网络环境下自主学习模型的构建_兼论Web3_0的理念与引领趋势_张坤颖

网络环境下自主学习模型的构建_兼论Web3_0的理念与引领趋势_张坤颖
网络环境下自主学习模型的构建_兼论Web3_0的理念与引领趋势_张坤颖

2012年第5期总第212期

一、前言

Internet 的迅速发展,已经深深地植入到人类社会所有活

动当中,其所形成的信息海洋、迅捷的信息处理平台、多元化的沟通方式、庞大的虚拟社区……为网络教育提供了丰富的资源基础,也为网络教育描绘出美好的愿景。据不完全统计,从2003年至2010年底,我国已经建设国家级精品课程3693门,省市级精品课程7879门,而校级精品课程数量更是数以万计;[1]2008年中国网络教育市场规模同比增长23.9%,达到

352亿元。预计在2012年市场规模将达到723亿元。

[2]

另据the Sloan Consortium 调查显示,近2500所美国高校提供的网

络课程获得学位的人数从2002年的1,600,000到2006年的

3,500,000,增长了一倍多。

[3]

面对网络技术应用的加速,网络教育规模的急剧膨胀,网络教育的模式与指导理论的研究却显得滞后。网络教育中发生的似乎是学校教育、传统培训的隐喻,新瓶装老酒。从国内外的各种网络教育平台(系统)、网络课程所体现的教学模式来看,虽然运用了传统学校教育、企业培训过程中所没有的功能和技术手段,但是很多课程管理系统或虚拟学习环境复制了传统教学程序、内容、元素,教室或演讲厅的隐喻,没能充分发挥网络教育的作用,学习者自主学习、个性化学习的积极性受到了压制。另外,对于网络个性化学习环境的研究,滞后于网络技术在教育实践应用的步伐,特别是

Web 2.0技术的广泛应用以及Web 3.0技术理念逐渐成形,

在充分发挥学习者自主性,挖掘学习者的学习潜力,实现网络学习的绩效提升等方面亟待探究。本文拟从自主学习及其

模型出发,探究在网络教育环境中如何实现自主学习的模式、策略,以及如何运用这些Web 技术、工具促进个性化学习的发生。

二、自主学习含义和模型及其与个性化学习的关系

国内外关于自主学习的界定较多,庞维国指出,自主学习又称自我调节的学习,一般是指学习者自觉确定学习目标、选择学习方法、监控学习过程、评价学习结果的过程。

[4]

Barry J.Zimmerman 认为,自主学习是一个积极和建构性的过

程,在这个过程中学习者通过设定学习目标并努力去监控、调节和控制自己的认知、动机和行为,以及根据环境的情境特征来引导和限制学习者的行为。

[5]

而自主学习者又具备怎

样的特征呢?自主学习者作为一个积极的参与者,能有效地应用很多不同的方法控制他们自己的学习体验,包括创建一个富有成效的学习环境和有效地使用资源,组织和重装学习信息,在学习任务期间维持积极的情感投入,并对他们的能力、学习的价值和影响学习的因素保持正向的动机信念。

[6]

Zimmerman 指出,尽管自主学习的定义常由于研究者理论取

向的不同而涉及到具体的过程也不相同,但是有一个概念化的共性,即这些学生在元认知上、动机上和行为上是作为积极的参与者出现在学习过程中。

[7]

根据元认知过程,在习得过

程中自主学习者制定计划,设置目标,组织,自我监控和自我评价。这些过程使得他们具有自我认知,有见识的,有决策性的学习方法。他还提出了自主学习的三个特征:第一是学习者所运用的自主学习策略;第二是自我导向的反馈环;第三

网络环境下自主学习模型的构建*

———

兼论Web 3.0的理念与引领趋势张坤颖

张家年

徐影

(淮北师范大学教育学院,安徽淮北235000)

[摘要]在信息社会中,网络学习的开展是推进终身学习、构建学习型社会的重要举措,网络学习绩效水平取决

于个性化学习水平的培养和引导。通过介绍与自主学习和网络学习环境的相关概念和分类,分析了网络自主学习环境内涵、特点以及作用。从Web 的发展历程以及自主学习过程中的教学支架类型的角度,提出了三种网络学习模式———基于Web 1.0、Web 2.0环境的自主学习模式和基于Web 3.0环境的个性化学习模式,并对三种模式构建的过程进行了探讨。

[关键词]自主学习;个性化学习;网络学习环境;教学支架[中图分类号]G420

[文献标识码]A

[文章编号]1672—0008(2012)05—0096—05

*基金项目:本文系教育部人文社会科学青年基金研究项目“基于和谐、平等意义上的网络教育伦理研究”(编号:09JYC880041)、淮北师范大学教研项目“Diigo 在

大学生网络自主学习中的应用研究”(编号:JY800681)和“绩效维持视野中的精品课程开发与应用研究”(编号:JY110103)成果之一。

网络环境下自主学习模型的构建

荨荨

学习新论

96

DOI:10.15881/https://www.360docs.net/doc/5f705691.html,33-1304/g4.2012.05.016

h t t p ://d e j.z j t v u .e d u .c n

JOURNAL OF DISTANCE EDUCATION

是学生怎样和为什么选择使用特定策略或反应的表征。[8]

信息加工观点的Winne 和Butler 提出一个较为详尽的自主

学习模型,以此来阐释自主学习的内在机制,见图1:[9]

图1Winne 和Butler 提出的自主学习模型

从图1中看出,当自主学习者面临学习任务时,首先要利用已有的知识和信念对任务特征和要求进行解释;其次,在完成对学习任务的解释之后,接着设置学习目标;然后,自主学习的学生就要根据学习目标选择和运用相应的学习策略;最后,利用学习策略对学习任务进行加工,生成学习结果。

个性化学习强调以学习者为主体,针对学习者个性特点、知识经验和能力、学习需求、偏好以及具体学习情境而采用恰当的学习方法、学习内容和学习进度,促使学习者的能力与个性在学习活动过程中得到充分、自由、和谐的发展。

[10]

个性化学习与自主学习之间有着紧密的联系,自主学习是个性化学习的基础,个性化学习是在自主学习的基础上更加关注学习者个性化的差异,并给予全方位的支持,在本质上它们是一致的,即促进学习者的全面发展。

三、网络自主学习环境

(一)网络学习环境概念及其分类

学习环境指的是学习活动展开的过程中赖以持续的情况和条件。[11]那么作为学习环境子范畴的网络学习环境,就是指网络学习活动展开的过程中赖以持续的情况和条件。这里面的“情况和条件”既包括由各种网络系统和应用平台所组成的网络环境,也包括由网络教育提供者已经嵌入到学习内容和活动设计中的学习模式、学习策略、学习支撑等。网络学习环境随着网络技术应用的演进,在不断地发生着嬗变。从以内容为中心的Web 1.0学习环境、以用户为中心的Web 2.0学习环境和以个性化为中心的Web 3.0学习环境,带来的是网络学习模式、策略和工具等都发生了很大的变化。

1.基于Web 1.0的网络学习环境

主要是由教育者把传统教育课程、教育活动按照课堂或讲堂的隐喻移植到网络环境之中,其中Web 应用技术主要是门户网站、课程管理系统。在基于Web 1.0的网络学习环境中,教师设计教学内容和教学活动,学习者无法对课程、活动作出任何的修改,大都只能按照网站提供的学习内容、学习资源及学习步调去完成规定性的学习任务。

2.基于Web 2.0的网络学习环境

从技术的角度来看,基于Web 2.0网络学习环境,是在

Web 1.0环境基础上广泛应用了BBS 、博客(blog )、微博客、聚

合RSS (Really Simple Syndication ,即聚合内容)、Diigo (阅读标签软件)、SNS (Social Networking Services ,即社会性网络服务)、维基百科(Wiki )、视频网站等技术,使得学习者的网络学习内容多元化、学习方式多样化、学习媒介超媒体化、学习工具更加丰富、交互性更强等诸多变化。英国改变学习者体验咨询委员会(CLEX )认为,Web 2.0和语义Web 已经对人们的行为产生了深远影响,特别是那些以此作为交流媒介和职业的年轻人。他们轻松地栖息其中并引导他们把各自的网络空间通过兴趣共同体连接起来,以达到分享和参与的安排。[12]但由于Web 2.0的特点,使得网络信息海量的、无序的增长,在学习内容、知识的选择和管理上产生了瓶颈。

3.基于Web 3.0的网络学习环境

为了克服Web 2.0时代的缺陷,Web 3.0时代应运而生,在Web 3.0的网络学习环境中,根据学习者的学习偏好、认知风格、学习节奏等,对学习者个性化的学习信息进行收集、处理、归类,从而推送适合学习者的学习信息、资源、工具和策略的聚合。每个人在Web 3.0环境下都不会看到同一个模式的门户网站,同时,用户对门户网站上所有的信息具有高度的自主权,用户可以把上面的信息随意地控制和整合,这样通过用户自己设定的门户将满足他们的个性化需求。[13]因此,

