程序设计实训成绩管理系统的实现外文翻译资料

 2022-10-08 11:46:03

英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料

概要

在过去的几年LMS的使用已经呈指数的方式增长，已经在教学过程中产生了非常大的影响，尤其是在高等教育中。通过一个教育数据挖掘方法，使用从根据关于工作、花在工作上的时间和拖延的类似态度分组的学生的Moodle日志为提取的数据得知目前的学习主要倾向于检查学生的异步的学习过程。行为会在以后匹配不同程度的成就。

首先，在LMS中使学生在学习过程中的不同的学习模式集合。第二，从Moodle记录中选择不同的可变因素去研究看是否学生组的配置是平等地适当的。第三，这些对学生最后的成绩的模式之间的关系被检查。

从Moodle2.0课程日志中收集的140个未获学士学位的大学生入学数据分析后，四种不同的学习模式伴随着不同的最后成绩被发现。另外的结果显示有可变因素更多的与成绩有关，更适合学生成体，以不同的组有特征的，换句话说，两个任务导向组（社会或者个别集中）和两个非任务型群体（拖延者或者不拖延者）为依据。这些结果在对LMS中学生学习过程和成绩的干预设计中有意义。

  1. 引言

在过去的几年LMS的使用已经呈指数的方式增长，尤其是在高等教育中 (Romero,Espejo,Zafra,Romero,amp;Ventura,2013)。LMS已经正在知识获得中有了一个大的影响，在认知科学和计算机科学中的以实验为基础的研究已经从不同角度证实这个主题(Azevedoamp;Aleven,2013)。然而研究报告显示，并不是每个学生都可以从学习LMS的机会中获益(Lust,Collazo,Elen,amp;Clarebout,2012)，学习者使用LMS工具并不能视为理所当然(Lust,Vandewaetere,Ceulemans,Elen,amp;Clarebout,2011)。有丰富的经验证据表明，学习者并不能顺利的让他们的行为适应先进的学习环境的要求，如LMS (Azevedoamp;Feyzi-Behnagh,2011)。像LMS的学习环境需要学生在决定做什么、怎么做、学习多少、花多少时间、什么时候需要放弃或者改变学习策略更加努力等等这些方面上花更多的努力(Azevedo,Cromley,Winters,Moos,amp;Greene,2005)。

此外，在传统的学习环境中,教师可以很容易地了解学生工作和学习的方式。然而在LMS，教师了解学生行为和学习情况是比较困难的(Graf amp; Liu,2009)，与其他系统相比，这些工作平台提供低水平的合作数据。学习者活动是有效的在线教学中至关重要的一个环节，所以有必要去探求在网络环境中更加好的观察模式(Neuhauser,2002)。

此外，探索在LMS中不同学生的行为模式与最终的成就的关系在设计自适应超媒体系统（AHS）或自适应教育系统（AES）上非常有用(Brusilovsky,1996;DeBraamp;Calvi,1998)。传统上，AHS适应是以知识、浏览数据、个人信息（年龄、性别等）为基础，例如AHA (Braamp;Calvi,1998)！或者My Online Teacher (Cristeaamp;DeMooij,2003;Cristea,Smits,amp;Bra,2007)；然而各地出现了另一种基于在非常低粒度的学生交互数据的系统的方法(Romero,Ventura,amp;Garciacute;a,2008; Romero,Ventura,Zafra,amp;Bra,2009)，类似于现在工作的目的。目前方法的目的是尽可能提高和改善提供给每个学生的帮助。比如之前的Dabbagh和Kitsantas在2005和2013年提出的，学生在基于网络课程的自主学习过程中活得帮助是非常重要的，因为学生经常被要求完成学习任务，但是很少有或没有其他帮助，这要求学生是高度自主。

1.1在LMS中的教育数据挖掘方法和学生行为

目前的工作旨在从一个能同时巩固学习环境适应的教育数据挖掘方法中揭示学生与LMS的影响。如努力、工作时间和拖延这些变量从Moodle日志中被推论去帮助回答以下这些问题：学生能适应当前的网络学习环境的要求？他们的适应能力对他们的成就有什么影响？进一步说，我们能适应这些在线学习环境的学生行为？所有学习者是否真的需要适应还是一些建议？但我们朝着计算机学习环境和努力去引导学习者考虑时这些或者其他一些类似的问题就出现了。中指，深入了解学生在这些环境中的行为是值得的，了解这些是如何影响他们的表现的，这将有助于改善学习过程。为了这个目的，EDM是最新的能帮助我们了解用户和信息管理系统之间的相互作用的技术之一(Agosti , Crivellari , amp; DiNunzio , 2012)。

