-
题名基于微信公众平台的移动学习资源设计、开发及应用
被引量：34
- 1
-
-
作者
王梨清
李红美
-
机构
南通大学现代教育技术中心
南通大学教育科学学院
-
出处
《现代教育技术》
CSSCI
北大核心
2018年第6期67-73,共7页
-
基金
江苏政府留学奖学金资助
-
文摘
随着移动通信技术和移动终端设备的快速发展,泛在学习、碎片化学习对学习资源提出了新的要求,移动学习资源的设计与开发成为教育技术领域研究的重点。文章采用文献研究、问卷调查、访谈等方法,着眼于碎片化学习理念,论证碎片化学习理念与移动学习的相关性,并以"摄影曝光"教学单元为例,从移动学习资源设计与开发的理论原则、开发流程等方面进行研究,设计开发出"普通版"与"暴漫版"两种风格的移动学习资源,再结合微信平台的试用效果,分析移动学习资源的适用性和可行性,旨在满足学习者的实际资源需求,为设计与开发移动学习资源提供参考。
-
关键词
移动学习资源
碎片化学习
移动学习
-
Keywords
mobile learning resources
fragmented learning
mobile learning
-
分类号
G40-057
[文化科学—教育学原理]
-
-
题名论ARS教学应用的优势与挑战
被引量：4
- 2
-
-
作者
李红美
王梨清
-
机构
南通大学
-
出处
《现代远距离教育》
CSSCI
2014年第3期62-68,共7页
-
基金
江苏省教育科学"十二五"规划课题(编号D/2013/01/053)"智慧教室中基于ARS系统的互动教学的影响因素研究"
-
文摘
在探讨ARS教学应用理论依据的基础上,以CATAALSYT模型作为分析框架,从教师的教、学生的学及技术三个维度论述ARS教学应用的优势和挑战。即ARS有利于教师开展基于形成性评估的灵活教学、增进课堂互动;促进学生的主动学习、积极参与课堂活动、提升学业成绩;ARS技术支持匿名应答、即时反馈。但ARS对教师的教学应变能力、课堂教学内容的覆盖面、问题设计能力提出新的要求,学生面临对新的学习方式的适应、讨论中增加了混乱和迷惑以及被ARS监视的挑战;ARS技术本身有待完善、应用培训有待加强。
-
关键词
教学应答系统(ARS)
CLICKER
教学应用
优势
挑战
-
Keywords
ARS
Clicker
Teaching applications
Advantages
Challenges
-
分类号
C43
[社会学]
-
-
题名对称性的图像梯度方向在人脸识别中的应用
被引量：1
- 3
-
-
作者
段练
王梨清
-
机构
南通大学医学院
南通大学现代教育技术中心
-
出处
《宜宾学院学报》
2018年第12期34-37,50,共5页
-
文摘
人脸识别中,样本图像很容易受到光照、表情以及姿态等这些外部因素变化的影响,通过利用图像梯度方向代替传统的像素强度来表示像素之间的相关性,一定程度上缓解了这个问题.然而训练样本的有限性很难准确地描述原始样本图像产生的变化,特征提取过程中容易导致样本图像部分信息的损失.利用原始样本的镜像原理重构对称样本图像,在图像梯度方向的基础上,提出对称性的图像梯度方向人脸识别方法(S-IGO),将S-IGO方法分别与PCA、LDA、IGO-PCA、IGO-LDA以及扩展的E-IGO方法在不同人脸库上的识别结果进行比较,并分析改进算法的在人脸识别中的优势.实验结果表明,相较PCA、LDA和IGO方法,E-IGO方法和S-IGO方法通过利用样本图像的镜像原理生成对称样本图像,在拓展样本集合上进行特征提取,可以选择更稳定的特征空间,从而提高最终的识别结果.大部分情况下, S-IGO方法的识别结果要优于E-IGO方法,这是因为S-IGO算法在E-IGO方法的基础上,进一步利用了人脸对称性这个先验信息,在降维过程中,尽可能多地保留了原始样本的有效信息,提高了算法的准确度.
-
关键词
图像梯度方向
对称性
人脸识别
线性鉴别分析
-
Keywords
image gradient orientations
symmetry
face recognition
linear discriminant analysis
-
分类号
TP312
[自动化与计算机技术—计算机软件与理论]
-
-
题名基于情感分类模型的大学生碎片化学习研究
- 4
-
-
作者
王梨清
-
机构
南通大学信息化中心
-
出处
《中国教育技术装备》
2022年第8期86-90,共5页
-
基金
“大学生碎片化学习现状与对策研究——以高校课程《现代教育技术应用》为例”(2018-R-66888)
“电子商务虚拟仿真综合实训平台建设研究”(2019-R-77783)。
-
文摘
碎片化学习在当今教学理念与信息技术急速发展的推进下逐渐深入大学生的学习生活。依托在线课程的使用,运用情感分类模型对大学生碎片化学习的现状进行数据分析,从负向评价筛选、评价主题筛选、个性化内容推荐三方面,探索改进大学生碎片化学习效果的综合策略,以期为碎片化学习的后续发展研究提供可借鉴的经验。
-
关键词
碎片化学习
情感分类模型
在线课程
大学生
-
Keywords
fragmented learning
emotion classification model
online courses
college students
-
分类号
G642.0
[文化科学—高等教育学]
-
