基于BOPPPS教学模式的移动学习系统设计与实现.pdf

第 17 期2023 年 9 月无线互联科技Wireless Internet TechnologyNo.17September,2023基金项目:吉林省高教学会课题;项目名称:基于移动学习的 BOPPPS 翻转课堂在自动控制课程中的实践研究;项目编号:JGJX2021D553。作者简介:吴忠伟(1985),女,山东日照人,讲师,硕士;研究方向:控制理论与控制工程。基于 BOPPPS 教学模式的移动学习系统设计与实现吴忠伟(吉林建筑科技学院,吉林 长春 130114)摘要:文章深入探讨了 BOPPPS 教学模式在移动学习系统设计与实现的应用,目的是增强学习者的学习成效和体验。文章详细阐述了 BOPPPS 教学模式对移动学习系统设计的深远影响,并聚焦于无线网络负载均衡和人工智能技术在移动学习系统中的关键应用。研究提出基于 BOPPPS 教学模式的移动学习系统架构设计方案,同时对于核心功能模块的设计进行了详细的描述。在系统实验验证部分,研究对评估标准和实验过程进行了模拟,并以此为基础展示了实验结果,从而证明了该系统的有效性。文章以“自动控制原理”这门课程为例,对系统核心功能模块进行了全面的系统测试,以此来保证系统的稳定性和可靠性。关键词:BOPPPS 教学模式;移动学习;系统设计与实现中图分类号:TP311 文献标志码:A0 引言 随着科技进步,移动学习系统已成为教育新常态,实现了空间与时间的无约束学习。该系统依托移动设备及无线网络技术,打破传统学习模式的边界,为用户提供个性化、参与式的学习资源和服务。1 BOPPPS 教学模式对移动学习系统设计的启示 在移动学习系统的设计过程中,借助 BOPPPS 教学模式的优秀理念,以此适应和优化各个教学环节。BOPPPS 模式以其明确的学习目标、前期及后期的评估机制以及参与式学习等策略,为教学活动提供了有效的指导1。(1)明确的学习目标:BOPPPS 模式强调在教学活动开始之前就需要设定明确的学习目标。在移动学习系统的设计中,本研究可以为用户设定明确的学习目标,以便引导他们进行目标明确、有方向性的学习。(2)评 估 机 制:BOPPPS 模 式 中 的“Pre-assessment”和“Post-assessment”为教学活动提供了完备的前期和后期评估机制。在移动学习系统的设计中,本研究可以通过设计评估模块,实现对用户学习状态的预评估和后评估,以此来了解用户的学习需求和学习成果。(3)参与式学习:BOPPPS 模式强调参与式学习,旨在通过互动和参与的方式,增加学习者的学习兴趣和深化学习效果。在移动学习系统中,本研究可以利用移动技术的优势,设计出各种互动模块,如讨论区、问答模块等,以促进用户的参与式学习。(4)“Bridge-in”与“Summary”:BOPPPS 模式在教学活动的引入和总结环节分别有相应的策略,本研究在移动学习系统中设计相应的功能模块,如开场引导和结尾总结,以帮助用户更好地理解和掌握学习内容。2 移动学习系统的关键技术2.1 无线网络负载均衡 在移动学习系统中,无线网络通过合理分配网络资源,实现设备负载均衡,确保系统稳定运行和优秀的用户体验。系统定期监控网络状态,包括流量、速度、延迟等参数,并实时调整负载均衡策略。通过动态调度算法,系统可以根据网络状态变化实时调整资源分配。应用机器学习等技术进行无线网络负载预测,能够提前调度网络资源,防止网络拥塞。同时,系统将考虑安全性问题,设置访问控制策略和数据加密技术,防止 DDoS 攻击、欺诈连接,保护网络资源和用户数据安全。2.2 人工智能技术 在移动学习系统中,人工智能技术主要应用于个性化推荐模块,使用推荐算法(包括协同过滤、基于内容的推荐算法和深度学习等)为学习者提供适合的学习资源和路径。此外,特征工程对推荐效果有直接影响,需要从用户行为数据、用户属性数据和学习资源属性数据中提取有效信息。模型训练与优化则利用历史数据和合适的损失函数、优化算法来提升预测准确性。通过模型评估检查推荐模型性能并进行调整优化,最终实现实时推荐,高效响应用户需求。901第 17 期2023 年 9 月无线互联科技软件开发No.17September,20233基于 BOPPPS 教学模式的移动学习系统架构设计 该移动学习系统架构设计受到 BOPPPS 教学模式的指导,包括 4 个层次:用户界面、服务、数据和管理。用户界面简洁直观,支持个性化设置;服务层提供个性化推荐服务;数据层存储和分析学习资源、用户数 据 等;管 理 层 维 护 系 统 运 行。各 层 均 考 虑BOPPPS 模式特点,如明确学习目标、参与学习和前后评估机制2。以此为系统架构有效实施 BOPPPS教学模式,提高学习效果的作用明显,如图 1 所示。图 1 学习系统架构4 基于 BOPPPS 教学模式的移动学习系统重点功能设计4.1 自适应网络连接 基于无线网络负载均衡技术,本研究设计了移动学习系统的自适应网络连接功能。该功能对各种网络环境下保持系统的稳定运行作用显著,以提升用户体验并避免学习中断。自适应网络连接的主要实现算法基于负载均衡技术,主要包括以下环节:(1)网络状况监控:系统持续监控当前网络环境的状态,包括带宽、延迟等关键参数。(2)数据转发决策:根据监控到的网络状态,系统会通过特定算法,例如最小连接数算法或加权轮询调度算法,决定数据转发的最佳路径。通常数据会被转发到当前负载较小的网络路径上。负载均衡的核心计算公式如下:如使用最小连接数算法,那么系统会选择当前连接数最小的网络路径。计算公式如下:路径选择=min(连接数路径 1,连接数路径2,.,连接数路径 n)如使用加权轮询调度算法,那么系统会根据每条路径的权重进行轮询。