运用大数据构建“互联网+教学测评管”家校共育新机制

近年来,促进县域义务教育均衡发展,进一步提高教育质量,一直是教育改革的热点和难点问题,也是促进教育公平的关键所在。如何推进城乡一体化优质均衡发展?如何推动教与学模式变革?如何解决学生学习低效、学习深度不够、主动性不高等问题?如何依托教育信息化减负增效提高质量……为有效探索上述问题的解决路径,在全面调研、综合分析的基础上,按照理念引领、试点先行、以点带面、整合推进的方式,淄博市教育局提出了运用大数据理论构建“互联网+教学测评管”家校共育新机制。

一、“互联网+教”:构建网络教研新模式,实现智慧资源共建共享

淄博市教育局在推进教育信息化过程中,着力于信息技术与学科的深度融合,借助技术解决教学难点和重点问题,有效激发了学生的学习兴趣和积极性。课堂由教师主导的教转变为学生自主的学,变革了传统的教学流程、教学策略和教学模式。

教学模式变革对教师专业素养提出了较高的要求。为整体提高教师专业水平,推进数字资源共建共享,从2008年开始,淄博市制订了学科网络教研系统建设方案,明确提出将“网络视频教研”系统建设作为加快教育信息化、推进城乡教育优质均衡发展、提高基础教育质量的一项重要举措。“网络视频教研”有效解决了研修、异地互动交流等问题,将各类教学研究、培训等活动进行整合,参与人员可以通过视频系统清晰地看到教研员现场讲座的情景,即时提问、即时交流研讨,使偏远学校教师不出校门就可以参与各类活动,做到教研、教学两不误。

张店区教研室成立了历史青年教师研修团队,采取“个人研修、小组研修、集体研修三个层次互相支持,现实研讨与网络交流相互结合”的研修策略,以网络平台为载体,对教研活动进行深度改造,开展了一系列团队研修活动。网络教研使一对多、多对多的及时研讨、头脑风暴、资源共享成为可能,使教研活动介入教学全程,贯穿在教师教学设计、教学实施、教学反思、教学评价的各个环节,可以长流水不断线地与教学同步进行,也增强了教师参与教研的自主性、回应解决问题的及时性和实现互动交流的广泛性,是教师专业发展的有效助推器。

为保障网络教研运行效果和质量,淄博市教育局逐步建立完善了网络信息发布的层级审核制、市学科教研员负责制、网络视频教研主讲教师资格审查制、教研内容预审制、网络教研工作规划反馈机制以及网络教研三级落实机制等一系列规章制度,确定了制订计划、确定主讲人员、互动讨论、资源共享、动态完善的网络教研流程,确保了网络教研常态化、规范化和高水平、高质量运行。

据统计,义务教育段每学年组织网络教研40余次,100多位教师担任主讲教师,近6万人次参与网络教研活动。网络教研实现了全员参与,提高了教研成效,教研引领作用显著增强。义务教育阶段形成了涵盖21个学科共122个视频教研资源,加上学前与高中,共有538个视频教研资源,而且资源数量每年都在稳定增长,最终实现知识体系全覆盖。

二、“互联网+学”:探索具有特色的全域性BYOD数字化学习模式

自2006年开始,淄博市中小学不断探索“一对一”数字化学习、BYOD数字化学习等课堂教学实施策略。2014年,BYOD数字化学习已拓展到中小学各个学段和所有学科。目前,全市173所中小学595个班30000余名学生开展BYOD数字化学习。我市中小学探索形成的BYOD数字化学习课堂主要流程如图1所示。

图1BYOD数字化学习课堂流程

(一)以真实问题情境引发学生主动获取知识

(二)搭建多种“脚手架”,促进知识的深度理解

(三)以创意作品的方式完成学习迁移,实现知识增量

创作的本质是学生用自己的方式组织外在信息,表达自己的观点与思维方式;作品是学生思维和知识水平的外在表现,因此学生创作的作品是对知识理解和应用的直观体现。在BYOD环境下,学生可以利用平板电脑的绘画、照相、视频录像和编辑等功能收集和处理材料,创作较为复杂和完整的作品,展示其对所学知识的二次加工和创造的成果,完成增量学习。淄博市每个假期都会组织学生进行绘本阅读与创作活动,我们为学生免费提供线上阅读资源,让个性化阅读和创作随时发生。仅2017年,全市小学生绘本阅读量达330多万本,创作的优秀创作作品共4563件。其中,柳泉小学郝思嘉创作的绘本《我爱平底锅》,点击量超过3.65万次。

