前言：中文期刊网精心挑选了关于线上教学的研究报告范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
关于线上教学的研究报告范文1
【关键词】物理 教学方法 记忆能力 智力开发
【中图分类号】G642.41 【文献标识码】A 【文章编号】2095-3089（2014）6-0125-02
以后，我国国务院及教育部对高校的扩招做出了响应，从此我国的高等教育学府受到了政府和社会的重视。紧随其后，我国教育部又出台相关政策，要求把高等教育放到重中之重的位置上来，随着国家政策的号召，我国在二零零四年统计得出各个地方的高校明显增多，学生人数直线上升。如今高等教育对国家和社会的发展发挥着极其重要的作用，因此我们要在高校中展开生动有趣的教学活动和教学方法。物理作为理工科必修的一门学科，其难度远远高于其他学科。教师们对关于物理的教学方法都有不同的看法，因此怎样改进物理教学方法成了教育部门需要解决的一个重要问题。
一、物理教学方法的现状
物理随着课程改革取得了不错的教学成果，它作为一门大学理工科的必修课来讲所占的比重是非常重要的。但随着社会的发展，高校的扩招，学生的素质明显降低，而书本上的内容也与实际联系不到一起，老师讲，同学不听或听不懂，造成了如今物理教学困难的局面，而怎么解决这个问题，如何利用物理来激发学生的智力，成为了现今物理教学的一个难点问题。
1.1学生的基本知识薄弱
随着我国大学门槛的降低，百分之八十的学生只要想上大学就都可以进入高等学府念书，但随之而来的问题就出现了。很多学生不愿意学习，有些学生听不懂老师在讲什么，最后造成学生厌学的状态。有些高校学生是为了应付考试而学习物理这一学科，导致学过的知识很快就会忘记。
1.2学习方法不正确
大学物理与我们高中的物理有着很大的不同，在之前我们所学习的物理是反复的去讲一个问题，只要这个问题会了考试就没有问题。但大学的物理是一个知识点极其冗杂、信息量特别大的一门学科，如果单纯的靠以前死记硬背的方法，是不会取得良好的成绩的，大学物理主要考验的是学生的总结归纳能力，锻炼学生的自主学习。而学习方法还停留在高中阶段，那么在学习物理的过程中就会出现很多的问题，没有及时解决，问题就会如滚雪球一样越滚越大。
二、物理在教学过程中存在的一些问题
所有经历过大学的人都说大学是人这一生之中最轻松的几年，每天的课程安排都比较宽松，而留给物理这一门学科的课时也是少之又少，因此老师在教学过程中不能做到每位同学都提问到，老师只能利用有限的时间将所有的知识点全部讲给学生，整节课没有和同学沟通和交流的机会，严重影响了学生对物理的兴趣，增加了对物理的抵触心理。
三、如何根据目前大学物理教学方法的现状进行改进
大学物理的教学方法的改进应放到日程中来，因此为了更好地完善大学物理的教学方法，在教学过程中总结出以下方法：
3.1提高大学生对物理的兴趣
首先要让学生知道学习物理的具体意义在哪里，通过生动的教学方法和方式，将课堂上所要讲的内容呈现出来。我们在日常生活中也常常会发现只有对某一样东西产生兴趣了，才会更认真地去想把它学会，因此，兴趣在工作学习中占有很重要的位置，在物理课堂上老师可以根据今天所讲的内容，用实例来讲出来，这将会大大提升学生对物理的兴趣，从而使学生有自主学习的能力。
3.2老师应引导学生掌握正确的学习方法
根据在各个高校的走访调查我们应让学生理解地去记某一个知识点，只有理解地记住了，才能更灵活地应用于任何一个大框架上。还有一个最重要的问题就是，老师要利用有效的时间来和同学进行沟通和交流。并在课后安排适当的小实验，慢慢培养学生的自主学习能力。养成了好的学习方法，对以后的学习也有很大帮助。
3.3改变在物理教学中死板的教学手段
老师作为传授知识的主体，其所使用的教学方法和手段很重要，这两个是学生直接接触到的东西。在新的教育改革中，教育部提出要转换原有的教学手法，应利用的现代科技的教学技术和设施，在轻松的环境中学到知识，并将其充分吸收。目前高等教育中的教学方法主要是以下几种方法。
3.3.1讲授法
这个方法在高等教育中最常见且最常用的一种教学方法，主要是以老师为主体，将知识点通过语言来传授给学生。但在应用此教学方法时应充分发挥老师的主动地位，调动同学们的积极性，提高讲课的效率。还应注意，在此种教学方法中老师要培养学生的判断及思维能力。
3.3.2实验法
实验法是教学方法中理论与实践相结合的一种教学方法，让学生自主观察实验变化得出结果，从而获得知识的一种有效途径。
3.3.3讨论法
在现在的高等教育教学中一场大型的讨论会的开展是困难的，因此讨论法在教学方法中一直占领着比较主要的位置。讨论法不仅可以考验学生对知识的掌握能力，还能锻炼学生的沟通表达能力。
总结：
我们在大环境下要充分考虑我国的国情和教育水平，对大学物理教学方法不断的改进和完善。通过调查得出以上方法对学生学好大学物理有很大的帮助，对教师在进行授课时也起到了指导作用，只要我们对未来的教育前景充满希望，在不断地摸索中一定会大大提升物理的教学质量。
参考文献：
关于线上教学的研究报告范文2
差异教学思想;高职院校;文化基础教育;必要性;应用路径
摘要:
差异教学思想的核心内涵是从学生个体差异出发，进行有差异的教学，促进学生的差异化发展;差异教育思想应用于高职文化基础教育的必要性源于高职学生的个体差异性、高职文化基础教育的价值实用性和行业渗透性。应用路径包括提供多元化教学方案、运用信息化教育技术和进行常态化测评诊改等，最终形成一套能体现高职院校办学特色的文化基础教育教学模式。
文化基础教育是高等职业教育的重要组成部分，是立德树人，提高学生文化素质、科学素养和综合职业能力，促进学生全面发展、可持续发展的重要环节。为创新高职院校文化基础教育，提高高职院校人才培养质量，有必要在高职文化基础教育中引入差异教学思想。
1差异教学思想概述
1．1差异教学的定义
差异教学的定义较多，其中最广为使用的是华国栋在《差异教学论》一书中提出的:“在班集体教学中立足于学生个性的差异，满足学生个别学习的需要，以促进每个学生在原有基础上得到充分发展的教学［1］”。这里的学生个性差异既包括性格、兴趣方面的差异，也包括基础水平、学习能力和认知风格上的差异。
1．2差异教学思想的核心内涵
差异教学继承和发展了孔子因材施教的教育思想，以马克思关于人的发展学说、建构主义学习理论、多元智力理论为基础，反思了传统划一式教学的弊端，适应了人个体发展和社会发展的双重需要［2］。差异教学思想的核心内涵可以归纳为三个方面。
1．2．1从学生个体差异出发
无论教育者采取何种态度，学生在生理、心理和社会性方面的差异都客观存在。差异教学就是要尊重差异、利用差异，把学生的多样性当成是教育资源，通过教学前、中、后期的多种形式的测查和诊断，掌握学生的学习兴趣、状态、趋势和个体差异，为教师有针对性地进行教学设计和组织课堂活动提供依据，使教与学始终保持高度匹配。
1．2．2进行有差异的教学
在教学组织形式上，差异教学以班级为依托，但不局限于班级授课，教师可以根据教学目的和学生学习需要，灵活安排大班讲座、小班讨论、小组合作、独立练习乃至课外自主学习、网络在线学习等多种教学形式。在内容、进度和成果上，差异教学为学生提供多元化选择。通过对教学输入、过程和输出三个要素进行差异处理，为不同起点、不同认知风格的学生提供不同质量的学习内容、不同进度的教学安排和不同形式的考核方法，使基础水平各异的学生都面临稍有挑战性但在教师帮助下可以完成的任务，推动他们超越原有水平不断掌握更高层次的知识和技能［3］。在教学方法上，差异教学手段应该多样化以适应不同学习风格和思维类型的学生。对起点较低的学生可多呈现直观材料，起点中等的可多用辅助练习，起点高的可多提问题、布置任务或项目等。无论何种教学方法，都力求启迪学生思维、扬长避短，同时注重情感交流、动态调整，以增进教学效果。
1．2．3促进学生的差异化发展
天生我材必有用，教育不应只用一个模子塑造人。差异教学尊重每个学生的特殊性，通过与其相适应的教学活动帮助他们发现自己的优势、制订针对性的学习计划、最大限度地开发潜能，在原有基础上实现个性化发展。实际上，世界上任何两个学生的学习过程和发展轨迹都不可能完全相同。在当前我国人才同质化严重的背景下，教育更应在客观条件允许的情况下最大可能地尊重个性，创造条件帮助学生更好地发展个性、成就个性，更好地满足社会发展对人才的多元化需求。
2高职文化基础教育引入差异教学思想的必要性
现代职业教育要坚持立德树人，关注学生职业生涯和可持续发展，就必须加强文化基础教育，发挥人文学科的独特育人优势。然而高职学生的个体差异性、高职文化基础教育的价值实用性、高职文化基础课程的行业渗透性都体现出了引入差异教学思想的诉求。
