摘要： 在線教學平臺在高職院校社會擴招學生教學中得到了廣泛應用,通過收集平臺中大量的學生在線學習行為數(shù)據,并利用K-Means聚類算法對這些數(shù)據進行有效分析,可以幫助教師掌握學生在線學習行為狀態(tài),提高在線教學質量,為提升高職社會擴招學生育人水平提供參考.

摘要： 游戲是幼兒一日生活與學習的一部分,是幼兒自主、自發(fā)、自由的活動,幼兒園區(qū)域游戲活動為幼兒的學習與發(fā)展提供了良好的載體。教師在組織區(qū)域游戲活動時,應在充分尊重幼兒游戲主體性的前提下,對幼兒游戲過程中的學習行為進行密切的觀察與有效的指導,及時發(fā)現(xiàn)問題并予以有效介入指導,讓幼兒在游戲活動中有更好的體驗與收獲。在教師觀察中應著重觀察幼兒游戲過程中的執(zhí)行力、學習力、創(chuàng)造力等維度,在教師指導中要注重目的性、適當性和啟發(fā)性,在教師評價中落實以幼兒發(fā)展為本的激勵評價,從而讓幼兒在游戲活動中更好地學習與發(fā)展。

摘要： 線上線下結合的教學模式是未來教學的一個趨勢,每一個學生的學習行為會直接影響學習結果,因此研究學習者學習行為對學習成績的影響程度是目前的研究重點。目前常見的評價模型存在可信程度較低、可解釋性較弱等問題,本文使用基于證據推理的貝葉斯網絡(Bayes Network,BN)能夠有效地解決這一問題。把方法應用在學習行為分析上,與常用的機器模型和深度學習模型進行比較,表現(xiàn)出更低的誤差和更強的可解釋性。

摘要： 智慧課堂作為智慧學習環(huán)境范式,追求利用技術優(yōu)勢幫助學習者獲得良好的學習體驗,然而技術如何影響學習體驗,未發(fā)現(xiàn)有研究給出明確的回答。對此,本研究隨機調查了六個省市在智慧課堂學習的1775名中小學生,構建了由技術使用、學習行為、學習體驗、學生凝聚力、教師公平對待等變量組成的中介模型,探究其影響機制。通過高階因素、結構方程、潛調節(jié)結構方程等方法分析數(shù)據,本研究發(fā)現(xiàn):1)在智慧課堂中使用技術能夠正向影響學生的學習體驗;2)這種影響是通過影響學習行為間接實現(xiàn)的(即學習行為具有傳導性);3)學習者的凝聚力和感受到的教師公平對待均在這種間接影響的前半路徑(即技術使用影響學習行為這一路徑)中具有顯著的正向調節(jié)效應。本研究還發(fā)現(xiàn),相比2015年,智慧課堂的質量有了實質性的提升;數(shù)據獲取、自主學習、探究學習和合作學習成為智慧課堂的主要學習行為。這些發(fā)現(xiàn)能夠對優(yōu)化智慧課堂建設及其教學創(chuàng)新提供啟示。

摘要： 分析思想政治理論課學習行為與社會適應性的契合機理,探討大學生思想政治理論課的學習行為與社會發(fā)展要求相適應的優(yōu)化路徑,對于培育大學生主體素質與提升思想政治教育的實效性具有重要價值。

摘要： 研究通過問卷調查的方式,對北京交通運輸職業(yè)學院民航運輸專業(yè)高職學生技術技能學習行為進行綜合分析,探尋高職院校學生學習行為存在的問題,并進一步提出塑造高職院校學生良好學習行為的有效對策。

摘要： 慕課(又稱“MOOC”),因其大規(guī)模和開放性等特點,已成為國內外互聯(lián)網上的熱點,給各個階段的學習者帶來非常的便利。在目前國內的有關于MOOC的研究中,對學習者的研究逐漸增多。通過論述學習者在MOOC中的學習行為來分析其對學習效果的影響。研究發(fā)現(xiàn),學習行為對學習績效等有密切的關系,通過研究學習者的學習行為和動機來探究對學習效果的影響從而有針對性地提出改進意見,通過總結、梳理對滿意度和參與度的調查進行改進從而提升學習效果。

