更全的杂志信息网

在线教育资源PEI交互评价模型构建及实证研究

更新时间:2009-03-28

一、引 言

在线教育发展迄今已近20年,但在线教育资源建设现状并不乐观,比如普适应用资源少,优质资源数量不到在线教育资源总量的25%(王志刚,2014;寇海莲等,2014)。如何评价在线教育资源,进而引导在线资源建设,这不仅对在线教育意义重大,对于引导教师如何建设在线资源也有重要的指导作用。

总体来看,目前在线教育资源评价主要针对资源属性或资源使用价值进行评价,且较多基于资源建设、技术、设计等视角。奈特和伯恩(Knight & Burn, 2005)提出从用户、环境、任务三个实体,设计实体交互、资源获取等十六个维度进行量化评价。朱哲民等(Zhu et al.,2009)从网络用户视角构建了社会交互生成性资源评价多维模型。不同类型资源评价体系可采用多种评价方法与策略相结合,形成用户、教师、专家多方参与的持续性动态评价机制(柯清超等,2014)。但是,多维度多方参与的资源质量评价指标体系复杂,不便于对用户开展调查。从用户视角分析资源质量,能体现资源使用过程中用户的主体地位,改进资源建设及应用(万力勇,2013)。资源质量可以从教学技术环境、教学行为效果等五个维度构建评价指标体系(邱均平等,2015)。教学交互行为、技术环境支持、教学设计可作为评价在线教育资源质量的重要维度(寇海莲等,2014)。现有的资源质量评价大多采用传统的资源质量评价方法,如定性评价法、定量评价法和半定量评价法,侧重于对资源的客观属性做评价(万力勇等,2017)。还有学者基于三元交互理论分析网络学习空间中的用户知识共享行为、个体因素以及网络学习空间氛围(赵呈领等,2016),或者基于三元交互理论,提取社区成员和社区环境为关键变量,构建虚拟社区凝聚力和集体效能影响机制模型(宁举连等,2014)。

肉牛日增重、日粮养分消化率和氮利用率随日粮蛋白质水平从10.91%增加到13.07%,或添加75 mg RPFA显著提高。但日粮蛋白质水平与RPFA之间没有交互作用。

在线教育资源评价不但要关注资源的自身属性或使用价值,更应注重资源使用过程中对用户、行为、环境的可供性。本文从用户个体因素(Personal factors)、网络学习环境(Environmental factors)、网络交互行为(Interactive behavior )三个维度出发,提出在线教育资源PEI交互评价模型,拟定会话协作、内容交互、交互方式等18个观测指标。研究收集了贵州省X市1032位中小学教师使用在线教育资源的调查数据,运用因子分析参数估计结果修正模型,并运用路径分析验证三个潜变量之间的相互影响,分析在线教育资源交互评价各因素的交互关系。

二、 研究方法与过程

(一)模型构建

本研究将在线教育资源评价作为外因潜变量,将用户个体因素、网络学习环境、网络交互行为三个变量作为内生潜变量,构建在线教育资源PEI交互评价概念模型(见图1)。其中,在线教育资源对用户个体因素、网络交互行为、网络学习环境具有可供性,即资源提供的行为可能,这种可能能被人感知;用户因个体差异会影响网络交互行为和网络学习环境,用户偏好等会影响用户交互行为方式,用户个体因素直接影响学习环境;网络交互行为对用户个体和网络学习环境有影响作用,会话协作等网络交互行为方式影响用户资源内容需求、媒体偏好等个体因素,用户界面交互、内容交互等会改变网络学习环境;网络学习环境对用户和网络交互行为有重要影响,在资源使用过程中网络学习环境不断发生变化,软硬件、学习情境等的变化对网络交互行为逐渐产生影响。网络学习环境、网络交互行为、用户个体因素三者相互影响。运用在线教育资源交互评价模型进行资源评价,能为在线教育资源建设提供有价值的建议。

组合信度计算公式:

加强党建工作,企业思想上重视是前提,人财物的投入是保障。目前,基层党支部建设思想上不够重视,人财物投入不足。因为用人投入不足,党支部书记党务和行政一肩挑,日常行政工作繁忙,没有精力开展党支部工作。

H1:用户资源评价与网络学习环境对资源的支持正相关;

H2:用户资源评价与资源对网络交互行为的支持正相关;

H3:用户资源评价与资源对用户个体因素的满足正相关。

  

