文摘
大数据指的是非常大的、复杂的、多样的信息组件。更好的方法来控制动态能力,经验,和互动发展是必要的。借助大规模网络公开课的大数据,本文将研究如何研究和分析了在大学英语课程课堂网络公开课()。也涵盖了数据挖掘。本文地址数据网络公开课具有大数据的问题。大数据的概念和相关算法然后进一步发展。在这篇文章中,将大学英语课程课堂网络公开课的基础上设计和检查。根据实验发现,44.78%的学生认为,蕴藏学习平台后帮助大学英语翻转课堂的实现基于网络公开课的大数据,和26.96%的学生觉得非常有帮助。很明显,大数据网络公开课翻转课堂使用的大学英语课程有一些教育的影响。
1。介绍
英语专业在学校和学院的发展,更多的英语专业和non-unknown方言专业提供不同的课程。英语教育是逐步被高度的重视。大数据使用有效的数据挖掘技术来改变人们的工作方式和获取知识通过可视化和预测分析,进而改变了人们沟通的方式。随着教育的概念和信息技术的整合,蕴藏的教育模式。它鼓励教育,充分利用数字化的信息和大数据的技术效益提高教学标准和公平。它实际上使整个人口共享优秀教育资源。它逐渐变成了教育发展不可避免的趋势。
网络公开课的出现在web 2.0时代,高校英语教学世纪之交以来已经改变了。蕴藏代表“大规模开放网络课程”。教学语言的特点都是出现在学生之间的实时互动练习,老师和学生。网络公开课的目的是分享东西方语言的方式思考。它提供了一个很好的机会在英语教学中实现跨学科知识的集成,支持增强的教学标准。
以下是本文创新:(1)本文结合大数据与蕴藏了教室,并提供一个详细的介绍与数据挖掘相关的方法和蕴藏的理论。信息增益计算、支持向量机和BP神经网络算法本文主要介绍。(2)本文设计了教学课堂反应了大学英语课堂。本文的结论是,大数据MOOCs-based翻转课堂大学英语课程有一个特定的影响实验结果的评价。
2。相关工作
计算机和数据的快速进步创新,已经渗透到人类生活的方方面面,带来大量信息的时代。为了减少数据量,物联网是收集、雪et al。1)加快大数据处理。提出的多目标分子群改进遗传计算(MOPSOGA),标准GPSR-BB计算相比,强调减少51.6%,根据应用程序的结果。其娱乐功率计算值是0.15。重建更成功地进行。但其性能差(1]。旷et al。2)提出了一个非结构化的张量模型表示,一种和结构化数据。根据一个虚构的分析和试验结果,提出了结合张量模型和IHOSVD大型信息描述和降维技术是有效的。然而,他没有很好的精度2]。为了检验这些创新的基本属性,Stergiou和Psannis3)结合物联网的大型信息进步(物联网)和移动云计算(MCC)的创新。它还指出MCC的好处和物联网,可以帮助创造广阔的信息应用程序。但他的数据不够可靠3]。徐et al。4)研究了不同的方法来保护私有数据,看着从更广泛的角度数据挖掘隐私问题。他简要回顾了相关的基础研究课题,同时审查先进方法。他还提供了一些潜在的初步想法。然而,他的写作是非常主观的4]。致病的数字实际临床应用框架和政府提出了Zhang et al。5根据云计算的发展和大规模的信息分析。这项研究的结果显示如何使用大数据和云创新以提高临床框架表示和使人们利用各种一流的临床应用和服务。但是他的方法是更费时。文献[5]。詹森et al。6)确定影响决策的因素的帮助下案例研究。大数据的案例研究表明,他的使用是一个动态的过程。标准化过程和理解是至关重要的一步一步大数据的潜力。然而,他缺乏实用性6]。大数据机器学习框架,周推出了et al。7指导其机遇和困难的对话。使用各种毫升阶段和MLBiD组件帮助识别重要的开门和挑战。未来的研究在许多被忽视或替代字段现在可能由于它。然而,他的介绍是有偏见的。文献[7]。Zhang et al。8)提出了一种基于大数据分析产品生命周期架构。它有助于获得关于产品生命周期的信息和数据。这种架构可以受益制造商、环境、产品设计和服务作为理论依据产品生命周期的执行。然而,它的应用范围受到限制(8]。
3所示。大数据和蕴藏的集成方法
3.1。相关的概念
3.1.1。MOOCs
MOOCs意味着大规模的网络开放课程。第一个字母米(巨大的):是指一个广泛的注册用户,另一个是指各种各样的课程资源。第二个字母O(打开)是指开放学习资源和学习空间和学生指导下的利益。它选择是否注册了这项研究。第三个字母O(在线)代表教师教学、学生学习、完成并提交作业,分级和检测作业、师生/学生/学生讨论,等。第四个字母C(课程)课程是指教学视频,课本,作业,先进的考试,等大规模的、开放的、非结构化和自治网络公开课的特点(9]。