三、“互联网+测”:区县加强作业管理、优化作业设计

中小学生课业负担过重,城乡之间、校际间作业质量不高不均衡,如何通过作业了解学生知识点的掌握程度等问题一直是困扰教师的老大难问题。鉴于此,2016年淄博市教育局启动了“基于‘互联网+’环境下的中小学优化作业设计与管理研究”,以课题研究为载体,以区县为单位组建了各学科作业研究团队开展研究活动。

这项研究的目标是控制作业数量,提高作业质量,减轻学生过重课业负担,实现作业大数据分析和可视化精准指导。在研究过程中,我们采取严格的质量监控及评价反馈跟踪机制,由各区教研员牵头组建骨干团队,通过优胜劣汰的方式,建成了覆盖小学语文、数学,初中语文、数学、外语、物理、化学等各学科分单元、分课时的优质作业资源库。借助移动终端实现作业审核、推送、提交、批改的网络化和学生作业的大数据分析,学生在线提交作业,教师在线批改作业、在线数据分析、统计作业质量,精准把握学情,极大提高了学习成效。2016-2017学年度第一学期,优化作业项目就有3686名教师布置3.7万次线上作业,总题量近40万道,7.8万名学生提交作业数92万次。

同时,该项目实现了对学生学习进行过程性评价与管理,通过网络及时将信息数据传送给家长,让家长了解学生知识点的掌握情况,以家校合作的方式对学生进行个性化指导。学生还可以在网上建立错题集,及时发现知识结构中的薄弱环节,对错误较多的知识点进行有针对性的矫正与补偿。优化作业设计项目实现了作业布置和管理的科学性、多样性、发展性,促进了课程资源开发与建设,提高了教师作业开发设计能力,对于减轻学生过重课业负担,促进城乡教育均衡发展起到了积极作用。

四、“互联网+评”:中小学学生家长教师全员参与教育满意度测评

测评是进一步深化全市教育质量评价改革,优化区域教育质量和学校教育质量评价内容体系的重要措施之一。为完善区县教育现代化建设测评系统,充分尊重学生这一教育主体和家长、教师对学校教育发展的知情权、参与权和监督权,淄博市教育局借助移动终端,连续三年开展了面向淄博市中小学生、家长和教师的全员化教育满意度测评。

测评工作按照信息化、全员化、可视化、准确化的要求组织开展,努力凝聚共识,办好人民放心满意教育,形成家校共育合力,促进全市教育科学、健康和可持续发展。测评范围为全市普通中小学在籍在校学生及其家长、全体教师。测评对象为全市所有普通中小学校(含民办学校)。测评问卷分为学生问卷、家长问卷和教师问卷三类,学生和家长问卷涉及对学校、班级、学科教学、师德水平、课业负担、宿舍食堂等方面的评价;教师问卷涉及对学校办学水平、办学思想、考核评价和专业发展等方面的评价。2017年,全市家长、学生参评53万人次,参评率达99.82%。小学、初中、高中满意度分别达89.87%、92.36%、97.24%。

为深化结果运用,市区教育部门及学校对测评结果进行数据挖掘分析和可视化呈现,分析到每一个区县、每所学校、每个班级、每个学科,形成中小学分析报告574份,梳理出学生、家长和教师等不同层面的各类问题5200余个。我们坚持问题导向,制订了整改方案,责成限时整改,实现了对区县和学校教育的科学评价和精准指导,切实发挥了教育满意度测评的导向和督促作用。

图2精彩纷呈的3D打印课堂

五、“互联网+管”:实现教育管理、教学、学生综合发展的科学评价和精准指导

我们系统构建了教、学、测、评、管各类数据库,通过大数据分析和可视化呈现实现对区域基础教育管理、学校教育教学和学生综合发展的科学评价和精准指导,促进家校共育系统化、常态化。目前,我市已初步构建起了学籍大数据、教师队伍大数据、调研大数据、活动大数据、评教大数据、评价大数据、课堂大数据、阅读大数据、作业大数据、质量数据等数据库。在教学测评管新机制的建立过程中,每个环节都以家校共育为途径、渠道、手段、目标,以求实现每个过程每个环节的家校共育。我们进一步完善以区县教育现代化建设测评、高中优质特色发展考核、中小学满意度测评为重点的“互联网+”教育管理评价项目应用,继续深入探索推进“互联网+”德育、“互联网+”家庭教育等工作,逐步探索完善“互联网+”教学测评管家庭共育新机制,努力凝聚家校共育合力,促进形成学校、家庭、社会密切配合、协同育人的良好格局。