2．1高职学生的个体差异性呼唤差异教学
高职院校生源结构的复杂性和日益严峻的招生压力使学生之间的个体差异持续拉大，而且文化基础课程学习动机严重分化。
2．1．1准备水平差异巨大
高职学生入学时的基础课准备水平普遍参差不齐。以常州某普通高职院校为例，2014年新生入学时进行的摸底考试结果显示:英语平均35．6分，标准差13．9，极差达到80;数学平均58．4分，标准差22．2，极差高达90，两科成绩均不符合正态分布。统计分析表明，高职新生的基础课起点水平差异极大，无法定义一个明显占大多数的中间群体，划一式教学模式失去了适用的前提。
2．1．2学习动机严重分化
除学业水平外，高职新生的基础课学习动机也有明显分化。以英语课程为例，随堂调查发现，学生学习英语的动机多达4～5种之多，分化严重，有感兴趣为掌握英语交际技能的，有为考试及格拿B级证书顺利毕业的，有为通过英语四级以求更好就业的，有为升入本科的，还有一小部分学习目标不明得过且过的。对于这样的学生群体，如果用同一套标准来要求，必定会令部分学生潜能受到抑制，部分学生感到望尘莫及，教师难以取舍、无所适从。因此，引入差异教学思想，提供多元化学习方案，帮助学生根据准备水平、兴趣爱好进行合理选择，是适应学生差异化学习需求、提高文化基础课教学质量的必然要求。
2．2高职文化基础教育的价值实用性要求差异教学
高职文化基础教育的价值追求落脚于实用，原则是“实用为主、够用为度”。那么问题在于:文化基础课程体系中哪些内容“实用”?学多少“够用”?显然，对我国高职教育40000多个专业点、800多种专业来说，回答不能一概而论。例如经济与贸易、旅游、涉外服务等行业一般要求毕业生具备较高的中、英文应用能力，而机械、电子、IT等行业对毕业生语言能力的要求就相对较低［4］。要贯彻实用、够用的理念，不同专业学生的基础课程教学就必须体现出质和量的差异，应用差异教学理论，在教学过程中不断探索、总结适用于不同专业学生的“实用”和“够用”标准。
2．3高职文化基础课程的行业渗透性需要差异教学
较普通本科教育而言，高职教育不是“量”的压缩，而是有“质”的区别。高职教育具有明确的职业针对性和更强的职业敏感性，需要持续推进与产业结构调整、行业转型升级相配套的教育教学改革，促进高职教育与社会需求紧密对接，才能保证高职毕业生很快能在对口岗位就业，在人才市场上适销对路［5］。这就要求高职文化基础课程不仅要培养学生的基础文化素质，还要为学生的专业发展服务，在教学过程中渗透行业特点和职场需求，面向不同专业或专业群提供多种与其人才培养目标相匹配的课程内容、教学计划和考核方式，为搭建学生多路径成才的立交桥筑牢文化地基。
3差异教学思想在高职文化基础教育中的应用路径
要贯彻从差异出发，实施有差异的教学，实现差异化发展的教学思想，高职文化基础教育需要重新审视现行教育过程的各个具体环节，运用最新的教育技术成果，在实践中常态化地进行质量诊断和改进，逐步形成一套能适应学生需求、发挥教师特长、体现学校特色的高职文化基础教育模式。
3．1设计多元化教学方案
文化基础教育的时空范围不应该局限于课程表上规定的时间和教室，而应该覆盖到从学生入学到毕业的整个时间跨度和线上线下的所有学习空间。课程团队应立足全校，宏观分析生源层次结构、专业类别分布和人才培养目标，设计多种可选择的文化基础课程教学方案和整个高职阶段的文化基础素质提升路径，并配备丰富的内容资源和完备的答疑指导。组织形式上，同质分组与异质分组相结合，大班教学、小班教学和个别辅导相结合，线上学习和线下学习相结合，课堂教学与社团活动相结合;课程内容上，不同难度的基础模块和服务各类专业的行业模块相结合;教学方法上，基于任务、问题或案例的交际型和启发式教学法与基于识记、练习、模仿、运用的刺激－反应－强化式行为主义教学法相结合;考评方式上，纸质考试与口头汇报、作品展演、解决方案、创意方案、创新创业项目、调查报告、研究报告等相结合。面对多种教学方案，每个学生都可以参考自己入学阶段起点水平测评的详细结果和专业背景、智力水平、认知风格、学习动机、情感态度等因素，并听取教师的合理化建议，找到适合自己个性的学习方案和素质提升路径。
3．2运用信息化教育技术
随着互联网和视频技术的迅猛发展，慕课、翻转课堂、微课、信息化教学、移动学习、大数据等新教育理念和手段不断涌现并迸发出惊人的活力。新的教育技术不仅适应了学生作为数字时代原著民的学习方式，拓展了学习的时空界限，更重要的是满足了每个学习者的个性化学习需求。同一个视频内容，每个学生可以根据自己的习惯偏好、时间安排和接受能力调节观看的时间、地点和频次，并且能避免课堂教学中的学习节奏不同步带来的干扰和焦虑，从而能更加轻松和专注地投入学习、理解知识、掌握技能、获得进步。教师可以实时监控每个学生的学习状态和进度数据，从而进行针对性的课堂教学设计。信息化教育技术的这一特点与差异教学思想的要求高度契合，真正做到了尊重差异和照顾差异，因此合理运用信息化教育技术并促进其在高职文化基础教育课堂中落地，是提高教学效率、改善教学效果、使每个学生获得充分发展的有效途径。
3．3实施常态化测评诊改
差异教学思想给教学实践提供了理论指导，但教学实践中还会有许多新的问题涌现，学生差异也不是一成不变的，而是动态发展的，因此必须实施常态化的教学测评、诊断和改进。根据差异变化而变化，才是差异教学思想的真谛。班级层面:每个学生在每堂课、每天的学习中，收获都是有差异的，每经过一段时间的教学之后，学生的差异会发生变化。教师就需要通过提问、活动、作业、任务小测验或大规模考试等各种形式关注学生的学习状态和变化趋势数据，才能跟上学生的差异变化，满足新的差异要求。在学校层面:需要汇总来自各个班级、教师的源头数据与信息，作为开展内部教学质量诊断和改进的依据，通过多元诊断的方式及时发现文化基础课程教学质量问题，以开放动态的标准，吸收管理方、举办方、实施方、成才方及其他相关各方的诊断意见与知识成果，保证差异教学思想有效实施，提升学校文化基础教育的质量［6］。
4结语
加强学生文化基础和思想文化素质教育是切实提高高职院校人才培养质量的重要保障，是高职院校内涵建设和品牌树立的重要内容［7］。以人为本应用差异教学思想是改革学科本位传统教学模式，改善文化基础课程教学效果的创新选择和有效手段。应用差异教学思想的关键在于全方位、全过程贯彻“从差异出发，实施有差异的教学，促进差异化发展”的理念。应用路径包括提供多元化教学方案和素质提升途径，充分发挥信息化教育技术的助推作用，实施常态化的测评、诊断和改进。应用目标是保持教学活力，保证教育质量，逐步形成一套能体现高职院校办学特色、能主动适应经济发展新常态、能最大限度发展每个学生潜力的高职文化基础教育教学模式。
作者：黄英明 单位：常州工程职业技术学院英语教育与研究中心基础部
参考文献:
［1］华国栋．差异教学论［M］．北京:教育科学出版社，2007．
［2］曾继耘．差异发展教学研究［M］．北京:首都师范大学出版社，2006．
［3］卡罗尔•安•汤姆利桑，阿兰．差异教学的学校领导管理［M］．杨清，译．北京:中国轻工业出版社，2005．
［4］安晓灿，周龙．与时俱进，深化高等职业教育英语课程教学改革:《高等职业教育英语课程教学要求》研究报告［J］．中国外语，2010(4):4－7．
［5］潘懋元．高等教育大众化的教育质量观［J］．江苏高教，2000(1):6－10．
关于线上教学的研究报告范文3
关键词：问题转化；微积分；极限；微分中值定理；定积分
微积分是高等数学的主要内容，是一般非数学类专业大学生的重要基础课之一。关于学生学习该课程的作用在教育部高等学校“数学与统计学教学指导委员会”的《数学学科专业发展战略研究报告》[1]中指出了五个方面：提供必要的数学工具，学会数学方式的理性思维，领会数学文化，培养审美情操以及为终身学习打下基础。这是在现阶段对高等数学教育的指导性文件。其中的工具和基础作用是以往一直强调的，而数学思维以及文化和审美方面在过去并未受到足够的重视。我们认为：思维方式的培养应该以概念、理论等知识点为载体，教师在点点滴滴的教学中有意提升，使这项工作日常化，形成习惯。至于文化和审美方面的培养则需要更高理念的支持。
数学思维方式有很多形态，如归纳、类比、转化等等。其中问题转化是数学中最基本最常用的一种思维方式，它的基本思想为将一种形式的问题转化为另一种形式的问题，将较难的问题转化为简单的问题，从而实现问题解决。这里作者就问题转化思想在微积分教学中的应用谈谈个人的想法和做法。