权重一般根据路径的带宽、延迟等因素决定。计算公式如下:路径选择=轮询(路径 1 的权重,路径 2 的权重,.,路径 n 的权重)通过以上算法和计算公式,自适应网络连接功能能够智能地调整网络连接,以保证在复杂网络环境下的稳定运行。4.2 个性化学习推荐 基于人工智能技术,移动学习系统具备个性化学习推荐功能。该功能通过对学习者行为数据和学习习惯进行分析,向学习者推荐符合其学习需求和兴趣的学习资源,以实现更加精准和个性化的学习。(1)协同过滤算法:采用协同过滤(Collaborative Filtering)算法来实现个性化推荐。协同过滤算法是基于用户行为分析的推荐算法,主要应用于根据用户的历史行为数据(例如:评分、浏览记录等)预测用户未来的行为或兴趣。(2)基于内容的推荐算法:在特定的情况下,使用基于内容的推荐算法(Content-based Filtering)。该方法主要依据用户以往的喜好内容,找到相似内容推荐给用户。它主要依赖于对资源内容进行分析,再与用户的兴趣进行匹配3。协同过滤的基本计算公式可以简化为:对用户 u的物品 i 的预测评分是用户 u 对所有物品的评分与所有用户对物品 i 评分的加权平均,权重是用户 u 和所有用户的相似度。基于用户的协同过滤公式可以表示为:P(u,i)=(sim(u,v)R(v,i)/|sim(u,v)|011第 17 期2023 年 9 月无线互联科技软件开发No.17September,2023这里的 P(u,i)是用户 u 对物品 i 的预测评分,R(v,i)是用户 v 对物品 i 的实际评分,sim(u,v)是用户 u 和用户 v 的相似度。结合 BOPPPS 教学模式,在进行个性化推荐时,会特别考虑到用户的学习目标、前置测试结果、参与度等因素,以使推荐结果更加符合用户的实际需求和能力水平。4.3 参与式学习体验 移动学习系统的设计以提供优质的参与式学习体验为目标。该功能依赖于前端开发技术和用户交互设计原则,旨在建立直观、引人入胜的学习环境,让学习者可以通过实践和探索来提升理解和记忆。(1)交互式设计算法:使用名为“Event-Driven Programming”(事件驱动编程)的编程范型来设计和实现这一功能。事件驱动编程是一种应用程序设计范型,该应用程序响应用户动作(如点击、滑动或者键盘输入)或系统事件(如计时器触发或者新数据的接收)来设计和实现交互式体验。(2)前 端 渲 染 技 术:采 用 HTML5、CSS3 和 JavaScript 这 3 大核心技术,开发出具有高交互性的Web 应用。其中,HTML5 为系统提供了丰富的多媒体处理能力和更好的语义理解,CSS3 让页面布局和动态效果变得更加简洁和高效,而 JavaScript 则是实现前端页面交互的重要语言。关于参与式学习体验,一般不会涉及具体的计算公式。但在进行界面设计和用户交互时,会遵循关键的设计原则和模式,如“Fitts Law”(菲茨定律)。菲茨定律作为描述人类运动时间与目标区域和距离关系的经验定律,其形式化的表达式为:T=a+b log2(1+D/W)其中,T 是完成任务的平均时间,a 和 b 是经验常数,D 是从起始点到目标中心的距离,W 是目标的宽度。这一定律对于界面元素的大小和布局设计有重要的指导意义。总的来说,参与式学习体验的设计以提供符合用户习惯、简洁高效的交互环境为目标,以实现提高学习者的学习兴趣和学习效果。5 系统实验验证5.1 评价指标与实验过程 在验证基于 BOPPPS 教学模式的移动学习系统实验过程中,首先将采集到的用户数据进行合理分配,其中 80%的数据用于系统的训练,剩余的 20%的数据则用于实验测试。为确保实验结果可靠性,引入5 折交叉验证法处理数据,也就是将数据平均分为 5份,每次取其中 4 份作为训练集,剩下的一份作为测试集,重复进行 5 次。在得到训练参数后,通过最小化损失函数来挑选最优的模型参数。在评估该系统的性能时,选用众多评估指标。精准率(Precision,P)用于度量被预测为正的样本中实际为正的比例;召回率(Recall,R)用于度量实际为正的样本中被预测为正的比例;F 值(F-measure)作为精准率和召回率的调和平均值,用于综合评估系统的性能;准确率(Accuracy,A)用于度量预测正确的样本(包括真正例和真负例)在总样本中的比例。这些指标可以全面地评估系统的性能,对于系统的改进提供重要参考。下面是这些评估指标的具体计算公式:精准率 P=TP/(TP+FP)召回率 R=TP/(TP+FN)F 值 F=2PR/(P+R)准确率 A=(TP+TN)/(TP+FP+FN+TN)其中,TP 表示真正例(True Positive),FP 表示假正 例(False Positive),FN 表 示 假 负 例(False Negative),TN 表示真负例(True Negative)。5.2 实验结果 本研究对用户数据处理和训练后,对评估指标包括精准率维度(P)、召回率维度(R)、综合评估指数维度(F)和准确率维度(A)进行了对比分析。如表 1 所示,得出了各种模型的实验结果。表 1 实验结果模型名称精准率召回率综合评估指数准确率SVM0.600.650.620.64Decision Tree0.630.680.650.66Random Forest0.660.700.680.69XGBoost0.680.720.700.72Deep Learning0.720.760.740.75 从实验数据中可以看出,在各评估指标上,所采用的深度学习模型表现出色,其准确度高达 75%。与其他模型相比,基于深度学习的移动学习系统对于个体的学习需求和学习效果的预测更为精准,能够更好地支持 BOPPPS 教学模式的实施,提高用户的学习效果。