近年来，研究人员已经通过各种数据挖掘方法调查去帮助教师和管理员提高在线学习系统(Garciacute;a,Romero,Ventura,amp;deCastro,2006)。EDM专注于发展和应用计算机化的方法去发现否则很困难甚至不可能分析的庞大的教育数据的收集的模式(Romero , Ventura , Pechenizky , amp; Baker , 2010)。Romero, Ventura, and Garciacute;a (2008)解释说EDM还特别的适用于研究LMS的数据。特别是EDM已经被用来预测退学和学术成就(Romero, Espejo, 2013)，识别高危学生(Arnold amp; Pistilli, 2012; Essa amp; Ayad, 2012; Baker, Lindrum,Lindrum, amp; Perkowski, 2015; Macfadyen amp; Dawson, 2012)，自动跟踪学生在LMS的活动(Govaerts, Verbert,Duval, amp; Pardo, 2012; Leony, Pardo, de la Fuente Valentiacute;n, de Castro, amp; Kloos, 2012)和预测学生成就(Romero-Zaldivar, Pardo, Burgos amp; Kloos, 2012)。

如Romero 和 Ventura (2010)最近的评论显示，大量的高质量的研究被类似于目前工作中使用的技术引导。他们中很多实验脱离实验室环境和学术环境一小段时间。

目前工作的额外价值是在真实的环境中，进行超越实验室环境甚至研究人员控制内的环境进行属于官方的学生课程的任务。再者，它拓宽了平常短期的这些经历，将时间延伸至整个学期。也有一些在实验室环境以外的研究。

1.2相关工作

1.2.1LMS中的学生行为

在过去的几十年中，相当数量的不同目的去尝试模仿学生LMSs中的行为的研究，确定学习风格(Graf amp; Liu, 2009;Ozpolat amp; Akar, 2009)预测学生动机(Dawson,Macfadyen, amp; Lockyer, 2009; Munoz-Organero, Mu ~ noz-Merino, amp; Kloos, 2010)。深入进去，Murray, P ? erez, Geist, andHedrick (2012)已经研究学生交互的资源可以有助于让学习更容易和让学生提高自己的学习进度。他们分析变量与影响的关系，比如联系的时间、结果、自我评估测试和讨论会，伴随自动识别学习风格的目标。Murray, P ? erez, Geist, and Lust, Elen, and Clarebout (2013a)Hedrick (2012)研究学生在每个LMS课程的学习阶段不同的使用工具，如网络讲座、网上联系、反馈时间、测试时间、阅读邮件和在讨论版发布。这些结果不可否认是对适应和建议系统是有用的，并引导我们概述这个方式的第一个研究问题，当他们从LMS学习时学生之间存在潜在的不同的方式。然而，这些研究有助于预测学生成绩、识别高危学生并允许适应和建议的学习环境。

Hung和Zhang (2008)已经发现用六个指标来描述和分类学生在线学习情况（LMS登录次数、课程材料访问频率、发布和阅读的消息的数量、同步讨论的数量、最终成绩）。正如作者所指出的，然而，这项工作的效用是描述而不是预测。在本研究中，我们的目标是预测学生的在自适应教育系统下未来的成就。然而，第三个这个研究的研究问题被建立在这个意义上，并没有采用创建群集的变量。在一个假设的适应性环境中，学生的最终成绩将不可用直到学习过程结束，从Hung和Zhang(2008)最后的结果也许可以帮助教师更好地了解学生的学习特点，但不能早点识别高危学生。

1.2.2LMS中预测学生成就

学习时间一直是距离和非距离学习中一个有争议但是重要的变量。传统上观察到的学习时间和学习成绩之间的关系取决于质量超过数量(Biggs,1979; Dickinson, amp; OConnell, 1990)。Macfadyen和Dawson在2010年发现，上网时间、工作时间、上论坛发帖数量是解释学生的最终成绩的关键变量。同时，在线时间和登录的频率被用来观察学生在LMS参与频率和最终的成绩之间的关系(Kupczynski, Gibson, Ice, Richardson,amp; Challoo, 2011)。作者由于一个意外的结果得出得到的结果需要进一步研究的结论。关于这个问题，Plant, Ericsson, Hill, and Asberg (2005) 对这一问题做出了贡献，发现学生们采取积极措施，保证学习时间可以用更少的学习时间达到更好的成绩。

