在线课程的设计与应用探析——以《计算机应用基础》课程为例

针对当前在线课程教学和在线学习正被人们广泛接受,该文以中山中专《计算机应用基础》课在线课程的设计与应用为例,对在线课程的设计原则与设计步骤进行了探讨,提出了在线课程设计网络平台化,在线课程应用学习模块化的基本思想与应用策略。     

在线课程的设计与应用探析--以《计算机应用基础》课程为例

针对当前在线课程教学和在线学习正被人们广泛接受,该文以中山中专《计算机应用基础》课在线课程的设计与应用为例,对在线课程的设计原则与设计步骤进行了探讨,提出了在线课程设计网络平台化,在线课程应用学习模块化的基本思想与应用策略。     

基于ISM的在线学习参与度影响因素模型研究

学习参与度不高是导致在线学习辍学率高和结业率低的重要原因,探究在线学习参与度影响因素对提高在线学习质量具有重大价值。首先采用文献分析法和访谈研究法确定在线学习参与度的18个影响因素。然后分析各因素之间的逻辑关系,建立邻接矩阵,计算可达矩阵,通过层级分解,绘制在线学习参与度影响因素的结构模型。研究发现,学习动机、学习氛围是影响在线学习参与度的直接原因;知识呈现方式、平台易用性、课程难度、课程时长以及活动安排是最基础因素;其余因素作为间接因素发挥作用。最后,尝试提出改善在线学习参与度的建议,以期为后续在线课程建设提供新思路。     

基于分段式的SPOC在线课程教学设计与实践

为了确保在线教学和课堂教学"同质等效",提出基于分段式的SPOC在线课程教学模式,以编译原理课程为例,从认知学习阶段、交互式学习阶段和延展式学习阶段,介绍基于分段式的SPOC在线课程教学实践,从学生的课堂表现、期末测验、综合作业、MOOC平台的学生学习数据统计以及在线调查问卷的反馈情况,说明教学效果并提出改进建议.     

《可编程控制器及应用技术》在线课程导学设计

为引导学生在线学习及提高学习效率及质量,本文以可编程控制器及应用技术课程导学设计为例,浅析了在线课程导学设计包括的主要内容及课程导学设计的目的.     

疫情期间学生线上学习压力分析和"后疫情"期间的教学策略

通过对疫情防控期间学生线上学习情况的调查,主要围绕在线学习资源、在线学习环境、课程安排与教学任务等对比分析学生在线学习情况和学习压力,提出线上学习实践切实可行,合理设置课程门数、周学时、课时时长和作业布置量可缓解学生在线学习压力,同时基于教学反馈给出"后疫情"期间的教学策略,以期提高线上线下混合式教学模式的学习效果.     

基于MOOCs的学习行为分析与研究

在线开放课程中用户的学习行为,影响最终的课程学习成绩。通过分析课程中的部分数据指标,对用户学习行为加以分析研究,最后给出策略和合理化的建议。对在线开放课程的建设,以及后续的课程优化起到重要的作用。     

疫情期间学生线上学习压力分析和"后疫情"期间的教学策略

通过对疫情防控期间学生线上学习情况的调查,主要围绕在线学习资源、在线学习环境、课程安排与教学任务等对比分析学生在线学习情况和学习压力,提出线上学习实践切实可行,合理设置课程门数、周学时、课时时长和作业布置量可缓解学生在线学习压力,同时基于教学反馈给出"后疫情"期间的教学策略,以期提高线上线下混合式教学模式的学习效果.     

基于在线开放课程的Web前端设计自主学习体验研究

针对职业院校Web前端设计在线开放课程自主学习运行效果未能被充分挖掘和利用的问题,笔者以江西信息应用职业技术学院Web前端设计在线开放课程自主学习运行效果为视角,通过对408名学生进行问卷调查,对大学生Web前端设计在线学习态度、在线学习能力等调查和分析。研究分析学生在线自主学习中存在的问题和缺点,便于后期进行针对性改进。     

数据分析视角下高职学生在线学习行为案例研究

针对高职学生在线学习行为研究不足的问题,利用Excel、SPSS软件对广东省某高职学校《计算机应用基础》课程学生在线学习情况进行统计和分析,并探索在线学习行为与学习效果之间的内在联系。研究结果表明:不同性别、专业背景的高职学生在线学习行为方面有所差异;高职学生学习行为与学习效果之间存在不同程度的相关性。并对提升高职课程教学质量提出建议。     

Yi-Soft平台

简介：Yi-Soft平台是一个培训网站系统,通过Yi-Soft平台,教练可以在线发布课程,学员可以在线学习课件、在线预订教练课程。系统将自动通知每节课程的教练和学员,在到达课程时间时共同进入语音交互系统。     

在线课程平台融入社交性对学习者影响的实证研究

目前在线课程平台学习者参与交互的动力不足,交互数据的缺乏使得难以对在线课程平台学习者进行准确地分析与量化,进而使平台中的相关服务受到限制.社交功能能否在一定程度上弥补学习者交互数据稀疏问题,并为学习者的在线课程学习起到促进作用.针对该问题,以学者网课程平台中一门活跃课程的学习者作为研究对象,通过假设检验和描述统计的方法,对学习者在课程平台中的在线社交数据和学习者的线下真实成绩数据进行对比分析,研究结果表明在线学习者社交活跃度总体不高,交互活动对学习成绩具有正相关影响,社交关系则通过促进交互活动的方式间接地影响学习效果.最后围绕研究结果,分别从课程平台、教师和学习者三个角度提出促进学习者更好地使用在线课程平台进行学习的策略建议.     