5.3 重点功能模块系统测试 以“自动控制原理”课程为例 以“自动控制原理”课程为例,对自适应网络连接、个性化学习推荐以及交互式学习体验等重点功能模块进行了系统测试。测试基于用户需求和实际应用情况,目的是在系统正式投入使用时,所有模块稳定运行。具体的测试结果如表 2 所示。111第 17 期2023 年 9 月无线互联科技软件开发No.17September,2023表 2 重点功能模块系统测试结果一级测试用例自适应网络连接个性化学习推荐参与式学习体验二级测试用例网络稳定性测试、网络延迟测试自动控制原理学习资源推荐、学习路径推荐学习社区互动、在线问题解答测试过程1.模拟不同网络环境,测试系统稳定性。2.测试网络延迟情况,评估用户体验1.用户进入系统,系统根据用户数据推荐“自动控制原理”的学习资源和路径。2.用户在学习“自动控制原理”的过程中,根据需求调整推荐结果1.用户在“自动控制原理”的学习社区发表或回应讨论。2.用户向在线老师提出“自动控制原理”的问题,测试答疑效果测试结果系统在不同网络环境下均能稳定运行,网络延迟在可接受范围内系统推荐的“自动控制原理”学习资源和路径符合用户需求,用户可根据需要调整推荐结果用户在“自动控制原理”的学习社区的互动体验好,问题得到及时回答预期结果在任何网络环境下,系统都能稳定 运 行,网 络 延迟小系统能准确推荐符合用户需求的“自动控制原理”学习资源和路径用户能在“自动控制原理”的学习社区中顺利互动,问题能得到及时、准确的回答结论自适应网络连接模块测试通过,性能良好个性化学习推荐模块测试通过,准确度高交互式学习体验模块测试通过,用户体验良好6 结语 本文的研究表明,将 BOPPPS 教学模式融入移动学习系统的设计中,结合先进的无线网络和人工智能技术,可以显著提升移动学习系统效能和学习体验。这对于推动移动学习发展,实现教育公平和提高教育质量具有重要的理论和实践意义。未来,研究人员将继续优化和完善该系统,进一步提升其性能,以满足更多学习者的需求。参考文献1姚婉清,佘能芳.BOPPPS 教学模式的教学设计要素分析及案例设计J.化学教育(中英文),2022(18):51-57.2陈莉莉,景永霞.基于深度学习的移动学习平台系统 设 计 J.现 代 电 子 技 术 密 码,2020(14):177-179.3安鑫,康安,夏近伟,等.基于机器学习的异构感知多 核 调 度 方 法 J.计 算 机 应 用,2020(10):3081-3087.(编辑 王永超)Design and implementation of a mobile learning system based on the BOPPPS teaching modelWu Zhongwei Jilin Institute of Architecture and Technology Changchun 130114 China Abstract This paper delves deeply into the application of the BOPPPS teaching model in the design and implementation of mobile learning systems with the aim of enhancing learners learning effectiveness and experience.The study first elaborately discusses the profound influence of the BOPPPS teaching model on the design of mobile learning systems and focuses on the crucial application of wireless network load balancing and artificial intelligence technologies in mobile learning systems.The study proposes a mobile learning system architecture design scheme based on the BOPPPS teaching model and provides detailed descriptions of the design of core functional modules.In the system experimental verification section the study simulates the evaluation criteria and experimental process and based on this presents the experimental results thereby proving the system s effectiveness.Lastly using Automatic Control Principles as an example course the study conducts comprehensive system testing of the system s core functional modules thereby ensuring the system s stability and reliability.Key words BOPPPS teaching model mobile learning system design and implementation211