国际资讯

后疫情时代“混合式—灵活”教学模式日渐兴起

当下，一种称之为“混合式—灵活（HyFlex）”教学的模式日渐兴起。该模式在疫情期间得到了快速发展，它允许学生通过线下或线上的方式参加课程的学习，确保学习进程的持续性。尽管并非所有教育工作者都接受这种教学方式，但学生们普遍对此表示欢迎。该教学模式最早于2006年出现于美国旧金山州立大学，其目的是解决学生的通勤问题，确保所有学生即使生病也可以继续参加学习。然而，教师在平衡面对面教学和远程教学两者之间的关系时常常面临挑战。许多人认为，尝试为两个不同的群体提供教学服务，会损害所有人的学习体验。不过，“混合式—灵活”教学模式的支持者则认为，这种教学模式颠覆了传统的课堂授课模式，课程提供的灵活性可以改善学生的学习效果。今后，“混合式—灵活”教学模式如何发展，将取决于教育工作者如何适应和设计满足学生需求的课程。（来源：https：//www.edsurge.com/news/2023-10-19-will-hybrid-teaching-stick-around-as-the-pandemic-fades）

如何分析高教机构数据的有效性

数据现已成为高等教育机构一项新的重要资源，无论是有关教职员工的信息，还是教学数据方面，数据的质量、可获取性及其共享和管理的方式，对于高等教育机构均至关重要。利用四象限成熟度模型可以对高等教育机构数据的有效性进行分析。首先，从报告维度可分为两大类型：具体实施报告和战略報告。具体实施报告用于观察和评测学生的入学等状况。例如，第三学期有哪些学生入学？有哪些学生请假或中途退学？战略报告用于评估学生的学习进度等状况。例如，这些学生参加了哪些课程计划？他们在第一学年的学习成绩如何？他们获得的助学金计划有哪些？其次，从分析维度可以分为另外两类：具体实施状况分析和战略分析。具体实施状况分析包括分析学生退学的原因等，例如，中途退学的学生有哪些特点？他们和留下来继续学习的学生有哪些不同之处？战略分析用于对未来的学校政策作出规划和预测，例如，能否识别出那些存在退学风险的学生？学校的政策调整能否减少学生的流失率，是否应该调整助学金政策？是否需要考虑提供新的服务项目、建立新的支持机制等？（来源：https：//campustechnology.com/Articles/2023/09/06/Institutional-Analytics-The-Data-Revolution-in-Higher-Education.aspx？Page=1）

利用人工智能技术激发个性化

学习潜力

个性化学习是根据每个学生的具体需求和偏好来定制教育的一种方法，旨在通过考虑到学生学习风格、文化背景和能力的差异，来创建公平、有效的教育体验。包括数据分析和人工智能（AI）在内的各种技术，可以在促进个性化学习方面发挥关键作用。在教育技术领域，人工智能可以提供多种不同的算法和应用，利用机器学习和预测分析等技术，增强学生的个性化学习体验。人工智能技术不仅可以提高学生的参与度和学习效果，还可以使教师及时发现问题，从而采取更有针对性和更加有效的干预措施。需要注意的是，在个性化教育体系下的学习者应该是自身教育过程中的积极参与者，而非被动的信息接受者。人工智能应该为学习者赋能，使其能够发现自身独特的优势和应对挑战，制订自身的学习目标并监测学习进度。只有具备了适应力、批判性思维和自主学习等能力，他们才能在21世纪就业市场立于不败之地。（来源：https：//www.edsurge.com/news/2023-10-20-unlocking-the-power-of-personalized-learning-with-trustworthy-ai-and-advanced-analytics）