首页 > 其他分享 >自然科学课程进行情境感知学习活动的渐进式提示方法

自然科学课程进行情境感知学习活动的渐进式提示方法

时间:2023-10-09 22:00:29浏览次数:29  
标签:后测 学习态度 两组 渐进式 情境 学生 学习 感知

(A Progressive Prompting Approach to Conducting Context-Aware Learning Activities for Natural Science Courses) 

Advance Access publication on 21 February 2014

一、摘要

研究目的:本研究提出一种递进式的基于提示的情境感知学习方法,以发展情境泛在学习系统,引导学生在真实活动中学习,以提高学生的学习绩效。并以某小学自然科学课程为实验对象,对所提方法的有效性进行评估。

实验结果:与传统的单阶段提示的情境感知学习系统相比,该方法可以有效地提高学生的学习成绩。有趣的是,通过提供更具挑战性的任务,建议的方法鼓励学生投入更多的精力来检查上下文信息和解释学习内容。

二、研究问题

(1)渐进式提示机制是否有利于提高学生的学习成绩?

(2)采用渐进式提示学习方法的学生在学习态度和动机方面与采用传统情境学习方法的学生有显著差异吗?

(3)采用渐进式提示式学习方法的学生与采用传统情境式学习方法的学生在学习感知方面是否存在显著差异?

三、研究设计

(一)实验工具

本研究提出一种递进式提示机制如图1所示,以支持小学自然科学课程情境泛在学习活动。为了评估所提出的方法的有效性,我们为小学自然科学课程中的“校园植物的花卉特征”单元设计了一个情境泛在学习活动。本实验的目的是比较渐进式提示式情境泛在系统与传统情境u型学习模式的学生在学习成绩、态度和动机方面的差异。

 

 

图1  渐进式提示式学习引导机制

本研究的测量工具包括前测、后测、学生学习动机与学习态度问卷、学习知觉量表。

学习成绩前测旨在评估两组学生在参与学习活动前对花卉的先验知识是否相等。它包括39个选择题,满分为39分。后测包括10个选择题(30%)、10个配对题(30%)、10个填空题(30%)和2个简答题(10%),用于评估学生对花卉的区分和识别知识。

学习态度问卷是根据Hwang et al .(2013)开发的问卷进行修改的。它由七个项目组成,采用五点李克特量表,如“我认为花单元是有趣和有价值的”和“花单元教的那些东西值得学习”。

学习动机问卷是在Pintrich和DeGroot(1990)的调查问卷基础上修改而成的。它由七个项目组成,采用七点李克特量表,如“我希望我能在这门课程中取得好成绩”和“我认为这门课程的内容对我有帮助”。

学习知觉问卷是在Hwang et al .(2013)在Sweller et al .(1998)提出的项目的基础上,对Hwang et al .(2013)开发的测量方法进行了修改。它由八个项目组成,其中五个是“任务挑战”维度,三个是“学习内容的指导”维度,基于七点李克特量表。

(二)实验对象

实验的参与者是台湾北部一所小学的两个六年级班级,他们每周学习四小时的自然科学。共有60名学生参与了本研究,其中女生32名,男生28名。其中一个班为实验组(n = 31),另一个班为对照组(n = 29)。这两个班是由同一个老师教的。在学习活动之前,这些学生都没有上下文感知/单提示/ u-学习系统的经验。此外,为了避免霍桑效应,这两组人被安排在不同的时间访问校园。

(三)实验过程

实验过程如图2所示,分为两个学习阶段。在第一阶段,两组学生由同一位老师指导关于花卉的基本知识。随后,学生进行了学习动机和学习态度的前测和前问卷。

第二阶段进行情境泛在学习活动,在学习活动中,实验组学生采用渐进式提示型情境u-学习方法进行学习,控制组的学生使用传统的情境u型学习方法学习。

学习活动结束后,所有学生都进行了后测,并填写了后测问卷,以测量他们的学习动机、学习态度和学习感知。

 

四、研究结果

(一)学习成绩

为了比较两组在学习活动前的先验知识,对前测分数进行独立t检验。实验组前测得分均值和标准差分别为27.4和2.4,对照组前测得分均值和标准差分别为26.3和1.9。t检验结果显示,两组前测成绩差异无统计学意义(t = 1.893, p > 0.05)。因此,我们得出结论,两组学生在参加学习活动之前对花卉有相当的了解。

 

对两组的后测成绩进行ANCOVA分析,其中前测为协变量,后测结果为因变量,“不同的u-学习方法(两组)”为控制变量。如表1所示,ANCOVA结果显示,在排除前测成绩对后测成绩的影响后,两组间差异显著(F = 80.8, p =0.033< 0.05)。这说明由于u-learning方法的不同,两组学生的后测成绩存在显著差异。结果表明,渐进式提示型情境泛在学习系统与单阶段提示型情境泛在内场学习方法相比,更有利于提高学生的学习成绩。

 

 

 

变量

组别

N

M

SD

SE

F

后测

实验组

31

65.42

3.09

0.55

80.80

对照组

29

47.79

7.44

1.38

 

表1  两组学习成绩后测的方差分析结果

(二)学习态度和动机

如表2所示,ANCOVA结果显示,在排除问卷前评分的影响后,两组学生的学习态度和学习动机差异不显著。这一结果是合理的,因为两组学生都是在语境泛在环境中学习的。

 

 

 

 

 

变量

组别

N

Mean

SD

F

学习态度

实验组

31

3.65

1.45

8.54

 

对照组

29

3.69

1.29

 

学习动机

实验组

31

5.03

1.08

2.04

 

