term.
登录
查看更多内容
DOI：
--
发表时间：
2014-12
期刊：
--
影响因子：
--
作者：
Omer Levy;Yoav Goldberg
通讯作者：
Omer Levy;Yoav Goldberg
DOI：
10.1609/aimag.v17i3.1230
发表时间：
1996-03
期刊：
AI Mag.
影响因子：
--
作者：
U. Fayyad;G. Piatetsky-Shapiro;Padhraic Smyth
通讯作者：
U. Fayyad;G. Piatetsky-Shapiro;Padhraic Smyth
DOI：
10.4018/978-1-5225-9031-6.ch001
发表时间：
2019
期刊：
Cognitive Computing in Technology-Enhanced Learning
影响因子：
--
作者：
M. Wasif;Hajra Waheed;Naif R. Aljohani;Saeed-Ul Hassan
通讯作者：
M. Wasif;Hajra Waheed;Naif R. Aljohani;Saeed-Ul Hassan
影响因子：
8.8
作者：
Helal, Sumyea;Li, Jiuyong;Long, Qi
通讯作者：
Long, Qi
DOI：
10.4018/978-1-7998-1192-3.ch008
发表时间：
2020
期刊：
Advances in Systems Analysis, Software Engineering, and High Performance Computing
影响因子：
--
作者：
Menaga D.;R. S.
通讯作者：
Menaga D.;R. S.