1 从极限的描述性定义到数学定义的转化
众所周知，极限是整个微积分的基础，它的定义在微积分各部分内容中都有应用。但很多学生在学到极限的数学定义时，无法将其与形象直观的描述性定义画等号，从而产生排斥心理。这种情况甚至影响了他们后继学习高等数学的兴趣。在教学中如何实现从极限的描述性定义（下面简称为A）到数学定义（下面简称为B）的转化是每个教师面临的一大考验。这里我们介绍一种分段转化的教学模式[2],即在A，B中间插入两种过渡形式A1，A2，下面是数列极限从描述性定义到数学定义的分段转化：
A：当n无限增大时，xn无限接近于a；
A1： 可以任意小，只要n足够大；
A2： （ 为事先给定的一个正数，无论它多么小），只要n足够大；
B：对于任意给定的一个正数 （无论它多么小），总存在正整数N，只要n>N，就有 。
对于函数极限的定义，可类似进行分段转化：
A：当x无限接近于a时， 无限接近于A；
A1： 可以任意小，只要 足够小；
A2： （ 为事先给定的一个正数，无论它多么小），只要 足够小；
B：对于任意给定的一个正数 （无论它多么小），总存在一个正数 ，只要 ，就有 。
恰当地为难于理解的概念设置铺垫是教师在教学中发挥作用的主要方面。李大潜院士在文[3]中指出：教师“要遵循学生的认识规律，要设身处地的站在学生的角度来思考，不应该把自己的高观点直接加到学生身上。拔苗助长的做法只能影响学生打基础，不利于他们今后的成长。”教学实践表明，对极限定义的分段转化符合学生的认知规律，能够尽快实现学生对极限数学定义的认同，进而使学生在解决问题中自觉运用极限的思想方法。这种转化也为定性描述到定量定义提供了一种范例。
2 四个微分中值定理的转化
作为一元函数微分学应用的基础，中值定理是微积分的核心内容之一。从罗尔定理，到拉格朗日中值定理，再到柯西定理，最后到泰勒中值定理[4],四个定理逐渐深入，层层递进，充分展现了一元可微函数的性质。但这里因为定理多，理论性强，学生在学习中感到吃力。在这一部分教师的作用就是将知识条理化，帮助学生由低级到高级，由简单到深入地理解和掌握这一块知识。
首先看罗尔定理，它告诉我们对于闭区间上连续、开区间内可导的函数，如果还满足两端点函数值相等，那么在区间内必存在一点，函数在该点的导数等于零，也就是在曲线上有一点处的切线平行于x轴。其次，罗尔定理可以推广为拉格朗日中值定理：去掉两端点函数值相等的条件，结论就是曲线上有一点处的切线平行于两端点的连线。而罗尔定理仅仅是拉格朗日中值定理的特殊情况。但是一般情形的导出又恰恰是通过将问题转化为特殊情形实现的。这里蕴含了重要的方法论价值。将拉格朗日中值定理中的曲线以参数方程表示，这可以得到第三个中值定理—柯西定理。并且拉格朗日中值定理还是柯西定理的特例。在问题形式不断转化的过程中，知识就这样一步步展开。最后是著名的泰勒中值定理。因为和泰勒级数的交融关系以及在工程技术中被高频使用，泰勒中值定理实际上是微积分中的一个重量级公式，尤其是在工程师们的眼里。
这个定理因为涉及到高阶导数使得我们无法像前面一样给出直观的解释，但就是这个看起来十分繁琐冗长的结果却可以通过连续运用柯西定理推导出来。这正体现了自然界中的一个常见规律：简单问题叠加后将不再简单；复杂问题往往可以分解成若干简单问题。泰勒定理之精妙所在还在于将微分表达式中的线性主部推广到了任意次多项式，并且将高阶无穷小给出了具体表达式，使人们不仅能够对函数的近似表示有所选择，而且可对误差进行控制。可以说泰勒公式将微分中以直代曲的思想进行得完全彻底。再回头我们会发现，在泰勒定理中n=0时的特殊情况就转化成了拉格朗日中值定理。从而可以将朴素的拉格朗日中值定理蕴含于泰勒定理中。
中值定理的演化犹如人类社会的演化，时而平缓，时而急剧，但一直在起作用的恰恰是最基本的规律。通过教师的有效整合，可以将该部分的各知识点有机地串联起来，形成一个网络。既便于学生理解掌握，又承载了一定的思想方法，收到一举多得的效果。 3 洛比达法则的使用
作为微分中值定理的应用范例之一是洛比达法则[5] ，它是微积分中又一个十分经典的问题转化的案例。洛比达法则有多种形式，但核心都是求未定式的极限。在一定条件下两个无穷小（或无穷大）比值的极限等于它们分别求导后的比值的极限。这里需注意的是法则并没有告诉我们极限值是多少，只是将原来的比值极限转化为另一种形式的比值的极限。使用洛比达法则的前提之一是后者的极限易求出。我们只是通过这种转化将问题由繁化简、由难化易，直至最后解决。这里如果问题朝着相反的方向转化，那就要立即停止，另想它法。在教学中教师强调这种转化可以提醒学生进行积极有效地思维，并有意识地训练问题转化思想的运用。
4 关于定积分的定义与性质
初学定积分的人会感觉其定义及其繁琐。为减轻初学者的心理压力，教师可以将冰冷的定义转化为通俗的语言。事实上，定积分蕴含了重要的变量求和思想，这种思想在科学研究和工程计算中十分常见。概括地讲定积分可以分为四步：①分割：将一个量分为若干个小量；②近似：对每个小量进行近似，这里的关键技术是用常量代替变量；③求和：将所有小量的近似值相加；④取极限：当分割无限加细时总量近似值的极限即为其精确值。
类似的事情在二重积分上发生了，仅仅是变量从一个发展到两个，问题的形式和解决的方式可以说是完全重复。那么三重积分的情况怎样呢？也只是再多一个变量而已。如此一来我们就通过这种升级转化实现了一重积分到二重积分、三重积分的过渡。不仅如此，对于两类曲线积分和两类曲面积分也可以继续沿用前面问题转化的思想，顺利引出相应的定义。至此，七类积分的全貌已现，而我们也可以重新归纳积分的本质，即是对可变量的求和。
除了定积分的定义，定积分还有七个著名的性质。由于这些性质的证明要用到定义，而定义形式又具有一致性，因而相应地产生了其他类型积分的性质。不过第二类曲线积分和第二类曲面积分的性质稍有不同，需加注意[6]。
5 微分方程中的问题转化
解微分方程的目的是寻求方程的通解或特解，其中最原始的方法是积分。由于积分问题本身的难度，使得人们十分关注那些能够积出来的方程类型，而对于其他类型的微分方程只好试图通过问题转化化成已解决的类型，因而在这里转化的工作司空见惯。如齐次方程就是通过变量代换化为可分离变量的方程，甚至包括可化为齐次方程的方程类型。另外关于可化为一阶方程的二阶微分方程也总结了三种类型。
特别值得一提的是在解常系数线性微分方程时，我们引入了一个重要的代数方程—特征方程，将原问题的解的形态完全转化为相应的特征方程的根的情况。这种转化将微分方程问题转化为代数方程问题，这种跨领域的转化大大降低了问题的难度，成为问题转化领域的又一个经典案例。
6 结束语
关于线上教学的研究报告范文4
关键词 开放大学;学习支持;学习者特征
中图分类号 G724.82 文献标识码 A 文章编号 1008-3219（2015）32-0063-03
当前我国开放教育的生源以成人为主，来源复杂，学习者在个性特征、学习需求、学习动机等方面均有着不同程度的差异。因此，对开放大学学习者特征进行调查分析，是我国开放教育研究与发展的基点。
一、开放大学学习支持体系建设应以学习者特征为基点
国家开放大学作为新型高等院校，学习者无论在年龄、地域、专业、职业等人口学特征方面，还是在个性心理、学习心理等方面都有着较大差异。随着产业升级转型与我国城镇化进程的深入推进，全国各地的区域内经济发展与人才需求也产生了不同程度的变化，对人才的通用技能与专业技能的要求也日益精细，作为致力于提供应用技术型人才的国家开放大学，学习支持系统是其教育的核心，包括学习辅导、学习规划、学习资源提供以及教学服务支持等活动形成的一个综合系统。学习支持系统的目的是给予学生持续的关注，从而提升学习效果及学习质量，但学习支持的具体类型、方式、强度、频率等则应该因人而异。
为了更好地了解我国开放大学学习者特征，调查组对东北地区的辽宁省电大、吉林省电大、黑龙江省电大;南方的华东地区―安徽省电大、华南地区―广东省电大、华中地区―湖南省电大、西南地区―四川省电大;北方地区的华北地区―天津省电大、西北地区―陕西省电大全部发放了“国家开放大学学生问卷”。本次调查人员均经过统一网上培训后开展问卷工作，对指定研究对象进行测量指导，调查过程中全国问卷各地区设立登录用户名和密码，以方便管理和数据统计。为了更好地完成全国问卷的采集工作，特补充了电子版问卷和邮寄纸质版问卷两种收集方式，并统一设定指导语，由各省参与问卷成员培训后在本省进行测试，全国回收问卷2305份，其中东北地区回收问卷1021份，辽宁省电大533份、吉林省电大142份、黑龙江省电大346份。
