[發明專利]一種在線課程適用性評價方法

有效

• 申請號: 201610874211.7
• 申請日: 2016-09-30
• 公開（公告）號: CN106408475B
• 公開（公告）日: 2017-12-26
• 發明（設計）人: 任毅;戴朝霞;趙曉歡;費明明;甘文田
• 申請（專利權）人: 中國地質大學（北京）
• 主分類號: G06Q50/20
• 分類號: G06Q50/20
• 代理公司: 北京中譽威圣知識產權代理有限公司11279
• 代理人: 蔣常雪

1.一種在線課程適應性評價方法，其特征在于：所述方法針對互聯網在線課程，在統計分析學習者個人學習特點、在線課程教學策略的基礎上，通過對大量學習者的個人學習特點和對在線課程的學習效果進行統計計算，建立學習者個人學習特點與學習效果之間的關聯模型，然后采用所述關聯模型對學習者在待選課程中的學習效果進行預測，根據預測的結果幫助學習者挑選出更適合的課程進行學習，即挑選預測結果最佳的課程進行學習，從而提升學習效果；

所述學習者個人學習特點包括“學習風格”、“學習行為方式”和“基礎知識”的項目組合；

所述在線課程教學策略包括“教學內容”、“學時”、“教學計劃”、“學習周期”、“所適應的學習風格”、“指導方式”、“討論與交流方式”、“練習與作業方式”、“考核方式”的項目組合；

以1988年發表的Felder-Silverman學習風格理論為基礎設計學習風格評價算法以評估學習者的學習風格；

以Pintrich評價理論為基礎設計的學習行為方式評價算法以評估學習者的自律性行為和學習動機；

采用以Bloom的知識分類方法和Dochy的教育心理維度分類方法為基礎的基礎知識評價算法，對學習者的陳述性和過程性基礎知識分別進行評價；

所述方法包括以下步驟：

（1）對學習者的個人學習特點進行評價：其中的評價模型細節包括：

學習風格評價；該評價通過問卷形式進行，在學習風格評價問卷中，每個分類分別對應有5個問題；問卷中每一分類都按照5個等級進行評定（如下表所示）；5個等級的結果分別反映學習者在該項學習風格評價中的傾向程度；

學習風格問卷結果的分類和等級

學習風格分類問卷結果的5級分類感知&直覺型風格Sensing+, Sensing, Neutral, Intuitive, Intuitive+視覺&聽覺型風格Visual+, Visual, Neutral, Auditory, Auditory+歸納&推理型風格Inductive+, Inductive, Neutral, Deductive, Deductive+主動&被動型風格Active+, Active, Neutral, Reflective, Reflective+細節&總體型風格Sequential+, Sequential, Neutral, Global, Global+

學習行為方式評價；該評價通過調查問卷形式進行；該問卷包含20個問題，總分為100分；問卷的題目主要涉及學生以往學習中的行為方式以及本次學習的目標等內容；每個問題包含3或5個選項；對于包含5個選項的問題，每個選項對應1~5分的分值，而對于三個選項的問題，每個選項對應1分、3分或5分的分值；通過對每個問題的得分相加可以得到最終的分數；

基礎知識評價，該評價通過測試的方式進行，測試試卷包含25個陳述性知識問題（以“dk”表示，共50分）和10個過程性知識問題（以“pk”表示，50分）；基礎知識評價與具體選擇的課程有關；基礎知識評價的結果K則由dk與pk的值相加獲得；

（2）分析在線課程的教學策略：獲取相應的評價結果，并與學習者的學習風格進行匹配，獲取學習者在該門課程的學習風格評分；在線課程的教學策略由課程提供者進行評價，評價的主要內容如下表中所示：

課程的教學策略

學習風格與課程特點的匹配程度S按以下方式計算：本申請中的匹配程度包括整體的學習風格匹配程度（S）和每一分類的學習風格匹配程度(md_LS-1, md_LS-2, md_LS-3, md_LS-4和md_LS-5)，md_LS-x的值被設置在1~5之間；計算方式為：對于一門適合于“主動型”風格的課程，‘Active+’的學習者可以獲得5分(md_LS-1=5)，‘Active’學習者可以獲得4分而‘Reflective+’學習者可以獲得1分(md_LS-1=1)，以此類推；S的值(100分)由以下公式計算得到：S = 4 × (md_LS-1 + md_LS-2 + md_LS-3 + md_LS-4 + md_LS-5)；

（3）評價模型的建立：本申請在獲得相應的基礎數據后，采用如下三個步驟進行模型建立，第一步：由學習者進行課程學習并在學習結束后進行測試獲得測試成績（T）；第二步：采用皮爾遜相關分析法分析學學習的最終測試成績（T）和三個個人學習特點評價結果之間的線性相關性；與最終測試結果明顯具有線性相關性的參數將作為下一步回歸分析的自變量；第三步：采用多元線性回歸分析法建立T與各種自變量之間的線性相關模型，該模型即為該門課程的OCAA模型；

（4）利用OCAA模型，預測具有特定個人學習特點的學習者對具有不同教學策略的在線課程的學習效果；

（5）指導學習者選擇預測效果最佳的在線課程作為學習對象。