Web 3.0网络学习环境将以其个性化导航、智能搜索、提供内

容高度聚合的共享资源、虚拟社区建设自动化、学习内容和学习方式个性化等特点,促进自主学习、个性化学习的发生。

(二)网络自主学习环境含义、特点和作用

什么是网络自主学习环境?它是指能够促进学习者的自主学习的网络学习环境。李盛聪认为,网络学习环境具有的特点是开放性、预设性、生成性、交互性、虚拟性。

[14]

这是从网

络学习环境对于学习者的学习支持角度提出的,从根本上来说,网络自主学习环境的最大优势能够充分利用网络技术和多媒体技术的特点为学习者的个性化学习提供各种形式的教学支架(scaffolding )或学习支持。

另外建构主义者从与传统学习环境相比较的角度出发,认为在传统的学习环境中,学习者经常被剥夺了发展决策、自我监督、注意力调整等技能的机会,这些技能对于优化学习经验是十分必要的,如果学习者将任务看成是使自己的意义同外部机构的期望相匹配,那么,他们在学习中会变得越来越顺从。CSILE (Computer Supported Intentional Learning

Environment ,是一个网络化学习环境)鼓励学习者进行反思

并积极控制学习进程,如问题解决、规划、目标设定和自我调节等。

[15]

也即是网络学习环境能够向学习者提供认知策略支

持,其中Hannafin,M.等人把这种策略支持分为概念性的、元认知的、程序性的和策略的支持四个层次。[16]这些支持并不是替代学习者的意愿和个性,而是一种学习支架(learning scaf -

folding ),应用策略和技术为学习者的个性化学习而服务。

那么网络自主学习环境能够向学习者提供那些方面的支持?

Williams,M.指出,在超媒体环境(可以认为指的是基于

Web 的学习环境)中学习需要学习者能够调控自己的学习进

程,也即是对下列问题做出自己的决策:学什么,如何去学习,学习多少内容,花多长时间学习,如何获取其他教学材

Views on Leaming

97

2012年第5期总第212期

料,他(她)自己是否理解这些材料,什么时候放弃或修正计划和策略,以及什么时候增加努力。[17]这些调控学习进程的策略需要通过网络学习环境以某种教学支架的形式提供给学习者,从而影响学习者的学习决策进程。

四、网络环境中自主学习模式及分析

在网络学习环境构建的过程中,网络教学系统、平台以及网络学习内容、活动设计者们可能存在着一个误区———即把潜在的学习对象都看成是一个具有自主学习能力的学习者,能够主动构建意义和目标;具有监控认知的、动机的、行为的和情境的各个方面;能够设置学习目标的能力;能够控制内在的和外在的各种因素的影响。而网络环境的一些表面上似乎是能促进网络学习的优势却成为学习者获得学习绩效的障碍:海量的信息资源;教师提供学习资源(网络中的)间耦合度低;平台(系统)的技术功能不一致性;以及多媒体技术的不合理的使用等,可能使得学习者在学习过程中偏离学习目标,或在网络虚拟空间中迷航,或花费太多的时间处理与学习目标无关的信息,或对重要的学习目标相关重要信息草率而过,所有这些给学习者增加了很多额外的负担和要求。

因此,在网络学习环境构建过程中对学习者的自主学习提供各种类型的教学支架和学习支持,以帮助他们自主学习过程的建立,达到预定的学习目标。根据支架提供的方式可分为固定式支架(fixed scaffolding )和适应性支架(adaptive

scaffolding )两类。

[18]

这两类教学支架也对应于网络学习环境

的发展和应用,一般的,前者广泛应用于基于Web 1.0学习环境中,以固定的方式嵌入在教学网站、网络教学系统、网络课程等页面中,后者是基于Web 2.0应用的学习环境中,而在基于Web 2.0技术应用的学习支持上则是一种多元、复合型的,即既有固定式支架也有适应性支架。本文结合Winne 和Butler 提出的自主学习模型以及Web 应用的时代划分相结合,提出基于Web 1.0学习环境的自主学习模式、基于

Web 2.0学习环境的自主学习模式和基于Web 3.0学习环境

的个性化学习模式。

(一)基于Web 1.0学习环境的自主学习模式

Web 1.0学习环境主要是在Web 发展应用的初始阶段,

此时的网络学习环境主要是基于门户网站、课程管理系统、网络课程平台构建的,在这种学习环境中,学习者和教学人

员的教和学基本上异步进行,其基本流程模式如图2所示。在Web 1.0学习环境中,学习者的自主学习过程分为两部分:一部分是教学人员对于学习者学习通过教学支架或教学支持进行帮助和指导,另一部分是学习者根据学习任务并在教学支架或教学支持下进行自主学习的过程。因为此类型的学习模式大家普遍比较熟悉,在此不再展开。

(二)基于Web 2.0学习环境的自主学习模式

Web 2.0技术注重用户的交互、体现用户为王的理念,基

于Web 2.0学习环境是指在Web 1.0环境的基础上广泛地应用了Web 2.0技术,这些Web 2.0技术主要包括:博客(BLOG )、RSS 、百科全书(Wiki)、网摘(Diigo )、社会网络(SNS )、

P2P 、即时信息(IM )、视频网站、音频搜索、图片搜索、文库、网

盘等等。这些技术使得教学人员能够向学习者提供除了固定的教学支架之外的适应性教学支架和教学支持,从而更有效地支持学习者的自主学习,具体流程见图3。

图3

基于Web 2.0学习环境的自主学习模式

从上图3中可以看出,在Web 2.0学习环境中,学习者自主学习过程中获得的教学支架和支持有了更多的选择:一方面学习者可以通过固定的教学支架或教学支持获得必要的自主学习支持;另一方面学习者可以通过Web 2.0技术获得指导者的持续的诊断、校准的支持(指导者根据学习者的学习进程或学习求助不断修正对学习者的诊断,并及时的校准教学支架以帮助学习者自主学习进程的保持正向的发展),还可以获得学伴、专家及各种智能系统提供的学习支持,这些支架和支持是即时的和灵活的———伴随着学习者自主学习的过程之中,如在知识的提取和信念的激发、目标的设置、策略的制定和执行等元认知技能的发展有较好的支撑(见图3)。

对于构建Web

2.0自主学习环境,并没有一个统一的模式。一般的是在Web 1.0网络学

习平台、网络课程、教学网站中,根据学习任务、学习者的特点,添加一些Web 2.0技术应用(不可能所有的都用上,也没有必要)。最为典型的是

Moodle 平台,集成了Wiki 、BBS 、Blog 、RSS 等模块,并且根据

需要添加模块,可以嵌入QQ 、MSN 等程序链接。在自主学习过程,这些Web 2.0技术可以为学习者提供很好的教学

支撑。

图2

基于Web 1.0学习环境的自主学习模式

网络环境下自主学习模型的构建

荨荨

学习新论

98

h t t p ://d e j.z j t v u .e d u .c n

JOURNAL OF DISTANCE EDUCATION

(三)基于Web 3.0学习环境的个性化学习模式

Web 3.0并不是一个脱胎于Web 1.0和Web 2.0而独立

的网络应用,Web 3.0是建立于Web 1.0和Web 2.0基础之上,它们优势互补,融于一个整体之中。如果说Web 1.0和

Web 2.0解决了互联网“读”和“写”的物理与逻辑层问题,Web 3.0要解决的问题则是在这两层之上的表象层或语意层

的问题。Web 3.0时代的互联网模式,一定是基于用户行为、习惯和信息的聚合而构建的互联网模式,满足个性化需求设置、人性化的设计、友好的界面、简单易用等特点是用户体验的核心元素,基于用户需求的信息聚合才是互联网的大趋势和大未来。

[19]

因此,基于Web 3.0学习环境的个性化学习模式

是一个混合型的网络学习模式,见图4。

图4基于Web 3.0的个性化网络学习环境示意图

1.Web

2.0应用深度优化与个性化信息搜索

从图4中可以看出,基于Web 3.0学习环境实质是一个混合式的学习环境,以Web 1.0学习环境和Web 2.0学习环境为基础,一方面对Web 2.0技术进行深度优化,如对UGC (User Generated Content )内容过滤;另一方面,以个性化信息需求进行处理并引入个性化搜索引擎技术(如百度、Google ),根据学习者的特征提供定制个性化搜索策略,从而避免大量无用信息的噪声,为学习者个性化学习提供了信息搜索策略上的支持。

2.个性化内容定制、聚合与学习者兴趣模型构建Web

3.0学习网站可支持用户定制网页界面,定制呈现

内容、呈现方式,实现某专题学习信息高信度的聚合。在此基础上,建立学习者兴趣模型构建,用户兴趣学习是根据用户对浏览信息的选择,采取某种学习方法来逐步明确用户兴趣的一个过程。概括起来,用户兴趣信息的来源主要有以下几个方面:用户输入搜索引擎的查询关键词、用户维护的收藏夹、用户复制下载保存的页面、用户浏览的行为和服务器日志信息等。

[20]