同时不同的用户配置文件中提取的聚类分析揭示了显着的性能的影响(Lust et al., 2013, 2011)。在Lust et al. (2012)的评论中，学生在LMS工具使用的不同揭示了显着的性能的影响。他们使用的变量类似于我们研究中使用的（网络讲座时间、网络连接时间、测试和发布信息时间、论坛阅读时间），但是关注点在于学生如何在整个课程期间考虑调节自己在每一刻自己使用的工具。

最近，Kim, Park, Song, and Jo (2014)通过用来预测他们学习成绩的学生在线学习行为数据发现混合学习环境下的在线行为模式。在这种情况下，2个不同的课程进行了比较，A，主要的在线活动是参与讨论论坛，B，涉及一种提交作业和学习资料的工具。为了拓宽研究范围，在目前的研究中，我们使用从涉及两种类型的学生活动中来的数据，只懂啊很多目前在LMS中使用的课程包括学习材料，实际任务和讨论论坛。

1.2.3寻找学生互动与LMSs的重要因素

在先前的研究中看出学生与LMS的相互作用，不同资源和论坛讨论时间是关键的变量 (Lust et al. 2013a; Hung amp; Zhang, 2008; Kim et al., 2014; Lust et al., 2012; Macfadyen amp; Dawson, 2010; Murray et al. 2012)。从而引发本研究的第二和第三个研究问题，我们想超越，并观察它们是否同样适用于学生群集的配置和这些模式如何与学生的最终成绩有关联。

此外，拖沓的学习成绩如同自我规制失灵的负面影响已经得到相当的经验支持(Howell amp; Watson, 2007)。此外，Tuckman（2005年）不仅证实了电子学习拖延者往往比没有拖延的人工作的更差，而且，在电子学习环境拖延和成就之间的负相关关系比在传统的学习环境的表现更差。根据这一点，我们也希望将拖延考虑为一个核心功能在学生和LMS的关系中。在这一行，You（2015年）已经通过分析没有或者迟交作业研究了电子学习课程成绩学业拖延的影响，发现它们在预测课程成绩产生负面影响显著。在目前的工作中，拖延已经假定为一个学习者特性在时间的管理中，但也没有必要作为一个失败上提交任务或缺少一个期限。据推测，拖延行为可以被操作即使学生按时提交任务，但反复地延迟学术工作(Schraw, Wadkins, amp; Olafson, 2007)。因此，我们通过观察学生的行为模式，在作业截止日期前，对拖延行为进行了探讨。因此，需要更多的研究来提高学习拖延行为的理解(You, 2015)。本研究的创新在于变量的类型和提取方法方面。一方面，Moodle日志没有被使用在其他比获得文献拖延间接指标Won（2015），谁发现了学业拖延对网络课程成绩的负面影响，但不同的变量：晚提交缺失评分和频率。另一方面，当花在变量上的时间已经关系到学生的最终成绩Kovanovic and et al., (2015)，提高精确得体的时间评估意识。在复习理论内容或论坛时间的测量可能是不可靠的但在任务的时间是重要的因为经验发生的教学时间，学生可以同时在外面工作的环境和上网。因此，在实验室和在一个真实的背景下我们看到了一些的缺点。在这种情况下，我们提高了时间测量的准确性，考虑到自动退出登录次数和LMS注销事件以及预处理的原始数据，学生在不同的学习任务的远程学习中被强迫每个任务在线执行而不是上传文件或其他线下活动。

关于论坛相关的行动，在讨论中的问题的答案的质量可行指标的一些例子是变量的输入时间和数量的话，二是选择这项研究。我们相信，因为学生被要求后的反思，在岗位上的话的意思是一个很好的指标质量的答案。基于常识，打字时间可以根据每个学生的个人技能发生改变。不过，根据文献资料，发送到论坛的信息量、论坛信息的数量等变量与学生成绩相关(Romero, Lopez, Luna amp; Ventura, 2013; Romero, Gonzalez, Ventura,del Jesuacute;s, amp; Herrera, 2009)。

1.3本研究的目的

在本文中我们的目标是从Moodle日志提取不同组有类似行为的学生和他

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[151775]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章