基于教育数据挖掘的“探索和理解”问题解决过程研究——以PISA（2012）新加坡、日本、中国上海Log数据为例

发布时间：2021-01-31 15:14

　　Log数据不仅包括学习时间、学习进程、鼠标和键盘敲击等静态数据,还详细呈现了从学习开始到结束的动态数据。文章截取PISA（2012）新加坡、日本、中国上海的Log数据,运用相关、滞后序列、聚类等教育数据挖掘方法分析三个国家学生在"车票"一题的"探索和理解"问题解决过程。结果发现:相比新加坡和日本,中国上海学生仍缺乏深入试题情境进行比较、探索,反映出问题解决策略不足;中国上海学生在"错误倾向组"比例过大,反映出高、低水平问题解决能力的学生呈两极分化,亟待提高低水平学生的问题解决能力。最后,文章依据研究结果在课堂教学、教育决策等方面提出了相关建议。 

【文章来源】：现代教育技术. 2018,28(12)北大核心CSSCI

【文章页数】：7 页

【部分图文】：

PISA（2012）“TICKETS（车票）”一题操作过程（灰色为正确操作）82变量选取及说明

Vol.28No.12201845次票”的价格差异，或是比较了但没有得出结果而草草了事，所以DACA没能成为显著性行为序列，取而代之的是能完成该题的行为TRBU。新加坡、日本出现DACA，说明这两国学生在单日票和多次票、学生票和全价票之间不断尝试，最终理解题意，点击“Cancel”，取消错误操作，因此终结性行为TRBU相比而言就较少，没成为显著性行为序列。可见，与新加坡、日本学生相比，中国上海学生仍缺乏对题目信息的深入探索和比较，不能挖掘进而整合碎片化信息背后表达的正确结果。表3新家坡的行为频率转换残差表（Z-scores）CSCTFFDAINCOCATRBUCS3.73*-0.33-0.33-0.33-0.33-0.33-0.33-0.33-0.33CT-0.330.29-0.33-0.33-0.33-0.33-0.33-0.33-0.33FF0.36-0.200.06-0.33-0.33-0.33-0.33-0.33-0.33DA-0.33-0.330.051.48-0.332.39*-0.33-0.33-0.33IN-0.33-0.33-0.07-0.332.05*3.41*-0.33-0.33-0.33CO5.59*0.31-0.33-0.33-0.333.65*-0.33-0.33-0.33CA-0.33-0.33-0.332.11*-0.33-0.333.13*1.19-0.33TR-0.33-0.33-0.33-0.332.77*-0.33-0.331.82-0.33BU-0.33-0.33-0.330.30-0.33-0.33-0.331.411.17注：*p<0.05图2三地学生的显著性行为序列链（数字表示Z值）4群体问题解决行为群组本研究将13种行为序列纳入分类变量，依据对数似然距离计算两个变量之间的相似性，并采用自动确定聚类数量的方式（BayesianInformationCriterion）对样本进行两步聚类分析，共获得4组稳定的聚类结果。随后，又采用滞后序列分析法寻找四类群组的显著性行为序列，考察不同群组形成的行为序列链，结果如图3所示。图3显示，群组1多是错误行为序列，足以说明这类

【参考文献】：
期刊论文
[1]基于大数据的学习分析研究综述[J]. 郭炯,郑晓俊.  中国电化教育. 2017(01)
[2]滞后序列分析法在学习行为分析中的应用[J]. 杨现民,王怀波,李冀红.  中国电化教育. 2016(02)



本文编号：3011117