学习者兴趣模型的建立使网络学习环境具有个

性化、适应性的特点。

3.学习资源服务的普适性

Web 3.0学习环境下,学习资源兼容性更强,学习资源可

以跨平台、跨终端设备的浏览和下载,如可被学习者不同的浏览软件浏览和下载,可以被各种网络终端所访问,从PC 互联网到WAP 手机,PDA ,机顶盒,专用终端。因此,Web 3.0学

习环境可容纳更加多元的学习者。

4.构建个人学习门户3.0和个性化知识管理平台

个人学习门户3.0就是具有Web 3.0特征的个人学习信息中心,是学习者连接个性化互联网信息的首页,实现个人学习信息管理的平台。

[21]

在个人学习门户3.0构建基础上形

成个性化知识管理平台,也即是通过该平台实现对知识的获取和组织、通过该平台实现知识的交流与共享、通过该平台实现知识的应用与创新,从而形成个性化的知识管理平台。

Web 3.0的典型应用非常多,如雅蛙、阔地、谷歌等,如图5是谷歌搜索引擎为用户开发的iGoogle 。在该首页,学习者

可以根据自己的兴趣定制个性化的搜索策略,可以定制属于自己感兴趣的主题、网站、平台、资源等,可以添加、删除和更新各种应用,而这些应用自身的更新(如网站主题的更新)将自动出现在该模块中的条目上。还可以通过选项更改版面布局、导入/导出iGoogle 的设置等。iGoogle 的这些功能都充分的尊重用户个性化的需求,满足不同用户的多元化的特点和偏好。

图5典型的Web 3.0应用———iGoogle 个人门户首页

当然,Web 3.0学习环境对于个性化学习支持的应用不仅局限于以上所述,随着技术的不断创新,它对于学习者的个性化学习支持手段将日益丰富。Morris 指出,教育语义网还处在未成熟阶段,而教学工作者必须懂得Web 3.0的出现所带来的潜能以及其对于网络学习可能的意义,以为将来———当语义网完全地融入到网络学习中的时候而准备。

[22]

五、总结和展望

当前,网络学习环境对于学习者自主学习的支持存在许多传统教学隐喻,而学生也顺从于这种学习方式,而提供促进自主学习的教学支架设计是当前网络自主学习环境构建的关键,“建构主义者强调支持学生的自我调节(self regulat -

ing )和策略性过程的重要性,以帮助他们驾驭环境的复杂性。

确定学生如何使用这些脚手架(支架)并进而适应它是十分重要的。”[23]通过构建网络自主学习环境或者个性化的学习环境

并嵌入固定的、适应性或复合型的教学支架,促进学习者的自主学习意识和绩效水平不断提升,培养他们的个性化学习水平和终身学习能力,从而实现学习化个人、学习化组织和学习化社会。

网络学习环境随着网络应用技术、多媒体技术的不断创新而演进。网络学习环境的推陈出新,不是革命式的,而是渐进式的改革,向前兼容,向后开放,Web 2.0学习环境以Web

Views on Leaming

99

2012年第5期总第212期

1.0为基础,Web 3.0又是以Web 1.0和Web

2.0为基础,可以

预料将会有Web x.0的学习环境出现。每升级一个层次,其不仅是技术能力和应用水平上的提高:如语义理解层次、智能化能力、可视化效果、移动化规模,同时网络学习环境的个性化、人本化理念也不断增强。

[参考文献]

[1]全国高等学校精品课程建设工作[EB/OL ].[2011-03-09].http://

https://www.360docs.net/doc/5f705691.html,/crsp/searchCourse.do?method=searchCourse.[2]iResearch.中国网络教育行业发展报告———2008-2009年[EB/

OL ].[2009-10-22].https://www.360docs.net/doc/5f705691.html,.

[3]Allen,I.E.,&Seaman,J.Online Nation:Five Years of Growth in

Online Learning [EB/OL ].[2009-03-20].https://www.360docs.net/doc/5f705691.html,/publications/survey/pdf/online_nation.pdf.

[4][9]庞维国.90年代以来国外自主学习研究的若干进展[J ].心理

学动态,2000,(4):12-16.

[5]Pintrich,P.R.The Role of Goal Orientation in Self-regulated Learn -

ing [M ].In M.Boekaerts,P.R.Pintrich,and M Zeidner (Eds.),Handbook of Self-regulation.San Diego:Academic,2000:451-502.[6]Anthony R.Artino,Jr.Self-Regulated Learning in Online Education:

A Review of the Empirical Literature [EB/OL ].[2011-12-22].http:

//https://www.360docs.net/doc/5f705691.html,/index.htm,International Journal of Instructional Technology &Distance learning.

[7]Barry J.Zimmerman.Development of Self-regulated Learning:Which

are the Key Subprocesses?[J ].Contemporary Educational Psycholo -gy,1986,(16):307-313.

[8]Barry J.Zimmerman.Self -regulated Learning and Academic

Achievement:An Overview [J ].Educational Psychologist,Volume

25,Issue 1,1990,(1):3–17.

[10]王艳芳.支持个性化学习的e-Learning 系统研究[J ].中国电化

教育,2008,(3):102-107.

[11]武法提.网络教育应用[M ].北京:高等教育出版社,2003:64.[12]CLEX.Higher Education in a Web 2.0World:Report of an Inde -

pendent Committee of Inquiry into the impact on Higher Education of Students ’Widespread Use of Web 2.0Technologies [EB/OL ].[2010-10-22].https://www.360docs.net/doc/5f705691.html,/CLEX_Report_v1-final.pdf.[13]董玉萍,王翠萍.Web 3.0环境下隐性知识外化研究[J ].图书馆

学研究,2010,(11):11-14.

[14][23]李盛聪,杨艳.网络学习环境的构成要素及特征分析[J ].电

化教育研究,2006,(7):52-55,62.

[15][美]戴维·H

·乔纳森.学习环境的理论基础[M ].高文等译.上海:华东师范大学出版社,2002:1-23.

[16]Hannafin,M.,Land,S.&Oliver,K.Open Learning Environments:

Foundations,Methods,and Models [M ].In C.M.Reigeluth,ed,In -structional Design Theories and Models,Erlbaum:Mahwah,NJ,1999,(2):115-140.

[17]Azevedo,R.&Cromley,J.G.Does Training on Self -regulated

Learning Facilitate Students ’Learning With Hypermedia?[J ].Journal of Educational Psychology 2004,96(3):523–535.[18]Azevedo,R.,Cromley,J.G.&Seibert,D.Does Adaptive Scaffolding

Facilitate Students ’Ability to Regulate Their Learning with Hyper -media?[J ].Contemporary Educational Psychology,2004,(29):344–370.

[19]潘庆超.Web 3.0下的信息服务探析[J ].图书馆理论与实践,

2010,(4):40-43.

[20]熊回香,陈姗,许颖颖.基于Web 3.0的个性化信息聚合技术

研究[J ].情报理论与实践,2011,(8):95-99.

[21]史新伟.个人门户3.0下的个人知识管理[J ].情报资料工作,

2009,(2):61-62.

[22]Robin D.Morris.Web3.0:Implications for Online Learning [J ].

TechTrends,2011,(1):42-46.

[作者简介]

张坤颖,硕士,淮北师范大学教育学院讲师,研究方向为数字化学习、自主学习(everybigwoods@https://www.360docs.net/doc/5f705691.html, );张家年,硕士,淮北师范大学教育学院讲师,研究方向为网络教育与传播、教育技术管理;徐影,淮北师范大学教育学院副教授,研究方向为远程教育。

On Construction of Self-regulated Learning Model in Web-based Learning Environment:

Reflection on the Web 3.0Concept and Trend Zhang Kunying,Zhang Jianian &XuYing

(School of Education,Huaibei Normal University,Huaibei Anhui 235000)

【Abstract】In Information Age,Web-based learning is an important platform for lifelong learning and learning society,while the levels of learning performance lies in the development and guidance of learners ’personalized learning.After reviewing the con -cepts and categories about self-regulated learning and Web-based learning environment,the paper discusses the connotation,charac -teristics and roles of self-regulated learning in Web-based learning environment.Then from the perspective of the development of Web 1.0and the instructional scaffolding model of self-regulated learning,the paper puts forward three kinds of Web-based learning models:models of self-regulated learning based on Web 1.0,Web 2.0,and model of personalized learning based on Web 3.0.Finally,it also analyses the processes of constructing the above three models.

