文摘
作为语言的三个基本要素之一,词汇是学习英语时特别重要。如今,很多学生都面对枯燥的词汇教学等问题,很快忘记背诵后,低效的词汇学习,缺乏主动性。因此,当务之急是寻求科学有效的词汇教学模式来提高学生的成就。它构建一个自适应学习模型基于区块链和深度的英语词汇学习和测试模型。根据实验数据,46.8%的学习者往往会读英语报纸或杂志来扩大他们的英语词汇。50.4%的学生分类,根据不同类别记忆英语词汇。59%的学生经常使用上下文记忆英语词汇。结果表明,在使用英语词汇之前基于区块链的自适应学习模型和适度的学习,学生的平均分数的方法和策略在中下游水平。使用自适应学习模式后,一些学生已经能够使用一些学习策略,和一小部分学生通过课外阅读扩大词汇量。
1。介绍
2001年6月,教育部宣布了一个试点课程改革计划。这将是一个更广泛的课程改革的前奏。在学校改革的目标是“改变过于重要的项目关注声音的交付内容和突出建设态度积极的和动态的研究,使基本技能的获得和动态研究和开发适当的值”之旅。”远离over-focus惯性记忆,死记硬背,机械练习,鼓励学生积极参与,探索,采取严厉措施,和开发技能在收集和处理信息,获取新知识、分析和解决问题,沟通,和合作”。与此同时,教育改革要求教师关注学生学习的方式。应该注重培养学生的自主性和独立性,尊重他们的个性,考虑到个体差异,并专注于个性化的学习,这样每个学生可以充分发挥他们的潜力。可以看出,教育改革要求教师尊重学生的个体差异,促进个性化学习。
一种自适应学习系统是一个学习系统的设计和使用人工智能技术开发基于学习者的模型(1]。这是一个学习环境,满足学习者的个人需求,无论是从理论研究和技术功能。与之前的在线学习系统,它关注的是学生的个人发展。这无疑是一个数字化学习研究和发展趋势。据说智能和先进的主要是因为系统可以为学习者提供个性化的学习模式和动态地呈现学习内容和资源。它还可以使用自适应导航技术进行学习诊断和学习策略根据学习者的特点2]。
英语词汇的适应性学习模式基于区块链和深度学习在理论上提高和丰富了学习者特征的分析,建立了自适应学习系统的学习风格模型,并提供了一个理论依据设计和自适应的研究项目的发展。事实上,现有学习风格模型分析的基础上的,它开始用新的英语课程标准,总结了学习者的知识的要求,在新课程标准的能力和素养,然后分析学习者的学习风格。通过这种方式,传统的单角学习风格模型的缺点是克服,和学习风格模型全面多维构造自适应学习系统。为了提高系统的情报和适应性,更好地适应学生的学习过程,并提高学生的学习效果在自适应学习系统中,诊断学生的系统增加了功能和提供个性化的学习策略,学习工具和学习内容的动态演示。
2。相关工作
本文研究英语词汇的一些技术适应性学习模式,可以充分应用在这个领域的研究。王X将讨论高校计算机语料的词汇训练。使用估计的概念,未来的就业前景和理性理论,本文探讨了数字计算机数据库支持的大学英语词汇教学的研究3]。为了帮助学习者找到更有趣的语言课程,特别是词汇课程,以英语作为外语(EFL)环境中,格米调查提供的短消息服务(SMS)的影响,通过社交网络在英语学习者的词汇学习过程4]。Tlili等人应用学习分析(LA)方法来设计一个智能协同教育游戏促进小学学生的英语词汇学习5]。他们提供一些有益的见解,不是被政府当局考虑到短暂的时间和样品样品非常的事实。
基于区块链和深度学习,以下相关材料已经读优化的自适应学习的英语词汇。Iansiti M相信区块链是一个安全的、永恒的,并与开放、高效的交易平衡,和共享的簿记。它可以大大降低交易成本和消除中介机构如律师和银行家[6]。西科尔斯基等人的目的是探索的应用区块链文化第四社会变革(行业4.0),显示一个说明性的例子。其中,它是用来促进机器开采(M2M)动态和建立一个M2M市场力量在石化行业的背景7]。Kshetri礼物与安全相关的主要基础设施网络的云计算关系。从安全的角度来看,这是强调blockchain-based解决方案可以超越现有的物联网基础设施在许多方面很大程度上依赖于集中数字网络服务器(8]。Olnes等人认为,这个术语表示,它指的是一组通用的数据交换程序,数字对象在全球系统。他讨论的核心问题是区块链使政府创新和流程创新9]。流行等人研究了使用分散的区块链机制。它提供透明、安全、及时传递能量流动和安全的方式为所有涉及弹性阶段市场(主要配电系统运营商、零售商、聚合器,等等)的形式能源需求概要适应分布式能源消费者(10]。Sharma连锁等人认为博客可以用来建立安全、集中、流动性和智能系统。它可以让更多地使用底层传输系统网络和支持,和一般用于外包技术(11]。Sharma等人的研究提出了一个安全的社会保障SDN结构物联网(DistBlockNet)围绕区块链启用安全性。遵循同样的原则需要工程师的网络是安全的,可扩展的,和节能的架构(12]。魔士和阿里认为区块链(BC)是比特币cryptocurrency背后的技术系统。是吸引力和重要保障增加质量和安全等各种应用程序在许多其他领域物联网生态系统(13]。