图1 在线教育资源PEI交互评价概念模型

3. 模型检验结果

在研究以贵州省X市各区县新教师和骨干教师为调查对象,这些教师有较好的信息素养和信息技术应用能力,对资源的使用无技术障碍。调查时间为2016年7月14-23日。调查问卷共发放1200份,回收1117份,回收率93%。研究者剔除26份不完整问卷、12份模糊问卷、47份极端问卷,共回收有效问卷1032份。其中教龄5-10年的骨干教师297人,教龄1-3年的新教师735人;男教师410人,女教师622人;语文教师357人,数学教师327人,英语教师123人,信息技术教师32人,其余学科教师193人。教师使用资源的总次数为2967次,其中,资源使用较多的学科有语文820次,数学735次,英语246次,每位教师均使用了所提供的资源。

在家庭中给婴儿补充营养虽不是一个大型服务项目,却是一项重要的服务。这也是在儿科服务的指导下完成的,服务内容是在可能范围内以豆奶代替牛奶粉。在一些情况下,通过提高母亲的食物供给以便使母亲能够使用她自己的母乳喂养婴儿。由于所需花费高昂,补充喂养服务并未广泛开展,但是,它既可以作为有助于医生实务,又有助于病人健康的措施来加以推广。

学习环境资源发挥其可供性是网络学习的必要条件。因此,设定网络学习环境的六个观测指标为:硬件支持(E1)、软件兼容(E2)、获取便捷(E3)、学习情境(E4)、运行流畅(E5)、重复使用(E6)。

资源支持网络交互行为是确保网络学习活动交互行为发生的前提。网络交互行为不仅是用户间的相互交流协作,还包括用户与资源内容的交互,用户的自我交互等。因此,设定资源支持网络交互行为的五项指标为:会话协作(I1)、内容交互(I2)、自我交互 (I3)、交互方式(I4)、界面交互(I5)。

利用模拟退火粒子群算法对LED植物光源的布局进行优化,首先需要对给定粒子的速度和位置进行初始化设置,计算出粒子群中每个粒子的目标函数值,然后更新粒子的个体最优值和全局最优值,对粒子的个体最优值进行SA领域搜索,并更新个体最优值,最后更新粒子群的全局最优值,判断全局最优值是否满足算法的终止条件。若满足则输出最优解,得到LED植物光源的最优排列方式;若不满足则继续执行对粒子的个体最优值SA领域搜索等步骤。模拟退火粒子群算法的总体流程如图2所示。

 

表一  在线教育资源评价指标变量

  

潜变量观测指标观测变量含义用户个体因素内容需求(P1)资源符合用户个体对学习内容的需求媒体类型(P2)资源符合用户个体对媒体类型的偏好内容设计(P3)资源符合用户个体的学习风格知识模块(P4)资源的知识模块符合用户需求知识主题(P5)资源的知识主题符合用户需求学习方式(P6)资源媒体学习方式符合用户个体偏好获取方式(P7)资源的获取方式符合用户需求网络学习环境硬件支持(E1)资源支持在不同物理设备、终端上使用软件兼容(E2)资源与通用软件兼容性强获取便捷(E3)资源在网络学习中获取便捷学习情境(E4)资源能营造适宜的学习情境运行流畅(E5)资源使用故障重复使用(E6)资源可重复修改使用网络交互行为会话协作(I1)资源能促进用户间的会话与协作内容交互(I2)用户与资源内容的交互自我交互(I3)资源支持用户记录数据反思学习交互方式(I4)资源支持在线交互方式界面交互(I5)资源界面与用户的交互设计

(二)研究方法

从上述检验结果可知,研究假设H1(网络学习环境支持←在线教育资源用户评价)、H2(网络交互行为←在线教育资源用户评价)、H3(用户个体因素←在线教育资源用户评价)三个假设均成立。其中,用户个体因素(0.89)是影响在线教育资源评价的首要因素,其次是网络交互行为(0.48)和网络学习环境(0.45)。在线教育资源对用户个体因素的支持作用,决定了用户对资源质量的主观感受,资源对网络交互行为、网络学习环境的支持使用户获得好的网络学习体验。

