隨著國家綜合國力的迅猛發(fā)展,第三次工業(yè)革命的到來,信息技術(shù)在各個領(lǐng)域都得到了廣泛的應(yīng)用,每個行業(yè)都在向信息化,數(shù)字化發(fā)展。國家在教育領(lǐng)域的信息化方面非常關(guān)注,《十三五規(guī)劃綱要》中提到:推進(jìn)教育現(xiàn)代化,堅持教育優(yōu)先發(fā)展,加快完善現(xiàn)代化教育體系。可見,如何推進(jìn)教育現(xiàn)代化的發(fā)展是急需研究的問題。智慧課堂是實現(xiàn)教育現(xiàn)代化的一種手段,國內(nèi)外的各個高校都在支持智慧課堂的發(fā)展。智慧課堂對高等教育中的教學(xué)具有較強的現(xiàn)實意義。它不僅利于學(xué)生在課堂上的自我評估,更有利于教師跟蹤學(xué)生的學(xué)習(xí)動態(tài),提供個性化幫助。本文通過調(diào)研等實證研究方法,調(diào)查了目前大學(xué)課堂的教學(xué)模式及交互方式,其中主要包括近年來新興的MOOC、SPOC、翻轉(zhuǎn)課堂等,這些形式在提高師生交互效率上仍有些許不足。因此,本文利用互聯(lián)網(wǎng)技術(shù)和移動互聯(lián)網(wǎng)設(shè)備,以游戲化機制為前提,實現(xiàn)課堂教學(xué)過程中的實時交互與實時反饋,改進(jìn)了傳統(tǒng)課堂的教學(xué)模式,將O2O(Online to Offline)線上和線下相結(jié)合的形式融入“智慧課堂”,提供課下的線上學(xué)習(xí)活動,使傳統(tǒng)課堂得以延展。作為智慧課堂的載體,本文自主研發(fā)了游戲化平臺,該平臺共分為課上交互系統(tǒng)以及課下闖關(guān)系統(tǒng)兩部分。在課上,系統(tǒng)提供“搖一搖”及“彈幕”的功能,學(xué)生不僅可以實時記錄知識盲點,也可直接與授課教師進(jìn)行互動;不僅如此,教師還可通過課下闖關(guān)平臺跟蹤采集學(xué)習(xí)數(shù)據(jù)。學(xué)生需在課下系統(tǒng)中完成每周關(guān)卡,這些關(guān)卡擁有不同的領(lǐng)域方向,學(xué)生可基于興趣自由選擇。在期末評估時,為提高學(xué)生的主觀能動性,學(xué)生自主選擇分?jǐn)?shù),以項目的方式完成對應(yīng)的分?jǐn)?shù)要求,最后的評估以一份類似“體檢報告”的成績單呈現(xiàn)出來。該成績單通過數(shù)據(jù),圖表等各種方式展現(xiàn)學(xué)生在本學(xué)期的完成作業(yè)情況,學(xué)習(xí)時間情況以及擅長領(lǐng)域推測等。結(jié)合這些大量的過程性數(shù)據(jù),系統(tǒng)進(jìn)行了大數(shù)據(jù)分析,分析結(jié)果提供給授課教師以便為教學(xué)內(nèi)容、教學(xué)方法和教學(xué)模式的改進(jìn)提供數(shù)據(jù)支持。本文在使用基本的統(tǒng)計學(xué)方法之外,還利用了經(jīng)典的K-means方法對所有學(xué)生聚類�；谟螒蚧脚_收集的數(shù)據(jù)種類,K-means算法選擇了三個特征值,分別為:學(xué)生搖晃手機的次數(shù),作業(yè)完成次數(shù)以及期末成績。在進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化后,分別對k=3,k=4進(jìn)行聚類,分析聚類結(jié)果。課后我們對每一類學(xué)生的知識盲區(qū)分別進(jìn)行了講解,并做了新一輪的測試。實驗數(shù)據(jù)表明,與不使用游戲化平臺的情況對比,平時任務(wù)的完成率有所提高,課上的互動次數(shù)明顯增加,期末成績的優(yōu)秀率大幅提升。本文的主要內(nèi)容共分為六部分。首先介紹了國內(nèi)外智慧課堂的相關(guān)內(nèi)容,證明了開發(fā)智慧課堂對個性化學(xué)習(xí)的必要性,在此基礎(chǔ)上介紹了智慧課堂應(yīng)用的游戲化理論與數(shù)據(jù)挖掘技術(shù)。此后本文介紹了關(guān)于游戲化課上及課下平臺的實現(xiàn)過程,相關(guān)內(nèi)容包括系統(tǒng)的需求分析,設(shè)計與實現(xiàn)以及開發(fā)時所用到的工具。最后通過學(xué)生的數(shù)據(jù)進(jìn)行挖掘分析,為智慧課堂中的個性化學(xué)習(xí)提供保障。
【學(xué)位單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2017
【中圖分類】：TP311.13;TP311.52
【部分圖文】：

