An Empirical Study on Learning Path Optimization by Data Collection and Computational Analysis of English Learners’ Behavior in the Era of Big Data
Notice bibliographique
Résumé
Learning path optimization aims to generate and optimize a knowledge learning sequence for learners that best meets their knowledge needs.This study focuses on the important role of online learner behavior in personalized path planning.By constructing a knowledge point difficulty model and a learning behavior prediction model based on online learning behavior, together with a user-based collaborative filtering recommendation algorithm, a personalized learning path is proposed comprehensively.The MOOC websites "College English 1" and "Xuedang Online" are selected as sample data to analyze the online learning behavior of English learners and verify the learning effect of the learning path proposed in the article through the change of students' online time.The personalized teaching model based on the learning path is investigated in practice by taking the college English course in school A as an example.Compared with the traditional teaching mode, the optimized learning path shows a significant difference of 0.01% in the dimensions of learners' "knowledge and skills", "process and method" and "affective attitude".The mean values of the optimized blended teaching mode are 4.12, 4.33 and 4.07 respectively, which are all better than the traditional teaching mode.It shows that the English learning path proposed in this paper is conducive to enhancing students' personalized learning needs and provides a reference for promoting the effective implementation of personalized learning in the information technology environment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».