摘要： 學習者的個體特征和學習過程中的行為表現(xiàn)對在線學習結果具有一定的預測作用。為了探究在職教師在線學習結果的影響因素及預測模型,研究以教師信息技術應用能力在線學習為研究場景,選取1041名教師作為研究對象,依據性別、年齡、學科、學段等傾向性指標和參與、專注、績效、規(guī)律4個維度的行為表現(xiàn)指標建立4種學習結果預測模型,綜合評估7種分類算法后選擇較優(yōu)的預測模型和算法,并對確定的預測模型進行調參優(yōu)化、動態(tài)適應性檢驗、可視化呈現(xiàn)和規(guī)則提取,并對預測風險給出了干預策略。研究表明:應用CART決策樹算法通過傾向性指標和行為表現(xiàn)指標的混合預測模型獲得了較優(yōu)的預測效果,并且該模型具有早期的預測能力,可以為培訓管理者在不同的學習階段實施學習干預和支持服務提供科學依據。

摘要： 目的:大學生的在線體育學習行為的表現(xiàn)是研究教學質量的重要因素,該文旨在分析大學生在線體育學習行為的現(xiàn)狀及特征,為今后線上體育教學的發(fā)展提供參考。方法:采用在線體育學習行為問卷對大學生進行調查,對問卷情況進行描述性統(tǒng)計和差異性分析。結果:(1)大學生的互動行為得分較低(xˉ=3.42);(2)不同性別的學生的練習行為、展示行為、問題行為存在顯著性差異(P<0.05);(3)不同年級的大學生在練習行為、展示行為、問題行為方面存在顯著性差異(P<0.05)。結論:(1)大學生在線體育學習行為的互動行為方面較差;(2)女生在學習行為上總體好于男生;(3)大一的學生在練習行為、展示行為和問題行為方面明顯好于大二的學生。

摘要： “互聯(lián)網+教育”是一種新型的教育模式,大學生通過利用互聯(lián)網進行在線學習時,需要理解哪些是影響學習者接受的關鍵性因素,對提高學習者接受度有重要作用。基于UTAUT模型,構建了大學生在線學習影響因素的研究框架,框架包括6個自變量、2個因變量、3個調節(jié)變量,并根據研究變量設計了問卷。采用SPSS 24.0進行數(shù)據統(tǒng)計分析,研究結果表明:大學生在利用互聯(lián)網進行在線學習時具有較高的普適性,不同性別、不同專業(yè)在進行在線學習時各個影響因素上表現(xiàn)出顯著性差異;大二與大四的學生在績效期望中表現(xiàn)出顯著性差異,感知自我效能、績效期望、社群影響對行為意愿的影響權重的占比較高,感知自我效能、績效期望、配合情況對學習滿意度的影響權重占比較高。最后,根據研究結果提出相關的建議。

摘要： 以"航海氣象觀測與分析"MOOC為例,對基于中國大學MOOC平臺的課程考核數(shù)據、成績分段分布、學習資源類別等數(shù)據進行統(tǒng)計分析,并剖析MOOC普遍完成率低下的原因以及學習者對學習資源的偏好.結果表明:開放性MOOC環(huán)境中學習者的動機和知識背景呈現(xiàn)多樣性,MOOC的完成率和考核成績并非學習者的關注重點,不宜以此來衡量MOOC質量或作為評價MOOC的唯一指標,學習資源統(tǒng)計中視頻資源更受歡迎,學習者更愿意從簡單的學習行為開始,在此基礎上進一步提出MOOC情境下學習行為分析的思考與建議.

