ГДЗ по русскому языку 4 класс Кузнецова рабочая тетрадь решебник
ГДЗ / 4 класс / Русский язык / Кузнецова рабочая тетрадь (пишем грамотно)
Авторы: Кузнецова М.И.
Вентана-граф
Рабочая тетрадь «Пишем грамотно» по русскому языку за 4 класс автора Кузнецовой М.И.. Данный решебник – это довольно объёмное пособие, подготовленное по материалам двух частей рабочей тетради по русскому языку, являющейся дополнением к учебнику С.В. Иванова.
Издание состоит из 134 уроков, освещающих различные аспекты орфографии, пунктуации, лексики, синтаксиса и других входящих в курс разделов. Каждый урок представляет собой ряд заданий (от двух до пяти), направленных на закрепление той или иной темы и подразумевающих развёрнутый ответ.
Все готовые упражнения здесь нацелены не столько на теоретические знания, сколько на их практические приложение. В конце пособия предложены две проверочные работы: одна в тестовой форме, другая в свободной.
Решебник состоит из печатных ответов на задания, разбитых по урокам и оформленных по приводимым образцам.
В некоторых случаях к заданиям даны дополнительные пояснения, позволяющие лучше понять суть вопроса и ход рассуждения при решении. Часть ответов для удобства собрана в таблицы, другая же представляет собой подробные и последовательные рассуждения.
Быстрый поиск
Часть 1
Урок 3: 1 2 3 4Урок 4: 1 2 3
Урок 7: 1 2 3 4
Урок 8: 1 2 3 4
Урок 9: 2 3 4
Урок 14: 1 2 3 4 5
Урок 17: 1 2 3 4 5
Урок 20: 1 2 3
Урок 21: 1 2 3
Урок 23: 1 2 3
Урок 24: 1 2 3 4
Урок 29: 1 2 3 4
Урок 30: 1 2 3
Урок 35: 1 2 3 4
Урок 36: 1 2 3 4
Урок 42: 1 2
Урок 43: 1 2 3
Урок 45: 1 2 3
Урок 51: 1 2
Урок 53: 1 2 3
Урок 54: 1 2 3
Урок 55: 1 2 3
Урок 56: 1 2 3
Урок 58: 1 2
Урок 59: 1 2 3 4
Урок 60: 1 2 3
Урок 62: 1 2 3
Урок 66: 1 2 3
Часть 2
Урок 68: 1 2 3 4Урок 73: 1 2 3
Урок 74: 1 2
Урок 82: 1 2 3 4
Урок 83: 1 2 3
Урок 92: 1 2 3 4
Урок 93: 1 2 3 4 5
Урок 96: 1 2 3 4
Урок 97: 1 2 3 4
Урок 98: 1 2 3 4
Урок 104: 1 2 3
Урок 105: 1 2 3 4
Урок 106: 1 2 3 4 5
Урок 108: 1 2 3 4 5
Урок 113: 1 2 3
Урок 115: 1 2 3
Урок 117: 1 2 3 4
Урок 120: 1 2 3
Урок 125: 1 2 3
Урок 126: 1 2 3
Урок 130: 1 2 3
Урок 131: 1 2 3
Урок 134: 1 2
Проверочные работы:
Проверочная работа 1 Проверочная работа 2 (1-5) Проверочная работа 2 (6-10) Проверочная работа 2 (11-15) Проверочная работа 2 (16-17)ГДЗ Русский 4 кл.
Кузнецова Рабочая тетрадь 2023Авторы:Кузнецова
Тип:рабочая тетрадь
На какой странице твое задание?
