栏目分类:
子分类:
返回
名师互学网用户登录
快速导航关闭
当前搜索
当前分类
子分类
实用工具
热门搜索
名师互学网 > 资讯 > 综合新闻

大数据时代的信息化外语学习方式探索研究

大数据时代的信息化外语学习方式探索研究

感谢您关注“永大英语”!

大数据时代的信息化外语学习方式探索研究

陈坚林 贾振霞

摘要:大数据成就了互联网,互联网促使了学习方式的变化和发展。因此,面对信息化学习方式的变革,外语教学范式必须得到重新构建,而范式的重构必须考虑教学对象、教学环境以及教学的生态平衡等因素,以促进学生智慧学习和深度学习能力的发展。

关键词:大数据;互联网;学习方式;教学范式重构

1 引言

最近,阿尔法狗(AlphaGo)与世界围棋冠军对战,“电脑对战人脑”,引起了极大反响。阿尔法狗之所以让围棋高手铩羽而归,是因为它借力于人工智能,模仿人类神经网络,发挥其超强功能。首先,让阿尔法狗不断地“吃”棋谱,即包括3000万步走法在内的棋谱数据,但这与全部的围棋走法相比还是显得微不足道;然后,在提供足够大的数据样本的前提下,阿尔法狗被赋予了自我编程的能力,成为了“数字自学者”;最后,阿尔法狗开始了自我对弈,也就是“深度学习”,直至掌握了高端的围棋技巧。

阿尔法狗所表现出来的“深度学习”能力,其实就是模仿人脑的神经元。存储不同信息的神经元连接成“网络”,在信息更迭中,神经网络不断地做出进阶运算、综合分析及推测,同时神经网络的层数及结构也随之发生改变,最终导向是创造出新知识。其中数据挖掘引领的大数据时代的到来,使其实现了复杂度很高的精算法,得到的结果也更为精准。

触类而思,外语学习者对接“互联网 + ”,面对海量学习资源,从传统模式到基于大数据与互联网的学习方式,是否从真正意义上提高了学习质量,达到了学习效果? 人类学习者如果接受“深度学习”的训练,其“思维”是否可以得到完善? 针对这些问题,本文将论述大数据以及基于大数据的外语学习方式的演变,并评说这种学习方式的演变给外语学习者带来的启示。

2 大数据解读

大数据,就是“无法在允许的时间里用现有的常规软件工具提取、存储、搜索、共享、分析和处理的海量的、复杂的数据集合”(Mayer-Schonberger & Cukier,2013),它具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度较低等四大特征(陈坚林,2015)。

既然有大数据,相对就有小数据,亦称“一般数据”。周文娟(2014)对大数据与一般数据的差异进行了总结:①一般数据主要指数字数据,而大数据则内容十分丰富,包括文本、图像、音视频等多类文件格式,以及博客、微博、微信等各类互动信息;②一般数据都属于结构化数据,而大数据既有结构化的、半结构化的数据,也包含了图像等非结构化数据;③一般数据的分析呈线性状态,有规律可循,而大数据分析遵循的规律是未知的,且能够根据实时需要进行无限制的数据挖掘。

大数据的数据挖掘依托云计算的分布式处理、分布式数据库和云存储、虚拟化技术等,这些技术使大数据转换成信息资源。但要使信息资源变得有用且易用,就需要有能使资源流通的平台,于是互联网便应运而生,并快速发展。

互联网,即Web,其超文本(hypertext)、超媒体(hypermedia)、超文本传输(HTTP)的基本特征都得益于大数据,并彻底改变了20世纪后半叶以来的教育形态。Web已从1.0发展到了现在的3.0,而且还有进一步发展的广阔空间。

Web1.0基于数据库的信息交换机制,以门户网站为中心通过超级链接跳转互通,解决了缺乏链接的信息孤岛问题,形成了资源获取更为宽广的途径,改变了传统外语教与学的方式,实现了从单纯的文本教学到图文并茂、声形合一等多媒体方式的教学。尽管Web1.0实现了其信息聚合、联合、搜索等功能,但未能解决网络中学习者之间的互相沟通以及参与沟通的需求问题,这就促使了Web2.0的出现。Web2.0突破了Web1.0只能接受信息的单向模式,实现了互联网的互动模式,从而产生了“以学习者为中心”的学习过程,提出了许多具有网络特色的学习方式或教学模式。尽管Web2.0实现了对等的信息交互,但它尚无能力限制信息过量或重复、知识高度垄断或低值利用等现象。于是,就有了Web3.0时代的智能化转变。Web3.0是以服务为宗旨的互联网系统,除包含Web1.0与Web2.0的所有特点外,是一种人机和谐对话的智能网络,其本质是深度参与、广泛互联、全面体验。

