中小學教師繼續教育管理范文

本站小編為你精心準備了中小學教師繼續教育管理參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

1知識的表示與關注點提取

1．1知識的表示定義1(知識點)系統中每個知識有若干個知識點，一個知識點由若干固定的成員構成，可以用一個多元組表示:K=(KID，name，RL，KWS，des，imp，dif)，其中KID為知識點的標識，用于區別于其他知識點;name為知識點的名稱;RL為知識點的相應資源列表;KWS為知識的關鍵詞集，是對該知識點的高度概括;des為知識點的詳細描述，包括該知識點的定義、范疇、詳述及來源的領域等;imp∈［0，1］為知識點的重要系數;dif∈［0，1］為知識點的難度系數．

1．2關注點提取文本挖掘是項目的重點所在，從學員提供的基本信息、相關文檔以及學員訪問頻次較高的網頁中提取學員的關注點．項目采用LDA(LatentDirichletAllocation簡稱LDA)建立信息進行文檔主題分析模型．LDA是一個生成式三層貝葉斯網絡的概率主題模型，由DavidBlei，AndrewNg和MichaelJordan于2003年提出，主要用于文檔處理和知識發現方面．文檔的主題抽取是文本挖掘的一項重要的基礎性工作．使用LDA模型對語料集建模，然后確定詞項集合，以此形成文檔的主題．實驗表明該方法在表達文檔的主題方面能更加準確地表達其主題，獲得了良好的效果．非監督機器學習算法LDA，依據詞項頻度來表達文檔主題，而不考慮詞項之間的關系［6］．標準的LDA很難進行精確的求解，并且忽略了詞項之間的聯系和詞項頻度與主題之間的關系，在實際的應用當中需要借助其他的方法進行不精確的求解，并且可以利用詞項頻度設置權重的方法來彌補這些缺點．項目中采取了吉布斯抽樣方法(GibbsSampling)．采用主題概率模型對文本進行主題建模，得到文本的主題～詞項分布．然后綜合文本的詞項序列、主題～詞項分布和相關主題挖掘出易于理解的文檔主題．文本挖掘過程如圖1所示．根據LDA模型生成的文檔～主題分布，采用libsvm實現SVM算法，訓練二元分類器進行分類．經過樣本訓練的測試實驗，分類的準確率達到92．42%。

2學習分析和個性化學習序列的生成

2．1學習分析隨著移動互聯網發展，移動智能終端廣泛使用，隨時隨地的移動學習和辦公成為習慣，進一步拓展了個性化學習的應用環境，智能答疑及自適應服務等開始用于支持移動學習，以用戶為中心的服務質量和能力的提升成為決定產品成敗的關鍵，如何為學習者提供更“貼切”的服務成為研究的切入點，智慧學習環境的提出為個性化學習的實現提供了新的途徑，大數據分析也為個性化學習提供了技術基礎．智慧學習的基本方法是依據學習者個體差異的特點，提供個性化的學習方案、學習計劃、學習診斷和學習服務等，并利用移動互聯網實時記錄學習者的學習行為和軌跡以用于數據挖掘和深入分析，結果用于還原學習軌跡，評估過往學習過程和學習成果，以及預測未來表現和及時發現潛在問題，為學習者提供最佳的學習方案及策略，從而提高學習效果［7］．目前學習分析還沒有統一的定義，但基本上都反映了學習分析的本質:首先發掘學習者的需求，利用技術手段獲取、分析數據和解析預測，為學員、教師、管理人員等提供所需的數據結果，參與者依據數據結果采取及時、有效的干預措施，從而達到提高學習和教學效果的目的．可見，學習分析科學地提升教學效能的指向非常明確［8］．學習分析的要素．布朗(Brown，2011)提出學習分析包括五個要素．1)數據獲取:利用技術手段獲取系統中的學習數據和學員學習日志等．2)數據分析:按照學習能力、用戶需求等方向對數據進行分析．3)學員學習:學員在系統上的學習序列、學習行為、時間分配等．4)信息反饋:將結果以各種方式反饋給教師、學員本人以及教育管理者．5)干預:根據結果，為學員提供個性化的學習方案，服務學員．學習分析的過程模型如圖2所示．從模型可以看出數據的來源主要有學員的學習日志和網絡行為及系統相關數據，最終的分析結果用戶個性化學習服務．

