文摘
网络开放课程提供了一个新的解决方案在当地的学院和大学通识教育,这使得网络课程在高校广泛推广和应用。然而,由于缺乏良好的课程学习评价,是不方便学习者选择。因此,本文提出了用BP神经网络模型来评估网络通识教育课程的学习过程。基于现有平台和用户提供的数据,本文构造一个在线课程学习评价模型,研究了结构和效果之间的关系学习经验,学习投资,和学习性能的普通在线课程基于人工陈化过程产品(3 p)模型和结构分析方法。我们的研究表明,课程质量是一个关键因素分析和预测学习的结果,这对学习成绩有很大的影响。学习经验是影响学业成绩的直接因素。学习经验,作为一个中介变量,间接影响学习性能。同时,提出一些建议来优化普通在线课程的学习效果。一方面,本文中提供的评价模型可以为学习者提供一个参考选择在线课程;另一方面,它也可以被用作补充现有的主观评价模型。
1。介绍
一般课程的目的是为大学生提供更广泛和更全面的教育,丰富了研究生实践的必要的知识和能力。这一概念起源于欧洲,在美国几十年前开发的,特别是在哈佛大学委员会建立和发布了“通识教育在一个自由社会”(哈佛红皮书,1945)1,2]。它造成了鼓掌响应美国高等教育社会和世界各地的蓬勃发展。1978年中国经济改革后,我国高等教育开始逐渐定性教育改革和解决职业教育和普通教育之间的联系。最近,在中国大学正在探索新奇事物和可能性一般教育理论和实践。取得了突出的成就,一些通识教育适应模型成立。这些成就在中国高等教育产生重大影响3]。
与一流大学相比,区域高校有一些共同的问题,如缺乏教职员工,不平衡的课程安排不同的科目,设置课程学生的数量4]。随着网上开放课程的发展,这些问题都松了一口气。目前,有超过2000所大学和1000万多名学生在中国使用在线学习平台。在线学习平台已成为区域大学通识教育的重要载体。然而,挑战出现在同一时间在线教学的成功。例如,在选课课程内容的误解,不纯洁的动机在学习,当然缺陷评估,保证质量,当然被边缘化的课程管理和剽窃。基于案例研究在我们的大学,400年从2020年春季开始,modelized开放课程提供了所有的学生。数据在表给出了最新的两年1。很容易找到“高选择故障率低完整率高的率”模式在表1。这导致了问题提供定性网络通识课程。学生如何在网络通识课程学习经验?如何准确地控制学习性能和它的关键因素?如何优化学习性能?许多学者认为学习经验,学习参与在线学习的主要因素(5,6]。结果,本研究从理论上基于境博士的“presage-process-product”模式。我们应用结构方程建模分析方法,讨论了结构和效果之间的学习经验,学习参与和学习性能在线通识课程。我们还针对优化在线学习性能,提高通识教育质量,并提供未来考虑在线在中国通识课程。
2。方法和建模
毕格茨指出,早期的变量包括学生的性格和学习经验,和流程变量包括学习参与和感受学习过程中的课程内容(7]。基于3 p理论,我们提供一个在线学习通识课程关系模型(图1)。以在线学习经验为主要因素预示阶段,以在线学习参与和课程内容质量主要因素的过程阶段,以及在线学习性能的关键因素在产品阶段,不同因素之间的相互作用形成了一个动态模型。
2.1。变量预示
预示着变量确定学习者的态度和方法,进一步决定了学习产品。作为直接参与者和体验者,学生参加在线课程受到各种因素的影响,如知觉和体验学习过程和产品。
在线学习经验积极影响在线学习性能。研究显示强相关的在线学习体验和个人专业学生8]。个人专业通常包括学习的意愿和动机、自我调节能力和信息素养(9,10]。
在这种情况下,我们建议H1-H2,在线学习经验对接触在线学习和在线学习有积极影响性能。
2.2。过程中的变量
在在线学习流程变量主要是讨论学习方法是否可以满足学习者的经验和在线学习性能能否达到预设的目标。课程内容质量控制的一个关键目标是在线学习管理。在线学习参与度大大影响学习质量。他们两人会显著影响学习过程(11]。在这种情况下,我们调查了在线学习参与和课程质量的主要过程变量。