由此可见,大数据成就了互联网,而互联网的发展又使信息资源得到了更加广泛的利用和共享,促使了外语学习方式发生变革。

3 学习方式变革

如前所述,基于大数据的信息资源已达海量且种类繁多,这些资源通过互联网提供给学习者,可满足其个性化学习需求,进而逐渐改变了获取信息的习惯和方式,最终产生了基于互联网的学习方式。常见的方式有:E-learning(电子化学习)、M-learning(移动学习)和 U-learning(泛在学习)。

E-learning(Electronic Learning),有过不少译名,如数字化学习、电子化学习、网络化学习。不同的译名代表不同的观点:数字化学习强调基于因特网的学习;电子化学习强调电子化学习资料的应用;网络化学习强调把数字化内容与网络资源结合起来。尽管表述重点不一,但三者都强调大数据技术,强调用技术来改造和引导教学(柯清超,2013)。E-learning 进入外语教学,并不是对传统教学的替代,而是不断与传统教学相互碰撞,在碰撞中逐步融合,在融合中不断补充和完善,通过具体实践构成可行有效的信息技术环境下的外语学习方式体系,形成了知识网络化、资源数字化、学习随意化、学习内容持续更新等特点。

M-learning (Mobile Learning)随着移动通信技术的进步而被逐渐引入学习体系,称为移动学习。M-Learning 在E-learning的基础上通过有效结合移动计算技术,带给学习者随时随地学习的全新感受。M-Learning的内涵可从以下几个方面来把握:首先,M-Learning是E-learning的扩展。除具备E-learning的所有特征之外,还有其独一无二的特性,即学习者不再被限制在电脑桌前,可以自由自在地进行随时随地的学习。学习环境是移动的,教师、学生和技术人员也是移动的。其次,从移动学习的实现方式来看,其技术基础是移动计算技术和互联网技术。因此,移动学习实现的设备应有这样的特征:可携带性(portability),即设备形状小、重量轻,便于随身携带;无线性(wirelessness),即设备无需连线; 移动性(mobility),指使用者在移动中也可以很好地使用(Sariola et al.,2001)。

U-learning (Ubiquitous Learning),泛在学习,又称为无缝学习、普适学习、无处不在的学习等,是一种任何人可以在任何地方、任何时刻获取所需的任何信息的方式。U-learning创造智能化的环境让学生充分获取学习信息,这与让学生到图书馆或学校进行学习或通过网络获取学习信息有很大的差异。泛在学习的目标就是创造让学生随时随地、利用任何终端进行学习的数据环境,实现更有效的学生中心教育。在泛在学习环境中,学生根据各自的需求在多样的空间、以多样的方式进行学习。

上述学习方式尽管名称各异,但都基于大数据及互联网技术。互联网的发展使学习变得电子化、移动化和泛在化,是大数据构成了这些信息化学习方式。但是,无论哪一种方式,都没能解决全球化、互联网时代的学习需求。就学习本质而言,这三种学习方式只是在物理概念上发生了形式上的变化而已,主要体现在:①在信息获取上,传统学习方式所获取的信息主要来自课本或纸质材料,而信息化学习方式所获取的信息来自网络等电子化途径;②在时间和地点上,传统学习方式所获取的信息比较固定,而信息化学习方式所获取的信息是移动和随时的;③在资源体量上,传统学习方式所获取的信息较为单一且有限,而信息化学习方式所获取的信息丰富且无限。显而易见,这三种学习方式只是在形式和内容上发生了变化,但学习者内化的自主能力与动机策略等深层方面并未发生根本改变。然而,学习方式的真正变革将随着大数据技术的发展及信息技术的高度智能化扑面而来。人们利用大数据技术挖掘海量信息资源的能力有了极大的提高,可根据实际的需求,智慧地利用好信息资源,自然地也就反映在了人们的学习方式上,这就有了基于大数据的智慧学习和深度学习的发展。