摘要： 基于移動互聯(lián)網的大數(shù)據及新媒體技術,及時針對教學過程中的反饋信息對學生的學習行為準確量化,是當今開展因材施教和個性化教學的有效手段.本文以2018年秋季學期開展的完整雨課堂智慧教學活動實踐為例,從課件推送信息數(shù)據、學生對不同教學內容和不同學習模式完成情況等多個維度,對大學物理課程產生的真實數(shù)據進行可視化分析,并實證混合式教學對影響教學效果的核心要素,為深入了解學生行為特征、提升教學效果提供有價值的參考.

摘要： 網絡學習者的學習行為,對于構建個性化、智能化的學習系統(tǒng)具有極為重要的意義.但目前對于網絡學習行為存在情境多樣性、交互復雜性、行為多變化等特點,研究者對網絡學習行為的研究都基于某一特定情境進行,所建立的模型也只適用于某一界定的網絡教學中.隨著教育大數(shù)據的成熟應用,標準化教育數(shù)據開放與共享已是研究的熱點.基于些,筆者根據當前數(shù)據開放與共享下的在線教育數(shù)據標準(xAPI)和網絡教育資源描述標準(Dublin Core)的基礎上,對網絡學習者的行為進行屬性分析、定義與建模,建立了基于數(shù)據開放的學習者網絡學習行為模型,為進行教育大數(shù)據的學習分析與研究提供標準化模型與技術支持.

摘要： MOOC的出現(xiàn)不僅改變了高等教育的生態(tài)環(huán)境,而且促進了小規(guī)模限制性在線課程(SPOC)的發(fā)展.為了了解學生在SPOC平臺的行為,本研究收集了他們一個學期內在平臺上的操作記錄,并用序列模式挖掘算法分析了學生的在線學習行為.研究結果發(fā)現(xiàn)3個主要的學生的頻繁行為序列,與學習課程資源、查看資源統(tǒng)計和查看作業(yè)模塊有關.

摘要： 探究學習社區(qū)理論擴展了網絡自我調節(jié)學習行為的影響因素的研究角度,為預測網絡自我調節(jié)學習行為提供了良好的理論架構.本文根據個體因素、社區(qū)因素、網絡自我調節(jié)學習行為的具體分類,建立了基于探究學習社區(qū)理論的網絡學習行為模型.本文并以“教育技術導論”課程為例進行了實證研究,梳理了模型中各要素之間的關系、構建了驗證模型.本文認為,提升學習者的自我效能感、學習策略有助于有效改善自我調節(jié)學習行為,認知性存在影響學習者的制定目標行為,教學性存在影響尋求幫助行為,社會性存在影響學生的自我滿意度.

摘要： 隨著資訊科技的進步,故應用數(shù)位學習科技在教學上也相當普遍.許多研究顯示先備知識對學習者使用數(shù)位學習科技的學習行為有相當大的影響.因此,本研究針對臺灣某大學研究生，提出了學術英語字匯學習系統(tǒng),并探討先備知識如何影響學習者使用學術英語字匯學習系統(tǒng)之學習行為.由實驗結果發(fā)現(xiàn),高先備者在開始任務后,偏好先使用文字提示來了解答題內容,而低先備者則偏好先使用圖片提示來了解答題內容;此外在答題過程中,高先備者善用多樣提示幫助幫助答題,而低先備者則偏重從提示幫助中獲得字匯的學習內容.換句話說,先備知識對使用學術英語字匯學習系統(tǒng)有相當大的影響.

摘要： 本文基于2001-2016年有關智慧學習環(huán)境的121篇國際期刊論文,對智慧學習環(huán)境國際研究現(xiàn)狀進行內容分析,探究新世紀以來該領域研究發(fā)展趨勢.結果發(fā)現(xiàn)智慧學習環(huán)境的研究從技術水平發(fā)達的國家開始,逐漸輻射到技術薄弱教育欠發(fā)達的區(qū)域.應用熱點有從高等教育向基礎教育、職業(yè)教育發(fā)展的趨勢.技術熱點有從平板電腦等傳統(tǒng)技術向以自適應和人工智能為核心的機器人技術發(fā)展的趨勢,開發(fā)熱點有從關注學生外在學習行為的與外界分離的智慧學習環(huán)境向關注內在學習行為更加開放的智慧學習環(huán)境發(fā)展的趨勢,最后使用策略熱點有從關注應用技術向技術與教育深度融合,兼顧學生主體和教師主導的混合式教育理念發(fā)展的趨勢.