二、国家开放大学学习者特征
本研究将开放大学学习者特征划分为人口学、学习环境、学习心理、个性心理四个特征，课题组根据不同维度设置了相应的题目，调查研究结果分述如下。
（一）人口学特征
人口学特征，主要包括生理特点、社会特点、经验、地理特点四个子维度。其中，生理特点子维度，包括受访者的年龄、民族、婚姻状况共三个条目。调查显示，东北地区、南方地区与北方地区三个区域内的受访者年龄跨度为15岁至40岁以上，主要集中在15～35岁之间，已婚者约占受访者的48%。
社会特点子维度，包括身体状况、专业、城乡、工作状态、受教育情况、工作时间共六个条目，也分别反映了国家开放大学学习者的特征差异。城乡方面，东北地区与北方地区的调查结果显示，53%与52%的受访者来自城市，而在南方地区，来自城市的受访者仅有35%，区域差异较为明显。此外，调查显示，受访者专业差异也较大，如表1所示。
在东北、南方、北方三个地区，学习者的专业均有不同程度的差异，这与地区的经济发展及社会环境息息相关。另外，上述三个区域内调查对象的工作状态较为均匀分布在事业/公务员、国企、私营、待业、其他五个选项中。学习者不同的专业与工作状态，决定了其学习需求与目标之间相应地存在着差异。
除上述子维度之外，经验子维度包括独生子女、计算机操作技能、每日上网时间共三个条目;地理特点子维度则包括性别、经济状况两个条目，调查也显示出了各区域内与区域之间，开放大学学习者的基本特征存在着较大的差异，这也就决定了国家开放大学的学习支持体系建设应对远程学习者进行分类，因材施教，因需施教。
（二）学习环境特征
学习环境维度包括了学习条件、求助方式、学习时间、学习距离、求助对象共五个子维度，其中，求助方式与求助对象子维度采用访谈法获取质性数据，学习条件、学习时间、学习距离三个子维度通过调查研究方法获取数据。
学习条件子维度通过调查受访者的上网学习时间、学习策略及学习方式来进行分析，结果显示三个地区学习者的具备上网学习条件的时间主要集中在1～3个小时范围内，学习策略方面独立学习、合作学习及两者结合的策略分布较为均匀。学习方式方面，则以授课为主，东北地区占比45%;南方地区占比56%;北方地区占比44%。
学习时间与学习距离方面，以培养模式和学习动机为调查条目，东北地区数据表明，学习者全日制学习占28%、业余学习占38%;自愿学习占27%、被动学习占7%。整体而言，三个地区都以自愿的、业余的学习为主。而三个地区的学习动机均以涨工资为首要选择，提干、兴趣、提高能力、评职称等选项则各有分布。
（三）个性心理与学习心理特征
个性心理维度分为学习动机、自我效能感、归因三个子维度，其中，归因子维度要求受访者将取得成绩的原因从能力、努力、任务、运气、身心状态、外界环境等方面进行归类，三个地区的受访者都更倾向于能力归因与努力归因，东北地区分别占比48%与33%;南方地区占比45%与35%;北方地区占比45%与35%，体现出开放大学学习者的自我效能感更强。
学习心理特征维度分为五大策略，分别是资源管理策略、认知策略、动机策略、创造性策略、元认知策略，每个策略以李克特五点量表为模型列出3～4个陈述条目，请受访者根据自己的认同程度进行选择。学习心理特征维度的调查表明，各条目的认同程度均呈现出较为认同的趋势，主要集中在非常符合、比较符合、不确定三个选项中，比较不符合与非常不符合两个选项占比较小。整体而言，开放大学学习者的自我效能感与认同度均比较高。
三、国家开放大学学习支持体系建设策略
综上，我国开放大学学习者的特征：第一，基本特征差异较大;第二，学习环境有所改善;第三，自我效能感与自我认同度较高。基于上述特点，我国国家开放大学学习支持体系的建设应围绕着以下三个方面展开。
（一）打造个性化培养模式
以英国开放大学为例，其提供给学习者的支持性资源包括网络导学材料、纸质教材、专门的作业本、广播电视及传统的音像带录像带等。学习者可根据自身的基本情况选择最为适合自己的支持性资源，选修对自身最有用的课程及内容，而不必拘泥于单一统一的课程安排。要将课堂面授与网上讨论的联动、实体小组与虚拟小组的联动，把线下教学活动和线上后续反思、反馈、交流有效融合，增强学生的参与意愿和学习的深度。基于当前我国开放大学学习者在年龄、专业、工作状态乃至学习动机方面的巨大差异，国家开放大学的学习支持应根据不同的学习者，打造个性化的培养模式，以提升开放教学的效果与质量。
（二）学习支持系统现代化
开放大学自建立以来，学习支持系统已经由传统的电视与广播授课辅导模式，发展为以网络授课为主，电视广播授课网络为辅的多元化的学习支持系统。当前我国开放大学学习者的学习环境得到了改善，上网学习的时间不断增长，基于此，我国开放大学学习支持系统应该逐步现代化，以适应当前大数据时代对知识信息资源传播速度的要求。要充分挖掘平台数据，加强课程资源建设，依据数据分析和观察员反馈对不同类型的课程进行针对性改进。设置网上教学观察员，对各类网上教学情况进行观察、督促，表扬先进或提出改进建议，有针对性地改进课程。
（三）学习支持以服务为导向
以成年人乃至已婚者为主要群体的开放教育，面对的群体与传统的基础教育、高等教育截然不同。对上述已经具备一定社会经历的学习者，调查显示，开放大学的学习者具备了较高的自我效能感与自我认同感，他们能够根据自身情况制定相应的学习规划。因此，国家开放大学的学习支持应该以服务为主，即提供优质、便捷、多元的教学资源;建立教务处、教学部、办学单位3级网上导学活动组织与管理架构，由教务处负责统筹、创新引导、推广、效果评价，教学部负责设计导学主题、月度规划、具体实施，办学单位负责组织学生参与、跟踪反馈参与情况，通过实施分工明确且具有针对性的教学管理工作，更好地为学习者服务。
参 考 文 献
[1]杨志坚.国家开放大学建设：改革与创新[J].中国远程教育，2013（4）：5-10.
[2]韩益睿.国家开放大学专业课程设置发展思路[J].甘肃广播电视大学学报，2012（4）：81-83.
[3]任为民，施志毅.建设国家开放大学的几点思考[J].现代远程教育研究，2010（3）：3-9.
[4]任为民，施志毅.国家开放大学建设中几个亟待解决的问题[J].现代远程教育研究，2011（2）：9-13.
[5]课题组，王迎，赵婷婷，朱煜，王立，魏顺平，齐坤，张凤龙.国家开放大学学习者研究报告“开放大学教学质量保证体系的研究与实践”[J].中国远程教育，2014（5）：20-26.
[6]王清莲.关于开放大学课程设置问题的思考[J].济南职业学院学报，2014（5）：36-38.
[7]彭丽茹，王璐. 开放大学学习者学习需求调查与分析[J].云南开放大学学报，2015（2）：11-14.
[8]黄海波.网络环境下远程开放教育学习者特征分析[J].广东广播电视大学学报，2007（2）：14-17.
On the Strategies for Construction of Learning Support System of National Open University
Yang Haizhen
Abstract Through the investigation on learners of open universities nationwide， it is found that the learning environment is good， and the self-efficacy and self-identification of learners are higher，but there are large difference in learning characteristics between learners. Based on the above-mentioned characteristics， the construction of learning support system of National Open University should give priority to the service function， focus on building personalized training mode， strengthen the modernization of learning support system， provide quality， convenient and diverse teaching resources for learners， so as to better serve the learners.
