几乎不可能摆脱数据正在改变我们生活的方方面面的观念。“大”数据通常与人工智能和机器学习等概念以及隐私和安全等道德问题混为一谈。当然，这些想法已经进入教育领域，这意味着数据、学习分析和相关想法将对学校、学生和教师产生影响。但这种效果会是什么样子呢?这对教师职业意味着什么?教师如何准备安全地使用学习分析提供的工具?
我们已经在生活的许多方面被量化了。通常，我们选择这样做 - 跟踪我们每天的步数，或我们阅读的时间，或我们在屏幕上花费的时间。有些人总是以数字和模拟形式这样做。然而，我们现在正在进入“大”数据时代，这在质量和数量上都有所不同。大数据主要有四种特征。首先，数据量 - 它的规模是前所未有的。其次，不同类型的数据(或其种类。第三，生成数据的速度(速度)是一个关键特征。最后，数据的真实性或可信度是一个重要的考虑因素。
教师一直使用数据来指导他们的教学。那么，为什么“大数据”会有所不同呢?答案可能不在于收集了什么数据，而在于如何处理它，正是在这一点上，机器学习和人工智能(AI)进入了对话。在大数据的指导下，据称人工智能可能有能力半自动化或完全自动化教学设计过程，并且这样做比教师本身做得更好。英国政府最近的一些评论表明，人工智能可以通过确保所有学生的优质教学来帮助社会流动，无论其社会经济地位如何。这种关于计算机辅助教学的说法并不新鲜，目前，尽管有一些新闻报道，但这些承诺尚未实现。
虽然全自动干预可能还有一段路要走，但对于寻求加强实践的教师来说，学习分析可能是一个有用的工具。简而言之，学习分析是教育理论、学习设计和数据科学的结合。它旨在将丰富的可用数据转化为可操作的见解，帮助教师做出决策，或者让他们自由地做教师最好做的事情(通过做最好由计算机完成的事情)。
这可能发生在许多不同的级别。Simon Buckingham-Shum(2012)建议学习分析可以在宏观层面运作，例如地区或州，混乱或机构层面，也可以微观层面(与队列或个人用户有关)。对于教师来说，学习分析在中观和微观层面可以发挥作用。两个可能的领域是自动和半自动反馈以及自适应或个性化学习。
在自动反馈中，机器学习算法根据学生收集的数据以及学生的表现是否符合学生成功模型向学生提供反馈。这是一项复杂的业务，可能包括与背景、情感、认知和行为参与相关的措施以及对预期学习成果的预测。目前，像AcaWriter(在UTS试用)这样的工具可以根据学生的写作情况向他们提供自动反馈，但更复杂的用途还有待开发。更常见的是半自动反馈的概念，其中分析可能会揭示需要注意的特定领域，此时教师可以进行干预。例如，快速测验可能会确定班级中的大多数人不理解特定概念;老师可能会决定以不同的方式处理该主题。另一个例子是识别因缺乏参与而面临课程或科目失败风险的学生，允许教师及早干预。
另一种方法是自适应学习。目前，对许多基于技术的教学方法的批评之一是它们是线性的;也就是说，对于具有不同需求、愿望或能力的学生来说，差异化不足。在线课程尤其如此，这些课程通常以逐步的方式提供。这种一刀切的方法可能导致挫折、学习困难和高辍学率。或者，自适应学习系统在每个阶段收集有关学生的数据，可以自动改变学习环境和/或学习活动，以适应学习者的个人情况、特征和需求，从而提供个性化的学习体验。这可以采取提供扩展工作，或提供额外支持或一系列可能的干预措施的形式。
虽然自动反馈和自适应学习目前可能不会从根本上改变教师职业，但越来越多的人要求教育开始更好地利用人工智能提供的机会。这意味着教师需要开始考虑如何提高自己的技能，以便在这些技术可用时使用这些技术。探索学习分析的良好起点，无论是在教师的当前环境中还是在其他地方。
标签：
版权声明：本文由用户上传，如有侵权请联系删除！