【Keywords】Self-regulated learning;Personalized learning;Web-based learning environment;Learning scaffolding

收稿日期:2012年6月11日

责任编辑:刘

网络环境下自主学习模型的构建

荨荨

学习新论

100

Analysis Services多维模型开发

Analysis Services多维模型开发 可以使用Analysis Services来分析大量数据。还可以使用它设计、创建和管理包含来自多个数据源的详细信息和聚合数据的多维结构。 若要管理和使用联机分析处理(OLAP)多维数据集,可以使用SQL Server Management Studio。 若要创建新的OLAP多维数据集,可以使用Business Intelligence Development Studio。 一、创建Analysis Services项目 单击“开始”,依此指向“所有程序”和Microsoft SQL Server 2008,再单击SQL Server Business Intelligence Development Studio。 将打开Microsoft Visual Studio开发环境 在Visual Studio的“文件”菜单上,指向“新建”,然后单击“项目”。 在“新建项目”对话框中,从“项目类型”窗格中选择“商业智能项目”,再在“模板”窗格中选择“Analysis Services项目”。 将项目名称更改为Analysis Services Tutorial,这也将更改解决方案名称,然后单击“确定”。 您已经基于Analysis Services项目模板,在同样命名为Analysis Services Tutorial的新解决方案中成功创建了Analysis Services Tutorial项目。 二、定义数据源 在解决方案资源管理器中,右键单击“数据源”,然后单击“新建数据源”。 在“欢迎使用数据源向导”页上,单击“下一步”可打开“选择如何定义连接”页。

弹簧质量块模型过程分析

过程分析之弹簧 如图11所示,两个木块质量分别为m 1和m 2,两轻质弹簧的劲度系数分别为k 1和k 2,上面木块压在上面的弹簧上(但不拴接),整个系统处于平衡状态,现缓慢向上提上面的木块,直到它刚离开上面的弹簧,在这过程中下面木块移动的距离 A . 1 1k g m B. 22k g m C. 2 1k g m D. 22k g m 如图所示,劲度系数为2k 的轻弹簧B 竖直固定在桌面上.上端连接一个质量为m 的物体,用细绳跨过定滑轮将物体m 与另一根劲度系数为1k 的轻弹簧C 连接。当弹簧C 处在水平位置且没发生形变时.其 右端点位于a 位置。现将弹簧C 的右端点沿水平方向缓慢拉到b 位置时,弹簧B 对物体m 的弹力大小为 mg 3 2 ,则ab 间的距离为________。 如图所示,两根轻弹簧AC 和BD ,它们的劲度系数分别为k1和k2,它们的D 端分别固定在质量为m 的物体上,A 、B 端分别固定在支架和正下方地面上,当物体m 静止时,上方的弹簧处于原长;若将物体的质量增加了原来的2倍,仍在弹簧的弹性限度内,当物体再次静止时,其相对第一次静止时位置下降了 ( ) A . B . C . D . 如图10所示,劲度系数为k 1的轻质弹簧两端分别与质量为m 1 、m 2 的物块1、2拴接,劲度系数为k 2的轻质弹簧上端与物块2拴接,下端压在桌面上(不拴接),整个系统处于平衡状态。现施力将物块1缓慢地竖直上提,直到下面那个弹簧的下端刚脱离桌面,在此过程中物块2的重力势能增加了多少?物块1的重力势能增加了多少? m 1 m 2 K 2 K 1 图11 m 1 m 2 1 2 k 1 K 2 图10

趋势分析和回归分析

趋势分析和回归分析,线性、对数、多项式、盛幂、指数、移动平均分析有何不同? 1 趋势分析法 趋势分析法称之趋势曲线分析、曲线拟合或曲线回归,它是迄今为止研究最多,也最为流行的定量预测方法。它是根据已知的历史资料来拟合一条曲线,使得这条曲线能反映负荷本身的增长趋势,然后按照这个增长趋势曲线,对要求的未来某一点估计出该时刻的负荷预测值。常用的趋势模型有线性趋势模型、多项式趋势模型、线性趋势模型、对数趋势模型、幂函数趋势模型、指数趋势模型、逻辑斯蒂(logistic)模型、龚伯茨(gompertz)模型等,寻求趋势模型的过程是比较简单的,这种方法本身是一种确定的外推,在处理历史资料、拟合曲线,得到模拟曲线的过程,都不考虑随机误差。采用趋势分析拟合的曲线,其精确度原则上是对拟合的全区间都一致的。在很多情况下,选择合适的趋势曲线,确实也能给出较好的预测结果。但不同的模型给出的结果相差会很大,使用的关键是根据地区发展情况,选择适当的模型。分析珠海市1995年以来的用电量历史数据,发现具有比较明显的二项式增长趋势,模型曲线为 y=0.229565x2-914.8523x+911472.65,利用该模型曲线得到2005年到2010年的用电量水平分别为52.78亿kwh和85.08亿kwh。拟合曲线如图1所示。 2 回归分析法

回归分析法(又称统计分析法),也是目前广泛应用的定量预测方法。其任务是确定预测值和影响因子之间的关系。电力负荷回归分析法是通过对影响因子值(比如国民生产总值、工农业总产值、人口、气候等)和用电的历史资料进行统计分析,确定用电量和影响因子之间的函数关系,从而实现预测。但由于回归分析中,选用何种因子和该因子系用何种表达式有时只是一种推测,而且影响用电因子的多样性和某些因子的不可测性,使得回归分析在某些情况下受到限制。 对珠海市历年用电量和国内生产总值gdp、人口popu等数据进行分析,求得回归方程为:y=-3.9848+0.0727gdp+0.10307popu,用该模型预测2005年和2010年的用电量水平分别为47.11亿kwh和70.98亿kwh。 回归分析预测方法是要通过对历史数据的分析研究,探索经济、社会各有关因素与电力负荷的内在联系和发展变化规律,并根据对规划期内本地区经济、社会发展情况的预测来推算未来的负荷。可见该方法不仅依赖于模型的准确性,更依赖于影响因子其本身预测值的准确度。 3 指数平滑法

面向财务分析的多维数据模型设计

面向财务分析的多维数据模型设计

摘要:数据仓库为商务运作提供结构与工具,以便系统地组织、理解和使用数据进行战略决策。数据仓库是一个面向主题的、集成的、时变的、非易失的数据集合,支持管理部门的决策过程。而且数据仓库是基于多维数据模型的,该模型可将数据看作数据立方体形式。而财务分析是以会计核算和报表资料及其他相关资料为依据,采用一系列专门的分析技术和方法,对企业等经济组织过去和现在有关筹资活动、投资活动、经营活动、分配活动的盈利能力、营运能力、偿债能力和增长能力状况等进行分析与评价的经济管理活动。可以运用数据仓库实现面向财务分析的多维数据模型设计,通过时间维度、行业维度、方法维度、报表维度等分析。 关键词:财务分析;多维数据;上卷;下卷;财务报表 前言:数据仓库为商务运作提供结构与工具,以便系统地组织、理解和使用数据进行战略决策。而财务分析是以会计核算和报表资料及其他相关资料为依据,采用一系列专门的分析技术和方法,对企业等经济组织过去和现在有关活动的各种能力状况等进行分析与评价的经济管理活动。可运用数据仓库实现面向财务分析的多维数据模型设计。 正文:面向财务分析的多维数据模型设计 财务分析是为企业的投资者、债权人、经营者及其他关心企业的组织或个人了解企业过去、评价企业现状、预测企业未来做出正确决策提供准确的信息或依据的经济应用学科。是以会计核算和报表资料及其他相关资料为依据,采用一系列专门的分析技术和方法,对企业等经济组织过去和现在有关活动的盈利能力、营运能力、偿债能力和增长能力状况等进行分析与评价的经济管理活动。 财务分析的方法与分析工具众多,具体应用应根据分析者的目的而定。最经常用到的还是围绕财务指标进行单指标、多指标综合分析、再加上借用一些参照值(如预算、目标等),运用一些分析方法(比率、趋势、结构、因素等)进行分析,然后通过直观、人性化的格式(报表、图文报告等)展现给用户。 财务分析的方法: (一)比较分析法 比较分析法,是通过对比两期或连续数期财务报告中的相同指标,确定其增减变动的方向、数额和幅度,来说明企业财务状况或经营成果变动趋势的一种方法。比较分析法的具体运用主要有重要财务指标的比较、会计报表的比较和会计报表项目构成的比较三种方式。 1、不同时期财务指标的比较主要有以下两种方法: (1)定基动态比率,是以某一时期的数额为固定的基期数额而计算出来的动态比率。 (2)环比动态比率,是以每一分析期的数据与上期数据相比较计算出来的动态比率。