3所示。英语词汇的方法自适应学习基于区块链和深度的学习
随着社会的发展,中国在国际舞台上的地位的提高,语言学习,尤其是英语学习,是至关重要的。通过自适应学习提高英语词汇使用区块链和深度学习好英语教学的第一步。
3.1。区块链和深度学习
区块链是一个新技术系统,结合了多种技术。最早的定义来自一个比特币在2009年发表的论文。区块链是一个分布式系统,每个节点共享一个主机(14,15]。每个分布式节点封装代码和事务数据区块链上使用一个特殊的散列算法和Merkle树的数据结构(16]。区块链具有分散的特点和信任。同事之间可以建立信任转移不依赖第三方信任权威。这有助于降低交易成本和提高交互效率。
在1978年提出了同态加密。同态加密是一种加密技术的基础上,计算复杂性理论的数学问题。它处理homomorphically加密的数据输出和解密输出。结果是相同的输出未加密的原始数据以同样的方式处理。同构计算能使消费者代数操作的密文获得结果。然后执行相同的操作在同一明文密文结果。安全参数λ生成的男性的债券pk用于解密密文和公共密钥sk是加密的密文。它假定一个明文 ,在哪里y是一个很大的正整数和Zy是整数的集合模吗y。它代表了加密的x作为 。同态加密具有以下属性:
其中,x1,x2代表的明文加密,和一个代表一个常数。
Paillier密码体制是一个加密系统基于高阶剩余类问题在1999年提出。系统具有良好的均匀特性以及良好的同态,可以用来构造一个有用和高效加密算法系统。阈值的变体Paillier密码系统不仅具有加法同态,但也满足门限密码体制的设计(17]。
版本的锥体的密码方案(p,t)采用),即双钥匙sk划分和分配给聚会吗p。相反,四面八方给出一个完整的双通的关键。如果一方希望完全解密加密复制c至少,合作t−1与另一方。在启蒙操作,我(1≤我≤p)需要使用计算部分解密。
其中,△=p!基于组合算法,以获得明文x,至少的解密结果t党需要的总和。
让Γ1和Γ2是两个乘法循环组订单'p。和Γ的发电机1和Γ2分别和ΓΨ是同构映射1对Γ2,Ψ( )= 。一个双线性配对可以被定义为: 一个是一个乘法群的秩序y。双线性映射:
如果e具有以下属性:
双线性:
3,存在:
其中,O身份的元素吗 。
可计算性:它的存在有效的多项式时间算法来计算e(u, )。对于任何u Γ1, Γ2。
双线性映射过程中有着重要的作用,大数据的协同共享。特别是,使用双线性映射结构构造一个数据合作共享方案。相结合的双线性映射与多方安全计算和其他技术中扮演重要角色的协作共享大数据具有重要意义[18]。
深度学习的想法实际上是源自于人类大脑的工作模式。理解人类的大脑是如何工作的可以导致更好的理解深度学习。事实上,当人类大脑处理外部信息,它是一个迭代的过程抽象和概念化的信号。
以下三个部分卷积神经网络的基本结构是:第一部分是输入层,它代表了输入图像。第二部分由几种卷积层,结合非线性激活和聚合操作来完成图像特征提取。第三部分包括一个完全连接层,类似于一个多层感知器,完成功能的分类(19]。
第一个输出层的神经元连接到第一个3×3输入数据的一部分。第二个神经元连接到第二部分,等等。每个神经元的输出公式如下:
对于二维离散函数f(x,y),(x,y),他们的卷积定义如下:
卷积操作在一个卷积层通常是紧随其后的是一个激活层。简单地说,一个激活的任务函数的神经网络变换线性输入非线性输入。没有额外的激活函数的神经网络可以被认为是一个线性模型具有一定程度的不可预测性。许多问题是线性不可分的,因此有必要引入非线性因素改善非线性表达能力。目前,有几种sigmod和双曲正切方法和ReLu方法经常应用。激活函数的卷积层广泛应用ReLu函数。ReLu的函数公式如下:
使用ReLu激活函数的好处是,它简化了计算的反向传播算法。梯度下降法的收敛速度是加速没有消失的梯度的问题(20.]。