关于线上教学的研究报告范文5
【关键字】计算机基础公共课；分布式认知；计算思维
一、引言
我们处在一个科技高速发展，信息爆炸增长的年代，计算机、网络正改变着我们的生产、生活方式，使用计算机的技能，已经成为每一个人在现代社会中发挥职能的必备技能。但高校计算机基础教学却处于一个非常尴尬的境地，现在的学生在中小学阶段就已经掌握了计算机的一些基础知识，大学还要不要教授计算机基础课程每年都在讨论。
二、高校计算机基础公共课现状
以绵阳师范学院为例，计算机基础公共课的教学内容主要集中在计算机工作原理、计算机网络原理，计算机信息安全，程序设计等内容。实验内容主要是针对实用性很强，并且国家一级计算机考试会考到的OFFICE软件来设计实验内容。经过计算机基础公共课教师长期教学实践发现，学校的计算机公共课程教学存在以下几个方面的问题：1、计算机知识在快速发展，还没等到学生毕业，在校学习的知识就已经折旧了。学生在校学习的OFFICE2010，还没有出校门就已经升级为OFFICE2016了。学生在校学习的C语言程序设计，出校门后发现编程已经用不上了。2、高校学生来自不同的地区，计算机水平参差不齐，传统的讲授方法不能兼顾每一位同学，有一定基础的同学对教学没有兴趣，没有基础的同学又跟不上进度。3、非计算机专业的学生的对于计算机理论、概念，及硬件设备之间的工作原理难以理解，他们希望学习使用计算机解决学习、生活中遇到的问题。这些问题不是绵阳师范学院独有的，相信其它高校也同样存在这样的问题。老师们都在说，大学不仅仅是在教授学生知识，更重要的是教会学生学习的方法。我们生活在信息时代，工作和学习开始和计算机密不可分，利用计算机解决问题已成为我们生活、工作的常态。2006年，周以真教授提出了计算机思维的概念，她认为：计算思维是运用计算机科学的基础概念进行问题求解，系统设计，以及人类行为理解的涵盖计算机科学之广度的一系列思维活动[1]。至此，计算机基础公共课改革开始从教授学生计算机原理朝着培养学生计算机思维转变。
三、分布式认知理论的观点
如何培养学生的计算机思维，从认知的角度去思考是一个方向。认知主义认为：学习是学习者内部认知的过程，而信息时代的基本认知方式，是人和智能设备的协同思考和协同思维，称之为分布式认知。关于分布式认知，国内外内涵界定并不固定，分布式认知既是一个新的认知理论，也是一个看待所有认知现象的认知范式或者认知视角，同时还是一种个体在处理复杂问题时所运用的认知方法或者认知策略[2]。（1）分布式认知认为：认知存在于个体/群体和制品（artifact）之中。所罗门（Salomon）提出了一个描述分布式认知的交互模式型，认为个体之间既相独立，又互相影响，认知是一个分布式环境中螺旋式上升的过程[3]。制品在人类的智力活动中能帮助人类转载认知任务，降低认知负荷，如工具、计算机、技术、方法、语言等都属于制品。也就是说，人类认知的优势与计算机认知的优势相互补充，就可以实现更高效率的认知。（2）分布式认知强调社会———物质情境对认知活动的影响。JohnnyChuah、JiajieZhang和ToddJohnson等人认为：分布式认知是对头脑中的内部表征和环境中的外部表征的信息加工过程[4]。也就是说，人类的认知不能脱离真实的情境，需要通过人工制品模拟相应情境，从而构建正确的认知结果。（3）分布式认知强调交流、共享、各要素（人和制品等）相互依赖和制品在分布式认知中的重要作用。罗杰斯（Rogers）认为：分布式认知方法致力于说明人类活动中的智力过程如何超越个体的边界。分布式认知方法取代了那些用个体头脑内部的表征过程来研究人类活动的方式，它试图用相同的表征概念去研究特定活动中的人与人，人与技术设备之间的交互[5]。综上所述，分布式认知认为认知的形成不仅仅是人类个体的行为，它与人类所处的环境，使用的工具密切相关。其中，各种人工制品都可以做为辅助认知的工具，人脑认知和制品辅助相结合，形成一种新的思维模式，提高认知效率和解决问题的能力。
四、分布式认知对计算机基础教学的影响
根据分布式认知理论的观点，计算机是一个制品，是人类认知形式的延伸，学习过程中可借助计算机的认知优势，做为人类认知的补充，提高认知效率，形成计算机思维。这和2009年，《高等学校计算机基础教学发展战略研究报告暨计算机基础课程教学基本要求》提出的计算机基础教学需要达到的四项能力要求：“对计算机的认知能力，应用计算机解决问题的能力，基于网络的学习能力、依托信息技术的共处能力。[6]”不谋而合。根据这一要求，结合和我校的实际情况，经过反复调研和论证，我校的计算机基础课程从下几个方面进行了调整。（1）教学内容理论课程部分，在保留计算机工作原理、计算机网络原理，计算机信息安全，程序设计等内容的同时，加入了计算机思维、算法基础。让学生学习什么是计算机思维，学习算法的基本概念（定义、分类、表达），算法的设计方法（迭代法、递归法、随机法、启发式法等），算法的分析（最坏情况分析、平均情况分析），基本算法介绍（求和、求积、最大/最小、排序、查找、基本的图算法等）。实验课程部分的教学内容不再是单一的办公软件的学习，而是从实际出发，考虑学生会遇到的问题，并提供各种问题的解决途径和方法。学科知识教授与思维能力培养共同进行，相互促进，共同提高。（2）教学模式计算机基础课是公共课，每个班的学生人数在70到100之间，人数众多，学生水平参差不齐。传统的授课方式让所有学生处在同一教学进度下，无法满足不同层次的学生学习需求。乔纳森认为，当学习者使用不同的人工制品来建构思维模型时，可以有效地外显化与协调自我的思维过程[7]。因此，在教学模式的设计上，我们借助了网络平台这个制品，把课程从单一的讲授形式变为线上课堂和线下课堂相结合的混合学习模。我们组织授课教师团队，把课程内容按知识点制作成了5—10分钟一个的教学视频，按照难易程度和教学顺序把它们放在学校的网络云平台上，每一类别的知识都有专门的教师负责教学视频的更新和学生问题的解答。课堂上教师采用了“3+3+3”的授课模式：前30分钟由教师统一讲解课程内容；中间30分钟师生针对学习过程中出现的问题进行讨论，如有同学对知识点还不熟悉可以在网络平台上找到相关视频进行观看、自学；后30分钟由学生分小组完成教师布置的相关题目，有能力的学生还可以选择完成教师给出的拓展题目。网络和教学视频把我们的学习空间拓展了，学生可以根据自身情况选择相应的学习进度，合作探究学习也让课堂氛围变得活跃，学生们协商、合作，自己找到解决问题的途径，培养了学生的自主学习能力和团队合作意识。（3）教学评价教学评价不再以考试成绩做为唯一标准，而是采用过程考核和期末考核相结合的评价机制，重点考核学生在学习过程中有没有形成利用计算机解决问题的思维模式。学生的最终成绩由期末考试成绩和平时成绩组成。期末考试成绩由学生参加理论考试的成绩为准。为了帮助学生掌握相应的知识点操作，我们引进了一套在线考试系统，要求每个单元的学习结束后，学生都得用这套系统进行练习，分数达到老师要求后才能进入下一环节的学习。利用这套系统帮助学生学习后，我校的计算机一级过级率有了显著的提高。但理论考试的成绩并不能代表学生的动手能力和创造能力，所以在评价中，我们非常注重学生在学习过程中的表现。学生的平时成绩由每一次小组作业完成情况决定，分数构成为：小组成员评价分数+小组互评分数+教师对小组评价分数。这样的评价方式有利用我们在教学过程中发现一些学习能力、实践能力非常强的学生，把他们纳入我们的学生科研团队中，通过教师的引导迅速的成长，为今后进入社会工作打下坚实的基础。
五、总结
中科院院士戴汝为认为：“人脑和计算机都是信息处理的工具，人脑通过经验积累与形象思维，擅长不精确的、定性的把握，而计算机则以极快的速度，擅长准确的、定量的计算，两者充分发挥各自的优势，又互相结合，既能达到集智慧之大成，又由于通过反馈的作用，来提高人的思维效率，从而增强人的智慧”［8］。计算机不再是一个简单的工具，也可以把它看做人脑的一个延伸，在解决问题时运用计算机帮助人类提高工作效率，并把这种方式形成思维定式。因此，高校计算机基础公共课不应该只单纯地讲授计算机原理，而是应以分布式认知理论为指导，借助计算机的优势，把其做为认知的辅助工具，提高认知效率。并且在课程设计中，知识教授与思维训练同时进行，培养学生计算机的认知能力，应用计算机解决问题的能力，基于网络的学习能力、依托信息技术的共处能力，以适应信息社会对人才的需求。
参考文献：
关于线上教学的研究报告范文6
学习分析作为教育信息化的新浪潮，是教育大数据的主要应用领域。泛在网络下的学数据高速增长，线上线下的学习形式不断革新，关于学习分析的研究也随着大数据理念的发展而不断变化。本文通过文献分析法，着重从大数据的视角，对国内外学习分析的研究现状进行综述。首先介绍学习分析及相关概念的发展，从大数据视角探讨学习分析发展的驱动力；然后对比国内外在大数据和云计算技术驱动下形成的学习分析框架、应用领域和关键技术，介绍了整合的学习分析系统平台；最后分析大数据创新给学习分析带来的机遇和挑战。
【关键词】 学习分析； 教育大数据； 数据挖掘 ；智慧学习
【中图分类号】 G434 【文献标识码】 A 【文章编号】 1009―458x（2015）03―0031―07
一、引言
信息时代，大数据的出现正给各个领域的发展带来深刻的影响。在商业领域，大数据研究已经初具规模，其成果正改变着商务活动的营销和运营模式。同样，在教育和科研领域，教育大数据和教育云时代已经到来。