2．2個性化學習序列的生成中小學教師繼續教育培訓通常是在一個固定的時間單元內(如假期等)組織實施的，一次培訓通常為一個月或者一周時間不等，每次培訓又會細化成幾個階段或者是幾個環節來進行．每個階段或者環節、一個學時都可以看作一個學習活動，每次培訓可以有若干個學習活動組成(如72個學時)．按照預設的培訓方案，假定每個學員的學習能力、學習效率等特點都是一樣的，都能夠在規定的時間內完成培訓任務．這種傳統的培訓方式忽略了學員的個性化差異，實際上每個學員的各方面指標都是有差別的．在固定的時間單位內，依據學員學習能力等方面的差異，由知識點組成更大容量的學習序列，便于學員個性化學習的需要．學習工作量是學員完成學習序列任務所需付出的精力成本．在固定的時間單位內，它與知識點的數量、難度系數和重點系數成正比．定義2(學習能力)學員的學習能力是指在單位時間內完成學習工作量的多少．可以用公式lC=Wl/t來表示．lC為學員的學習能力，Wl為學習工作量，t為單位學習時間．在培訓計劃確定后，隨之的學習工作量也是固定的，依據學員學習能力的不同，能夠計算出每個學員完成培訓任務所需的時間，進而生成學習序列，為學員提供個性化學習服務．圖3為一個學習序列，該序列由若干個學習單元構成．lui為學員正在學習的學習單元，它之前的為學員已經完成學習的學習單元，后面的為將要學習的學習單元．每個學習單元的單位時間t相等，也就意味著每個學習單元內的知識點的數量不盡相同;在固定的學習工作量要求下，知識點的重要系數和難度系數越大，也就意味著能完成學習的知識點的數量越少，反之則相反．綜上，這些公式和數值對于學習任務的精準生成提供了依據和幫助．

3個性化服務與自適應學習

3．1個性化用戶建模關于個性，著名心理專家郝濱先生認為:個性可界定為個體思想、情緒、價值觀、信念、感知、行為與態度之總稱，它確定了我們如何審視自己以及周圍的環境．它是不斷進化和改變的，是人從降生開始，生活中所經歷的一切總和．個性就是指某個個體區別于自己所屬群體中其他個體的一些獨有的特征．本文重點探討個性在中小學教師繼續教育管理系統中的應用，以及對方法和模式的影響，特別是學員的學習軌跡和選擇傾向．系統個性化和適應性的第一要務就是精準刻畫學員畫像．例如，在學員使用系統過程中，往往有些并行的選項，學員根據個人喜好進行選擇，系統記錄學員的選擇、理解并分析出學員的個性．用戶畫像盡量精準地反映用戶的真實個性，是實現中小學教師繼續教育管理系統個性化的關鍵所在．項目實際過程中真實地理解用戶就要獲得相當量的用戶信息，如果要求用戶大量顯式輸入顯得臃腫，也影響用戶體驗．互聯網的迅速發展和移動智能終端的普及為用戶偏好的記錄提供了堅實的基礎．用戶通過智能終端的網絡行為和操作行為為用戶的個性化分析提供了完整可靠的數據基礎，用戶通過社交軟件的行為能反映學員的偏好、需求、動機等一系列的個性特質．

3．2系統的自適應學習以學員為中心的學習服務系統，為學習提供貼切的服務是唯一要旨．貼切的個性化服務就要求系統能根據學員的變化，自動做出實時的調整和優化，具備自適應的學習能力．自適應機制是提供系統生命力的關鍵手段．系統的適應性體現在系統是否能夠根據學員的實際操作和變化，不斷地進行學習，進而滿足用戶不斷變化的個性化需求，以及對學員的變化提前做出預測和判斷，引導學員進行學習．將學員失去不再關注的知識點的衰減系數趨近于0，將預測的用戶關注的知識點添加到為學員推薦的知識點列表中;學員持續關注的知識點在推薦列表中進行加強．針對系統通過預測推薦的知識點和學員真正期望的知識內容存在的情形，分別采取4種不同的策略．如表1所示．

3．3系統的使用效果系統的開發工具為VS2013和SQL2008，采用ASP．NETMVC進行開發，也分別開發了基于Android和IOS的移動智能終端軟件，利用Python開發了網絡爬蟲系統．系統投入使用1年多來，不斷完善，已經替代了老的培訓系統，正在為河南省100多萬中小學教師服務．2000人的問卷調查結果表明，學員對新的個性化培訓系統滿意率為97.32%，對老的培訓系統滿意率為81．12%．系統分析數據表明，使用新的培訓系統后，學員的學習成績提高了7．6%，培訓效率提高了8．5%．

4結語

本文整體上對系統的研究和設計過程中的重點進行了較為清晰的表述，滿足了學員個性化的學習需求，并具有較好的自適應學習能力．目前該系統的個性化服務得到學員的好評，但也存在一定的不足，例如對知識點之間的內在關系沒有詳細的分析和考慮，對學員的個性刻畫還不夠詳盡，下一步在這兩點上完善研究與設計，并進一步提供系統的自適應性．

作者：肖立志 單位：河南廣播電視大學