4 学习方式发展

“智慧学习”和“深度学习”并非新名词,最初也并不基于大数据。它们是人们在实践中经探索发现的学习方式。智慧,在英语里是一个内涵丰富的词汇,心理学中的“智慧”对应的是“intelligence”,哲学中的“智慧”对应的是“wisdom”。美国著名心理学家Sternberg于2001年发起了“为智慧而教的运动”,带动了国际范围内智慧教育的热潮。2008年美国IBM公司提出了“智慧地球”(Smarter Planet)理念,目标是要建造高度智能化的地球,以此开始了人类“智慧 +”的新时代,出现了“智慧城市”、“智慧交通”、“智慧医疗”等概念。在教育界,也出现了“智慧教育”与“智慧学习”(Li et al.,2016)。

深度学习概念源于芬兰学者Marton & Salja(1976)的一个早期研究,他们通过对学习取向的研究,奠定了学习取向理论的基础,引发了学界对“深度学习”的广泛探讨。

随着大数据技术的发展和人工智能研究的日益成熟,这两种学习方式都被赋予了新的内涵,真正促使了学习者内化能力的提升和改变。

4.1 智慧学习(smart learning)

大数据时代,人们能否利用大数据快速、有效、正确地解决问题? 能否像电脑一样快速地从“不懂”到“懂”? 能否借助互联网,用信息 + 人脑更加高效率地学习? 要寻找这些问题的答案,人们必须掌握基于大数据的智慧学习。

关于智慧学习,学界有过不少探讨,有如下主要观点:①智慧学习以建构主义学习理论、混合学习理论及现代教学理论的最新研究成果(如自主学习、合作学习、探究学习等)为理论基础,既支持学习者学习的自主建构,又提供适时的学习指导(钟国祥、张小真,2007);②智慧学习是整合物联网、云计算、大数据、移动通信、增强现实等先进信息技术的增强型数字学习(Enhanced E-learning)(杨现民,2014);③与数字学习相比,智慧学习不仅关注基础设施和学习资源的建设,更关注如何使各种可靠和有用信息为学习者提供自适应和个性化学习(杨俊锋等,2015)。

上述观点虽然视角不同,但都阐述了智慧学习的要旨与原理,不足之处在于其研究层面较为宏观,而且没能完整地呈现出智慧学习的实际内涵。其实智慧学习的内涵应该与人的智慧成长有关,为智慧发展服务(祝智庭、贺斌,2012)。要达到智慧成长,就要有具体的智慧学习的本质内容。据此,韩国学者Kim & Oh(2014)提出,智慧教育并非简单地将智能设备应用于教育之中,而是教育范式的转变,应为SMART五个方面的组合,即S(自我导向,Self-directed)、M(通过兴趣激发学习动机,Motivated)、A(支持分层适应式教学,Adaptive)、R(丰富的免费教学资源,Resource-enriched)、和T(技术嵌入,Technology-embedded),并对每一部分做了详细说明(见表1)。

可见,智慧学习与传统学习不同,它是基于信息化、全球化和协同创新与知识融合的全新学习方式。智慧学习的特征突出地表现在个性、高效、沉浸、自然和持续学习等几个方面(郭晓珊等,2014)。智慧学习以发展学习者的学习智慧,提高学习者的创新能力为最终目标,因此能满足学生真实情境的协作学习需要;能为学习者提供最合适的学习路径和学习方法。

4.2 深度学习(deep learning)

关于何谓深度学习,已有过许多研究(Baeten et al.,2010; Biggs,2011; 张琪,2014)。经梳理和总结,大致可以分为以下几个方面:①基于浅度学习与深度学习的区别,探讨深度学习的取向和内涵;②通过学生不同思维形式(如低阶思维与高阶思维)的比较分析,研究影响深度学习的因素(情景、动机、策略、焦虑等);③基于认知心理学的角度,以质性的方式来探讨学生学习取向以及深度学习过程;采用实验法鉴别两类不同的学习方式——系列学习策略(serialist learning strategies)和整体学习策略(holist learning strategies);④将机械记忆和表层理解判断为较低的认知加工水平,而深度学习就是那些旨在理解、综合、应用、评价的认知水平上的学习内化行为;⑤采用质性工具(如访谈提纲)或采用可以量化的工具(如问卷调查)对学生深度学习进行测量。这些研究从不同角度揭示了深度学习的理论内涵,如以学生为中心的深度学习、思维训练的深度学习以及自主计划的深度学习等。然而在大数据时代的今天,人们已对深度学习有了新的认识与解读。