стр. 3стр. 7стр. 8стр. 9стр. 10стр. 11стр. 12стр. 13стр. 14стр. 15стр. 16стр. 17стр. 18стр. 19стр. 20стр. 21стр. 22стр. 23стр. 25стр. 26
стр. 27стр. 28стр. 29стр. 30стр. 31стр. 32стр. 33стр. 34стр. 35стр. 36стр. 37стр. 38стр. 39стр. 40стр. 41стр. 42стр. 43стр. 44стр. 45стр. 46
стр. 47стр. 48стр. 49стр. 50стр. 51стр. 52стр. 53стр. 54стр. 55стр. 56стр. 57стр. 58стр. 59стр. 60стр. 63стр. 64стр. 65стр. 66стр. 67стр. 68
стр. 69стр. 70стр. 71стр. 72стр. 73стр. 74стр. 75стр. 76стр. 77стр. 78стр. 81стр. 82стр. 83стр. 84стр. 87стр. 88стр. 89стр. 90стр. 91стр. 92
стр. 93стр. 94стр. 95стр. 96стр. 61-62стр. 79-80стр. 85-86
Похожие решебники
- Тетрадь
- Тетрадь
- КИМ
org/Book»>УчебникПодробные решения по русскому языку за 4 класс авторы Кузнецова
Четвертый класс отличается от предыдущих трех тем, что является финальным в ходе получения начального образования. Ребенок постепенно усваивает все более сложную и обширную программу. Однако объем поставленной перед ним задачи требует больших усилий и времени. Тем более что далеко не у всех родителей есть возможность помочь с выполнением заданных домашних заданий. Как свидетельствует практика, среди изучаемых предметов русский язык вызывает наибольшее количество затруднений. Четверокласснику следует хорошо усвоить не только правописание, но и такие сложные темы как падежи и склонения имен существительных, виды и построение предложений, лексическое значение слов, а также сложные для понимания большинства учеников морфемы (корень, приставка, суффикс, окончание и т.
п.). Поэтому с целью облегчения усвоения новых знаний разработаны гдз по русскому языку рабочая тетрадь за 4 класс Кузнецова, которые также способствуют улучшению уровня успеваемости.
Кому пригодятся решебники в первую очередь?
Подготовленный онлайн-помощник предназначен для использования широким кругом четвероклассников. И не только. При этом сборник ответов к рабочей тетради по русскому языку 4 класс автора Кузнецовой все же может стать особенно важным для:
- школьников, желающих иметь хорошую или отличную оценку по русскому языку;
- учеников, которые переведены на дистанционную форму обучения и не имеют непосредственного контакта с педагогом;
- четвероклассников, которые вынуждены пропускать уроки из-за участия в спортивных соревнованиях, творческих конкурсах или культурно-массовых мероприятиях;
- школьников, которые часто болеют и поэтому не имеют возможности полноценно усвоить пройденный материал;
- родителей учеников, для которых важным является контроль над успеваемостью их детей;
- школьных учителей, которые в кратчайшие строки могут проверить большое количество письменных работ по русскому языку.
Безусловные преимущества применения решебников в младших классах
Представленный на еуроки ГДЗ онлайн-помощник имеет огромное количество положительных сторон. Но все-таки онлайн решения к рабочей тетради по русскому языку для 4 класса Кузнецова имеют такие важные преимущества:
- информация подана в электронном формате, что находит отклик среди детей и подростков;
- качественно сделанный пользовательский интерфейс
- информация подана в максимально упрощенном для учеников четвертого класса виде;
- возможность для саморазвития и самоконтроля школьников;
- акцент на выполнение практических заданий;
- полное соответствие изложенной в решебнике информации требованиям Федерального государственного образовательного стандарта.
Таким образом, готовые домашние задания помогут одним махом решить значительное количество проблем. Среди них: плохая успеваемость и нехватка личного времени, возможность получить дополнительные знания и подготовиться к успешному написанию самостоятельных работ.
— Как выбрать количество скрытых слоев и узлов в нейронной сети с прямой связью?
Я понимаю, что на этот вопрос был дан ответ, но я не думаю, что существующий ответ действительно касается вопроса, кроме указания на ссылку, обычно связанную с предметом вопроса. В частности, ссылка описывает один метод программной настройки сети, но это не « [a] стандартный и общепринятый метод » для настройки сети.
Следуя небольшому набору четких правил, можно программно задать грамотную сетевую архитектуру (т. е. количество и тип нейронных слоев и количество нейронов, составляющих каждый слой). Следование этой схеме даст вам грамотную архитектуру, но, вероятно, не оптимальную.
Но как только эта сеть инициализирована, вы можете итеративно настраивать конфигурацию во время обучения, используя ряд вспомогательных алгоритмов; одно семейство этих работ путем обрезки узлов на основе (небольших) значений вектора весов после определенного количества эпох обучения — другими словами, удалением ненужных/избыточных узлов (подробнее об этом ниже).