认知结构知识模型理论

认知结构知识模型理论 什么是认知结构知识模型理论 认知结构知识模型理论是范丰会和宋文红在其新书《新视界心理学——认知结构知识模型理论及其在学科教学、心理咨询和学习心理障碍辅导中的应用》中提出来的一个关于西方心理学的新理论体系。作者试图通过这一理论模型解决西方心理学“像灌木丛一样,流派林立、各说各话、相互矛盾”的现状,尝试进行西方心理学学科内综合,以便提高西方心理学对理论精华的继承性,更有效地发挥其在实践中的指导作用。 认知结构知识模型理论提出者简介 范丰会,物理学科教育学硕士、心理咨询师。1990年获首都师范大学物理系基础物理教育学硕士。曾从事过中学物理教学、中学教师继续教育、教育软件及教学资源开发、心理咨询、学习困难学生辅导、家长培训等工作。1990年完成硕士论文《大学生物理认知结构的定量研究》,之后工作28年来,对心理学基础理论、心理的发生发展、学科教学、学习心理障碍等相关领域的基础理论问题和重要实践问题进行了不懈的探索,颇有心得。 宋文红,1991年毕业于北京医科大学临床医学专业,从事儿科临床工作。2008年在北京大学第六附属医院进行精神科研究生课程,之后进入儿童保健和儿童心理专业,对儿童各类常见病、儿童发育性行为问题及儿童情绪行为障碍有丰富的诊疗经验。 认知结构知识模型理论形成过程 在《新视界心理学》一书中,作者从批评西方心理学各流派心理观和方法论缺陷出发,借鉴20世纪物理学的科学观和方法论成果,确立了指导心理学理论探索的心理观和方法论;在此基础上,秉持心理结构化和建构论的观点,沿着“用知识描述心理”的思路,创新提出了基于“认知结构知识模型”的基本理论框架;然后在这一理论框架基础上,继承各主流心理学流派的理论成果,融合形成了认知结构知识模型理论。根据这一理论,现行西方心理学主要流派和主要应用领域的问题都可以用一套基本范式进行解释,从而初步实现了对心理学各流派理论的综合与创新。 认知结构知识模型理论的主要内容 认知结构知识模型理论主要包括以下内容: 1.意识和潜意识共同构成心理活动的容器或空间。 2.用认知结构作为描述整体心理(包括意识和潜意识)结构的基本概念。认知结构是由陈述性知识、意象、程序性知识和策略性知识四种知识构成的网络化结构。 3.认知结构网络可以进一步划分为由以上四类知识构成的、相互依存的两层网络——认知结构潜网和认知结构显网。认知结构潜网是在由遗传获得的“原始意象-本能”结构基础上于人类幼年期逐渐建构并在6、7岁基本完成的“意象-程序性知识”结构,其基本作用模式是象征性思维,即以情绪感受为依据,通过同化、泛化和顺应而建构知识经验并作用于环境,如同所有哺乳动物的学习和适应方式一样;认知结构显网的构建是在人类抽象逻辑思维出现时开始的,是在认知结构潜网基础上建构起来的“陈述性知识-意象-程序性知识-策略性知识”结构,其基本作用模式是抽象逻辑思维,即以陈述性知识为核心、以抽象逻辑思维为主导进行的同化和顺应过程。通俗地讲,潜网、潜意识、象征性思维是“讲情”的;而显网、意识、逻辑思维是“讲理”的。双网融合、和谐一致、具备充分的环境适应性是一个心理发展良好人(人本主义心理学家所称“自我实现者”)的认知结构特征;否则,可能会产生各种内部冲突性和外部适应性心理问题。 4.认知结构有四种发展机制:同化、顺应、条件反射和整合。其中同化与顺应是从皮亚杰等理论引进。条件反射作用来源于行为主义的经典发现,在认知结构知识模型理论中作为潜意识学习规律,可以解释潜意识情结和行为习惯形成的原因。整合(类似于精神分析所

《大数据多维分析平台实践方案》

大数据多维分析平台实践方案 一、大数据多维分析平台搭建的初心 随着公司业务量的增长,基于传统关系型数据库搭建的各种报表查询分析系统,性能下降明显。同时由于大数据平台的的日趋完善,实时的核心业务数据逐步进入大数据平台。 数据进入了大数据平台,相伴而来的是各种业务需求,这里主要聚焦在如何高效稳定的基于大数据平台的数据进行查询。 通过分析,我们面临的挑战如下: ?亿级别表下任意维度和时间跨度的高效的统计查询。 ?业务分析的维度越来越多,是否可以提供一个灵活的多维度组合查询的工具,而不是针对不同的维度组合开发不同的报表。 基于以上目标,开始搭建大数据的多维分析平台。 二、多维分析平台技术选型 搭建多维分析平台,首先面临的是技术选型,基于我们对开源框架的使用经验和实际情况,我们主要看业界主流的公司是如何使用应对的,在技术选型上会进行一定的比较,但不会投入比较大的资源进行验证,主张快速的迭代,效果的评估。多维分析平台技术选型主要面临是OLAP引擎和前端UI的选型。 我们先来看一下OLAP的基本概念和分类。 OLAP翻译成中文叫联机分析处理,OLTP叫联机事务处理。OLTP 它的核心是事务,实际上就是我们常见的数据库。我们业务数据库就是面向于事务。它的并发量会比较高,但是操作的数据量会比较小。它是实时更新的。数据库的设计会按照3NF范式,更高的话可能会

按照BC范式之类的来做。而OLAP的核心是分析,面向应用是分析决策,需要分析的数据级会非常大,可能TB,甚至PB都会有。它的数据更新会稍微慢一些,它的设计一般是反范式的,因为面向分析。常见的是雪花模型和星型模型。 OLAP的引擎目前主要分为3类 第一种叫ROLAP,叫关系型OLAP,它的特点就是它是基于关系性模型,计算的时候,根据原始数据去做聚合运算。常见的实现,小数据量可以利用MySQL、SqlServer这种传统数据库,而大数据量可以利用SparkSQL、Tidb、ES这些项目。 第二种类型叫MOLAP,叫多维OLAP,它的特点就是它会基于一个预定义的模型,我需要知道,要根据什么维度,要去算哪些指标,我提前就把这些结果弄好,存储在引擎上。细节数据和聚合后的数据保存在cube中,以空间换时间,查询效率高。 实际上我们的很多业务也是基于此思想去做的,比如我们会在ES里面按照电站、客户等维度进行聚合,满足日常的T+1查询需求,只不过这个地方每个聚合维度需要在ES里面做一个表,并增加上复杂的ETL处理。符合这个理念在业界用的比较多的为Kylin。并且基于Kylin有完整的一套开源产品KMS。涵盖了多维分析的前端UI及多维分析数据库。 第三种叫HOLAP(HybridOLAP),叫混合OLAP,特点是数据保留在关系型数据库的事实表中,但是聚合后的数据保存在cube中,聚合时需要比ROLAP高,但低于MOLAP。 综合分析,技术选型上主要考虑第ROLAP和MOLAP。关于OLAP 的分类已经经过了很多年的发展,市场上相关的产品也有很多,但是大数据下基于开源组件应该如何搞? 在大数据时代,有了分布式计算和分布式存储,对于亿级别表的任意时间跨度多维度组合的查询,是不是可以直接查询,不用再预聚合。

多维数据模型与OLAP实现

多维数据模型与OLAP实现 近年来,随着网络技术和数理分析在银行业中的广泛应用,西方商业银行开始广泛采用人口地理统计理论,运用数据挖掘及商业智能 对用户请求的快速响应和交互式操作。 OLAP技术在国内兴起和发展的过程中,人们对某些基本概念还有不同的理解。比如,OLAP与多维数据模型的关系,多维数据模型与多维数据库(MDD,MultiDimensionalDatabase)的关系,MOLAP(Multidime

nsionalOLAP,多维联机分析处理)、ROLAP(RelationalOLAP,关系联机分析处理)和HOLAP(HybridOLAP,混合联机分析处理)间的差异,多维数据库与多维联机分析处理是不是完全一致等问题,还有待于进一步澄清。 一、多维数据模型及相关概念 同的维属性。 2.维:是人们观察数据的特定角度,是考虑问题时的一类属性。 属性的集合构成一个维(如时间维、机构维等)。 3.维分层:同一维度还可以存在细节程度不同的各个描述方面(如时间维可包括年、季度、月份、旬和日期等)。

4.维属性:维的一个取值,是数据项在某维中位置的描述(例如“某年某月某日”是在时间维上位置的描述)。 5.度量:立方体中的单元格,用以存放数据。 OLAP的基本多维分析操作有钻取(Rollup,Drilldown)、切片(Slice)、切块(Dice)及旋转(P 钻取包含向下钻取和向上钻取 在多维数据结构中 OLAP多维数据模型的实现有多种途径,其中主要有采用数组的多维数据库、关系型数据库以及两者相结合的方式,人们通常称之为MOLAP、ROLAP和HOLAP。但MOLAP的提法容易引起误解,毕竟根据OLAP的多维概念,ROLAP也是一种多 维数据的组织方式。

