教育大数据与学习分析 课件 第七章 教育大数据可视化

教育大数据可视化Contents目录010302可视化分析教育大数据可视化类型与工具学习仪表盘04学习者画像教育大数据可视化—可视化分析1思考有人说，学习分析可视化就是对数据分析结果的直观呈现，谈谈你对该观点的看法？可视化分析概述可视化分析学诞生于2005年前后，是一门通过交互性可视化界面促进分析推理的科学。它包含两大核心要素，自动化分析技术和可视化分析技术。目标通过可视化表征以聚合的方式帮助人类分析复杂过程，降低大量数据所带来的认知负荷，同时通过交互性可视化表征促进人机交流，实现人机优势融合，更好地应对信息过载和决策复杂性带来的挑战。可视化分析流程可视化学习分析与数据驱动的可视化分析流程模型不同，它强调学习理论对分析流程的指导与调控作用，如对目标学习问题与现象的解读、数据收集范围的确定、可视化探索的指向与假设的建立等。教育大数据可视化—教育大数据可视化类型与工具2常见的数据种类文本概念表示种类介绍分类数据分类数据是指反映事物类别的数据，如学习者的考勤数据、互动文本数据、考试题目数据等。时序数据是指某个指标按时间顺序记录的数据列，如学习者每月在网络学习平台上的访问次数、在线学习时长等。空间数据空间数据是指用来表示空间实体的位置、形状、大小及其分布特征等方面信息的数据，可以用来描述来自现实世界的目标，具有定位、定性、时间和空间关系等特性，如学习者在校园中不同地方学习的数据。多变量数据数据通常以表格形式出现，表格中有多个列，每一列代表一个变量，我们将这类数据称为多变量数据。教育大数据可视化类型不同教育数据具有的特征不同，可视化呈现要基于数据的基本特征和展示的目标需求找到合适的可视化形式，帮助人们理解数据。教育大数据可视化工具数据可视化的主要过程包括数据转换、可视映射和视图变换。其中，数据转换是指从原始数据到可计量数据表的转换，是原始数据可视映射的基础。可视映射是将可计量数据表数据转换为坐标、比例等图形化属性的过程。思考结合教育心理学、设计学等知识，思考教育大数据可视化在设计上要注意哪些问题？教育大数据可视化—学习仪表盘3学习仪表盘的概念概念仪表盘最初起源于车辆仪表盘这一反映车辆运转信息的可视化支持工具，学习仪表盘是对学习者的在线学习行为进行精密追踪，记录并整合大量个体学习信息和学习情境信息，按照使用者的需求进行数据分析，最终以数字和图表等可视化形式呈现出来的一种学习支持工具。学习仪表盘的功能层进式学习支持01学习者支持学习仪表盘可以追踪学习者的学习过程与结果并提供多种反馈信息，02教师支持教师可以通过学习仪表盘更深刻地了解学习者个体与群体的学习情况03自我认知学习仪表盘的可视化信息能够帮助学习者了解并认知自身的学习技能与学习风格、学习探究的过程与深度及学习过程中的情感体验等。04学习反思学习仪表盘通过提高学习者对自身学习状况及学习情境的即时认知，为进行学习反思和学习过程自主调控提供了有利条件，有助于提高学习者“学会学习”的能力。多对象学习支持学习仪表盘的典型应用服务对象——教师学习仪表盘的典型应用服务对象——教师和学习者学习仪表盘的典型应用服务对象——学习者教育大数据可视化—学习者画像4学习者画像概述学习者画像是指在一定的目标指导下，通过整合与学习者学习相关的海量数据，从不同维度对数据进行分析，对不同学习者群体的信息进行图表化和标签化的展示，用一种抽象化的方式较为全面地呈现学习者特征，让学习者的利益相关者可以直观全面地了解学习者的基本信息和学习情况。个人画像学习者可以通过查看自己的画像类型及属性标签来了解自己的行为表现、进行自我监测，还可以通过直观了解和对比自己的学习进度，来调整自身学习行为。01群体画像群体画像可以帮助教师更好地开展教学及辅导。教师是学习者画像重要的利益相关者之一，能够根据学习者画像对学习者学情及时调整教学策略，进行有针对性的指导和干预。03标签体系分类学习者画像的标签体系体系介绍标签是某一种学习者特征的符号表示，是一种内容组织方式，是一种关联性很强的关键字，能方便地帮助我们找到合适的内容及内容分类。