Итак, каждая НС имеет три типа слоев: вход , скрытый и выход .
Таким образом, создание архитектуры NN означает определение значений количества слоев каждого типа и количества узлов в каждом из этих слоев.
Входной слой
Просто — у каждой NN есть только один из них — никаких исключений, о которых я знаю.
Что касается количества нейронов, составляющих этот слой, этот параметр полностью и однозначно определяется, когда вы знаете форму ваших обучающих данных. В частности,
Выходной слой
Как и входной слой, каждая НС имеет ровно один выходной слой. Определить его размер (количество нейронов) просто; это полностью определяется выбранной конфигурацией модели.
Будет ли ваша сеть работать в режиме Machine или Regression Mode (соглашение ML по использованию термина, который также используется в статистике, но присваивание ему другого значения очень сбивает с толку)? Режим машины: возвращает метку класса (например, «Премиум-аккаунт»/«Базовый аккаунт»). Режим регрессии возвращает значение (например, цену).
Если NN является регрессором, то выходной слой имеет один узел.
Если NN является классификатором, то он также имеет один узел, если не используется softmax в этом случае выходной слой имеет один узел на метку класса в вашей модели.
Скрытые слои
Таким образом, эти несколько правил устанавливают количество слоев и размер (нейронов/слой) как для входного, так и для выходного слоев. Это оставляет скрытые слои.
Сколько скрытых слоев? Хорошо, если ваши данные линейно разделимы (что вы часто знаете к тому времени, когда начинаете кодировать NN), то вам вообще не нужны никакие скрытые слои.
Конечно, вам также не нужна NN для разрешения ваших данных, но она все равно будет выполнять свою работу.
Помимо этого, как вы, наверное, знаете, существует масса комментариев по вопросу о конфигурации скрытых слоев в NN (см. безумно подробный и проницательный FAQ по NN для отличного резюме этого комментария). Одним из вопросов в рамках этой темы, по которому существует консенсус, является разница в производительности при добавлении дополнительных скрытых слоев: ситуаций, в которых производительность улучшается при добавлении второго (или третьего и т. д.) скрытого слоя, очень мало.
А как насчет размера скрытого слоя (слоев) — сколько нейронов? Есть несколько практических правил, полученных эмпирическим путем; из них чаще всего полагаются на « оптимальный размер скрытого слоя, как правило, между размером входного и выходного слоев ». Джефф Хитон, автор книги «Введение в нейронные сети на Java», предлагает еще несколько.
Таким образом, для большинства задач, вероятно, можно было бы получить достойную производительность (даже без второго шага оптимизации), задав конфигурацию скрытого слоя, используя всего два правила: (i) количество скрытых слоев равно одному; и (ii) количество нейронов в этом слое является средним значением нейронов во входном и выходном слоях.
Оптимизация конфигурации сети
Сокращение описывает набор методов сокращения размера сети (по узлам, а не слоям) для улучшения вычислительной производительности и иногда производительности разрешения. Суть этих методов заключается в удалении узлов из сети во время обучения путем определения тех узлов, удаление которых из сети не окажет заметного влияния на производительность сети (т. е. на разрешение данных). (Даже без использования формальной техники обрезки вы можете получить приблизительное представление о том, какие узлы не важны, взглянув на матрицу весов после обучения; посмотрите на веса, очень близкие к нулю — это узлы на обоих концах этих весов.
Иными словами, применяя алгоритм сокращения к вашей сети во время обучения, вы можете приблизиться к оптимальной конфигурации сети; можете ли вы сделать это в одном «предварительном» (например, алгоритме на основе генетического алгоритма), я не знаю, хотя я знаю, что на данный момент эта двухэтапная оптимизация более распространена.
уроков, извлеченных из преподавания во время пандемии
Джастин В. Бонни
Доцент кафедры психологии Государственного университета Моргана | [email protected]
Ключевой принцип человеческого обучения — позволить людям адаптировать поведение в ответ на результаты. В классе это обычно принимает форму предоставления учащимся корректирующей обратной связи по заданиям.