2009 类比推理的认知过程与计算模型

类比推理的认知过程与计算模型Ξ 罗 蓉 胡竹菁 (江西师范大学心理学院,南昌330022) 摘 要:该文主要论述了类比推理的认知过程及其计算模型。文章对类比推理的概念进行了分析,论述了类比推理的主要成分和认知过程,并进一步围绕类比推理的重要成分介绍了当前类比推理的主要实证研究及研究成果,在此基础上文章进一步概括了类比推理的主要计算模型。 关键词:类比;类比推理;认知过程;计算模型 中图分类号:B842.5 文献标识码:A 文章编号:1003-5184(2009)06-0042-09 1 类比和类比推理的概念 类比推理亦称类比或类推。“类”是中国古代逻辑思想中一个重要概念,有“本质”、“规律”等意义,具有相同本质、规律的事物为同类,反之为异类。类推,在中国古代,是逻辑推理的统称,指依据类的同异关系所进行的推理[1]。 在逻辑学中,类比就是类比推理,或者可以把类比理解为类比推理的简称。在许多逻辑学著作中,类比推理被看成是一种特殊的归纳推理。类比推理在逻辑学中,通常被定义为:“它是根据两个(或两类)对象在一系列属性上是相同(相似)的,而且已知其中的一个对象还具有其他特定属性,由此推出另一个对象也具有同样的其他特定属性的结论”[2]。这一定义流传较广,但仔细分析,该定义侧重于物体表面属性的比较,强调属性的推移。有心理学者认为,逻辑学一般对类比的意义估计不足,对类比推理描述肤浅,一般认为自然科学比较重视类比推理的重要意义。 在认知心理学领域,类比既可以被看作是推理的一种类型,也被认为是知觉的一种。把它看成是推理的一种类型的观点认为,类比存在于知识从一种情境(称为源或基础物)迁移至另一情境(称之为目标),迁移的依据是在两个情境间有着某种相似性,如关于手头任务的判断两种情境在本质上是同样的。这是当前关于类比的主导观点[3-5]。 G entner认为,类比就是关系结构从一个领域到另一个领域的复制[3]。她进一步阐述,类比即是1)在不同的领域或系统中相同的关系中存在相似;2)由此推论如果两物体在某些方面有着一致性,那么它们在其他方面也可能一致[6]。 H oly oak指出,类比是一种特殊的相似。记忆中已有的问题、概念或情境称为“源”,当前的问题、概念或情境称为“目标”。两个情境如果它们在其构成要素中享有关系的共同模式,它们就是类似的,尽管这些要素跨越了两个不同的情境而不同。典型地,一个类比物(“源”或“基础物”)比第二个类比物(“目标”或”靶”)更熟悉或更好理解。最初知识中的这种不对称性提供了类比迁移的基础,用源产生关于目标的推论[7]。 类比也被认为是一种高水平知觉,在这种情况下,一种情境被知觉为另一个[8]。K okinov认为,这两方面的观点是相关的并且也是重要的,因而类比可以被认为是推理和知觉间的桥梁,在人类认知的核心中扮演着一个特殊的角色[9]。 G oswami认为,类比推理是人类认知发展的中心能力之一,它不仅在分类和学习中涉及到,而且为人类思维和解析提供了一种方法,它对科学发现和创造性思维都有十分重要的作用。在认知心理学中类比推理的基础地位已被广泛接受,在概念结构的本质、创造性问题的解决,以及人工智能等领域都成为研究的焦点[10]。 G enter指出[6,11],类比在认知科学中既普遍又重要。她认为:首先,在学习研究中,类比使得迁移跨越不同的概念、情境或领域,并被用来解释新主题。(先前知识)一旦被习得,它们就能被作为心智模型(mental m odels)以理解一个新的领域。比如,人们通常使用水流的类比来理解电流。第二,类比通常被用在问题解决和归纳推理中,因为它们能跨越 第29卷总第114期 心理学探新 PSY CH O LOGIC A L EXP LORATI ON 2009年 第6期 Ξ基金项目:2008江西省高校人文社会科学研究一类项目《类比推理的发展理论研究》。 通讯作者:胡竹菁,E2mail:huzjing@https://www.360docs.net/doc/5f705691.html,。

数据仓库与数据挖掘实验二(多维数据组织与分析)

一、实验内容和目的 目的: 1.理解维(表)、成员、层次(粒度)等基本概念及其之间的关系; 2.理解多维数据集创建的基本原理与流程; 3.理解并掌握OLAP分析的基本过程与方法; 内容: 1.运用Analysis Server工具进行维度、度量值以及多维数据集的创建(模拟案例)。 2.使用维度浏览器进行多维数据的查询、编辑操作。 3.对多维数据集进行切片、切块、旋转、钻取操作。 二、所用仪器、材料(设备名称、型号、规格等) 操作系统平台:Windows 7 数据库平台:SQL Server 2008 SP2 三、实验原理 在数据仓库系统中,联机分析处理(OLAP)是重要的数据分析工具。OLAP的基本思想是企业的决策者应能灵活地、从多方面和多角度以多维的形式来观察企业的状态和了解企业的变化。 OLAP是在OLTP的基础上发展起来的,OLTP是以数据库为基础的,面对的是操作人员和低层管理人员,对基本数据的查询和增、删、改等进行处理。而OLAP是以数据仓库为基础的数据分析处理。它具有在线性(online)和多维分析(multi-dimension analysis)的特点。OLAP超越了一般查询和报表的功能,是建立在一般事务操作之上的另外一种逻辑步骤,因此,它的决策支持能力更强。 建立OLAP的基础是多维数据模型,多维数据模型的存储可以有多种不同的形式。MOLAP和ROLAP是OLAP的两种主要形式,其中MOLAP(multi-dimension OLAP)是基

于多维数据库的OLAP,简称为多维OLAP;ROLAP(relation OLAP)是基于关系数据库的OLAP,简称关系OLAP。 OLAP的目的是为决策管理人员通过一种灵活的多维数据分析手段,提供辅助决策信息。基本的多维数据分析操作包括切片、切块、旋转、钻取等。随着OLAP的深入发展,OLAP也逐渐具有了计算和智能的能力,这些能力称为广义OLAP操作。 四、实验方法、步骤 要求:利用实验室和指导教师提供的实验软件,认真完成规定的实验内容,真实地记录实验中遇到的各种问题和解决的方法与过程,并根据实验案例绘出多维数据组织模型及其OLAP操作过程。实验完成后,应根据实验情况写出实验报告。 五、实验过程原始记录(数据、图表、计算等) 本实验以实验一建立的数据仓库为基础,使用Microsoft的SQL Server Business Intelligence Development Studio工具,建立OLAP相关模型,并实现OLAP的一些简单基本功能。 首先打开SQL Server Business Intelligence Development Studio工具,新建一个Analysis Service项目,命名为:DW

管理沟通之过程模型分析

海南大学 管理沟通课程论文 题目:管理沟通之过程模型分析 作者:你大爷 学号:20124525083100 56 学院:***学院 专业:&&&&&&&&&&& 时间:201……年****

管理沟通之过程模型分析 ----以“笔头沟通”技能为例【摘要】:管理沟通对于每一个管理者来说都至关重要,如影随形,无处 不在,它是管理者职业生涯中最重要的组成部分。它解决的是现实管理 活动中发生的组织与组织之间、人与人之间、人与组织之间的沟通问题。 管理沟通区别于其他类型的沟通就在于它强调沟通是一个系统的过程, 这一过程主要涉及信息的编码,译码和沟通渠道等关键步骤。本文以“笔 头沟通”这一沟通形式为例,分析了在管理沟通过程模型下的不同环节所 承担的任务和注意事项。旨在提高对管理沟通的认识,提高沟通技巧。 【关键词】:管理沟通、过程模型、面谈、技巧 一、过程模型简述: 管理沟通是沟通主体向受众传递信息并获得对方反馈的过程,该过程是受众、信息源、信息、目标、环境、媒介和反馈等七个基本要素的系统 整合,其中,编码、译码、沟通渠道是沟通过程取得成功的关键环节,它 始于主体发出信息,终于得到反馈。所以,一个完整的沟通其实是一个信 息传递和反馈的过程,只有当信息从信息源发出,经由信息传递渠道,到 达目标受众,并由目标受众反馈给信息源才算是一个完整的管理沟通过程。 因此,沟通过程中仅仅只有信息是远远不够的,只有当信息招致受众作出 你期望的反应时才算成功,这也是管理沟通最为关键的一点,是管理沟通 区别于其他类型沟通的本质区别。 管理沟通的过程模型的七大基本要素要求在沟通过程中必须要经历五个重要环节。一是:沟通客体分析;这一环节主要是针对七要素中的受 众要素,即要首先搞清楚信息受众是谁,要明确受众的需求、了解受众接 受信息的特点,尤其是受众作为信息沟通过程中的译码者,其译码能力直 接决定了他能否准确的理解信息(这一点对于采取何种沟通方式至关重要,例如,你不可能对一个不识字的受众采取书面沟通的方式)。二是:沟通 主体(信息编码任务的主要承担者)分析;主要是针对信息源要素和目标 要素,即信息发出者,这一环节中要明确沟通目标和信息是什么以及有着 怎样的特点(这是为信息组织做准备)。三是:信息组织分析;这主要是 针对信息本身,即如何对信息进行编码,以何种形式进行信息的编码。四 是:沟通渠道分析;这一环节主要是针对媒介和反馈这两个基本要素,沟 通渠道分析即是对信息传播媒介的选择,根据受众和信息的特点以及沟通 的目标正确的选择沟通渠道往往能够使沟通达到事半功倍的效果,而且,