众所周知,大数据技术无时无刻不在将数据转换成信息,并以惊人的速度改变着人类的生产方式、学习方式和思维方式,因此也赋予了深度学习新的内涵,包括要求学习者能够深度加工知识信息、深度理解复杂概念、深度掌握内在含义,并进而建构个人化、情景化的知识体系,用以解决现实复杂问题。确切地说,深度学习已成为大数据时代一种重要而有效的学习理念和学习方式。以下从两个方面来解读深度学习的内涵:技术与神经网络维度、高阶思维维度。

4.2.1 技术与神经网络维度

随着人工智能研究的深入,新的智能化技术不断涌现,2010年,一种源于人工神经网络研究的“深度学习技术”得到了发展。它是机器学习研究中的一个新领域,其动机在于建立和模拟人脑神经网络,并模仿其学习机制来解释数据。因此,“深度学习”是指多层的人工神经网络和训练它的方法。“一层神经网络会把大量矩阵数字作为输入,通过非线性激活方法取权重,再产生另一个数据集合作为输出。通过合适的矩阵数量,多层组织链接,一起形成神经网络,‘大脑’进行精准复杂的处理,就像人们识别物体标注图片一样”(Coates et al.,2013)。

根据对人的神经网络的研究,人脑具有一个深度结构(神经元)。认知过程逐层进行,逐步抽象。人的视觉系统的信息处理是分级的,神经-中枢-大脑的工作过程是一个不断迭代、不断抽象的过程。这些模型都具有很强的分层结构,能够自动地学习每层的特征。与传统的浅层模型相比,深度分层网络结构中多层次的非线性运算操作,使得深度学习具有更强的拟合能力、高密度的计算能力以及海量的训练数据。通过大量的神经元非线性操作,深度神经网络利用高密度计算设备,网络模型能够基于海量的训练数据(百万级)在可接受的时间内(数天)完成训练。另一方面,深度学习还与事物的特征有关,其实质就是通过构建具有很多隐层的机器学习模型和海量的训练数据,学习更有用的特征,从而最终提升分类或预测的准确性。因此深度模型是手段,特征学习是目的。阿尔法狗表现的“深度学习”能力,其实就是模仿人脑的神经元,把不同数据库内存储的信息连接成“网络”,在遇见未知的信息时,就利用“网络”中不同性质的信息做出进阶运算、综合分析及推测,最终导向是创造出人类尚未发现的新知识。

总之,深度学习的神经网络维度就是利用技术训练模型,大数据输入,模拟人脑神经元逐层迭代认知,进阶运算,综合推测,发现并创造新知识。

4.2.2 高阶思维维度

一般来说,学习在理论上分为低阶思维学习和高阶思维学习。布鲁姆把认知领域的学习目标分为“知道、领会、应用、分析、综合及评价”六个层次。浅层学习的认知水平只停留在“知道、领会”这两个层次,主要是知识的简单描述、记忆或复制;而深度学习的认知水平则可对应“应用、分析、综合、评价”这四个较高级的认知层次,更注重知识的理解和应用。显然,深度学习的实现与高阶思维的运用密切相关。可以说,高阶思维是深度学习的核心特征,发展高阶思维能力有助于实现和促进深度学习,同时深度学习又有助于提高学习者的思维品质和学习效能。深度学习提倡主动性、批判性的有意义学习,要求学习者在真实社会情景和复杂技术环境中更加注重批判性的学习和反思,是一种对学习本质的认识。正如张浩、吴秀娟(2012)所说,在大数据时代,深度学习的关键是信息的自我转换,学生在信息社会需要实现的是加工信息、理解信息、评价信息、应用信息、反思自己的学习。通过深度加工知识信息、深度理解复杂概念、深度掌握内在含义,主动建构个人知识体系并有效迁移应用到真实情境中以解决复杂问题,最终促进全面学习目标的达成和高阶思维能力的发展。

在面向学习型社会的21世纪,教学活动的重心由向学生传授固有的知识,转向支持学生充分利用工具从信息海洋中主动地获取信息、达成理解、建构个人化的知识体系,并能有效地迁移应用,以解决现实环境中的真实问题,即学习者具备在真实社会环境和复杂技术条件下的深度学习能力。对深度学习的理解和认识可从学习科学和心理学中找到丰富的理论依据,建构主义、情境认知理论、分布式认知理论和元认知理论等认知科学理论对深度学习都具有充分的解释力和指导作用。

5 结语

大数据时代促使人们的学习方式发生了极大的变化。然而,这些变化在我国外语教学中并没有得到充分体现,传统的班级授课制仍是主流,学生在集中的地点接受统一模式、统一内容、统一进度的教学,资源的选择和利用十分有限。因此,要使我国的外语教学跟上大数据时代的步伐,就必须重构外语教学新生态。外语教学新生态的构建必须要考虑以下几个因素。