摘要： 為了幫助學習者改善學術英文的文法概念,本研究以某大學研究生為研究對象，開發(fā)了學術英語多人電腦麻將游戲,并且探討時間和題目難易度對于學習者使用學術英語麻將游戲的學習行為之影響.其結果發(fā)現(xiàn),時間較題目難度更能影響學習者的學習行為,學習者在經驗不足時會依賴更多的提示,并會有作答時間較慢的狀況發(fā)生,而學習者在后期因為有足夠的經驗,因此能夠在使用較少的提示工具下成功完成任務.根據研究結果,提出了一個架構圖,說明時間與題目難度對于學習行為影響的差異,未來可用于建立有不同難度的學術英語多人麻將游戲,以達到差異化教學.

摘要： 本研究系以臺灣某大學之全校通識必修課程「資訊應用與素養(yǎng)」為實驗課程,規(guī)劃3周,每周2小時,做為「Arduino主控板及周邊模組」介紹,控制組為外國語文學系大學部一年級41位學生,實驗組為經濟管理學系大學部一年級41位學生,控制組使用講述教學法,而實驗組則使用本研究開發(fā)設計之「Arduino桌游破冰卡牌活動」及「Hello,Arduino!」兩款電腦游戲,進行游戲式學習,并對學生實施學習成效測驗及心流問卷.實驗結果顯示本研究之桌游,不只能提高學生的學習成效,對提高學生的心流狀態(tài)也頗為顯著.

摘要： 本研究系以臺灣某大學之全校通識必修課程「資訊應用與素養(yǎng)」為實驗課程,規(guī)劃3周,每周2小時,做為「Arduino主控板及周邊模組」介紹,控制組為外國語文學系大學部一年級41位學生,實驗組為經濟管理學系大學部一年級41位學生,控制組使用講述教學法,而實驗組則使用本研究開發(fā)設計之「Arduino桌游破冰卡牌活動」及「Hello,Arduino!」兩款電腦游戲,進行游戲式學習,并對學生實施學習成效測驗及心流問卷.實驗結果顯示本研究之桌游,不只能提高學生的學習成效,對提高學生的心流狀態(tài)也頗為顯著.

摘要： 本發(fā)明提供一種行為信息學習裝置、機器人控制系統(tǒng)及行為信息學習方法，用于使作業(yè)者容易進行與機器人的協(xié)作作業(yè)。行為信息學習裝置(300)具備：狀態(tài)信息取得部(310)，其在機器人(100)將從工件放置處取得的工件(7)在交接工件的區(qū)域即工件交接區(qū)域(8)內交接給作業(yè)人員(P)時，取得機器人的狀態(tài)(s)；行為信息輸出部(320)，其輸出狀態(tài)的調整信息即行為(a)；回報計算部(331)，其取得關于工件的交接所花費的交接時間(T)的信息即判定信息，并根據所取得的判定信息來計算強化學習的回報的值；以及價值函數(shù)更新部(332)，其根據回報的值、狀態(tài)(s)、行為(a)進行強化學習，從而更新價值函數(shù)(Q)。

摘要： 本發(fā)明提供一種行為識別裝置、學習裝置、行為識別方法、學習方法及計算機可讀的記錄介質。行動識別裝置具有：檢測單元，根據拍攝車輛內而得到的車內圖像檢測所述車內圖像中的車輛內的人物的、人體的多個部位的位置；特征量抽取單元，抽取位次特征量，該位次特征量是基于由所述檢測單元得到的部位間的距離大小的位次的特征量；以及辨別單元，使用預先學習到的辨別器和所述特征量抽取單元抽取的位次特征量來辨別車輛內乘客的行為。辨別單元優(yōu)選作為輸入受理動態(tài)圖像，根據各幀的辨別器的辨別結果來辨別行為。