学习分析和教育数据挖掘，是教育大数据的两个主要应用领域。美国新媒体联盟（NMC）在地平线报告中连续四年把学习分析作为影响教育发展的趋势和关键技术[1][2][3]。2011年以来，为了促进学习分析的发展和学者之间的学术交流，每年都会举行一届学习分析与知识国际会议（International Conference on Learning Analytics and Knowledge，LAK）。2013年夏，美国学习分析研究会SOLAR、IEDMS等在斯坦福大学建立了斯坦福学习分析夏季学院，为学习分析研究和应用培训提供支持。目前，分析技术在大学教与学中的应用进展非常迅速，学习分析已经成为教育信息化的一个新浪潮。在2014年美国高等教育信息化协会（EDUCAUSE）的“高等教育信息化十大战略技术”研究报告中，对学习分析的使用情况作了统计：35%的学校建立了课程层面的分析架构；35%的学校建立了业务绩效的分析架构；32%的学校建立了学位指导的分析架构；47%的学校建立了业务情报报告仪表盘[4]。随着教育大数据和教育云计算的发展，学习分析成为了教育信息化与教学互动的“深度融合”[5]。
目前，国际上关于学习分析的研究方向主要集中在学习分析服务框架、分析方法、工具与可视化工具领域；国内主要集中于综述和应用分析[6]。国内的顾小清[7]、李青[8]、马晓玲[9]、韩顺平[10]、吴永和[11]、祝智庭[12]、张羽[13]等学者从不同角度对学习分析的研究和发展做了综述。本文着重从大数据创新的角度，介绍大数据背景下学习分析的概念、驱动力，对比学习分析框架和应用，分析大数据创新给学习分析带来的趋势和挑战。
二、学习分析与相关概念
（一）学习分析的定义与发展
学习分析的定义源于美国高等教育信息化协会的“下一代的挑战”，其将学习分析定义为：使用数据和模型预测学生收获和行为具备处理这些信息的能 力[14]。2011年，首届学习分析与知识国际会议将学习分析定义为：测量、收集、分析和报告关于学习者及其学习情景的数据，以期了解和优化学习和学习发生的情境[15]。新媒体联盟也有相似的定义：利用松散耦合的数据收集工具和分析技术，研究分析学习者学习参与、学习表现和学习过程的相关数据，进而对课程教学和评价进行实时修正[16]。可以说，学习分析在许多方面指的是应用于教育领域的“大数据”分 析[17]。从这些定义可以看出，学习分析的研究对象是学生及其学习情境，研究的基础是教育活动中产生的海量学习数据和学习分析过程中产生的中间数据，研究的目标是评估和预测学生活动，发现潜在问题，为教育活动相关者提供决策支持，以优化和设计学习过程和学习情境。
美国学习分析研究会、学习分析与知识国际会议、美国高等教育信息化协会、英国开放大学知识化研究所（KMI）等学术机构和会议推动了学习分析的发展[18]。学习分析与知识国际会议召开的时间、地点和主题见表1。从会议的主题变化可以看出，学习分析已经由概念发展到应用，由理论研究发展到实践研究。学习分析是在大数据背景下发展的分析技术，第五届学习分析与知识国际会议已经明确将大数据作为主要议题。
表1 LAK历年召开时间、地点和会议主题
[LAK＼&时间＼&地点＼&主题＼&LAK11＼&2011年2月27日至3月1日＼&加拿大阿尔伯达省班芙市＼&学习分析技术、社会和教学等维度的整合＼&LAK12＼&2012年4月29日至5月2日＼&加拿大温哥华市＼&学习分析技术、知识建模和表征、知识工作和分析等领域的现状及发展策略＼&LAK13＼&2013年4月8日至4月12日＼&比利时勒芬市＼&学习分析辩证法＼&LAK14＼&2014年3月24日至3月28日＼&美国印第安纳波利斯市＼&学习分析研究、理论与实践整合＼&LAK15＼&2015年3月16日至3月25日＼&美国纽约波基普西市＼&缩放：大数据，大影响＼&]
（二）学习分析与相关概念
相比商业、物理、生物、气候等领域，分析技术应用于学习领域较晚。学习分析、学术分析、教育数据挖掘、行为分析都是分析方法在教育领域的特定应用。Angela等比较了分析、商业分析、学术分析、学习分析、预测分析和行为分析的定义和关注维度，认为教育数据挖掘、学习分析、学术分析是教育大数据分析中最接近的概念[19]。Ferguson（2012）通过三个问题回答了教育数据挖掘、学习分析、学术分析的区别[20]。教育数据挖掘主要关注的是“如何从学数据集中提取有用信息”这一技术挑战，学习分析则主要关注“如何优化在线学习机会”这一教育挑战，而学术分析则关注“如何在国家或国际层面上最大程度地改进学习机会和教育结果”这一政治经济挑战[21][22]。 G.Siemens和Long对学习分析与学术分析进行了界定[23]。学术分析侧重智能分析在教育领域的应用，强调的是机构、区域、国际层面上的分析，直接受益者是管理机构、投资者、政府部门和教育机构。而学习分析主要关注的是课程和部门的分析，直接受益者是学习者、导师和部门管理者。相比学术分析和教育数据挖掘，学习分析更加强调对学习过程和学习情境的实时优化[24]。
G.Siemens、Baker详细分析了学习分析与教育数据挖掘的联系和区别[25][26]，认为这两个概念都是数据驱动下的教育领域的分析技术，其在研究内容和研究者方面有重叠，目标都是通过数据分析指导和促进教与学[27]。Bienkowski在通过学习分析与教育数据挖掘促进教与学的报告中对以上学者的观点做了详尽的说明[28]。下面通过表2比较教育数据挖掘与学习分析[29][30]。可以看出，学习分析与教育数据挖掘在侧重点、起源和分析方法上都有不同。教育数据挖掘实际上强调自动发现，因此，它侧重于模型和发现模式，关注各个组成部分以及他们之间的关系。学习分析尽管也强调自动发现，但更关注情境和特定干预，注重个性化和自适应[31]。教育数据挖掘重点依赖聚类技术，同时也很依赖智能辅导系统，更加重视建立模型。而学习分析更加强调社会干预，如普遍应用社会网络分析以及话语分析[32]。
（三）从大数据视角看学习分析的驱动力
Ferguson认为大数据技术、教育、政治和经济因素是驱动学习分析发展的主要动力[33]。G.Siemens、RyanS.J.d.Bake等从技术发展角度分析了促进学习分析发展的主要因素，概括为：教育数据量剧增、数据格式多样化、计算能力加强、分析工具发 展[34][35]。从大数据视角，可以将学习分析的驱动力概括为三类：数据驱动、技术驱动、需求和利益驱动。
1. 数据驱动
智能手机、平板电脑、传感器等电子设备在学习情境中的应用已经相当普遍，基于泛在网络的学习数据剧增是驱动学习分析的重要因素。我们处在普适计算时代，移动互联网、物联网等泛在网络改变了学习方式，也为学习分析提供了丰富的数据来源。学习管理系统LMS中存储着大量学生学习数据，学生在线学习保留有大量学习轨迹信息，社交网络中的学习行为更是呈现出急剧增长的数据流趋势[36]。这些数据来源广泛，数量巨大，而且数据格式多种多样。目前常用的学习分析数据主要来自于数据仓库中的基本信息数据，来自于网络服务器的用户浏览日志，以及来自于学习网站和系统挖掘的其他文本数据，例如博客、评论、搜索词等。需要强调的是，数据驱动下的学习分析技术，也带来了学习分析的数据挑战。
2. 技术驱动
大数据关键技术和社会分析技术是学习分析的支撑技术，是驱动学习分析的关键因素。学习分析过程中面临海量数据的采集、存储、分析问题，需要根据社会分析方法，在人的干预下优化学习情境，这些问题离不开强有力的技术支持。云计算技术、物联网技术、语义web技术、移动互联网技术、数字媒体技术都是大数据基础平台与支撑技术。在教育云平台和在线学习环境下，利用物联网和云存储技术采集和存储海量相关数据，利用语义web技术（关联数据技术）管理和利用相关数据。移动互联网设备已经进入学习环境，利用移动互联网技术可以方便地实现在线记笔记、资源分享。还可以通过增强现实技术虚拟学习环境。在云计算方面，云文件系统（GFS，HDFS等）、NoSQL 数据库、Mapreduce计算模式、apache hadoop等开源工具都是大数据下学习分析需要利用的技术工具[37]。这些先进技术，使得基于大样本的、个性化定制的学习分析成为可能。
3. 需求与利益驱动
个性化、多样化的学习需求带来直接的经济、社会利益，需求与利益是驱动学习分析的核心因素。从个人角度看，个性化学习方案的制定需要参考学习分析系统对个人的分析建议；从企业角度看，基于智能分析决策的学习系统和产品更有市场竞争力；从教育机构角度看，学习分析结果可以作为决策的依据。这些利益需求驱动了学习分析的发展。
三、学习分析的框架、技术、应用
（一）学习分析整体框架
很多学者从不同角度为学习分析设计了整体框架。大多数框架关注的是学习分析可用的数据、利益相关者、分析流程、分析工具、制约与限制等方面。Brown and Malcolm认为，学习分析的核心在于收集和分析学习数据，主要包括数据收集、分析、学生学习、受益方和干预五个要素[38]。G.Siemens提出了一个工作流引擎驱动的学习框架。框架由数据采集、分析、预测、调整四个工作流组成。其中数据包括学习者的数据，智能语义和关联数据，个人资 料[39]。通过总结Baker和Dron，Anderson等人的知识管理模型，Tanya Elians提出了一个由四个技术资源和三个循环阶段组成的改进的学习分析框架[40]。四个技术资源指计算机、人、理论、组织机构。三个循环阶段包括六个活动：数据收集（选择与采集）、数据处理（整合与预测）、知识应用（使用和优化）。