В сочетании с возможностью нескольких попыток выполнения заданий это дает учащимся возможность продуктивного обучения. При столкновении со сложной задачей продуктивное обучение — это когда учащиеся используют корректирующую обратную связь для выявления и устранения пробелов в знаниях, чтобы сохранить и достичь цели обучения. Возможность заниматься продуктивным обучением может быть обеспечена разнообразными заданиями. Однако модальность классной комнаты может повлиять на сбор подлинных ответов учащихся и сведение к минимуму нечестных ответов, таких как копирование поведения. В то время как классы лицом к лицу обеспечивают более высокий уровень контроля для получения подлинных ответов учащихся, удаленные среды, созданные с помощью онлайн-систем, создают проблемы. Копирование поведения относится к тому, когда учащийся берет ответы другого и представляет их как свои собственные для задания. Когда учащийся использует скопированные ответы во время продуктивных учебных заданий, это может отрицательно сказаться на результатах обучения (Chen et al.
, 2018). Цель настоящего исследования состояла в том, чтобы оценить продуктивное обучение учащихся с помощью расчетных заданий в онлайн-курсе статистики, предназначенном для получения подлинных ответов учащихся во время пандемии COVID-19.пандемия.
COVID-19: от очного к дистанционному обучению
В Соединенных Штатах опрос преподавателей высших учебных заведений показал, что в апреле 2020 года в ответ на пандемию COVID-19 большинство их учреждений (89%) перевели некоторые или все курсы с очных в онлайн (Johnson et al. , 2021). Переход на онлайн-курсы был незапланированным и внезапным, с небольшим временем подготовки по сравнению с тем, что характерно для вузов. Поскольку пандемия продолжалась, преподаватели во многих учреждениях продолжали поддерживать онлайн-курсы осенью 2020 года. Настоящее исследование было сосредоточено на студентах, проходящих курсы по поведенческой статистике в рамках программы бакалавриата по психологии. До пандемии разделы курса преподавались лично на территории кампуса в Балтиморе, штат Мэриленд, США.
Во время пандемии курс был переведен в асинхронную онлайн-модальность. В этом формате студенты взаимодействуют с материалами курса, включая задания и уроки, через онлайн-систему управления обучением. Учащиеся смогли пройти модули курса самостоятельно. Последовательность из двух курсов началась осенью 2020 года и продолжалась в асинхронном онлайн-формате до весны 2021 года и охватывала описательную и выводную статистику, включая t-тесты с помощью однофакторного дисперсионного анализа (ANOVA).
Продуктивное обучение
При переходе от очного к онлайн-курсу по статистике было сложно предоставить возможности для продуктивного обучения. До пандемии учащиеся могли практиковать расчетные задачи во время очных учебных занятий. Когда учащиеся выполняли каждый шаг, преподаватель синхронно предоставлял корректирующую обратную связь, позволяя учащимся определять и пересматривать свои расчеты для получения правильного ответа. Предоставляя мгновенную корректирующую обратную связь, учащиеся имели возможность участвовать в продуктивном обучении для выполнения задания.
В настоящем исследовании изучалось, может ли аналогичная возможность для продуктивного обучения быть предоставлена с помощью онлайн-асинхронных заданий во время пандемии.
Многократные задания и подлинные ответы учащихся
Два исследования, проанализированные для настоящего исследования, наблюдали продуктивное обучение с несколькими заданиями на курсах бакалавриата. Студентам очных курсов компьютерного программирования была предложена возможность пересмотреть и повторно отправить задания по кодированию после того, как была предоставлена корректирующая обратная связь (Holland-Minkley & Lombardi, 2016). Те, кто решил заполнить необязательное повторное представление, как правило, имели более высокие результаты при оценке обучения (например, на экзаменах). Точно так же, когда студенты бакалавриата, зачисленные на курс физики, выполняли онлайн-задания, которые предусматривали повторную отправку и мгновенную корректирующую обратную связь через онлайн-проверку ответов, студенты, которые подавали несколько заявок, как правило, добивались более высоких результатов в задании, а также в оценках обучения (например, на экзаменах; Чен и др.
, 2018). Это исследование показывает, что учащиеся, которые занимаются продуктивным обучением, как правило, лучше достигают результатов курса, и такие возможности могут быть реализованы в Интернете.