对照组

29

4.93

1.22

 

表2 两组学生问卷后学习态度和学习动机的方差分析结果

 

(三)学习观念

 

两组学生的“学习内容指导”评分差异无统计学意义( t=0.79,p =0.43> 0.05)。另一方面,对于“任务挑战”,t检验结果显示,实验组的“任务挑战”显著高于对照组(t = 3.58, p < 0.05)。

 

 

 

变量

组别

N

Mean

SD

F

学习内容指导

实验组

31

3.74

1.32

0.09

 

对照组

29

3.48

1.21

 

任务挑战

实验组

31

4.06

1.12

0.90

 

对照组

29

3.10

0.94

 

表3 两组学习知觉评分的t检验结果

 

五、结论

 

基于提示的渐进式情境泛在学习方法有利于学生在本真学习活动中提高学习成绩。本研究的结果与之前的几项研究结果一致,表明在情境泛在学习活动中提供有效的学习支持的重要性和必要性。在未来,我们计划通过考虑更多的个人因素,如学生的知识水平、学习风格和认知风格,来探索将这种机制应用到其他课程和其他年级的效果。此外,通过对使用不同提示方式学习的学生进行访谈,对可能影响学生学习绩效和态度的因素进行深入的研究是值得的。 

标签:后测,学习态度,两组,渐进式,情境,学生,学习,感知
From: https://www.cnblogs.com/daydayupxl/p/17753278.html

相关文章

  • ICCV 2023 | 当尺度感知调制遇上Transformer,会碰撞出怎样的火花?
    作者|AFzzz1文章介绍近年来,基于Transformer和CNN的视觉基础模型取得巨大成功。有许多研究进一步地将Transformer结构与CNN架构结合,设计出了更为高效的hybridCNN-TransformerNetwork,但它们的精度仍然不尽如意。本文介绍了一种新的基础模型SMT(Scale-AwareModulationTransformer......
  • 第八章 LaneAF解读(车道线感知)
    @目录一前言二背景三DLA343.1IDA(IterativeDeepAggregation)3.2HDA(HierarchicalDeepAggregation)3.3结合四BEV视角4.1逆透视变换(IPM)4.2完全分割掩模与脚印分割五LaneAF结构5.1三个检测头5.2Pipeline过程六亲合场(AffinityFields)6.1亲合场生成(计算亲和力场......
  • 动手学深度学习_4 多层感知机
    frompixiv多层感知机原理隐藏层严格一点来讲:我们需要隐藏层是因为线性是一个很强的假设,线性模型在有些情况会不适用或者出错。一个形象的例子:就如同上面图片中展示的XOR问题,如果我们现在想要将绿和红球分开,如果只用一条"线性",我们会发现我们是做不到的,起码要两条及以......
  • 4. 多层感知机
    多层感知机多层感知机模型除了输入层和输出层,它中间会有多个隐藏层,看上去是许多个全连接层堆叠在一起;这个构造的产生是因为线性模型可能会出错,因为线性意味着单调,但是有很多事情是违反单调性的,eg:银行发放贷款时会评估对方偿还贷款的可能性,一般来说工资越多,......
  • 综合概念映射和网络问题解决方法对学生学习成绩、感知和认知负荷的影响
    (Effectsofanintegratedconceptmappingandweb-basedproblem-solvingapproachonstudents’learningachievements,perceptionsandcognitiveloads) Computers&Education71(2014)77–86一、摘要研究目的:虽然学生可以通过适当的关键词有效地搜索到网络数据,并......
  • 说感知
    听着一首很温暖的歌,无由来的有点伤感。掰着手指头一数,想起来了好多东西,估摸着竟有十年过去了。怀念好多东西。小时候,天河城中村三块钱的肠粉;老家门口两颗葱绿的黄皮果树;一口清甜甘冽的井水;隔壁一段一段地教我写作文的姐姐;午后,投射在中学图书馆窗户帘上的缕缕阳光;给我递纸巾,喊我叠......
  • springBoot spring6 无法加载 thymeleaf的,在html页面中无法智能感知 th:这些
    网上所有的坑我都试过了,还是无法解决问题,@ControllerpublicclassSellController{@RequestMapping("/test01")/*@ResponseBody*/publicStringindex(){return"test01";}}”test01“下面永远是波浪线,无论把网上查出来的解决问题的方案我......
  • 基于全息感知的智慧高速IT设施监控运维方案
    作为智能交通的重要细分领域,建设智慧高速是实施交通强国战略的重要基础。在信息化时代,交通行业已经依托信息化建设取得了显著的成果,其中以收费网络、办公网络、监控网络和通讯网络为基础的网络架构已经形成,并且正在逐步完善网络架构的安全运维和优化建设。智慧高速公路作为交通行......
  • LSS(Lift,Splat,Shoot)-实现BEV感知的最佳利器
    整个模型的作用,就是将单个摄像头2维的信息先lift到3维,然后再将多个摄像头3维的信息进行splat(拼接)。然后再去对历史轨迹进行shoot,预测主车未来的行驶轨迹。从二维转到三维需要满足一下三个性质:1.转换完之后障碍物的性质是不会改变的;2.和camera的顺序无关;3.和camera所处位置无......
  • 《动手学深度学习 Pytorch版》 4.3 多层感知机的简洁实现
    importtorchfromtorchimportnnfromd2limporttorchasd2l模型net=nn.Sequential(nn.Flatten(),nn.Linear(784,256),nn.ReLU(),#与3.7节相比多了一层nn.Linear(256,10))definit_weights(m......