M.A. Chatti等认为学习分析的主要步骤是数据采集与预处理、数据分析与行动、后续处理。他们提出了一个由四个维度组成的学习分析参考模型（见图1）。该模型将学习分析分成数据与环境、技术、利益相关者、目标四个维度，并从各个维度分析了学习分析面临的机遇和挑战。与之相似，Greller and Drachsler提出了一个由利益相关者、目标、数据、工具、内部限制和外部约束六个关键维度组成的学习分析框架（见图2）[41]。他们认为，学习分析的利益相关者包括数据主体（学习者）和数据客体（教师、导师、教育管理者），学习分析的数据来自于被保护和公开的学习活动及学习环境数据，学习分析的目的在于预测学习结果和帮助学习者反思，采用的分析工具包括教学理论、机器学习技术和可视化工具，学习分析的实施过程应考虑个人隐私和伦理道德[42]。
图1 Chatti等的学习分析参考模型
图2 Greller等的学习分析框架
Dirk Ifenthaler[43]等着重考虑了学生、学习、课程之间的关系，设计了一个融合多源信息的分析框架（见图3）。该框架整合了在线学习环境中的分析数据（包括个人特征、社会网络、物理数据、课程数据、反馈数据），引进了学习分析引擎、个性化和自适应引擎、报告引擎三个处理阶段。该框架强调了学习环境中数据的异构性和多源性，将数据、分析工具、环境连接为一个具有反馈环节的闭合系统。可以说，它是一种面向服务的架构。
学习分析的整体框架多种多样，这些框架为学习分析应用和实现提供了重要指导。但是，每个框架都有局限性，经过实践验证的框架仍然很稀少[44]。
（二）整合的学习分析系统
目前企业和研究团体已经开发出多种多样的学习分析系统和平台。有些是单独的学习分析系统，更多的是嵌入到学习管理系统LMS和MOOCs平台中的分析工具。一般来说，学习分析工具不能单独存在，常作为“插件”嵌入其他在线学习环境中。美国学习分析研究会的学者提出一个整合的学习分析系统（见图4）[45]，主要包括四部分：分析引擎；适应内容和个性化引擎；干预引擎；仪表盘，报告和可视化工具。
图4 SOLAR整合的学习分析系统
1. 分析引擎
分析引擎是学习分析系统的核心部分。它整合了多个数据处理和分析模块，是学习分析系统的神经中枢。分析引擎包括数据处理、数据分析等核心功能，集成诸如预测、聚类、模式发现、趋势分析等应用模块。分析引擎处理来自学习管理系统、社会网络、物理世界中的学习轨迹数据，数据仓库中的学生基本信息和外部用户指令数据，通过社会网络分析、话语分析、模式发现、机器学习等学习分析技术，形成分析结果，以报告、可视化等技术提供给用户。用户根据这些分析结果做出判断和干预[46][47]。
2. 适应内容和个性化引擎
适应内容和个性化指的是系统能够根据学习分析的反馈和个人习惯偏好优化学习过程、教学设计和学习内容的能力。例如，系统根据学生爱好给学生的选课建议，系统根据用户习惯改善学生的学习体验，系统根据用户偏好推荐合适的内容，等等。适应内容和个性化引擎将分析引擎、系统开发者、学习资料提供者联系起来，在出版商等开发者的参与下，对学习内容进行适应性和个性化定制与推送。
3. 干预引擎
干预引擎使用分析引擎产生的预测模型，追踪学习者的学习轨迹，提供自动的人为的教育干预。干预引擎通过链接给学习者提供学习内容、社交伙伴、导师等资源；通过社交工具，教师可以与学生互动交流；通过预测分析，对问题学生提前引导，对“特别”学生特殊培养。
4. 仪表盘，报告和可视化工具
学习仪表盘呈现可视化的分析数据和报告，方便个人对教学和学习作出决策。学习仪表盘包括四个用户视图：学习者视图、教育者视图、研究者视图和机构视图。不同视图视角不同，但相互关联。根据不同利益相关者的需求，提供不同的数据展示。
参考SOLAR学习分析系统，吴永和等人从学习分析系统输入输出角度，将整个系统分为数据层、分析层、报告层、干预与适应层[48]。数据层主要获取学习者相关学习数据，然后送入系统分析层由分析引擎进行数据分析，之后在仪表盘上按学习者、教学者、管理者三大利益相关者需求产生可视化报告， 并在此基础上对学习者进行干预，完成自适应过程[49]。另外他们还认为，学习分析系统的技术特征应该包括功能模块化、报告可视化、数据多源化，这种观点具有很好的参考价值。
（三）学习分析的关键技术与应用领域
学习分析是教育理论、技术、可视化展示相互协同完成的结果。整体的框架和系统中已经包含了这些要素，下面详细介绍学习分析的应用领域和关键技术。
Marie Bienkowski[50]等人认为学习分析应用领域包括：用户模型（知识、行为、体验），用户建档，领域关键概念模型和领域知识内容模型，趋势分析模型，适应性和个性化模型。不同的应用模型需要不同的分析数据和分析方法。通过情境模拟和参考相关文献，可看到学习分析主要应用领域包括：① 用户模型；② 学习者行为与情感分析； ③ 预测与评估；④ 结构发现与关系挖掘；⑤ 趋势分析与活动干预；⑥ 适应性和个性化；⑦ 监督与控制[51][52]（见表3）。
表3 学习分析应用领域
[应用模型＼&目的＼&所需数据＼&主要方法＼&用户模型＼&构建基础数据仓库＼&学生与课程基本信息、问卷等基础数据（例如姓名、成绩、兴趣、专业等）＼&数据采集与存储、
数据仓库、云存储、
可视化技术等＼&学习者行为与情感分析
＼&学生知识管理、学生行为描述与分类＼&在线用户的学习行为数据（学习偏好，浏览路径，学习痕迹等交互数据）＼&数据仓库技术，话语分析、情绪分析等社会化分析法，学习分析仪表盘等可视化工具＼&预测与评估＼&预测和估计未知参数＼&可以获得的与估测变量相关的样本数据＼&分类、回归、潜在知识发现等有监督的机器学习和统计方法＼&结构发现与关系挖掘＼&识别用户模式、优化系统和学习过程＼&大量样本数据，数据仓库、网络采集的各种用户、行为数据＼&聚类、因子分析、社会网络分析、领域结构发现等无监督算法，关联规则挖掘、序列模式挖掘、模型发现＼&趋势分析与活动干预＼&研究者感兴趣的趋势预测＼&取决于研究者感兴趣的问题，需要时间序列数据＼&时间序列分析、随机过程分析、话语分析、情绪分析等社会化分析法，人为干预、简化人类判断等＼&适应性和个性化＼&提高系统适应性、改善系统、提供个性化建议和服务＼&历史数据和学生基本信息，学习行为等数据＼&内容导航、推荐系统、web挖掘、机器学习算法＼&监督与控制＼&监督、控制、优化、反思学习过程和情境＼&分析后的数据、可视化结果＼&人类判断、可视化工具等＼&]
四、大数据背景下学习分析的机遇与挑战
大数据背景下，学习分析的概念、框架和应用都会随着大数据的创新而发展。同时，大数据思维方式和技术革新也给学习分析带来了机遇和挑战。
（一）大数据创新带来的学习分析机遇
1. 直接的价值利益
大数据创新公司分为三类：基于数据的公司、基于技术的公司、基于思维的公司。大数据背景下学习分析的价值链创新也包括这三个层次的创新[53]。其一，学习管理系统和在线平台上采集的学习者相关数据本身具有很大的价值。基于数据本身的数据公司， 它们没有能力或者侧重点不在分析数据上，它们可以直接出售数据给第三方。其二，处理大数据的云计算、物联网等先进技术掌握在少量高科技公司手中。它们掌握了技术但缺乏数据，主要通过专业的分析技术获得利益。其三，学习分析是一种社会化分析，自适应、个性化的学习需求是推动学习分析的真正动力。基于思维创新的公司通过学习分析创造新的需求和服务模式，从模式创新中获得利益。
2. 学习与教育方式的革新
数字媒体和分析技术的发展，使学习和教育方式日趋多元化和立体化。学习分析也逐渐融合到在线学习、混合式学习、协同学习、虚拟化学习中。学习分析强调基于上下文情境和人为干预，重视适应性和个性化服务，要求环境与用户、教与学良好互动，是智能教学的最佳实践。例如，大规模开放课程平台中，利用学习分析技术挖掘用户信息，根据用户兴趣推荐课程和资料；翻转课堂和游戏化学习过程中，学习分析仪表盘上的结果使学习者能够根据目标和学习习惯主动学习。
3. 对其他学习科学的影响
学习分析对其他学习科学的研究具有积极影响。学术分析、教育数据挖掘与学习分析交叉融合，它们的方法和思想很多时候可以互相借鉴。学习分析融入MOOCs学习环境、学习管理系统、智能导师系统，使这些系统更加智能化。游戏和游戏化学习、翻转课堂、多模态学习、量化自我等学习科学领域的新技术同样受学习分析技术的影响。
（二）大数据时代学习分析面临的挑战
大数据时代的学习分析数据多源异构、分布广泛、动态增长[54]；大数据背景下的学习分析需要强大的数据存储与分析能力；大数据视角下的学习分析关注用户需求，以服务为中心；大数据管理思维下的法律和制度尚待完善。正是这些问题，使大数据时代的学习分析面临挑战。
1. 数据与技术挑战
海量的、非结构化的学习轨迹数据，难以被典型数据库软件工具捕捉、储存、管理和分析，大数据技术创新才能解决学习分析中的基础问题。数据与技术挑战，就是指选取什么数据，建立什么模型，如何处理数据的问题。首先，虽然大数据关注的是数据的关系而非因果，但因为系统的复杂性，混沌世界发现的规律常常出现“蝴蝶效应”，如果不加选择地利用不合理的数据，让数据主宰人类决策，必将导致荒谬。其次，被广泛接受和检验的整体框架仍然有待完善，针对特定情境、特定问题、特定用户的学习分析模型和实现较为稀缺。怎样定义问题，如何选择模型，选择哪种算法更有效，这些都是开放的问题。最后，云计算等大数据关键技术尚不成熟，在大数据存储、计算方面还存在很多问题，这些问题也是学习分析的主要技术挑战。
2. 制度和管理能力限制