Обеспокоенность, высказанная Ченом и его коллегами (2018) по поводу онлайн-заданий, разработанных для продуктивного обучения, связана с искренними ответами учащихся. Исследователи отметили, что некоторые учащиеся демонстрировали признаки копирующего поведения с высокой успеваемостью с первой попытки, близкой к крайнему сроку выполнения задания, по сравнению с другими учащимися. Эти студенты, как правило, показали более низкие результаты на экзамене по оценке обучения. Это указывало на то, что ключевым компонентом вовлечения учащихся в продуктивное обучение было предоставление учащимися искренних ответов.
Цель настоящего исследования состояла в том, чтобы оценить, участвовали ли учащиеся в продуктивном обучении при выполнении онлайн-статистических заданий с несколькими заявками во время пандемии COVID-19.
Два подхода были использованы для разработки заданий, чтобы максимизировать вероятность того, что учащиеся вовлечены в продуктивное обучение. Во-первых, каждое задание состояло из задачи расчета статистики, которая требовала от студентов предоставления промежуточных ответов, следующих шагам расчета, описанным в курсе, с корректирующей обратной связью, предоставляемой после каждой отправки. Во-вторых, у каждого студента был уникальный набор данных, чтобы максимизировать шансы на получение подлинных ответов. Таким образом, если учащиеся копировали поведение, они давали неправильные ответы. Расчетные задания были размещены в Интернете через систему управления обучением Canvas (LMS) и были процедурно сгенерированы через интерфейс прикладного программирования Canvas (API). Вовлеченность учащихся и успеваемость при выполнении заданий использовались для проверки двух гипотез, связанных с продуктивным обучением: учащиеся будут подавать несколько заявок на каждое задание, а баллы за задания будут улучшаться при каждой отправке.
Метод
Участники
В настоящее исследование были включены в общей сложности 43 студента из двух последовательных курсов по поведенческой статистике. Некоторые студенты закончили оба курса, тогда как другие закончили один курс. Последовательность курса происходила осенью 2020 года и весной 2021 года, когда пандемия COVID-19 все еще действовала в Соединенных Штатах. Курсы предлагались в асинхронном онлайн-формате, и студенты выполняли задания удаленно с помощью Canvas LMS. Протокол исследования для исследования был одобрен институциональным наблюдательным советом университета.
Учебные задания
Каждое учебное задание требовало от учащихся решения вычислительной задачи путем вычисления и интерпретации статистики. Студентам был представлен сценарий, который требовал расчета статистики с использованием формул и подходов, преподаваемых в материалах курса (таблица 1).
Для каждого задания этапы расчета суммировались, чтобы предоставить учащимся корректирующую обратную связь по каждому шагу, чтобы они могли определить, в какой момент они допустили ошибку, отвечая на задачу. У студентов было почти неограниченное количество материалов, которые они могли сделать (установлено на 99 попыток в LMS). Чтобы увеличить шансы на искренние ответы, студенты должны были войти в LMS, чтобы просмотреть и отправить задания, используя учетные данные, выданные университетом. У каждого студента был уникальный набор данных для каждой задачи. Например, для задания t-критерия с одной выборкой все учащиеся должны были вычислить, значительно ли отличается выборка от известного среднего значения генеральной совокупности, но данные выборки варьировались в зависимости от учащегося (выборка учащегося «А»: 22, 18, 26, 6, 6; выборка учащегося «Б»: 7, 18, 9, 12, 6). Чтобы создать уникальное задание для каждого учащегося, скрипт R процедурно генерировал и публиковал каждое задание в LMS с помощью API.
Таблица 1. Названия расчетных заданий и статистические понятия в последовательности выполнения и средних показателей успеваемости и попыток учащихся (в скобках указано стандартное отклонение).