OJ系统和在线课程混合驱动的程序设计课程教学新模式

为了创建泛在学习的教学环境,针对程序设计课程无法解决教师人工检查程序正确性的缺陷,分析程序设计在线课程和OJ系统研究现状,提出OJ系统和在线课程混合驱动的程序设计课程教学新模式。新模式实施目标是将灌输式教学变为体验式教学,将乏味的工科课堂变为趣味课堂,将学生的“被动学习”变为“主动学习”,将结果性评价变为过程性评价。一方面搭建和建设OJ系统,另一方面建设在线课程。教学效果表明：新模式提高了学生的参与度,增强了学生的体验式学习。     

大规模在线协作学习分组方法及应用研究

学习孤独感问题是造成MOOC课程学习完成率低的原因之一,构建与学习者学习特征相适应的协作学习小组,可以有效解决学习孤独感问题。利用自编码神经网络提取在线学习者的关键特征,根据同质分组原则,利用模糊C均值算法对在线学习者进行迭代分组,使在线学习者从独自学习转变为以团队的形式进行协作学习,从而改善在线学习者的学习体验,降低学习孤独感。以edX平台上选择计算机科学与编程入门课程的19?846名在线学习者为实验对象,进行在线协作学习分组。实验结果表明,基于该分组方法,每个小组内学习者都有较高的同质性,可以很好地解决学习孤独感问题。     

基于ASP.NET技术的网络教学系统设计与研究

为实现网络课程学习过程的互动,使学习环境更加宽松、方便,在WINDOWS操作系统平台上设计实现了"信息技术安全"网络课程学习系统。学生通过浏览器窗口,学习整个网络的课程,通过学生账户,完成在线作业,并参与讨论。教师通过浏览器可以管理和维护用户账号,发布和管理在线作业,并评定用户提交的在线作业。该系统可为学生提供丰富的自学环境与资源,实现网络学习的基本功能,为教师的课堂教学提供有效的帮助。     

《软件工程》关于“人工智能赋能大规模在线教学和自适应学习”专刊约稿通知

<正>中国在线2019年全国在线教育用户已超过2.61亿人,在线课程开设已达94.2万门,参加在线课程学习的学生已达11.8亿人次教育现状预计2020年全国在线教育用户将超过3.09亿人,在线教育的市场规模将达4,538亿元新冠肺炎疫情防控期间,在线教育成为各大中小学的重要选择。在线教育是教育服务的重要组成部分,它与传统MOOC课程相比,需要提供更多的在线教育系统的功能与服务,沉浸式、群体化的学习环境,涵盖的教育活动包括教程、实验、测试和实验室练习等。在线学习给学生带来了新的挑战,既要适应在线学习环境,又要实现学习目标,且要应对因无法面对面教学而失去的学习体验。本期专刊旨在讨论教育机构提供大规模在线课程时所面临的挑战,以及如何了解学生在线学习活动,从而提高学生自适应在线学习活动的效果和效率的新技术。人工智能可以对规模化线上教育的各环节赋能。     

智慧云课堂背景下,高职社招生计算机课程“线上线下”混合式教学模式的研究

以《计算机应用基础》课程为例,面向社会扩招生这个特殊的群体,必须有切实可行的教学模式。采用“线上和线下混合式教学模式”,依托数字资源为基础,以“移动学习平台+大数据分析”为手段线上学习,应推动新媒体新技术和教学深度融合,充分利用在线课程平台、在线教学资源,按照教学计划安排,融合在线学习与传统课堂教学的优势,优化各种教学资源,教室实体课程与网络虚拟课程相互搭配,教师主导与学生自主并重,以最高效率获取最高学习产值的新型信息化教学模式。     

基于MOOC的高职“C#程序设计”在线课程开发与实践

文章根据高职计算机应用技术专业的人才培养目标、《C#程序设计》课程定位和高职生的学习特点,基于慕课(MOOC)在线课程开发模式,对高职计算机应用技术专业《C#程序设计》在线课程的整体设计、课程资源开发、学习平台设计、课程教学实施与考核评价等方面进行了探索和实践,不仅激发了高职学生的学习兴趣,提高了学生的实践操作能力,教学效果也有了明显的改善,并为MOOC背景下程序类在线课程开发提供了借鉴。     

基于智能学习的在线学习系统探索

本系统充分融合大数据与人工智能技术来整合在线学习资源,结合在线教学活动中的教学内容创造学习环境.以老师为中心,建立稳定有序的心理场域.实现大数据分布式在线教学、第一人称虚拟现实教室同步在线教学和人工智能引导在线实验教学.以此支持学习者随时随地利用PC端或移动端进行在线课程学习.     

利用LSTM网络和课程关联分类的推荐模型

在线学习课程数量庞大,存在明显的信息过载问题,个性化智能推荐是解决这一问题的有效方式。根据学习者所学习的课程往往具有时间序列性这一特点,提出了基于LSTM网络的在线课程推荐模型。从大量学习者所学习的课程序列中提取学习行为特点,进而预测学习者将要学习的课程。该算法是基于课程之间的时序性而提出的,因此按照课程之间关系的紧密程度将课程分类后推荐的准确率更高。由于在线课程不断更新,人工维护课程分类的工作量较大,同时分类也不够科学,利用GSP算法和谱聚类算法,挖掘出课程间隐藏的时序联系,提出了更合理的课程自动分类方法。实验结果证明,与传统的协同过滤算法以及基于RNN的课程推荐算法相比,该算法推荐准确度更高。