在卷积神经网络的结构,池层添加定期连续卷积层之间。汇聚层的主要功能是逐渐减少的二维尺寸特征映射。这有效地减少了网络参数的数量和金额的计算,也可以减少网络训练过度拟合的风险。池实际上是一个合并操作。的价值一个地区被一个值,可以平均值,最大值,最小值,等等,该地区。池操作总结了特征映射的输入功能,分离的主要特性,简化了网络的计算复杂度。
是一种特殊的计算处理层有卷积神经网络模型,也就是当地的反应正常化(LRN)层。通常是在激活函数和冗余操作。执行的处理LRN是平滑的输出当前层。的数量相应位置的前和后层抚平中间层的约束。计算公式如下:
完全连接层(FC)通常是最后几层在整个网络。完全连接的水平,每个神经元与其他神经元层之前,所以在完全连接层参数的数量是最大的。完全连接层网络中充当“标识符”。其先前的卷积层已经从图像中提取的特征。它需要综合这些特性为一维特征向量,并将其输出值分类器(如softmax分类器)来获取分类结果(21]。
3.1.1。区块链
被称为是一个最新的技术革新了市场在过去的几个月里,区块链的典型和成功使用著名的比特币,一个新的数字硬币。但经过近9年的发展,区块链一直存在独立于比特币。其出色的特性,比如分散的信任和完全分布颠覆传统行业,如金融、医疗、和互联网在一定程度上的东西。应用前景非常广泛。从文字的角度和一个数据结构的角度来看,一个区块链可以划分为两个数据结构:块和链22]。一块是指一块数字存储在一段时间内的所有交易。连锁是指连续和连续的独特的链结构组成的相互联系的街区与时间戳。从技术上讲,一个区块链可以被认为是一个分布式的公共数据库(或公共分类帐)。它由几个关键元素。区块链技术主要包括五个要素:现代密码学,分布的点对点的网络通信技术,分散的一致性算法共识,激励机制和可编程脚本代码。从参政党的角度来看,它可以分为私人区块链,公共区块链,联盟区块链。公众链对整个网络开放。所有用户都可以访问所有区块链节点的信息未经授权和参与交易活动,可以完全分散在一个实际的意义。目前,更典型的公共链比特币和Ethereum等。 It is jointly maintained by the entire network, so it is extremely secure and is often used in scenarios such as digital currency, electronic finance, and e-commerce. The alliance chain is composed of member nodes participating in the alliance. Unlike the public chain, the consensus rules of the blockchain network are jointly agreed by the member institutions.
一般来说,区块链架构包括自下而上:数据层、网络层和共识层。动机、合同和效用层不需要每个区链应用程序。区块链的基本框架如图1:
应用程序层的应用场景和区块链包括数字货币、数据认证,金融交易,和其他字段,以及一些非传统的应用程序。合同层封装了各种脚本和聪明的合同,使区块链系统实现可编程特性和适应各种业务逻辑的社会。比特币使用一个简单的,基于堆栈的脚本语言,不是图灵完整。Ethereum开发一个完整的图灵脚本语言创建智能合同对于更复杂和精确的应用程序。动力层集成金融元素区链,包括发行和传播经济激励机制。共识层包含各种共识算法区块链系统中的节点之间协议或共识。它的关键是保证输入数据的准确性和一致性,并区块链的核心技术。网络层包括P2P网络机制,数据分布和控制机制。数据层封装了底层块结构和链结构。它包括技术,如非对称加密、数字签名、时间戳,Merkle树和哈希函数。 It is these technologies that build the tamper-proof, traceable foundation of blockchain. The following three layers are necessary elements to build a blockchain. No blockchain can be called a true blockchain without one of these layers.