摘要： 本發(fā)明屬于移動安全技術領域，具體為一種基于動態(tài)行為序列和深度學習的惡意軟件實時檢測系統(tǒng)，本發(fā)明系統(tǒng)包括兩個核心模塊：應用動態(tài)行為實時采集子系統(tǒng)和應用行為實時判別子系統(tǒng)，應用動態(tài)行為實時采集子系統(tǒng)用于持續(xù)、可靠地記錄應用所調用的框架層函數(shù)調用接口與和內核層系統(tǒng)調用序列，以表征應用所產生的行為；為應用行為判別子系統(tǒng)提供行為判別依據；應用行為實時判別子系統(tǒng)利用深度學習技術探索行為序列信息內在聯(lián)系，使用機器學習模型對上述調用序列進行即時判別，以高效準確地識別出應用中的惡意行為。系統(tǒng)還包括數(shù)據處理模塊和數(shù)據通信模塊，用來協(xié)助兩個核心模塊的運行。本發(fā)明可有效緩解移動系統(tǒng)生態(tài)面臨的安全問題與威脅。

摘要： 本發(fā)明提供一種機器學習自動化行為分析的行為威脅分析方法，接管系統(tǒng)內核所有程序執(zhí)行管道；監(jiān)控用戶指令序列并交由通過機器學習建立的用戶指令序列庫進行比對；將用戶指令序列分為長度較短的序列組合并得出判決值，若其低于閾值則系統(tǒng)告警，在操作系統(tǒng)內部通道捕獲進程和內核的行為信息，通過捕捉用戶指令序列，由機器學習的方式分析其行為可疑程度，從而達到檢測高級持續(xù)性威脅，檢測效率高，能夠較全面地分析攻擊在系統(tǒng)層面的行為情況。

摘要： 本發(fā)明提供一種行為信息學習裝置、機器人控制系統(tǒng)及行為信息學習方法，用于使作業(yè)者容易進行與機器人的協(xié)作作業(yè)。行為信息學習裝置(300)具備：狀態(tài)信息取得部(310)，其在機器人(100)將從工件放置處取得的工件(7)在交接工件的區(qū)域即工件交接區(qū)域(8)內交接給作業(yè)人員(P)時，取得機器人的狀態(tài)(s)；行為信息輸出部(320)，其輸出狀態(tài)的調整信息即行為(a)；回報計算部(331)，其取得關于工件的交接所花費的交接時間(T)的信息即判定信息，并根據所取得的判定信息來計算強化學習的回報的值；以及價值函數(shù)更新部(332)，其根據回報的值、狀態(tài)(s)、行為(a)進行強化學習，從而更新價值函數(shù)(Q)。

摘要： 本發(fā)明提供一種行為識別裝置、學習裝置、行為識別方法、學習方法及計算機可讀的記錄介質。行動識別裝置具有：檢測單元，根據拍攝車輛內而得到的車內圖像檢測所述車內圖像中的車輛內的人物的、人體的多個部位的位置；特征量抽取單元，抽取位次特征量，該位次特征量是基于由所述檢測單元得到的部位間的距離大小的位次的特征量；以及辨別單元，使用預先學習到的辨別器和所述特征量抽取單元抽取的位次特征量來辨別車輛內乘客的行為。辨別單元優(yōu)選作為輸入受理動態(tài)圖像，根據各幀的辨別器的辨別結果來辨別行為。