| Имя | Статистические концепции | Семестр | Успеваемость учащихся | Попытки учащихся |
| Домашнее задание 1 (h2) | Выборочное среднее, медиана, мода (центральная тенденция) | Осень 2020 | .99 (.04) | 1,72 (0,94) |
| Домашнее задание 2 (h3) | Диапазон выборки, дисперсия, стандартное отклонение (дисперсия) | Осень 2020 | .90 (.19) | 3,44 (2,20) |
| Домашнее задание 3 (h4) | Одновыборочные t-тесты | Осень 2020 | .79 (.11) | 3,72 (2,72) |
| Домашнее задание 4 (h5) | Стьюденты для независимых выборок | Осень 2020 | . 88 (.12) | 6,24 (3,41) |
| Домашнее задание 5 (H5) | Зависимые выборки t-критерий | Весна 2021 г. | .81 (.24) | 5,97 (3,98) |
| Домашнее задание 6 (H6) | Однофакторный дисперсионный анализ (между субъектами) тесты | Весна 2021 г. | .87 (.21) | 5,97 (4,15) |
| Домашнее задание 7 (H7) | Pearson r корреляционные тесты | Весна 2021 г. | .87 (.11) | 5,94 (3,85) |
| Домашнее задание 8 (H8) | Хи-квадрат критерия согласия | Весна 2021 г. | .98 (.07) | 3,79 (2,40) |
Меры
Для оценки эффективности обучения метаданные LMS собирались для каждой попытки отправки задания. Чтобы заявка была включена в качестве попытки, она должна содержать хотя бы один вопрос, на который был введен ответ.
Показатели эффективности попыток включали текущую попытку отправки и долю вопросов задания с правильными ответами (например, 5 ответов на вопросы из 10 вопросов и 4 правильных ответа = 4/10 = 0,40).
Процедура
Приблизительно за неделю до крайнего срока каждое задание публиковалось в LMS. Студенты затем могли представить попытки до крайнего срока. Каждая попытка имела неограниченное количество времени, и сразу после отправки попытки LMS отображала, какие ответы были правильными, а какие неправильными, но не отображала правильные ответы. В качестве оценки за задание была оставлена самая высокая оценка за попытку учащегося.
Результаты
Всего учащиеся предприняли 1121 попытку отправки всех заданий. Статистический анализ был двусторонним (альфа = 0,05) и проводился с использованием R-пакетов lme4 (Bates et al., 2015), lmerTest (степени свободы для тестов оценивались по методу Саттертуэйта; Кузнецова и др.
, 2017) и графики, созданные с помощью «ggplot» (Wickham, 2016).
Имелись данные о том, что задания различались по успеваемости учащихся, F (7, 202,93) = 7,92, p < 0,001 и количество попыток F (7, 201,44) = 11,57, p < 0,001 (линейные смешанные модели со случайным перехватом студента; таблица 1). Назначения h2 и H8 имели наибольшую долю правильных результатов, а h4 имел самую низкую эффективность (значительные попарные сравнения Тьюки: h2 против h4, H5, H6; H8 против h4, H5, H7). У задания h2 было наименьшее количество попыток, а от h5 до H7 — наибольшее (значительные попарные сравнения Тьюки: h2 против h5, H5, H6, H7, H8; h3 против h5 до H7; h4 против h5 до H7; H8 против с h5 по H7).
При учете факторов (линейная смешанная модель со случайным отсечением для каждого) студенты представили значительно больше попыток, чем одна попытка, M = 4,73, SD = 3,51, t (12,22) = 5,44, p < 0,001 (см.
рисунок 1). Кроме того, доля вопросов с правильными ответами была значительно выше для окончательного, M = 0,88, SD = 0,17, по сравнению с исходным, M = 0,53, SD = 0,27, попытки, представленные учащимися, t (421,38) = 21,35, p < 0,001 (линейная смешанная модель со случайным отсечением для учащегося и задания). Имеются данные об индивидуальных различиях в количестве попыток достижения максимальной пропорции правильных ответов, различающихся между учащимися (рис. 2)
Рисунок 1. Гистограммы количества попыток, представленных учащимися для каждого задания.
Рисунок 2. Доля ответов на вопросы задания, отмеченных как правильные, по количеству попыток, представленных учащимися. Цвет линии указывает на попытки, предпринятые разными учащимися.
В настоящем исследовании оценивалось продуктивное обучение в онлайн-заданиях по поведенческой статистике, которые допускали несколько отправок и обеспечивали корректирующую обратную связь.
Доказательства продуктивного обучения наблюдались у студентов, которые делали несколько попыток и улучшали результаты от начальной до последней попытки. Тем не менее, студенты существенно различались по количеству представлений, сделанных для достижения их максимальной производительности. Результаты показали, что при наличии возможности исправить свои ошибки учащиеся выполняли задания, делая несколько попыток, и учились на своих ошибках при выполнении сложных заданий.