学习分析不是纯粹的技术问题，还涉及人的干预和优化。制度和管理技能方面的缺陷，直接制约学习分析的应用。其一，学习分析需要花费大量的人力、物力，高额的成本对于一般教育机构来说难以接受。其二，学习分析需要聪明的消费者来使用数据，传统的教师和管理者可能不具备分析和使用数据的能力，甚至抵触学习分析工具的使用。其三，学习和教育是一个社会化过程，研究和发展适应性和个性化的分析方案是学习分析的永恒话题。
3. 道德与安全挑战
大数据背景下的学习分析，面临道德与安全的挑战。学习分析的道德与安全挑战分为三类：数据位置和数据解释问题；许可、隐私管理和匿名化问题；数据分类和管理问题[55]。学习分析需要获取用户信息，管理用户数据，不可避免会涉及用户隐私。另外，和学习分析相关的法律制度、道德引导、安全技术尚未明晰。例如，google曾因为使用 Apps for Education套件扫描了数以百万计的学生的电子邮件信息，并将之用于创建“隐蔽”的广告配置文件而遭。
五、总结与展望
大数据的管理思维变革给学习分析带来了机遇和挑战。随着云教育平台、MOOCs等的应用，学习分析的形式和应用将更加广泛。学习分析是教育信息化的新浪潮，在应用中存在各种挑战。面对这些挑战，需要将信息化技术与教学过程结合起来，制定明晰的使用规范和管理制度，注重数据安全与隐私保 护[56][57]。传统教与学方式的转变需要一个过程，学习分析技术的大规模应用需要利益相关者的共同努力。
[参考文献]
[1][16] JOHNSON L， ADAMS BECKER S， WITCHEY H， et al. The NMC Horizon Report： 2011 Museum Edition [J]. Austin， Texas： The New Media Consortium， 2011.
[2][17] JOHNSON L， ADAMS S， CUMMINS M， et al. The NMC horizon report： 2013 higher education edition [J]. 2013.
[3] JOHNSON L， ADAMS S， CUMMINS M， et al. The NMC horizon report： 2012 higher education edition， Austin [J].http：//nmc org/publications/2013-horizon-report-higher-ed， 2013.
[4] 刘永贵，郑旭东. 美国高等教育信息化的进展与趋势――EDUCASUE 年度高等教育信息化十大战略议题解读 [J]. 开放教育研究，2009，14（6）：122-126.
[5][26][29][34] SIEMENS G， D BAKER R S. Learning analytics and educational data mining： towards communication and collaboration； proceedings of the Proceedings of the 2nd international conference on learning analytics and knowledge， F， 2012 [C]. ACM.
[6][11][14][18][30][36][48][49] 吴永和，陈丹，马晓玲，et al. 学习分析：教育信息化的新浪潮 [J]. 远程教育杂志，2013，31（4）：11-19.
[7] 顾小清，张进良，蔡慧英. 学习分析： 正在浮现中的数据技术[J]. 远程教育杂志，2012（1）：18-25.
[8] 李青，王涛. 学习分析技术研究与应用现状述评 [J]. 中国电化教育，2012（8）：129-133.
[9] 马晓玲，邢万里，冯翔. 学习分析系统构建研究 [J]. 华东师范大学学报（自然科学版），2014.
[10][46] 魏顺平. 学习分析技术，挖掘大数据时代下教育数据的价 值[J]. 现代教育技术，2013，（2）：5-11.
[12] 祝智庭，沈德梅. 学习分析学智慧教育的科学力量[J]. 电化教育研究，2013，5（03）.
[13][51] 张羽，李越. 基于 MOOCs 大数据的学习分析和教育测量介绍 [J]. 清华大学教育研究，2013，（4）：22-26.
[15][25] SIEMENS G， LONG P. Penetrating the fog： Analytics in learning and education [J]. Educause Review， 2011， 46（5）： 30-32.
[19] VAN BARNEVELD A， ARNOLD K E， CAMPBELL J P. Analytics in higher education： Establishing a common language [J]. EDUCAUSE Learning Initiative， 2012.
[20][22][33][56] FERGUSON R. The state of learning analytics in 2012： A review and future challenges [J]. Knowledge Media Institute， Technical Report KMI-2012， 2012， 1（2012.
[27][35] BAKER R， SIEMENS G. Educational data mining and learning analytics [J]. Cambridge Handbook of the Learning Sciences：， 2014.
[28] BEHREND T S， WIEBE E N， LONDON J E， et al. Cloud computing adoption and usage in community colleges [J]. Behaviour & Information Technology， 2011， 30（2）： 231-40.
[31][32] 魏雪峰，宋灵青. 学习分析：更好地理解学生个性化学习过程――访谈学习分析研究专家 George Siemens 教授 [J]. 中国电化教育，2013，（9）：1-4.
[37][54] 孟小峰，慈祥. 大数据管理：概念，技术与挑战 [J]. 计算机研究与发展，2013，50（1）：146-169.
[38] BROWN M. Learning analytics： the coming third wave [J]. EDUCAUSE Learning Initiative Brief， 2011， 1-4.
[39] SIEMENS G. What are learning analytics [J]. Retrieved March， 10（2011）.
[40] ELIAS T. Learning analytics： Definitions， processes and potential [J]. Learning， 2011， 23（134-148）.
[41] GRELLER W， DRACHSLER H. Translating learning into numbers： A generic framework for learning analytics [J]. 2012.
[43] IFENTHALER D， WIDANAPATHIRANA C. Development and Validation of a Learning Analytics Framework： Two Case Studies Using Support Vector Machines [J]. Technology， Knowledge and Learning， 1-20.
[45][47] SIEMENS G， GASEVIC D， HAYTHORNTHWAITE C， et al. Open Learning Analytics： an integrated & modularized platform [J]. Proposal to design， implement and evaluate an open platform to integrate heterogeneous learning analytics techniques， 2011.
[52][57] BIENKOWSKI M， FENG M， MEANS B. Enhancing teaching and learning through educational data mining and learning analytics： An issue brief [J]. US Department of Education， Office of Educational Technology， 2012， 1-57.
[53] 维克托，迈尔，肯尼思，et al. 大数据时代――生活，工作与思维的大变革 [M]. 杭州：浙江人民出版社，2013.
[55] SLADE S， PRINSLOO P. Learning Analytics Ethical Issues and Dilemmas [J]. American Behavioral Scientist， 2013， 57（10）： 1510-1529.