区块链是一个分散的数据存储体系结构,结合密码学、分布式技术、经济游戏,和合同。其中,密码学提供了数据存储和传输安全。分布式一致算法用于验证数据或验证更新验证数据。合同主要是指智能合同一部分,意识到不可靠的交易通过自动代码执行。在狭义上,区块链与分散的分布式hyperledger属性,信息防篡改和可追踪的。区块链只是一个数据结构中可以存储所有的有价值的信息。它可以扩展,不同客户之间共享由于点对点(P2P)的体系结构。然而,由于使用的加密,它是不可能改变一些数据没有正确的私钥。更重要的是,所有更改存储链上,永远是公开。它由相互关联的块(链表)。 Each block contains a series of transactions made at a certain point in time (timestamp).
现代加密区块链安全的基础方法。这些算法包括哈希算法,验证merkle树,和椭圆曲线加密算法。一个函数,可以压缩任意长度的信息到一个固定长度的二进制串在给定的时间称为加密哈希函数。这个函数的输出值叫做散列或散列值。加密哈希函数通常用于生成公钥和私钥,在blockchains街区建设,建立共识。的三个主要特征加密哈希函数可以有效地从理论上保证区块链的安全性:(1)防撞:如果两个不同的信息处理相同的加密函数输出相同的散列值,它被称为碰撞。因此,该算法可以保证街区的完整性和信息交互过程中不会被恶意篡改;(2)不可逆性:意味着不能恢复原始信息通过散列值;(3)Puzzle-Friendly:一个哈希函数叫做Puzzle-Friendly,输入值是随机的,很难找到另一个值。由此产生的散列是y。因此,如果有人想锁一个哈希函数产生一个特殊的输出y,计算难度是一样的,这是战俘的基础;(4)散列指针链:散列指针包含一个指针指向的地址前面的块和一个散列值由加密的数据信息。它是用来验证是否检索到的信息已被非法修改。
Merkle哈希树是一个二进制或多维哈希树。它的叶节点包含每个事务块的密码散列。非叶节点包含这些叶节点共同计算的散列值。在计算机领域,Merkle树木大多用于完整性验证处理。在分布式环境中,传输的数据量和计算复杂度降低。收到数据后,只需要确认双方Merkle树的根节点是一致的。如果数据被篡改,错误的数据位置可以通过树快速定位。区块链Merkle树结构如图2:
公钥加密算法也被称为非对称算法。因为不同的密码用于加密和解密,公钥用于加密数据,只有私钥才能解密,反之亦然。公钥算法使用的比特币区块链是椭圆曲线密码(ECC)。使用公钥作为交易的公共地址和私钥用于信息加密。这也被称为签署消息。保证其安全的椭圆曲线离散对数问题。
3.1.2。深度学习
在全球化的背景下,中国越来越国际化,英语课程的需求正在迅速增长。然而,由于汉语和英语在发音,缺乏英语学习环境和缺乏良好的英语教师。然而,传统的课堂教学不能满足英语学习由于时间和地点的限制。各种原因要结合英语教学和学习成为一个主要的问题在中国。
深度学习(DL)是机器学习领域的(23]。它的目标是构建和模拟人类大脑的深层神经网络(款)进行分析和学习。款显示突出的优势在解决一些复杂的问题。原因是它能更好地模拟人脑神经元的多层深度传播解释数据。和深度学习在教育和教学通常被认为是由两位研究者基于表面学习和深度学习的区别。在此基础上,学者们从不同的国家已经进行了相应的研究。目前,许多专家和学者有不同的深度学习的定义。深度学习被定义为一个国家或学习的过程(24]。它能增强学生对知识的理解,提高他们的学习积极性,转移能力,和学科知识的链接。它提高了知识的本质的理解和掌握高阶思维。
条件随机域模型(CRF)是一个无向图判别模型序列标签在机器学习领域。CRF主要用于应用程序场景如分词、文本注释、命名实体识别领域的自然语言处理(NLP)。链CRF的结构图如图3:
基于词的概念,CRF模型将词分离问题转换为一个分类问题。序列预测是由分配到每个单词一词包含的信息(每个词在词的位置)。
“深度学习”是一种学习的方式和方法。它关注现实情况和复杂的技术环境。它促进了知识和信息的深加工,深刻理解复杂概念,深度学习的意义。它积极构建个人知识的身体转移到现实世界中来解决复杂的问题。最终,它支持的总体学习目标和总体教育目标和高阶思维能力的发展。自1976年以来,“深度学习”和“浅学习”提出了同时作为两个相应的概念。任何后续的研究深度学习几乎总是比较分析研究的基础上,浅学习。与浅学习相比,深度学习有很好的表现在四个方面:认知的结果,目标水平,思维能力和学习行为。深度学习能力的构成如图4:
学习评估是基于学习者的学习目标。它提供了有关对学习过程和结果的评估,促进反思学习过程和学习目标的验证。对学习目标的评估通常是通过观察,问题,测试,和其他方法。同时,深度学习与一般学习的共同特征。因此,评估深度学习的影响也应该从三个视角:认知、运动技能和情感。除了一般学习的特点,深度学习的核心是高阶思维的特点。在此基础上,一位研究人员认为,深度学习的评估是一个相互联系的有机整体,跨越四个维度:认知、运动,情感,和精神结构。因此,认知的深度学习评价体系,运动,情感,和思考,提出了详细的提出了每个维度的学习效果。
3.2。英语词汇自适应测试系统
项目反应模型是数学模型,解释了参与者的反应概率的方式。有许多不同类型的项目反应模型,包括主是正常的椭圆曲线模型、逻辑模型和拉希模型。项目反应模型包含三个参数,即困难,歧视和比例。根据不同模型中参数的数量,可以分为单参数,两个参数,拟合模型。
适应性反应模型是数学模型,合理解释了参与者的反应问题。有许多类型的模型,包括拉希模型中,主是正常的椭圆曲线模型,逻辑模型。这个模型有三个参数,困难,洞察力,和规模。根据每个模型的参数的数量,可以分为单,双,三参数模型。每个物流模型的项目特征函数表达式如下:
单参数模型:
两个参数模型:
三个参数模型:
的公式,D= 1.702。j代表了标题的数字。θ代表了主题的能力估计。一个代表的歧视程度j问题。b表示问题的难度。c的猜测系数问题。
单参数和两个参数模型是相对简单的。计算过程并不复杂,计算部分可以忽略。参数估计的准确性因此仅略受一个或两个参数模型的选择。参数模型更适合更复杂的测试程序(25]。
自适应测试的具体过程分为两个部分:基线评估阶段和细化评价阶段。自适应学习系统的最重要的特征是能够不断评估基于受试者的反应性能,和从题库中抽取新任务适合主题的表现。因此,不断地从题库选择问题的方法是最重要的一个问题在发展中自适应学习系统。
信息项的函数依赖于主体的能力水平θ。它还意味着项目可以提供多少信息,表示 ,也就是说,
其中,代表项目所提供的信息量j当主题的能力θ。主体的响应函数与能力θ在项目j。代表第一个项目反应函数的偏导数关于θ,
用单参数模型公式为:
它可以推导出的公式提供的信息量随测试项的能力水平θ测试的解决者。任务信息的价值功能与任务难度的价值b和主题的价值的能力。它不是一个因素的影响,但由两个因素。较小的任务难度的价值之间的区别b和主题的能力价值,价值越高的信息功能和更准确的估计的能力(26]。
如果一个测试包含多个项目,一个新的函数,测验信息函数,需要引入。信息功能测试的测试项目信息函数的总和在一定的价值θ。如果测试包含多个元素,必须引入了一个新的函数测试信息的功能。的θ测试信息的价值功能是测试项目信息函数之和,表示J(θ)。其数学表达式如下:
上述公式表明,根据项目独立项目反应理论的假设,每个测试项目能提供的信息量是不受其他测试项目。测验信息函数的值等于项目信息函数之和的测验中包含的所有的问题。
测试信息函数表示为SE (θ),即
从公式可以看出,当的价值θ达到最大时,标准误差的值是最小的,也就是说,估计的价值θ是最准确的。
3.2.1之上。自适应学习的英语词汇
小词汇和词汇使用不足是一个普遍的问题对于英语学习者和英语作为第二语言的学习者。在传统的课堂教学中,学生的词汇学习是主要局限在教室里老师的教学。学生被动地吸收老师传授的知识,缺乏认识,和自学习方法。老师的教学是为所有学生,教学的重点是学习英语词汇。采用相同的词汇课程为所有学生不考虑不同学生的词汇基础和记忆,从而导致不满意的教学效果。例如,学生在课堂上更大的词汇量和更好的记忆力感到舒适。然而,学生词汇量和保留能力都很差不能吸收老师教的知识,并实现在课堂上学习效果不佳。此外,学生不知道自己的词汇水平和记忆能力,而不能学习词汇表以外的类。他们不能选择合理的词汇记忆,不能选择适当的词汇学习方法根据他们的记忆能力。它会导致一些学生词汇学习效率低,尤其是自主学习能力较差。 Learning gets half the result with twice the effort, learning motivation is reduced, and students have less vocabulary. The English grades are not ideal and even have aversion to the learning and memory of English vocabulary.
