在线学习系统的交互分析与自适应学习整合

### 在线学习系统的交互分析与自适应学习整合 #### 1. 交互分析与学生自我调节 在协作学习系统中，交互分析对于学生的自我调节至关重要。例如，‘toto’为节点 'titi3' 添加了多个属性，而规则的触发是因为 ‘titi’ 在 26 秒前移动了同一节点。但实际上，这两个事件之间并没有真正的语义关联。为了改进这种情况，可以在与 “sameobject” 条件相关的方法中测试一个布尔矩阵，该矩阵会指定图表编辑器的所有动作对是否应触发规则。比如，“addVertex” 和 “newName” 动作应触发规则（值为 true），而 “move” 和 “newProperties” 动作则不应触发（值为 false）。 除了上述特定的交互情况，还有一些基于消息和动作数量的其他指标，这些指标易于实现。通过对学生参与情况的分析，能够发现不同学生的 “学习模式”。以下是一个学生参与情况的分析表格： | 动作 | 学生 1 | 学生 2 | 学生 3 | 总计 | | --- | --- | --- | --- | --- | | 节点创建 | 3 | 7 | 3 | 13 | | 链接创建 | 3 | 13 | 3 | 19 | | 节点或链接移动 | 39 | 53 | 137 | 229 | | 聊天贡献 | 20 | 15 | 15 | 50 | | 总计 | 65 | 88 | 158 | 311 | | 每分钟动作数 | 2.8 | 3.8 | 6.9 | 4.5 | 从表格中可以看出，学生 1 主要参与聊天，学生 2 主要构建共享工件，学生 3 则主要通过移动节点和边来改善图形布局。 从学生的角度来看，生成个性化建议是定期向他们推送信息的最有效方式。大多数学生承认他们没有时间详细分析监控窗口的分析部分，而整体排名被视为一种 “高分”，可以提高他们积极参与的动力。然而，系统的调节方法在展示后引发了比结构化方法更多的讨论和争议。大多数学生强烈拒绝监控规则，甚至会发送无意义的消息来影响任务状态指标。 #### 2. 自适应学习与 Web 2.0 的融合 自适应教育超媒体系统（AEHS）旨在为不同用户提供个性化的学习体验，许多研究也证明了其在在线学习中的价值。但目前，AEHS 在在线学习市场的应用并不理想。主要原因在于其架构设计无法满足 Web 增强学习的整体需求，大多数 AEHS 是原型和实验系统，具有基本的图形用户界面，缺乏社交和协作学习活动。 而 Web 2.0 技术的出现，正将整个电子学习领域转变为 “e - Learning 2.0”。在这个新时代，学习过程成为一种社交和协作活动。现代学习管理系统（LMS）提供了实现这种社交学习的工具和环境。 WHURLE 2.0 作为一种自适应 LMS 框架，通过将其整体架构转变为分布式 Web 服务，实现了自适应