课程内容质量的积极影响在线学习经验。研究显示内容和经验在需求和满意度之间的关系12]。定性的课程内容满足学习者与更高的学习经验,让自己的思想和感觉,情感,和积极增长他们的知识。焦虑因素在线学习经验包括在线课程,课程内容质量、感知有用性的课程,课程的灵活性(13]。当然质量也对网络学习产生积极的影响。研究表明学习者之间的交互和课程内容深深反映了知觉学习的参与程度(14]。在线学习理论的建模应该集中在积极的学习者的学习经验和学习接触浓度有机统一的信息环境,关注思维和有趣的内容。网络课程质量将对在线学习性能有积极的影响。研究表明,适当的课程内容是一个关键因素在教学和在线学习的性能。感知质量对学业成绩有很大的影响。同时,学习性能是直接影响的感知价值。
在线学习参与在线学习有积极影响性能。研究表明增加学习者的学习参与促进学习者的进一步深入加工,投机,学习内容的分析推理和论证。它对学习产生重大影响的性能(15- - - - - -17]。其他分类研究在远程教育在线学习参与和表现之间的关系显示了积极的接触在线学习和在线学习性能之间的关系,60%的学习者(18]。
因此,我们假设(一)课程内容质量有积极影响在线学习经验,在线学习和在线学习接触性能(H3-H5);(b)在线学习参与在线学习有积极影响的性能(代替)。
2.3。变量在产品
变量学习产品主要包括学习者的性能和产品,他们直接影响预示变量和流程变量。在线学习性能,也被称为电子学习性能或数字化学习性能,是(a)通过学习者的学习成绩和性能,和(b)信息素养意识、知识和技能的进步,学习体验满意度(19]等。目前,全面、系统、深入研究网络学习性能已经在国际上进行。总的来说,在线学习性能低、在线课程对大学教育质量具有显著的长期影响。不论从理论上还是在实践中,重要的是要找出在线学习性能的因素(20.]。本研究使用在线学习的性能作为课程产品变量。我们还要求学生能力和情感考虑在线通用课程基本适应,深远的。例如,通过在线通用课程,学生一般意义上的能力,形成积极的情感和态度。这一结果符合我们的目标和通识教育的突出特征。
学习者之间的变量关系,学习过程变量,和学习性能如图2。
2.4。BP神经网络的实现过程
BP神经网络,也被称为反向传播神经网络,其主要工作原理是利用机器学习来不断迭代训练模型,调整网络结构的重量,逐步优化模型结构,使误差函数下降沿负梯度方向,并使模型的输出值不断接近期望值。本文包括以下描述的输入层节点:在线学习经验,在线学习参与,课程内容质量、在线学习的性能。输出层只有标签学位,即输出层是一个节点。隐藏层节点的数目 ,这是通过训练实验的分析。
为了消除不同维度的影响在四个评价指标:课程互动的数量,数量当然选择学校,选课的数量和观众的数量,数据是标准化。索引变量映射到[0,1]通过规范化,公式如下: 在哪里 , , 和最大和最小值 - - - - - -th原始数据( )规范化的数据。80%的数据是随机选择从规范化数据集作为训练数据,剩余的20%作为测试数据。
训练数据输入到神经网络隐层节点的输出值可以通过方程(2),如下所示: 在哪里 , 是隐层节点的数量,是连接输入层和隐层之间的重量,然后呢隐层的门槛。
2.5。建设的BP神经网络模型
为了探索内部不同的评估对象和指标之间的关系,构造BP神经网络模型可以基于现有的示例数据。本文将充分考虑和合理确定的关键因素如结构、算法、神经元数量,和网络模型,使模型的误差精度有一定的泛化能力。BP神经网络模型结构分析学习者之间的关系,学习过程变量,和学习性能如图3。
因为在输入层神经元的个数取决于变量中包含的数量问题,本研究包括学习者、学习过程变量,和学习性能。输出层主要取决于研究结果。综合分析和判断后,选择输出层神经元的数目。本研究的产出是学习性能之间的关系,学习者和学习过程变量。因此,本文在输出层神经元的个数设置为1。从上面的分析,构造BP神经网络在本文中只包含一个隐藏层。因为隐层神经元的数量将直接影响网络训练的准确性,神经元的数量应该考虑根据需求。如果隐层神经元的数量太小,它将大大降低网络的容错模型和样本识别的准确性。如果你太多次,网络训练时间太长,和网络模型的拟合程度将大大提高,导致过度拟合问题。
3所示。研究设计
3.1。研究内容