摘要： 本發(fā)明屬于移動安全技術領域，具體為一種基于動態(tài)行為序列和深度學習的惡意軟件實時檢測系統(tǒng)，本發(fā)明系統(tǒng)包括兩個核心模塊：應用動態(tài)行為實時采集子系統(tǒng)和應用行為實時判別子系統(tǒng)，應用動態(tài)行為實時采集子系統(tǒng)用于持續(xù)、可靠地記錄應用所調用的框架層函數(shù)調用接口與和內核層系統(tǒng)調用序列，以表征應用所產生的行為；為應用行為判別子系統(tǒng)提供行為判別依據；應用行為實時判別子系統(tǒng)利用深度學習技術探索行為序列信息內在聯(lián)系，使用機器學習模型對上述調用序列進行即時判別，以高效準確地識別出應用中的惡意行為。系統(tǒng)還包括數(shù)據處理模塊和數(shù)據通信模塊，用來協(xié)助兩個核心模塊的運行。本發(fā)明可有效緩解移動系統(tǒng)生態(tài)面臨的安全問題與威脅。

摘要： 使用神經語言編程和機器學習機制，基于行為驅動開發(fā)步驟定義和相似性分析，從行為驅動開發(fā)場景生成測試模型。本發(fā)明涉及一種用于在行為驅動開發(fā)（BDD）環(huán)境中自動驗證軟件程序的方法以及被配置為執(zhí)行這樣的方法的數(shù)據處理系統(tǒng)。首先匹配BDD測試場景的單獨的測試步驟，然后將其分派給來自BDD框架的現(xiàn)有測試步驟定義。如果一對一的匹配是不可能的，則自然語言處理（NLP）被用來決定所述分派是否可能具有一定的匹配概率。所分派的測試步驟定義用于為測試場景生成圖形測試模型，例如UML圖。最后，生成可執(zhí)行的測試腳本來測試軟件程序。本發(fā)明特別是涉及行為驅動開發(fā)（BDD），并且將傳統(tǒng)的BDD優(yōu)點與基于模型的測試（MBT）相組合，以用于在復雜軟件包的情況下的改進的便利性和自動化。自動化的步驟匹配允許BDD步驟短語到測試自動化框架的有效映射，并支持必要框架代碼的結構化開發(fā)。圖形測試模型增加了附加的抽象層，并提供了檢查BDD場景的一致性和完整性的機會。

摘要： 本發(fā)明屬于教育信息化領域，具體涉及一種基于學習者在線學習行為數(shù)據的學習有效性綜合評分方法。包括以下步驟：S1為學習者觀看視頻行為評分；S2確定每一種學習行為得分的權值λi∈[0,1],i＝1,2,...,N，N為學習行為評分的數(shù)量；S3將各學習行為得分綜合在一起形成課程綜合評分，綜合評分的方式是計算S和Smax的比值。本發(fā)明可以大幅度提升學習者評分的比率，讓有學習行為的學習者都能獲得評分；同時也提高了學習者評分的合理性；還可以提高學習者對于MOOC課程的參與性，提高課程資源的利用率：綜合評分要求學習者參與各類學習行為才能獲得更高的評分，可以激勵學習者的學習熱情，提高MOOC課程資源的利用率；最后，雷達圖讓學習者準確的了解自身的學習狀態(tài)。

摘要： 本發(fā)明屬于教育信息化領域，具體涉及一種基于學習者在線學習行為數(shù)據的學習有效性綜合評分方法。包括以下步驟：S1為學習者觀看視頻行為評分；S2確定每一種學習行為得分的權值λi∈[0,1],i＝1,2,...,N，N為學習行為評分的數(shù)量；S3將各學習行為得分綜合在一起形成課程綜合評分，綜合評分的方式是計算S和Smax的比值。本發(fā)明可以大幅度提升學習者評分的比率，讓有學習行為的學習者都能獲得評分；同時也提高了學習者評分的合理性；還可以提高學習者對于MOOC課程的參與性，提高課程資源的利用率：綜合評分要求學習者參與各類學習行為才能獲得更高的評分，可以激勵學習者的學習熱情，提高MOOC課程資源的利用率；最后，雷達圖讓學習者準確的了解自身的學習狀態(tài)。