模型认知和认知模型

模型认知和认知模型 认知结构的激活扩散模型认知结构的激活扩散模型也是一个网络模型。但与层次网络模型不同,它放弃了概念的层次结构,而以语义联系或语义相似性将概念组织起来,如图2-5所示。概念之间的连线表示它们的联系,连线的长短表示联系的紧密程度,连线愈短,表明两个概念有愈多的共同特征。这样的语义记忆结构无疑不同于逻辑层次结构,但它本身并不排除概念的逻辑层次关系,如“机动车”是“小汽车”和“卡车”等的上级概念,有连线相通。然而,概念之间有更多的横向联系。“小汽车”还与“卡车”、“公共汽车”、“急救车”等机动车有联系。 激活扩散模型的加工过程是很有特色的。当一个概念被加工或受到刺激,在该概念结点就产激活,然后激活沿该结点的各个连结,同时向四周扩散,先扩散到与之直接相连的结点,再扩散到其他结点。前面提到概念间的连线按语义联系的紧密程度而有长短之分,现在连线则又有强弱之别。连线的不同强度依赖于其使用频率的高低,使用频率高的连线有较高强度。由于激活是沿不同一的连线扩散的,当不同来源的激活在某一个结点交叉,而该结点从不同来源得到的激活的总和达到活动阈限时,产生这种交叉的网络通路就受到评价。例如,对野鸭是鸟”作出判断,就需要进行搜索,来收集足够的肯定和否定的证据。当在“野鸭”

和“鸭”之间找到上下级连线,又在“鸭”和“鸟”之间找到上下级连线,就得到足够的肯定证据对“野鸭是鸟”作出肯定判断。激活扩散模型的信息提取机制是相当复杂的。它与层次网络模型不同。层次网络模型只包含搜索过程,而激活扩散模型则包含两种过程,除搜索过程以外,还有决策过程。这种决策过程也可看作计算。 从激活扩散模型我们可以看出,知识的保持不仅与知识的组织程度有关,而且还与知识的运用频率和信息加工过程的决策计算有关。认知心理学对知识的研究结果也表明,由于不同的识记方式导致对识记内容加工深度也有所不同,对新知识信息加工愈充分,识记效果越好。例如,博布罗和鲍尔曾要求被试记一些简单的“主一谓一宾”结构的句子。在第一条件下,被试记忆由实验者提供的现成的句子,在第二种条件下,被试自己用句子中的主语和宾语名词另造句子,测验要求是给被试提示主语,要求他们回忆出宾语名词。结果发现,第一种条件下的回忆率为29%,第二种为58%。这种显著的差异在于精心加工的水平不同。 以上的认知心理学研究结果表明,将新知识纳入认知结构,不仅需要按逻辑层次进行组织,而且需要对知识进行必要的精心加工。这样的应用结束技能时应注意对新获得的知识进行应用。由于新知识的结论往往是通过几个典型事例得出的,还不够稳固,需要将它应用到所属类中的其他事例中,通过应用加强同类

中国人口增长的中短期和长期趋势预测数学模型

中国人口增长的中短期和长期趋势预测数学模型 【摘要】 中国是人口大国,人口的预测问题始终是关系到社会和谐发展的关键因素之一。 首先,本文就近几年中国人口结构的变化情况进行“生存——生育”双因素 分析,按照人口性别分类,考虑老龄化进程、出生人口性别比以及乡村人口城镇 化等因素,根据近几年城、镇、乡的统计数据,建立基于概率方法的Leslie矩阵,利用Matlab软件进行编程求解,对中国人口进行了中短期预测。 其次,在对人口进行长期预测时,引入净再生产率(NRR)和总和生育率(TFR)。 根据已知数据计算出1994—2005每年的NRR和TFR,通过曲线拟合预测出未来 的TFR趋势。而各年TFR的变化是由相应年各年龄女性生育率的变化引起的,各 年龄女性生育率的变化比例即是TFR的变化比例,得到新的生育率,即得到了新 的Leslie矩阵,计算出该Leslie矩阵的唯一的正的特征根λ,当λ接近于1时, 则人口趋于稳定。此时求得各年人口预测的新的Leslie矩阵,利用新的每年Leslie矩阵连乘,并乘于2005年各年龄人口数向量,则可预测中长期人口数量。 主要问题结论: 1、对中国人口增长的中短期进行预测。 首先以2001年人口数据为基数,对2002年—2005年进行预测,并与真实 年份(年)2002 2003 2004 2005 预测总人口数(万人) 实际总人口数(万人)128453 129227 129988 130756 相对误差(%) 虑各年份生育率的影响。 其次,由上表可知模型较为准确,可以2005年人口数据为基数,利用模型 年份2006 2007 2008 2009 2010 预测总人口数 (万人) 年份2011 2012 2013 2014 2015 预测总人口数 (万人) 的变化得到每年各年龄女性生育率的变化,运用新的生育率得到该年的Leslie 矩阵,计算出该Leslie矩阵的唯一的正的特征根λ,当2033年λ较为接近1时, 则2033年后人口达到峰值趋向稳定,且此时NRR2033年=,亦接近于目前发达国家 的NRR指标。此时利用各年的Leslie矩阵以及Matlab软件计算可得长期人口预 测值。 由此可知,中国继续推行计划生育政策,使 NRR接近,可使中国未来的人口 数量保持稳定趋势。

软件过程模型的优缺点对比

软件过程模型的比较 瀑布模型 瀑布模型(经典生命周期)提出了软件开发的系统化的、顺序的方法。其流程从用户需求规格说明开始,通过策划、建模、构建和部署的过程,最终提供一个完整的软件并提供持续的技术支持。 优点: 1. 强调开发的阶段性,各阶段具有顺序性和依赖性 2. 强调早期调研和需求分析,推迟编码实现的观点 3. 提供了一个摸板,这个摸板使得分析、设计、编码、测试和支持的方法可以在该摸板下有一个共同的指导 缺点: 1. 文档驱动,用户无法及时了解产品的情况 2. 依赖早期调研和需求分析,很难适应在许多项目开始阶段必然存在的不确定性。 3. 流程单一,必须要完成前一阶段的任务,才能进行下一阶段,开发过程中的成功经验无 法用于本产品。 4. 测试在后期引入,对于系统存在的重大缺陷,如果在可执行程序评审之前没有被发现, 将可能造成重大损失。 5. 组织庞大,人员闲置。 适用范围:需求确定,工作能够采用线性的方式完成的软件。 增量过程模型 增量过程模型包括增量模型、RAD模型。 (一)增量模型增量过程模型以迭代的方式运用瀑布模型,把软件产品作为一系列的增量构 件来设计、编码、集成和测试。每个构件由多个相互作用的模块构成,并且能够 完成特定的功能。使用增量模型时,第一个增量往往是核心功能。 优点: 1. 能在较短的时间内向用户提交可完成部分工作的产品。 2. 逐步增加产品功能可以使用户有充裕的时间学习和适应新产品,从而减少一个全新的软件可能给客户组织带来的冲击。 3. 规避技术风险 4. 可并行开发构件,加快开发的进度 缺点:

1. 没有考虑软件的整体质量和长期的可维护性。 2. 大部分情况是不合适的操作算法被采用目的为了演示功能,不合适的开发工具被采用 仅仅为了它的方便,还有不合适的操作系统被选择等等。 3. 由于达不到质量要求产品可能被抛弃,而采用新的模型重新设计 适用范围:项目在既定的商业要求期限之前不可能找到足够的开发人员; (二)R AD模型 RAD模型是一种侧重于短暂的开发周期的增量软件过程模型,它是瀑布模型的“高速”变体,通过基于构建的构建方法实现快速开发。开发团队能够在非常短的时间内创造出“全功能系统” 优点: 1 ?开发速度快,质量有保证。 2 ?对信息系统特别有效。 缺点: 1. 对于大型的可伸缩的项目,RAD需要大量的人力资源来创建多个相对的独立 的RAD团队 2. 如果开发者和用户没有为短时间内急速完成整个系统做好准备,RAD项目将 会失败。 3. 如果一个系统不能合理的模块化,RAD构件建立会有很多问题。 4. 如果系统需求是高性能,并且需要通过调整构件接口的方式来提高性能,不能采用 RAD模型 5. 技术风险很高的情况下 适用范围:1、不适合技术风险很高的开发,不适合系统需求是高性能,并且需要通过调整构件接口的方式来提高性能的产品开发。 2、适用于工期紧张,又可细分功能,还要有合适的构件 演化过程模型 演化过程模型包括原型开发,螺旋模型,协同开发模型。 (一)原型开发从需求收集开始,开发者和客户在一起定义软件的总体目标,标识已知的需 求并且规划出需要进一步定义的区域。然后是快速设计”,它集中于软件中那些对客户可见的部分的表示,这将导致原型的创建,并由客户评估并进一步精化待开发软件的需求。逐步调整原型使其满足客户的需求,这个过程是迭代的。其流程从听取客户意见开始、随后是建造/修改原型、客户测试运行原型、然后回头往复循环直到客户对原型满意为止。由于这种模型可以让客户快速的感受到实际的系统(虽然这个系统不带有任何质量的保证),所以客户和开发者都比较喜欢这种过程模型(对于那些仅仅用来演示软件功能的公司而言或从来不考虑软件质