在“互联网+教学测评管家校共育”新机制的引领下,我们通过平台建设、教育资源建设、网络教研实现城乡教师智慧、资源共建共享共成长,网络化作业设计与管理实现城乡学生作业均衡,实现城乡优质资源共享,有力地促进了城乡教育优质均衡发展。淄博市教师的信息化素养、专业化素质得到整体快速提升,学生综合素质全面提高,开创了全市基础教育健康、和谐发展的新局面。

THE END
1.《数据流驱动:C++构建AI模型持续学习新范式》在人工智能领域不断发展演进的浪潮中,数据的持续流入和模型的适应性学习成为了新的焦点。传统的人工智能模型训练往往基于固定的数据集,在模型训练完成后难以有效地处理新到达的数据并持续提升性能。而基于数据流的人工智能模型持续学习系统则能够打破这种局限,让模型在动态变化的数据环境中不断进化。C++作为一种高性能的https://cloud.tencent.com/developer/article/2478635
2.增量学习7种典型嘲域增量学习不需要任务身份:在DIL中,系统不需要明确知道每个任务的具体身份或来源。系统的目标是能够从不同分布的数据中学习并泛化到新的、未见过的数据上,而不是依赖于任务的具体标识。 域增量学习在许多实际应用中非常有用,尤其是在数据分布不断变化的环境中,如自然语言处理、计算机视觉和医疗诊断等领域。通过DIL,系统能够更https://blog.csdn.net/qq_58702163/article/details/140797930
3.介绍增量学习袋鼠社区类增量学习是指,不同时刻到达的数据属于同一任务的不同类别,类增量学习要求模型进行单头输出,并且能够增加输出的类别。相比于任务增量学习,类别增量学习前后数据之间的互相干扰更大,难度更高。3 域增量学习(Domain Incremental Learning)域增量学习是指,不同时刻到达的数据属于同一任务的相同类别,但是数据分批次到达,且https://www.dtstack.com/bbs/article/4953
4.武汉大学夏桂松团队:面向遥感图像解译的增量深度学习根据训练数据标注 / 模型测试设置的差异,增量学习通常分为:任务增量学习 ( task incremental learning ) 、类别增量学习 ( class incremental learning ) 、域增量学习 ( domain incremental learning ) 。 其中,任务增量学习是指通过多阶段学习使深度模型逐步适应一系列的任务。在模型测试时,每个待测试图像都具有明确https://www.myzaker.com/article/66d80289b15ec052091c4f18
5.新兴县人民政府门户网站4.促“一镇两业”结构优化调整效果不明显,推动镇域经济增量提质后劲不足 ①针对“镇内产业结构较为单一,部分项目停滞不前,文旅产业的培育进度不理想,2021年各项经济数据下滑明显,工业总产值、一般预算收入均为2017年以来最低”的问题 原因分析:一是镇内产业发展思路结构较单一。二是疫情防控影响经济环境,导致2021年https://www.xinxing.gov.cn/xxxrmzf/xxdt/gzdt/content/post_1638430.html
6.增量式学习的概念增量式学习的概念 简介 增量式学习是计算机视觉中的一种学习算法,主要用于分类问题中。特别是在商业领域中增量学习的过程将有助于做出重大决策。下面将简要说明其基本概念。方法/步骤 1 为什么需要增量学习算法?1)数据库中的数据是动态变化的2)数据量(训练样本)的变化引起重复学习3)应避免在海量数据的情况下https://jingyan.baidu.com/article/d621e8da329c612865913f20.html
7.机器学习顶刊汇总:EESNat.Commun.EnSMACSAMIES&T等成果(<14个月)和来自基于物理模型的模拟数据来实现电池容量和退化模式的晚期寿命估计(2~4年),其不同之处在于如何利用廉价且现成的物理模拟数据:1)方法1是一种数据增强方法,将早期实验老化和模拟数据组合成一个增强数据集,用于训练机器学习模型以估计三种退化模式的容量和状态;2)方法2是一种增量学习方法,首先使用模拟https://www.shangyexinzhi.com/article/5029661.html