初步的采访和调查显示,由于词汇量不足,大部分学生的英语理解和表达能力都受到严重影响,和词汇用法较弱。这是相反的使用英语,听力和口语能力,学生想要达到,,严重限制了学生英语发展。在当前的研究中,发现当前学生在词汇学习方法有问题,词汇学习的效果。它主要体现在以下三个方面:1。大多数学生在词汇学习和使用机械技能缺乏内容的能力。2。它缺乏对词汇学习的重要性和词汇学习的方法。3所示。它缺乏词汇学习的计划。大多数高中学生没有自己的词汇学习计划,并不能正确地学习他们需要掌握的词汇阶段,及时和适当的金额。
自适应学习代表“适应、调整”。也就是说,“适应性强”。学习成果受到了各种各样的学习者之间的差异(包括学习风格、背景、个人能力、学习目标、和思维模式)。和知识结构的变化相同的学习者在学习过程中也会影响到学习的结果。这使得基于模型的统一教学的不足越来越明显。出现了适应性学习支持系统,提供一系列的学习支持系统,量身定制学习过程中考虑到个体差异。自适应学习本质上是一种个性化学习支持系统。它提供了定制和个性化学习内容和策略根据不同学习者的不同的特征。自适应学习是学习,关注个体差异。它是一种高度个性化的学习过程,适应学习环境,学习内容和学习活动,每个人的不同特点。 It can be said that it is a kind of learning that varies from person to person and is full of personality.
自适应学习类似于个性化的学习,但也有差异。有不同的方法和方式的个性化的学习,包括学习能力、差异化学习,学习模型和自适应学习。自适应学习是一个特定的方法来实现个性化学习。它是基于学习者的学习数据的分析来获取信息能力和偏好。然后,为学习者在此基础上提供相关内容。
根据内容和学习方式,人们的学习可以分为机械、说教的,自适应。自适应学习是一个过程。它吸引学生主动获取知识和技能在不同地区使用实例和解决问题的方法,并通过尝试不同的方式获取信息。自适应学习是一个积极,教学学习的过程。它允许学习者监控自己的学习过程和选择的内容和学习方式或策略最适合他们。
4所示。实验的深度学习英语词汇自适应学习
4.1。深入学习实践
实验需要蕴藏的SPOC专有课程平台的中国大学为例进行比较。有1个讲师,1研究生助理,120名学生在实验中。这些学生来自四川师范大学两个类相同的等级。其中,实验组和对照组都有60个学生27]。
在实验的准备阶段,首先,研究对象对在线学习的态度,在线学习经验,愿意作为一个学者通过问卷进行调查。总共120份问卷被分发,返回120份有效问卷。最喜欢的教学模式图如图5:
从图可以发现,79.61%的学生实验小组相结合的教学模式课程教学和在线学习。学生更喜欢学习模型到一个学习模式相结合。这SPOC课程的发展奠定了基础。
指深度学习的目标和评价体系,深入学习问卷设计前的实验。它调查的认知状态、情感状态、运动技能、互动和合作,信息技术素养的学生实验和对照组。使数据更清晰,数据已经梳理。描述性统计五个维度如图6:
从图可以看出,学生的五个维度的平均价值在实验组和对照组的学生没什么不同。使用SPSS软件进行独立样本t以及对调查问卷数据的实验组和对照组。独立样本t以及表之前实验如表所示1:
它可以从表中找到1这两组之间没有显著差异的学生的认知、情感、运动技能、互动和合作,信息素养。
实验结束后,通过实验观察,写测试和问卷调查两组的学习过程和学习效果的实验比较和分析从学生的角度来看。其中,使用深度学习效果调查问卷,进行第二次问卷调查的认知,情感,互动与合作,合作学习能力,和信息技术素养的学生在实验组和对照组。的思维结构,采用笔试的方法,SOLO分层的方法进行分析。五个维度的描述性统计深度学习问卷的学生实验后如图7:
从图可以看出7在认知维度和情感维度,实验组的平均得分显著高于对照组。独立样本t以及表后实验如表所示2:
从表2,发现学生飞行员组显著显著不同的控制学生在四个方面:认知维度,情感维度、维度互动与合作,和信息素质维度。在运动技能维度没有显著区别, 。总之,学生在实验组比对照组的认知目标、情感目标、和运动技能。他们有更强的互动和合作学习的能力。
4.2。英语词汇学习的实验
在这项研究中,比较实验法进行实验在实验组和对照组学生。结果的基础上分析问卷调查数据和访谈,了解学习者的支持需要在词汇自主学习。分发试卷,学习者在实验和对照组。问题类型的试卷分为英汉翻译的单词,英汉翻译的短语,完成句子根据中国,根据第一个字母完成句子,写单词根据上下文的对话,同义词的转换,填充。的试卷都是主观问题,检查学生的能力在词汇使用、上下文理解和话语理解测试他们的词汇学习,认知,和使用水平。调查结果对学生自主学习的动机和兴趣英语词汇在图所示8:
图8显示,63.6%的学生学习英语词汇,因为考试的必要性。53.6%的学生不会记住英语词汇,只要老师不把英语词汇背诵作业。只有45.8%的学习者对词汇学习有信心。65.6%的学生认为他们在词汇学习获得了很多。70.8%的学生认为词汇学习是英语学习的关键,因此重视词汇学习。74.4%的学生认为词汇学习策略培训的必要性。
从图表数据,可以得出结论,大多数学习者意识到英语词汇学习是很重要的。他们认为那里是一个很好的增加词汇学习策略的学习,希望得到培训。但是大多数的这些学生学习英语词汇,因为考试的必要性和来自老师的压力。调查结果对学生英语词汇自主学习目标和计划图所示9:
图9显示,只有约50%的学生设置长期,中期和短期目标词汇学习。43.4%的学生没有自己的词汇学习计划。48.6%的学生没有一个词汇学习的时间表,也没有系统地安排最好的学习时间。只有51.6%的学生做了一个定期的复习计划。58.4%的学生对词汇只在考试前。调查结果对学生英语词汇自主学习方法和策略如表所示3:
表中的数据3显示,只有46.8%的学习者往往会读英语报纸或杂志来扩大他们的英语词汇。67.6%的学习者依靠教材和老师学习英语词汇的解释。50.4%的学生分类,根据不同类别记忆英语词汇。68.2%的学生在阅读或复制文字时背诵的词汇,直到他们可以支配他们。66.8%的学生查找字典时遇到一个陌生的词。59%的学生经常使用上下文记忆英语词汇。调查结果的监测和评价学生的自主学习英语词汇表所示4:
表中的数据4显示,56.8%的学生不能学习词汇根据预定计划。54.8%的学习者可以克服自己或外界干扰,坚持学习英语词汇。56.6%的可以及时调整自己的学习方法学习英语词汇。54.8%的学生没有学习后测试他们的掌握词汇。55.4%的学生没有词汇学习后总结自己的错误的理由。54%的学生不评估后他们的学习方法,提高他们的词汇学习。只有48.2%的学生将做一个总结和概括的词汇学习一个月。从表中的数据可以得出结论。将近一半的学生能够管理他们的词汇学习时间按计划进行。他们还可以克服自身或外部干扰和继续学习词汇学习在最初的计划。
5。结论
词汇是语言的三个基本要素之一,在语言学习中起着重要的作用。此外,语言学习始于词汇。本文认为,英语词汇的学习是重要的提高语法,听力,阅读,写作。它也有利于深化英语的文化知识,可以促进学生的智力发展。自适应词汇学习模式是一种有效的方法提高学生的词汇知识。在英语词汇学习,成功的关键是把重点放在改变学习者的角色,不断加强英语词汇学习的动机。有必要增加学习兴趣英语词汇和发展元认知策略和词汇学习。通过这种方式,不难获得英语词汇自学能力或发展英语词汇自学的习惯。研究英语词汇适应性学习模式基于区块链和深度学习也是促进当前的科学发展具有重要意义。
数据可用性
没有数据被用来支持本研究。
的利益冲突
作者宣称没有利益冲突有关的出版这篇文章。