趋势线分析法及其应用

趋势线分析法及其应用 1引言 趋势分析法称之趋势曲线分析、曲线拟合或曲线回归,它是迄今为止研究最多,也最为流行的定量预测方法。它是根据已知的历史资料来拟合一条曲线,使得这条曲线能反映负荷本身的增长趋势,然后按照这个增长趋势曲线,对要求的未来某一点估计出该时刻的负荷预测值。常用的趋势模型有线性趋势模型、多项式趋势模型、线性趋势模型、对数趋势模型、幂函数趋势模型、指数趋势模型、逻辑斯蒂(logistic)模型、龚伯茨(gompertz)模型等,寻求趋势模型的过程是比较简单的,这种方法本身是一种确定的外推,在处理历史资料、拟合曲线,得到模拟曲线的过程,都不考虑随机误差。采用趋势分析拟合的曲线,其精确度原则上是对拟合的全区间都一致的。在很多情况下,选择合适的趋势曲线,确实也能给出较好的预测结果。但不同的模型给出的结果相差会很大,使用的关键是根据地区发展情况,选择适当的模型。 回归分析是统计分析中应用最为广泛的一个分支,它起源于19世纪高斯的最小二乘法,20世纪初形成。回归是研究自变量与因变量之间关系的分析方法,它根据已知的自变量来估计和预测因变量的总平均值。根据回归分析方法得出的数学表达式称为回归方程,它可能是直线,也可能是曲线。在统计中有许多不同类型的回归,但是它们的基本思想都是创建的模型能够匹配预测属性中的值。回归分析中,我们需要通过一个或几个变量的变化去解释另一变量的变化,包括找出自变量与因变量、设定数学模型、检验模型、估计预测等环节。变量之间的关系,有的是确定的函数关系,有的则没有,变量y 随着变量x 而变化,但不能由x 的取值精确求出y 的值,变量y 与x 间的这种关系称为相关关系。回归分析就是研究变量间相关关系的一种数理统计方法。它使用逐次回归分析法进行变量的筛选以生成最优回归模型: 即是将因子一个个引入, 引入因子的条件是, 该因子的偏回归平方和经检验是显著的。同时, 每加入一个因子后,要对老因子逐个检验, 将偏回归平方和变为不显著的因子删除。最后,对最终生成的回归模型做方差分析和假设检验, 判断最终得到的回归方程是否有意义。 2基本理论 回归分析法是在掌握大量观察数据的基础上,利用数理统计方法建立因变量与自变量之间的回归关系函数表达式(称回归方程式)。回归分析法不能用于分析与评价工程项目风险。 回归分析预测法,是在分析市场现象自变量和因变量之间相关关系的基础上,建立变量之间的回归方程,并将回归方程作为预测模型,根据自变量在预测期的数量变化来预测因变量关系大多表现为相关关系,因此,回归分析预测法是一种重要的市场预测方法,当我们在对市场现象未来发展状况和水平进行预测时,如果能将影响市场预测对象的主要因素找到,并且能够取得其数量资料,就可以采用回归分析预测法进行预测。它是一种具体的、行之有效的、实用价值很高的常用市场预测方法。

通用的能力模型字典

胜任力分级素质词典(通用素质部分) 第一部分词典介绍 该分级素质词典是世界范围内迄今为止经透彻研究后最好的胜任力素质词典。它集二十多年素质研究之精华,在世界范围内的上乘、杰出者身上得到过验证,其有效性经历过多种经验式素质模式的不断确认。各素质的级别经不断修改,变得越来越明晰、越来越可靠、越来越有效。其中,所有的素质都已通过最严格的研究测试和专业标准测试。每一核心素质都在许多企业组织的管理者评估过程中得到了可靠地鉴别表现证实。 收录在该词典里的通用核心素质,标准系列共有18个素质,通常被用来推导出一个人的素质模式:即每一行为事件访谈都会用这18个素质进行分析。而真正透彻研究的模式往往皆包括这18个为一组的素质(也许以18个素质的改进版为一组)

第二部分通用素质(按英文字母顺序排列) 1.成就导向(ACH): 希望工作杰出或超出优秀标准。其标准可以是某个人自己过去的业绩(力求改进之);或一种客观衡量标准(只论结果);或比其他人做得更好(即竞争性);或某人自己设定的挑战性目标;或任何人从未做过的事(改革性)。因此一种独特的成就也可定为ACH。(是否考虑要满足并超过既定目标?为达所期好处肯冒一定风险?) 这种人: 1)要把工作做好:努力把工作做好或做对。也许有对浪费或低效率的受搓感(即抱怨所浪费的时间、表示想做得更好),却没有带来具体任何改进。 2)自创杰出衡量标准:面对他人强加的杰出标准,采用自己具体衡量结果的方法。也许表现为专注于某些新的或更确切的方法以达到管理目标。(那种对结果或业绩优秀衡 量标准有自然兴趣者需具体分析)。 3)业绩有改善:对某系统或自己个人工作方法作出具体改变以改进业绩(即把某事做得更好、更快、更省、更有效;改善其质量、客户满意度、精神面貌、收益),而没有 预先设定任何具体目标。(业绩的改进应该是明显的且可测量的。即使结果尚不知道或改进率低于所期望的,仍要计分。) 4)为达到有难度的目标而努力:“有难度”即仅有百分之50的机会达到目标、有百分之50的可能失败。其努力肯定是超常的,却又不时不实际或不可能的。或者,以最初 某基线业绩表现对照投入努力后的更高业绩表现:即“在我接手时,工作效率为20%,现在提高到了85%。”(如果目标不太难也不知达到与否,可作为2级计算分析作为于传统标准相竞争的证据。如果计为4级,那么一个人同样的行为或事件便不宜计为3。) 5)有做成本-效益分析:在仔细计算过投入和产出的基础上做决定、定先后或选定目标:对潜在利润、投资盈利率或成本效益分析做详细明确考虑。家对商业结果做分析。(计 算分析时,这人应:1)具体提到过成本和2)效益和3)基于成本效益考虑的决定。 6)明知有风险仍一往无前:为提高效益调动最大资源和/或时间(明知不一定成功),(即改进业绩,达到一个有大难度的目标,等)。如计算分析时为6级,应注意计算 低级的ACH作为证据以充分抓住访谈者ACH的深度及广度。 2.演绎思维(AT): 喜把事物拆分成小块小块来理解,或用步步推进的方法对事物进行解剖。演义思维包括对问题、局势等系统地、组织结构地理解;进而对不同特性或方面进行系统比较;理性地制定出先后对策;确定时间秩序,因果关系或如果这样便会那样的关系。(这人是否理解因果关系链?)

三种认知模型

模板匹配模型、原型模型和区别性特征模型各自如何解释汉字的知觉过程?什么样的实验证据能够支持或反对这些模型? 罗文翰 00911060 生命科学学院 模型概述: 在对汉字的识别中,有三种模型可以解释汉字的知觉过程:模板匹配模型、原型模型和区别性特征模型。 模板匹配模型认为,在长期记忆中,储存着许多外部模式的“袖珍副本”,称作模板。它们与外部模式有着一一对应的关系。当一个刺激作用于人的感官时,刺激信息便被拿来与记忆中的各种模板一一比对,认为刺激与匹配程度最高的模板相同。汉字识别时,刺激的汉字与脑中储存的汉字的模板相对应,如果一致则识别出该汉字,否则不能识别出该汉字。由此我们可以知道,无论是什么汉字,其识别过程是一样的,使用的时间应该一致。 原型匹配理论认为,人的记忆中存储的不是与外部模式有一一对应关系的模板,而是原型。原型是对事物形象的一种概括的心理表征,反映一类事物的基本特征。在进行原型匹配的时候,需要把复杂对象的结构进行拆分,拆分成简单的形状,通过对部件的原型进行匹配,以达到识别对象的目的。这种比对不需要严格的准确匹配,只需近似匹配即可。即使某一范畴的客体之间存在外形、大小等方面的差异,所有这些客体可以通过原型匹配得到识别。在汉字识别过程中,把汉字分解为各种各种的组成部分,然后与脑中储存的原型进行匹配。 区别性特征模型认为,该理论认为模式是由若干元素或成分按一定关系构成的,这些元素或成分称为“特征”,特征间的关系也称为特征。特征分析理论认为所有复杂的刺激都是由一些可以区分的、相互分离的特征组成。各种模式是以分解后的一些特征形式来表征和储存的。进行识别的时候,需要抽取刺激的特征,并将其与记忆中的各种模式的特征进行比较和匹配。特征匹配模型强调的是特征、区别的分析。成功与否决定于刺激的可分解性。应用到汉字上来说就是,识别汉字时是通过识别汉字中的组成部分并且组成部分的位置关系等,由此来识别汉字。 实验证据: 在一项对汉字觉知模型的研究中(关于汉字加工单位的研究张武田冯玲),研究者发现汉字中高频字和低频子、笔画多和笔画少对于笔画多对被试对识别时间和识别正确率有影

相关文档
最新文档