8.数据样本较少无法有效分析怎么办呢帆软数字化转型知识库增量学习和在线学习是处理小样本数据的一种有效方法,通过逐步增加数据量和更新模型来提高分析的准确性。以下是增量学习和在线学习的主要步骤: 初始模型训练:在现有的小样本数据上训练初始模型,建立初步的预测和分析能力。 增量数据获取:逐步获取新的数据样本,扩展数据集。新数据可以通过实验、观测、网络抓取等途径获取。https://www.fanruan.com/blog/article/339467/
9.联想人工智能平台——EdgeAI主要思路仍然是通过在网络中融入记忆模块实现增量学习特性。它的特点是每个记忆模块代表一个类别的特征原型集合,增加新类别相当于增加记忆模块的数量。 4. 跨芯片异构推理加速引擎 异构推理加速引擎是联想边缘智能Edge AI平台自研的,在多样性边缘设备上运行AI推理的统一引擎。通过对不同种类AI芯片的深入研究,结合对模型的https://research.lenovo.com/webapp/view/ResearchNews.html?id=401
10.科学网—[转载]强化学习在资源优化领域的应用摘要:资源优化问题广泛存在于社会、经济的运转中,积累了海量的数据,给强化学习技术在这一领域的应用奠定了基础。由于资源优化问题覆盖广泛,从覆盖广泛的资源优化问题中划分出3类重要问题,即资源平衡问题、资源分配问题和装箱问题。并围绕这3类问题总结强化学习技术的最新研究工作,围绕各研究工作的问题建模、智能体设计等https://blog.sciencenet.cn/blog-3472670-1312677.html
11.机器学习中的集成在线批量迁移……各种学习的区别相对应的,半监督学习在学习时并不知道最终的测试用例是什么。也就是说,直推学习其实类似于半监督学习的一个子问题,或者说是一个特殊化的半监督学习,所以也有人将其归为半监督学习。 六、增量学习与减量学习 online learning包括了incremental learning和decremental learningincremental learning增量学习,是指一个学习https://www.cnblogs.com/feily/p/14387567.html
12.小样本学习,路在何方?机器之心比如李飞飞老师在 ICCV2003年的一篇文章,通过贝叶斯这条思路去融合;我们也可以和专家系统,或者通过一些专家知识融合,甚至可以和不同的领域,比如vocabulary inference learning领域,通过NLP去学习一些语义字典帮助小样本学习;如何在数据积累中过渡到大样本学习,这有一个很典型的增量学习问题。https://www.jiqizhixin.com/articles/2020-01-10-4
13.联邦学习总结与代码同样,去掉同态加密的问题,横向联邦学习也很简单,最简单的思路就是双方的数据都concat到一起,不过这里的意思是A数据集先训练一个模型,然后B数据集在A模型的基础上再训练,感觉思路和增量学习类似: 因为lgb的增量学习的接口只有原始接口可以用所以这里用原生接口 https://god.yanxishe.com/columnDetail/16547
14.从零开始强化学习(三)——表格型方法,可以把经验均值(empirical mean)转换成增量均值(incremental mean)的形式,如下式所示: 通过这种转换,就可以把上一时刻的平均值跟现在时刻的平均值建立联系,即: 其中: 是残差 类似于学习率(learning rate) 当得到 ,就可以用上一时刻的值来更新现在的值: https://www.jianshu.com/p/f97bd11bb8f3
15.中科院计算技术研究所王晋东:迁移学习的发展和现状分享总结下面来分析深度迁移学习。深度学习可以学习到更鲁棒的、泛化能力更强的特征表达,迁移学习能学习到领域无关的特征表达,这和深度学习不谋而合,将两者结合,能充分利用神经网络的表达能力,学习域不变的特征表示。 下面看下最近的一些工作,14年有一篇论文探讨了神经网络的可迁移性,横轴是层数,纵轴是精度。 https://www.leiphone.com/news/201711/MR5KngdchDMBJBM6.html
16.基于元学习的小样本增量攻击识别模型实用的IDS应该能够尽快适应新的任务,即迅速学习到新类攻击特征。这种情况可以归为类增量(class-incremental)学习,即:i)学习器应可以在不断增多新类的数据中学习;ii)由于计算需求、存储预算和数据隐私等各种问题,将新数据与旧数据集结合进行再训练模型通常是不可行的。上述类增量学习方法通常会导致稳定性-可塑性困境,https://www.51cto.com/article/678578.html