基于之前的研究结果和3 p模型,本研究实证探讨了结构和效果之间的关系网上一般学习经验,接触,和性能在地区本科学校从通识教育的角度,探索的方式和方法,促进在线通识课程的教学质量。本研究主要关注以下问题:(a)验证理论模型的在线学习经验,在线学习参与,课程内容质量、性能和在线学习;(b)如果验证,模型中的每个因素和影响程度的网络通识课程的有效性。
3.2。研究目标
本研究采用便利抽样从五个地区浙江大学本科生,中国。我们用问卷调查的方法收集相关数据和信息。685份问卷被成功返回和分析。筛选后由三个标准:(1)没有在线通识课程学习经验;(2)变量的答案都是相同的变量;(3)答案变量项缺失,共有583份有效样本,有效率为85.11%。
样品成分列出如下:男:257(44.1%),女:326 (55.9%)大一:162(27.8%)、二年级:211 (36.2%)初级:139(23.8%)、高级:71 (12.2%)科学与工程:189(32.4%)、文学/经济/金融/管理:154(26.4%)、农业和医学:78(13.4%)、艺术和edu: 92(15.8%)、法律/历史/哲学:70 (12%)课程参加:1课程:75 (12.9%);2 - 3课程:125 (21.4%);4 - 5门课程:245 (42%);超过5:138 (23.7%)。
3.3。研究方法
SPSS 25.0被用于数据描述性统计和相关分析。AMOS 24.0被用于建立结构方程模型。最大似然估计方法被用来评估模型的适应性。相对路径分析相结合来定义模型。
3.4。研究工具
在这项研究中,规模是衡量学生学习状态的文学评论和学生面试。规模包括两个部分:学习者的基本信息(4项)和在线调查通识课程(35项)。第二部分中的每一项设计从李克特五点量表(1 =非常不同意,5 =非常同意)。如表所示2调查项目,主要是指国内影响因素不同研究尺度在通识教育。
保证模型的信度和效度,我们学习任务用于项目分析;我们采用内部一致性为可靠性评估方法;我们使用因素分析的方法建构效度测试;我们从学习参与内部氧化物删除一个条目,保存34项;我们删除了潜变量与加载小于0.5。最后,计算变量降维是由确定4潜变量和28所观察到的变量。
4所示。结果与讨论
4.1。测量模型试验
SPSS25.0被用来执行测试信度和效度的测量模型。在模型的可靠性测试,如表所示3,从平均价值的角度,每个潜变量高于理论中值(3点)。这表明学习者的评价往往是积极的。进一步改善在线学习订婚预计。从标准的角度偏差,在线学习参与度高的波动。克伦巴赫的α值大于0.7,这意味着高的数据是可靠的信心。所有的平均方差提取(AVE)值大于0.5,和所有组合可靠性(CR)大于0.8,这表明潜在变量的内在质量是好的,和聚合效度理想。作为一个结论,这个测量模型的可靠性是好的。
在模型的有效性测试中,如表所示4,该模型通过Bartlett的测试。KMO > 0.8, ,并通过了显著性检验。这表明潜在的变量是适合因素分析。观察到的变量的因子载荷都大于0.7,特征值大于3,累计方差解释率大于70%。作为结论,整体的有效性测量模型是好的。
4.2。结构模型试验
AMOS24.0用于证实试验结构模型。结果表明模型的拟合指数是好的。X2/ df = 2.859, RMSEA = 0.056, NFI = 0.868, RFI = 0.848, CFI = 0.903,如果= 0.904,TLI = 0.952。结构模型的区别的有效性测试结果如表所示5。绝对值的观察到的变量的相关系数都小于0.5,均低于相应的平方根大道这表明模型具有理想的歧视有效性。
4.3。假设检验
本节将使用假设检验模型中分析效果和课程内容之间的关系质量,在线学习经验,接触在线学习和在线学习的性能。如表所示6课程内容质量有重大的积极影响对在线学习经验(β= 0.724, )和在线学习性能(β= 0.507, ),分别表示高质量课程内容导致较高的学习经验。这不仅有助于改善学习的成就感和满足感,也提高通用技能和更好的获得知识,能力,情感目标。课程内容质量对在线学习接触没有显著的影响(β= 0.124, )。通过沟通和采访学生,盲目的课程部分和选课不当现象是存在的。因此,学生有更少的课程参与课程在中期甚至下降。这些都是完工率低的主要原因网络通识课程。在线学习经验有很大的积极影响在线学习接触(β= 0.493, )和在线学习性能(β= 0.484, )。这表明良好的在线学习体验可以帮助学生建立一个的自我价值感,归属感,实现高级认知活动,改善学习性能。在线学习参与有意义的积极影响对学习性能(β= 0.671, )。这个结果表明学习的积极的态度参与是一个重要的基石和保证实现良好的学习性能。