1) 教学对象

现在的大学生都是90后和00后,是伴随互联网的发展而成长起来的一代,被公认为“数字原住民”。从他们的身上可以发现这样一些特征(陈坚林,2010):①他们是技术的一代。一出生就进入了信息技术迅猛发展的年代,使用电子化的产品已经成了他们的生活常态,因此技术成了他们生活的一部分;②他们是阅图的一代。这些学生从小就通过大量的图片(电影、动漫、广告等)获取所需信息,准确、有趣、快速,阅图摄取信息已经成为这些学生的习惯;③他们是创新的一代。信息时代海量的资源使得这些学生见多识广,为他们的创新提供了条件,促进了他们的创新欲望;④他们是急切的一代。互联网致使人们的距离感逐渐消失,随时随地都可以进行互动和交流,各种信息的获取精确又迅捷,这些学生习惯了互联网速度,对信息的获取变得十分急切,从而养成了他们崇尚变化、讲究效率的习惯。大学外语教育面对这样具有新时代特色的学生,如果还是以传统方式或简单地借助多媒体实施教学,已经无法满足他们的学习愿望和需求。因此,必须根据信息化学习方式的变化,依托“互联网 +”重构兼具适切性和有效性的外语教学新范式,重视学生智慧学习和深度学习能力的训练和培养。

2) 教学环境

大数据时代的教学环境将更加智能化,将打破固定教室、固定课本、固定教师、固定时间的教学形态。为适应大数据时代的外语教学,外语教学信息化环境的建设就显得十分重要。首先,要充分发挥智能化环境对外语教学的支撑与服务功能 (陈坚林、张笛,2014;汪琼,2015)。大多数学校的信息化环境建设正在逐渐完善,将更加智能化。充分利用智能化环境,开展智慧学习和深度学习才会事半功倍。其次,随着信息化学习方式的不断发展,教育服务的供给主体不仅包括学校,还包括能提供教育服务的社会机构以及各种互联网络。学生可以从校内和校外共同获取学习服务,实现校内校外、线上线下融合的一体化教育服务体验。同时,便利的信息化服务促使外语教与学的方式重新构建。在未来的信息化环境中,自主学习、泛在学习、社会性学习、游戏化学习、仿真环境下的探究性学习、远程实时协作学习、有充分社会交互的学习将成为学生学习的主要形式。教学更加强调通过精心设计问题、准备资源与工具、设计学习活动,引导学生在逐步解决问题的过程中达成对知识的智慧学习和深度学习。在此过程中,学生有更多表达沟通、独立思考和运用知识解决问题的机会。最后,高度智能化的信息化环境使得管理和评价越来越多地基于客观的数据信息。所有的教育、教学、学习和管理活动都将建立在大数据基础上。管理从事后补救变成事前监控和预警,越来越智能化、可视化。

3) 教学生态

在大数据时代,传统的教学要素(教材、内容、方法等)被新的要素(电脑、互联网、信息化资源、信息技术方法等)所替代。教学要素的变化打破了传统外语教学系统的平衡,不能自然、和谐、高效地运转。要使大数据发挥其优势,使外语教学系统保持动态平衡,还应以生态学的视角重新审视大数据时代的外语教学(陈坚林,2015)。外语教学系统生态化运转有两条原则(陈坚林,2010):一是稳定教学结构,兼容教学要素;二是制约教学运转,促进个体发展。就第一条原则而言,稳定与平衡相关,兼容与和谐相联,“稳定”是目标,而“兼容”则是实现目标的手段与方法。例如,在大数据时代,外语教学通常会有这些要素,如信息化环境、信息化资源、信息化教学方式以及计划、目标、内容、活动等,它们构成了教学实践层面的“生物链”,在具体实践中缺一不可,否则教学结构就会失去平衡,失衡的教学谈不上稳定。如要达到稳定,必须使教学中的各要素相互兼容,即各要素在教学实践中相互合作、相互作用、相互融合,这样才能使教学“生物链”和谐地运转,从而达到教学结构的平衡与稳定。在第二条原则中,“制约”是手段,“促进”是目标。从生态学视角看各要素都有其特定的功能和时空位置,它们在各自的生态位上发挥自己的功能,但每一要素的功能发挥必须“遵守规则”,不能无限制地发挥。例如,实践中信息技术的过度使用或低值使用都有可能制约教学效果,难以促进学生的个体发展。因此,要有效促进学生的个体发展,必须使各要素在“规则”允许的轨道上充分发挥作用。这两条原则,努力使外语教学各要素兼容、动态、良性的发展,达到整体系统的良性循环,重构兼具适切性和有效性的外语教学新范式,为培养学生智慧学习和深度学习能力提供生态保障。