Серебряные подкладки и следующие шаги
Настоящее исследование показало, что использование онлайн-задания, состоящего из нескольких материалов, успешно предоставило учащимся возможность участвовать в продуктивном обучении на курсах по поведенческой статистике во время пандемии COVID-19. Процесс реализации и результаты выявили несколько соображений относительно будущих итераций аналогичных заданий.
Задание Сложность
У учащихся было меньше возможностей участвовать в продуктивном обучении с помощью простых заданий.
В соответствии с предыдущими исследованиями задания с более высокой эффективностью также, как правило, имели меньше попыток отправки по сравнению с заданиями с более низкой эффективностью (Holland-Minkley & Lombardi, 2016). В соответствии с продуктивным обучением, если нет проблем, которые нужно преодолеть, учащимся не нужно использовать корректирующую обратную связь для улучшения базовых знаний. Вполне возможно, что учащиеся, правильно ответившие на все вопросы при первой попытке, занимались продуктивным обучением вне среды LMS. Например, учащийся мог подсчитать результаты задания, а затем проверить и исправить свою работу перед ее отправкой. Этот тип продуктивного обучения невозможно измерить с помощью данных LMS, собранных в настоящем исследовании. Преподаватели, чья цель состоит в том, чтобы вовлечь учащихся в продуктивное обучение с помощью заданий, должны разработать их так, чтобы они были достаточно сложными, чтобы для получения полного балла требовалось несколько попыток отправки.
Саморегулируемое обучение
Ключом к продуктивному обучению с помощью заданий является вовлечение учащихся и использование корректирующей обратной связи. Учащиеся с более низким уровнем саморегулируемого обучения, что включает в себя меньшую способность отслеживать прогресс, управлять временем и выявлять пробелы в знаниях, как правило, менее склонны использовать возможности продуктивного обучения (Chen et al., 2018). Индивидуальные различия в настоящем исследовании могли быть связаны с различиями в саморегулируемом обучении учащихся, помимо различий в статистических знаниях. Преподаватели, которые хотят максимизировать эффективность продуктивных учебных заданий, должны рассмотреть возможность предоставления учебных материалов для развития навыков, необходимых учащимся для успешного участия в саморегулируемом обучении.
Будущие исследования, посвященные продуктивному обучению, могут ответить на следующие вопросы.
Настоящее исследование носило корреляционный характер и не имело контрольной группы. Экспериментальные схемы можно использовать для определения того, как многократная отправка по сравнению с одиночной отправкой, а также онлайн-задания по сравнению с личными заданиями влияют на продуктивное обучение учащихся. Ограничением настоящего и предыдущего исследования (Chen et al., 2018) было использование обучающих заданий с несколькими отправками, которые требуют вопросов с заранее определенным ответом, таких как вычисление одного числового значения или вопросы с несколькими вариантами ответов. Тем не менее, другие типы курсов менее способны использовать такие вопросы и вместо этого полагаются на задачи со свободным ответом, такие как краткие ответы или эссе. Основным ограничением для расширения заданий с несколькими отправками, которые обеспечивают корректирующую обратную связь в режиме реального времени на вопросы с бесплатным ответом, является количество времени и усилий, требуемых от преподавателя.
Будущие исследования должны оценить, могут ли включение достижений в области анализа текста и машинного обучения (Galhardi & Brancher, 2018) предоставить методы для предоставления корректирующей обратной связи в режиме реального времени для заданий с бесплатным ответом, чтобы предоставить дополнительные возможности для продуктивного обучения.
Бейтс, Д.М., Мэхлер, М., Болкер, Б.М., и Уокер, С.К. (2015). Подгонка линейных моделей смешанных эффектов с использованием lme4. Journal of Statistical Software , 67 (1), 1–48.
Чен, X., Бреслоу, Л., и ДеБоэр, Дж. (2018). Анализ продуктивного поведения учащихся при обучении с использованием немедленной корректирующей обратной связи в смешанной учебной среде. Компьютеры и образование , 117 (C), 59–74.
Галхарди, Л. Б., и Бранчер, Дж. Д. (2018). Подход машинного обучения для автоматической оценки коротких ответов: систематический обзор. В Г.