4.4。效果分析
本节主要分析课程内容质量之间的相互作用机理,在线学习,在线学习经验,和在线学习性能的总效应,直接影响和间接影响的变量。
4.1.1。整体效果,直接影响分析
每个变量之间的总效应结果修改后的结构模型如表所示7。在线学习接触只有一个直接影响网络学习性能(β= 0.311),表明连续的和积极的状态显示,学生在学习尤其取得优异成绩的关键。在线学习经验的总影响的程度从高到低在每个因素是在线学习性能(β= 0.637)和在线学习接触(β= 0.493)。它只有一个直接影响在线学习。这表明,一个成功的在线学习体验,比如学习社区,输入和输出和学习支持和服务可以帮助增强学习兴趣和动机行为外化和得到一个好的成绩。课程内容的整体影响质量的程度在每个因素从高到低是在线学习性能(β= 0.968),在线学习经验(β= 0.724)和在线学习接触(β= 0.357)。,总影响在线学习经验有直接影响,对在线学习和总影响接触只有一个间接效应。这表明课程内容的适当性,实用性,尖端,思考、系统性、和乐趣很重要满足一次很好的学习经历。即使课程选择的结果不符合期望,它还可以将经验转化为自动驾驶的学习,激发学习动机,提高学习成绩。
10/24/11。中变量的影响分析
在干预效应变量分析中,最常用的干预效应值的比率是间接影响,通过总效果。在这一节中,有两个中介变量:在线学习和在线学习接触经验(表8)。中介变量的在线学习,在线学习性能变化了0.637个标准差当在线学习经历一个标准差的变化。其中,在线学习经验影响在线学习性能通过中介变量在线学习接触时效应值为0.153。然而,当效应值为0.484,在线学习经验对在线学习性能有直接影响。干预效果占24.02%,这表明在线学习参与在线学习的性能是一个重要的因素。然而,它不是关键的作用。中介变量的在线学习经验,在线学习性能变化了0.968个标准差内容质量变化时一个标准差。其中,0.461意味着内容质量影响在线学习性能通过中介变量的在线学习体验。然而,剩下的0.507意味着内容质量直接影响网络学习性能。干预效应占47.62%,关闭的标准重要影响力的中介变量,这表明需要积极改善学习经验,激励学生采取深入学习方法,提高学习能力在网络学习的过程。
4.4.3。在线学习性能的影响分析
如图4,从总体的角度来看效果,每个因素对在线学习的影响程度的性能从高到低是课程内容质量、在线学习经验,和在线学习。从直接影响的角度来看,每个因素的影响程度与总效果是一致的。从间接影响,直接影响课程内容质量高于干预效果的电子学习经验。这个结果显示了在线学习的关键性能在线通识课程的课程内容质量和在线学习经验。高质量,满足,要求教学内容可以使学习者获得高层的经验,花更多的时间和精力,获得更多。
5。建议
5.1。课程内容的影响
课程内容质量是课程价值的体现。本研究的结果显示课程内容质量起着决定性的作用网络通识课程的在线学习性能。此外,知觉的影响内容是否合适是最重要的。换句话说,课程内容应高度符合学习目标。因此,首先,建立了“通识教育课程介绍学生了解学校的通识教育目标、课程体系、课程选择策略,以及如何处理通识教育,等。同时,发展通用读写能力测试和评估可以帮助学生有效地理解他们的总体文化的优势和劣势,获得个性化资源,可以有效地弥补自己的缺点,并进一步指导课程选择适合自己的学习目标。其次,价值思维和尖端的事实在课程内容的发展,介绍了在线课程。关注学习目标,论述了评价学习者的视角感知内容的价值。此外,设计和研究相关质量分析工具以提高课程内容的质量。