第 2 章 游戲化平臺的實現(xiàn)基礎(chǔ)2.3.1 機器學(xué)習(xí)的模型機器學(xué)習(xí)的基本目標(biāo)是學(xué)習(xí)一個 x->y 的函數(shù)，通過對輸入數(shù)據(jù)的觀察，訓(xùn)練調(diào)整參數(shù)后，總結(jié)與輸出數(shù)據(jù)之間存在的映射關(guān)系，這種關(guān)系可以直接擴大到整個樣本中預(yù)測結(jié)果。當(dāng)從樣本中隨機抽取一個 x 的時候，通過之前求得的映射關(guān)系，即可以得到預(yù)測值，如圖 2.1 所示：

圖 2.2 聚類算法的分類聚類算法比較理想的結(jié)果是具有較低的區(qū)間相似和較高的類內(nèi)相似。下面是在本文中評價聚類算法的幾個要點：在聚類算法的一般使用中，所涉及的數(shù)據(jù)量不會很大，故所獲得的結(jié)果不會有很大的誤差。作為一個優(yōu)秀的聚類算法，當(dāng)數(shù)據(jù)量上升到百萬級時，應(yīng)同樣可以得到正確的結(jié)果；在選取特征值時，特征值屬性的單位往往不是統(tǒng)一的，例如，有符號類型，布爾類型等，對于這些單位的屬性同樣要具備處理能力；優(yōu)秀的聚類算法應(yīng)該最小化用戶的輸入?yún)?shù)，避免要求用戶輸入非常重要的參數(shù)，防止結(jié)果出現(xiàn)較大偏差。2.4.3 K-means 算法介紹在數(shù)據(jù)挖掘中，K-Means 算法是一種聚類分析的算法，它通過一直尋找離中心點最近的位置來區(qū)分不同類別。K-Means 算法在使用的過程中會涉及到如下步

存在某位學(xué)生在某個任務(wù)環(huán)節(jié)漏答以及重復(fù)答任務(wù)過程是非常必要的[21]。在進(jìn)行預(yù)處理之后，據(jù)要進(jìn)行規(guī)格化，規(guī)格化是指將相關(guān)屬性數(shù)據(jù)按的范圍中, 如將成績屬性的值映射到-1.0 至 1.0 的由于單位以及區(qū)間的不同所帶來的大小不一致, 差。 聚類的具體實現(xiàn)中，本文對數(shù)據(jù)的預(yù)處理方式已經(jīng)進(jìn)行了大致歐式距離計算以及數(shù)據(jù)標(biāo)準(zhǔn)化的方法。本章節(jié)主ns 算法的聚類分析。從數(shù)據(jù)庫中整理出來的部分?jǐn)?shù)

【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 CHEN Na;XU Ze-shui;XIA Mei-mei;;Hierarchical hesitant fuzzy K-means clustering algorithm[J];Applied Mathematics:A Journal of Chinese Universities(Series B);2014年01期

2 Suiang-Shyan LEE;Ja-Chen LIN;;An accelerated K-means clustering algorithm using selection and erasure rules[J];Journal of Zhejiang University-Science C(Computers & Electronics);2012年10期

3 ;Intuitionistic fuzzy C-means clustering algorithms[J];Journal of Systems Engineering and Electronics;2010年04期

4 ;An unsupervised grid-based approach for clustering analysis[J];Science China(Information Sciences);2010年07期

本文編號：2811210