3.1.2。翻转课堂
知识转移和内在化过程中转身“翻转课堂”。其特点如下:第一,教学过程正好相反。学生必须完成知识的分类和自学点。第二,教学内容丰富、多彩。翻转课堂,学生不再是被动地听,记笔记,但内在的知识后,他们进行研究,讨论或与老师或同学回答问题。此外,教师和学生的角色也发生了变化(10]。在翻转课堂,教师不再是传统课堂的主角。他们不再是统一的教学和控制但积极组织和教学活动的计划。它使学生不再被动接受,但真正主动成为课堂的思想家。
3.1.3。大数据
(1)概念的价值。大数据通常被认为有四个组成部分:卷(数量)、速度(速度)、种类(品种)和价值(价值)(值)。大数据的有效和精确的定义是几乎无法实现在当前的发展阶段。方法通常需要当一个新的技术方案建议(11,12]。大数据的概念意义和应用程序描述在图1。
首先,体积(数量):大量的数据,这是意义重大,是功能最区别大数据从传统的数据。这一特性在本质上是与科技进步。首先,存储的数据量在过去非常受限。大规模数据存储现在可能由于摩尔定律,描述了硬件性能稳步提高,价格逐渐降低。扩散技术像社交网络、电子商务、物联网也导致供过于求的数据。
第二,速度:这是数据流的数量,以不断加快的速度进来,需要在合理的时间内处理。大数据的主要问题是这样的。传统的数据处理和存储技术不能达到所需的效率。
第三,品种:考虑到丰富的信息来源,它暗指各种信息亚型。大量的信息的一个主要问题是这些信息的能力和调查。
(2)大数据环境。大数据作为催化剂来推进教育数字化。蕴藏将成为一个前沿领域的教育在大信息世界。通过使用信息挖掘创新,蕴藏了大量的指导数据。它收集基本数据和评价学生在学习过程中所面临的问题。它为学生提供准确的学习和考试信息的结果。通过基础,迄今为止,很多框架和阶段收集很多关于学习过程的数据。过滤器测试结果显示和评估在教室里使用显式模型的影响(13,14]。图2研究显示的考试大数据环境。
课堂范式,在尖端技术的支持下,显示像dataization教育特征,智能,功能和效率。大数据相关的课堂活动是在大数据蕴藏的环境中进行的。信息由教师和学生在互动教学活动是挖掘和积累在整个教学过程。此外,它向云发送大数据综合分析,和产生的教育数据挖掘操作是一个关键组成部分测量教室的影响(15]。
3.2。大数据的相关技术
3.2.1之上。大数据存储
信息最初开始时仅保存在文档被保存。文档储存有缺点,是显而易见的。唯一的要求能够支持它的任务是调查,嵌入和删除。它需要设计数据。信息现在可以存储感谢框架,分布式文件。这些分布的优点:它可以容纳大量的数据。借助它的分布式文件系统,由HDFS,相当大的文件可以存储在许多计算机。每个设备可以存储文件的一块,缓解在单个机器上的需求。支持备份冗余数据。HDFS保存三份每一块数据,并将这些在几个机器,以确保没有数据丢失,即使在集群中的一台机器被脱机或完全摧毁。 It has strong scalability because as the amount of data progressively increases, adding more cluster machines will enhance the data storage capacity. Three components are crucial to HDFS: DataNode, NameNode, and Cie. The NameNode receives the information about the data block from the DataNode [16,17]。分布式文件系统的组织结构如图3。
3.2.2。数据挖掘
数据挖掘是一个多阶段的过程。这不仅是造型的过程也是一种循序渐进的数据挖掘过程。一个完整的数据挖掘过程包括六个步骤的问题制定和理解、数据理解、数据准备和预处理、模型建立、模型评估和优化,程序实现(18),如图4。
3.3。数据挖掘算法
数据挖掘集成了各种各样的考试技术开采和调查信息的索引,它被设计和应用它们。其中,集团拥有现货,另外安排策略显著。最有效的方法来适当地组织信息将直接影响挖掘结果的准确性和标准水平(19]。
3.3.1。信息增益计算
只有一个空白的决策树在早期的机器学习;没有如何分割的存在取决于功能。最近学会了决策树模型用于分类的特征空间。它指出,类X被指定为L在训练集和由类的样本,代表总病例数L在训练集,和概率属于未知实例的类一个被定义为:
在这一点上,分区Z不确定性的措施是:
如果测试属性p用于测试,什么时候 ,样品属于类一个可以被视为 ,还有:
当所有 测试属性选择P后突出,信息熵的分支l分类信息是:
获得的信息 提供的属性p的分类是:
3.3.2。支持向量机
提出的支持向量机方法是根据最优分类面条件下的线性可分性。基于这种分类超平面,支持向量机不仅可以正确分类所有的训练样本,但也使训练样本点的接近评分分级表面(表面最长的距离20.),如图5。
解决最优分离超平面是支持向量机的基础;本文表明,训练数据可分为正确几何间隔最大化。对于线性可分的数据集,基本概念和形式化的凸二次规划问题所示公式(6)和(7)。 定义了超平面的几何空间相对于采样点 ,和 是超平面的几何空间的最小值在所有采样点。
其中,惩罚参数C> 0,最多E解决方案 。
之间的内积实例可以被转换为一个内核函数非线性分类。非线性变换后,两个实例之间的内积核函数Z(x,k)。它表示输入空间之间的映射的存在和特征空间ϕ(x)。为x,k在任何输入空间,
因为技术是擅长处理高维数据,支持向量机经常利用神经科学和生物信息学。它的主要缺点是广泛的计算和简单的过度拟合。
3.3.3。BP神经网络算法
信息正向传播和误差反向传播两个过程,利用BP神经网络算法。重初始化:神经网络中的每个节点都有一个关联的偏见,最初和连接这些节点之间的权值初始化到一个小的随机数。向前传播。神经网络的输入层接收训练样本,这一层的价值保持不变。为输入节点j,它的输出值等于输入值 ,如图6。
节点层以上的出口连接所有输入的每个节点,每个数字的输入。重量是附加到每个连接。的b净节点的输入是这样的如果是在退出层或隐藏层:
这个函数描述了神经元的活动,这个节点象征使用物流或乙状结肠功能。考虑到净输入的节点b,输出的节点b是:
反向传播错误:连续更新的负担和偏见代表网络预测误差,误差向后传播。输出层的节点b,错误计算如下: 节点的实际输出吗b,是已知的目标节点的价值吗b基于给定的训练样本。事实上,实际上是逻辑函数的导数。
有必要平衡节点连接到节点的错误b对下一层来计算节点的误差b在隐藏层。节点b隐层的错误如下: 从节点连接重量是k到节点b在未来更高的层,和是节点的错误吗k。
重量的公式更新如下,变化量的重量吗 。
更新抵消由以下公式,偏移量的变化吗 。
通过处理元组,上述方法更新现有的偏见和权重。实际上,然而,偏见和体重增加可以在变量和积累,毕竟元组处理,偏见和重量更新会影响训练样本。代表一个训练样本迭代,和方法是一个不断更新的方法。
4所示。翻转课堂实验和大数据基于蕴藏的大学英语课程
4.1。设计蕴藏了课堂教学模式
了自修室是一个教学方法,由不同的时间内外的教室。它将动态功率从教师转移到学生。它混合了传统教学技术与在线学习平台互相提高。它包含一个混合各种学习环境、学习方法和学习理论。无论混合方法,最终目标是实现教师和学生的自然融合。如图7这工作发展蕴藏创建一个翻转课堂教学策略基于其设计概念。这样做是依照相关理论和分析的特点,基于蕴藏的颠覆。
preclass阶段主要是对学生进行自主学习蕴藏的平台。它属于知识传授的阶段。在这个阶段,本文设计为教师和学生不同的学习活动,如图8(一个)。
(一)
(b)
面对面的课堂教学是一个重要的混合教学和基本环节。不仅在课堂上学习阶段,学生必须系统地掌握课程知识,也培养他们多方面的学习能力为特定中期学习活动,如图8 (b)。
测试阶段的放学后学生的整个学习过程。老师的分配应该仔细完成家庭作业的学生,以及集中审查。与此同时,他们可以分享学习经验和扩大他们的学习概念,与教师和学生在线交谈。学生也应该总结自己的成就和教师或团队成员及时反馈问题,以便及时解决问题,反映,并纠正他们的学习。
4.2。教学实施
本文进行了初步问卷调查学生的在线学习上课前为例实现本研究为了了解正在发生的事情与学生的网上学习。从各种学术专业的学生在大学的调查的主题。总共有230个人,有102男孩占44.35%的组和128个女孩占55.65%。他们有一系列的学术背景,比如那些在教育、计算、设计、和其他领域。做真实的和普遍获得的数据是我们的目标。最终找到有效问卷230份,回收率为100%。
概述基本情况的学生网络实现一个基本的审查学生的要求,基于网络的学习。渴望知识的内部高级需求的主要推力。只有对知识的渴望可以刺激学生的高级需求,它是灵感的时代学习的基本条件。具体分析见表1:
根据表,为学生解释网络学习的概述,男孩的正常理解网络学习是3.96,和女孩的平均在线学习的理解是3.98。平均值显示,学习者的在线学习情况case-implemented类是平均值,平均值是3.97。为研究“个人认为网络教育在中学和大学是基础”,它很可能会从表1没有多少区别男性和女性学生。女孩男孩是4.02,4.00,平均值是4.01。因为两者之间的差距并不大,我们将不再从性别的角度分析它。
关于学生喜欢的教学方法,学生喜欢的混合教学方法“课堂教学与网络教学相结合”。第二个是课堂教学方法,最后是一个简单的网络教学方法;一般来说,195名学生喜欢的混合教学方法“课堂教学结合网络教学”,占84.78%。的人数的课堂教学方法是27岁的占11.74%。网上有8人简单地使用教学方法,占3.49%,如图9(一个)。
(一)
(b)
关于“如果人们选择一个在线课程,人们会选择下面哪个标准?”,使用一个多项选择题的问题,如图9 (b)。根据统计分析的结果,本文发现,如果学生选择在线课程,主要标准是他们感兴趣的,占90.43%。第二个是由知名教授课程,占75.65%,第三个是课程与专业知识有关,占70.43%。的人数的比例选择这三个选项是最高的。这也表明,蕴藏的选择课程内容,教育工作者应该关注流行教练的指导和替补的利益。
如表所示2蕴藏的设计和实现混合学习活动主要包括三个学习阶段:类之前,上课和下课后。
4.3。效果评价
调查问卷是针对学习者参与混合网络公开课的学习。从学生的角度来看,他们能够理解的影响网络公开课基于混合式学习实践。因为学生的基本信息已经在早期阶段的问卷调查,本问卷将不再包含在学习者的基本信息调查。
问题的结果“人们认为的主要作用是蕴藏在这个MOOC-based混合学习学习平台?“结果如图10 ()。主题“人民满意蕴藏翻转课堂的学习效果?”如图10 (b)。
(一)
(b)
从图可以看出10 ()为替补,蕴藏阶段基本上是利用帮助班主任学习而导致更好的免费学习,而更少的替补决定下载学习资料和与同事说话。这表明替补的熟悉互联网学习不高,和能源网络连接很低。从图可以看出10 (b)103人觉得蕴藏学习平台是有帮助的,占44.78%,62人认为这是非常有用的,占26.96%。它往往是看到了大学英语课程课堂大数据的网络公开课的基础上发挥了一定的作用。
5。讨论
网络公开课之前分析如何使用大数据从执行翻转课堂研究在大学英语课程中,本文首先通过考试获得必要的基础知识基本知识分的文学作品。本文阐述了数据挖掘的原理和算法。本研究探讨信息增益计算,支持向量机和BP神经网络技术。本研究探讨大数据的使用在翻转教室网络公开课从本科英语课程。
信息技术的发展和互联网的兴起,已经影响了人们如何学习。MOOCs正在迅速扩大海外的先进教育。第一个蕴藏有2000多名注册学生,现在有无数的学生在当前大规模蕴藏的阶段。MOOCs已经达到了一个“不稳定阶段”在短短五年的发展。网络公开课自2008年成立以来,国际学术教学已经成为一个重要组成部分。在中国,网络课程的发展和信息的发展,在线学习已经变成了一波,这仅仅是开始,越来越多的高校加入或使自己的蕴藏。替代替补更定制的高级需求,赋予替代替补同化新数据。这种方法目前不仅仅是通过学校的教学计划或手册。对于当前的替补,电子学习阶段不仅仅是他们的学习的一个重要源泉,它是自主学习的重要设备之一。
本文设计了英语翻转课堂的蕴藏大数据环境的细节,通过实验分析。它使用模型来实现特定的课堂教学。应用的结果表明,该模型有效地通过聚集的教训,深刻的意见,和研究的评论。这个函数引发了改变教学策略和教育技术的发展,但仍有改进的余地。这样的教学方法可以改进和优化后使用。它提供了一个更有效的和聪明的方法指导学生在课堂上的学习和教学。
6。结论
大学英语已经受到大数据的影响,也提出了机会。应用新的教学方法来跟踪基于内容的英语教学变得越来越重要的在大数据的时代。这并不是像普通一般的英语课。此外,开发一个在线学习环境导致学生有更多的不同学习需求。相结合的方法的好处网上课堂与传统课堂是学生最容易接受和期望。本文使用一种混合教学的方式,结合“蕴藏”和“翻转课堂”时,为了达到理想的教学效果,处理教学难题英语改善阶段,学生的实际需要为了完成英语监测。它有很大的现实意义,符合预期,教师和学生分享。
数据可用性
使用的数据来支持本研究的发现可以从作者要求。
的利益冲突
作者宣称没有利益冲突。