执行一个单独的、专业化、规范化、精密在线通识课程内容质量评价全面评估现有课程的适应性和有效性和通用素质培训学校。按类别排序适者生存的基础上,构建“高质量”一般课程,建立,提高通识教育课程体系符合质量要求的学校的学生。实际上普通课程提高教学质量。例如,从学校人才培养的目标和实际情况,天津大学探索校本课程操作模式等各个方面的选课建议,过程控制、评估设置,测试纸定制,和助教。兰州大学使用一般素养评估等级学习困难的课程,让学生检查他们的席位,“科学评价通识教育的实施效果,及时调整。三江学院课程和活动为出发点,构建了一个“闭循环”高校面向应用的一般教育体系的“通用课程体系+经典阅读系统+系列活动+文化渗透。”
5.2。关注媒介效果的在线学习体验和参与
结果表明,在线学习经历不仅可以直接影响网络学习性能,但也间接影响网络学习性能通过内容质量作为一个重要的中介变量。在线学习经验是社会上最影响因素相互作用和评价方法。因此,首先,教师应指导学生参与小组讨论,学习,交流,分享,加强他们的社会关系,构建模块化、多样化的学习社区协作学习,并创建学习互助的氛围,相互学习,和持续的互动。的培养一个良好的学习共同体具有重要意义,促进普通教育,学生的整体培训,教师的成长。其次,根据课程特点,明确定义评价方法,设计一个科学的课程评价量表,采用多层次、multitype动态评估模式评价学生综合素质全面、客观等知识,能力,和个人情绪。更加注重平时表现而不是考试成绩,这样学生才能真正享受普通教育。
实验结果表明,在线学习投资不仅直接影响网络学习性能,而且间接影响网络学习性能通过学习经验。最在线学习参与度的影响因素是情感和认知参与。因此,需要考虑情感因素而设计的课程。执行情感设计在感官交互、行为的经验,和内心的思维意识到学习的干预,从而促进学生的深入学习。认知方面的接触,通过学习分析技术来收集学习者的个性认知的特征向量。设计不同的学习路径,推荐个性化的资源和服务。学习者的认知和态度对通识教育是重要的影响因素实施和通识教育的质量。良好的通识教育应该建立在此基础上,全力促进学生的理解和认知对通识教育;让他们深入理解通识教育的真正价值和意义,积极学习和成长。
6。结论
本文以在线学习经验,在线学习参与,课程内容质量、在线学习性能作为神经网络的输入层和建立网络通识教育课程的学习评价体系基于BP神经网络模型。本研究是基于3 p模式”Presage-Process-Product”,运用结构方程模型,分析结构和效果之间的关系学习经验,学习参与和学习性能在线通识课程。我们发现,课程内容质量是关键因素分析和预测学习的早期阶段和产品,并对在线学习性能的影响最大。适当性和思维的内容影响内容质量是关键因素。在线学习经验是在线学习的重要因素,直接影响性能。它作为一个重要的中介变量间接影响网络学习性能通过内容质量。社会互动和课程评价方法是影响在线学习体验的关键因素。在线学习可以直接接触对在线学习的表现和积极的影响。情感和认知参与影响在线学习的参与是关键因素。上述结论有一定参考意义的进一步优化在线通识课程的学习效果。 The experimental results show that the method proposed in this paper can effectively detect and evaluate the concentration of students in online course learning and analyze the relevant data. In future research, we will further enrich the variables of early stage and learning process from the aspects of general literacy, in-depth learning strategies, and knowledge acquisition, in order to make the learning impact relationship model of online general education curriculum more comprehensive [23]。此外,我们将结合仿真证明该方法的鲁棒性。
数据可用性
使用的数据来支持本研究的结果可按照客户要求定制。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是由浙江省高等教育协会(KT2021006)。