201406月赵飞龙学习报告.pdf

e_Learning环境下促进深度学习的策略研究_段金菊.pdf

概念图用于C程序设计教学评价的实践研究_寇海莲.pdf

合理选用统计分析方法_胡良平.pdf

基于课程知识结构的网络学习资源建设_檀晓红.pdf

论量化研究方法在教育科研中的应用_佟庆伟.pdf

面向碎片化学习时代微视频课程的内容设计_王觅.caj

学习科学视域下的e_Learning深度学习研究_段金菊.pdf

       本月主要看的文献是关于深度学习方面的和量化研究方法的文章，主要的考量是根据我的研究问题，拓宽下视野，看看如何体现学习的深入化和学习更具结构化，在看了相关文献后梳理出关于这两部分的一些心得。

1.深度学习和结构化

关于深度学习，尤其是e-learning下的深度学习来说主要的收获是两张图，如图1e-learning环境下深度学习的交互层次模型。

图1  e-learning环境下深度学习的交互层次模型

       虽然我论文中的学习深入化与阅读文献中的深度阅读不是一个概念，但还是有可借鉴的地方，我的学习深入化可能更关注通过测试成绩来反应学习是否更加深入，但通过深度学习的相关文献能够对我设计微培训课程体系时提供一些借鉴和思考，例如利用知识地图的实验组如果能够更深入的学习培训内容，其原因很可能是通过概念交互（概念交互的核心是学生新旧概念间的交互）这一层起到了作用，知识地图的呈现形式很大程度上能够帮助学习者清晰的理清每个学习单元的相互关系和上下级概念，每次学习时都能对知识在地图中的地位和所属关系进行记忆。

       另外论文中将对学习者对知识点的结构化掌握程度进行测试，主要的形式是通过概念图的绘制，所以对相关的文献进行了阅读，主要是关于概念图评价应用方法的文章，概念图用于教学评价的题型主要有填图题、读图改错题和构图题三种。前两种属于客观题，其答案清晰明了，易于评判，但是缺少可构建性。 第三种则充分发挥了概念图评价的优势， 能够更准确地反映学生知识结构的差异， 显示学生不完备的理解与错误概念， 给学生更多的机会呈现他们对概念体系的理解，引发学生更高水平的认知加工。所以对概念图评价标准进行了查阅文献，参考和学习了“命题—节点”评价标准，准具有以下三个特点：（1）以数值准确表示概念图得分，清晰明了，便于形成相对评价；（2）同时关注概念图中命题质量与节点数量， 全面检测学生的认识与理解；（3） 有标准概念图做评分参照，方便学生开展自评与小组互评。“命题—节点”计分法的操作步骤不在此赘述，如有兴趣请参照文章《概念图用于C程序设计教学评价的实践研究》（中国电化教育 2012.10）。在我论文后期数据处理时可以运用此方法进行学习者绘制概念图来反应其知识结构化目标的检测上。

       因为自己对数据统计、量化研究方法掌握有所欠缺，所以看了几篇这方面的文章，为之后做些准备，本月阅读的文献还比较浅，主要归类了些简单的统计分析方法，例如：描述数据如制作次数分布表、画直方图等，可使数据变成易于理解的形式；简缩数据如计算平均值、标准差、相关系数等一些常用的统计参数,可揭示数据的某些特征。推断统计分析方法则是通过样本所提供的信息，对总体的某些特征进行推断、估计和预测，以揭示事物的内在规律。平均数差异性的检验、方差的差异性检验、计数数据的检验和方差分析等方法均属此类分析方法。所以之后会结合自己的需要对一些具体的方法进行学习，来保证后期论文数据处理时工具的使用顺畅。

1.收集统计本区年会作品；

2.收集年会视频素材；

3.建立年会名师学习元；

4.年会联系打工子弟学校；

5.欣欣基金会与昌平城关小学交流活动安排。