综上所述,大数据成就了互联网,互联网促使了学习方式的变化和发展。因此,面对信息化学习方式的变革,我们必须要对未来的外语教学范式进行重新构建,而范式的重新构建必须考虑教学对象、教学环境以及教学的生态平衡等因素,以促进学生智慧学习和深度学习能力的自然发展。

参考文献

[1] Baeten,M.et al.Using student-centered learning environments to stimulate deep approaches to learning: Factors encouraging or discouraging their effectiveness [J].Educational Research Review,2010(3).

[2] Biggs,J.B.The role of metalearning in study processes[J].British Journal of Education,2011(3).

[3] Coates,A.et al.Deep learning with COTS HPC systems.Paper presented at the 30th International Conference on Machine Learning[R].Atlanta,2013.

[4] Kim,B.H.& S.Y.Oh.A study on the SMART education system based on cloud and N-screen[J].Journal of the Korea Academia-Industrial Cooperation Society,2014(1).

[5] Li,Y.et al.State-of-the-Art and Future Directions of Smart Learning[M].Singapore: Springer,2016.

[6] Marton,F.& R.Saljo. On qualitative differences in learning: I—outcome and process[J].British Journal of Educational Psychology,1976(1).

[7] Mayer-Schonberger,V.& K.Cukier.Big Data: A Revolution That Will Transform How We Live,Work,and Think.Canada: Eamon Dolan/Houghton Mifflin Harcaurt,2013.

[8] Sariola,J.et al.Promoting M-learning by the Uni-Wap project within higher education.Paper to the Internatinal Conference on Technology and Education[R].Tallahassee: Florida State University,2001-05-25.

[9] 陈坚林.计算机网络与外语课程的整合[M].上海:上海外语教育出版社,2010.

[10] 陈坚林,张笛.外语信息资源的整合与优化建设——一项基于部分高校信息资源建设的调查研究[J].外语学刊,2014(5).

[11] 陈坚林.大数据时代的慕课与外语教学研究——挑战与机遇[J].外语电化教学,2015(1).

[12] 郭晓珊等.智慧学习的概念框架与模式设计[J].现代教育技术,2014(8).

[13] 柯清超.大数据与智慧教育[J].中国教育信息化,2013(24).

[14] 汪琼.高校面对慕课:机遇与挑战[J].中国高等教育,2015(24).

[15] 杨俊锋等.智慧学习环境的研究热点和发展趋势——对话ET&S主编 Kinshuk(金沙克)教授[J].电化教育研究,2015(5).

[16] 杨现民.信息时代智慧教育的内涵与特征[J].中国电化教育,2014(1).

[17] 张浩,吴秀娟.深度学习的内涵及认知理论基础探析[J].中国电化教育,2012(10).

[18] 张琪.我国e-learning环境深度学习研究评述[J].现代远距离教育,2014(5).

[19] 钟国祥,张小真.一种通用智能学习环境模型的构建[J]. 计算机科学,2007(1).

[20] 周文娟.大数据时代外语教育理念与方法的探索与发现[M].上海:上海交通大学出版社,2014.

[21] 祝智庭,贺斌.智慧教育:教育信息化的新境界[J].电化教育研究,2012(12).

A Tentative Study on IT-Based FL Learning Modes in the Big Data Era

Chen Jianlin Jia Zhenxia

Abstract: Big Data technology facilitates the birth of Internet, which triggers the growth of IT-based learning modes. In face of the changes of leaning modes, we need to reconstruct the norms of foreign language teaching. To do it, we should take these factors such as students' identity, teaching environments and the balance of teaching ecology into consideration, thus promoting students' ability of smart learning and deep learning.

Key words: Big Data; Internet; Learning Modes; Reconstruction of Teaching Norms

(本文首次发表在《外语电化教学》2017年第176期)

转载请注明:文章转载自 www.mshxw.com
本文地址:https://www.mshxw.com/news/1083116.html
我们一直用心在做
关于我们 文章归档 网站地图 联系我们

版权所有 (c)2021-2022 MSHXW.COM

ICP备案号:晋ICP备2021003244-6号