5、协作学习环境中的知识集体构建探索

协作学习环境中的知识集体构建探索

1. 背景与目的

随着在线学习的迅速发展和网络信息的爆炸式增长,如何在协作学习环境(CLEs)中集体构建知识成为关键问题。一些参与者认为虚拟学习环境虽有随时沟通的优势,但也带来了信息过载、时间管理困难等问题。因此,研究旨在从知识网络的角度,开发设计和调解协作学习环境的策略,利用Nestor Web Cartographer软件和其他免费资源,探索如何管理信息过载,激励集体知识构建。

2. 理论基础

为理解集体知识构建,选取了几位作者的理论:
- Humberto Maturana和Francisco Varela认为知识是一种生物现象,认知、存在和生活是不可分割的维度。
- Paulo Freire将知识定义为主体对世界的有意识阅读和重写。
- Pierre Lévy则强调知识是一个技术、生物和人类参与者不断互动的复杂网络。

3. 课程概述

Nestor Web Cartographer工作坊是圣保罗PUC大学教育研究生课程“认识论与计算机在教育中的应用”的一部分。该软件由Romain Zeiliger在法国开发,具有以下重要功能:
|功能|描述|
| ---- | ---- |
|自我导航体验呈现|将访问的文档表示为符号(图标),用户可重新排列布局,删除无意义网页,更改图标,分组信息并创建连接箭头。|
|个人网页空间构建|用户可使用Nestor Editor创建网页,插入转换后的地图,并与公共网络连接,构建主题地图和个人超文本。|
|笔记记录|用户可为访问的公共或个人文档添加注释,访问注释文档时,注释将在单独窗口显示,

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值