简单地说，就是你把学习者分到多少个类别里面去，这些类别是什么，彼此之间有什么关系，综合起来就构成了标签体系。结构化标签体系结构化标签体系有明确的层级划分和父子关系。结构化标签体系看起来整洁，并且容易解释。性别、年龄这类人口属性标签体系，是典型的结构化标签体系。半结构化标签体系半结构化标签有一定的分类，包含相关标记，用法来分隔语义元素以及对记录和字段进行分层，不拘泥于形式。非结构化标签体系在非结构化标签体系中，各个标签“就事论事”，各自反映各自的学习兴趣，彼此之间并无层级关系，也很难组织成规整的树状结构。学习者画像的标签级别指标的运算层级指标到最低层级涵盖的层次学习者画像的标签级别事实标签通过对原始数据库的数据进行统计分析得到的，如学习者单击播放按钮的次数，是基于学习者一段时间内实际的行为进行的统计。模型标签是以事实标签为基础，通过构建事实标签与画像目标之间的模型，进行模型分析得到的。预测标签是在模型标签的基础上进行预测得到的，如针对学习者学习投入度的变化，预测学习者学业风险指数。指标的运算层级指标到最低层级涵盖的层次学习者画像的标签属性标签属性可以理解为针对标签进行的再标注，这一环节的主要目的是帮助教师及教育管理者理解标签赋值的来源，进而理解指标的含义。01固有属性相关指标的赋值体现的是用户生而有之或事实存在的，不因外界条件或自身认知的改变而改变的属性02推导属性是由其他属性推导而来的属性，如学习行为投入度可以通过学习者参与在线学习的时长推导03行为属性学习过程中实际发生的行为被记录后形成的赋值，如学习者的登录时间04态度属性是学习者自我表达的态度和意愿05测试属性通过分析学习者的表达，进行结构化处理后得出的测试结论。标签体系的再建构是学习者信息的准确描述层，可以从学习者身上得到确定的验证，如学习者的人口属性、性别、年龄、籍贯、学籍信息等。事实标签层基于统计建模、数据挖掘、机器学习的思想，对事实标签层的数据进行分析利用，从而得到描述学习者更为深刻的信息。模型标签层利用预测算法进行预测分析，如机器学习中的监督学习、计量经济学中的回归预测、数学中的线性规划等。模型预测层主要包括学习者的历史数据信息，如个人信息、成绩信息、网络学习行为信息。原始输入层学习者画像案例案例课程介绍学习者画像的数据收集学习者画像构建学习者画像分析案例课程介绍132课前布置任务，让学习者利用智慧学习平台自主学习课后布置作业，让学习者基于学习过程中产生的学习交互数据、测试数据和个性图谱数据，输出自身画像，深入了解自己的学习情况，发现并反馈问题。课中引导学习者在智慧学习平台上完成多个基于问题的小组协作探究活动，经历从个体初级知识图谱到高级知识图谱的建构过程课程活动的设计强调，以问题解决为导向进行内容重组、以联系生活为内容取向进行情境关联、以探究发现为核心、以个性化学习为目标、以知识建构生成与能力培养为价值取向。学习者画像的数据收集学习者画像的数据收集学习者基本属性数据，指学习者的个人信息，从系统测试数据中获得；反映学习者知识掌握情况的数据和反映学习者能力达成程度的数据，分别指学习者参与学习后目标知识达成的状态和学习者参与学习后目标能力达成的状态；反映学习者学习偏好的数据，从学习者多个维度的交互数据中获得，可以映射出学习者参与学习的内隐交互情况，侧重学习者的网络交互；学习者画像构建高级知识图谱中级知识图谱初级知识

图谱从系统化、结构化、整体性和思维性4个维度表征学习者画像，关注学习者对新、旧知识点及其相互关系的掌握，知识结构的创生性学习；关联偏好特征与能力特征，从理解能力过渡到应用能力，结合知识特征在表征个体知识掌握状态的同时，刻画群体的知识状态；从丰富性、多样性和分化程度3个维度刻画学习者对所学知识的掌握情况及其知识理解、归纳能力的发展状况学习者画像分析学习者在智慧学习平台上参与学习活动生成学习者画像，学习者画像中连续浮动的线条表示学习者经历从初级知识图谱到高级知识图谱建构的过程后，对每个知识点属性的掌握程度。小组讨论在教育大数据可视化反馈方面，不同对象需要查看的结果会有所不同，试从教育管理者、教师、学习者3个不同群体分析其需要查看的可视化分析内容。学习任务在你所使用的数字化学习工具中，是否有应