(三)研究过程

本研究随机抽取在线教育资源的教学工具515份,通过云共享供用户在线使用。抽取的资源为教师在线学习或教学中需使用的,这些资源适合13个学科专业知识背景的教师使用,包括语文、数学、英语等。研究过程分三阶段:数据收集、模型验证与分析、模型应用。第一阶段,课题组根据质量评价指标制订调查问卷。调查问卷分两部分:第一部分说明研究目的及用户信息,包括用户性别、年龄、学历、学科、所在区县、试用资源类型等,共9题;第二部分是资源评价观测变量对应的18项指标题项,其中网络学习环境(6项)、网络交互行为(5项)、用户个体因素(7项)。问卷各题项采用李克特(Likert)五级量表肯定倾向提问,按分值满意程度依次升高的规则评分。问卷投入使用前,4位专家提出修改意见,6位硕士研究生试填。第二阶段是分析处理数据,运用SPSS 22.0进行探索性因子分析,AMOS 18.0进行验证性因子分析和路径分析,根据模型估计结果对模型进行修正。第三阶段将修正后的模型应用于资源评价。

(四)样本来源

资源对个体因素的支持符合用户个性化需求,直接影响用户对资源使用价值的判断。本文设定资源支持用户个体因素的七项指标为:内容需求(P1)、媒体类型(P2)、内容设计(P3)、知识模块(P4)、知识主题(P5)、学习方式(P6)、获取方式(P7)。测量指标采用“很不好” “不好” “一般” “好” “很好”五级。

三、 模型验证

[6]寇海莲,万正刚,高铁刚(2014).中小学教师对基础教育优质数字资源质量评价实证研究——基于198名评审专家的调查[J].中国电化教育,(10):70-77.

探索性因子分析的主要任务是浓缩变量提取因子,目的是从数目众多的变量中提取出代表性因子(薛薇,2014)。笔者将1032份样本数据等分为两部分,其中516份样本数据用于探索性因子分析,另516份样本数据用于验证性因子分析。探索性因子分析运用主成分分析法抽取特征值大于1的因子,并通过最大方差法进行正交旋转,最终提取3个有效因子,形成的问卷项目为18个,结合各项目的含义,将各个潜变量命名为“用户个体因素(P)” “网络学习环境(E)” “网络交互行为(I)” 。

研究选取各观测指标项的因子负荷、各潜变量的组合信度和累积贡献率分析信效度。各指标因子负荷在0.833至0.911之间,均大于0.5;各潜变量的组合信度在0.956至0.961之间,均大于0.6;累积贡献率为82.5%,大于60%。各维度α信度系数均大于0.8,KMO值为0.930,说明问卷结构效度良好。

(二)验证性因子分析

夏天的路磕磕绊绊、坎坎坷坷,可他一样也慢慢长大,他能独自一个人穿过几条马路去菜场买油条,能独自倒两趟车去盲校上学,他甚至还学会了给奶奶修收音机。

验证性因子分析用来检验因子与相对应的测度项之间的关系是否符合研究者所设计的理论关系,是理论模型的检验过程。本研究将剩余516份样本做验证性因子分析。

1. 模型估计

本研究运用软件AMOS 18.0建立在线教育资源交互评价二阶因子分析模型,采用最大似然法(Maximum Likelihood,简称ML)对模型进行估计,删除因子负荷未达到标准值的观测指标,将误差值e9与e15之间建立共变关系,修正后得到标准化模型路径参数(见图2)。模型中各项因子负荷介于0.843至0.910之间,符合因子负荷介于0.45至0.95间的适配要求;各误差变异量均为正数,未出现负数的误差变异量。模型修正后,用户个体因素的观测指标为:内容需求(P1)、媒体类型(P2)、内容设计(P3)、知识模块(P4);网络学习环境维度观测指标为:硬件支持(E1)、软件兼容(E2)、获取便捷(E3)、学习情境(E4);网络交互行为维度的观测指标为:会话协作(I1)、内容交互(I2)、自我交互 (I3)。

  

图2 在线交互评价二阶因子分析模型

2. 信效度检验

本研究选取因子负荷、组合信度、平均方差提取量(Average Variance Extracted, 简称AVE)三个指标作为信度效度检验指标。平均方差提取量是模型收敛效度指标,其数值越大表示指标越能反映其共同因素构念的潜在特质(吴明隆,2010)。各观测指标中E5、E6、I4、I5、P5、P6、P7的因子负荷未达到标准值。E1、E2、E3、E4的组合信度为0.941,平均方差提取量AVE值为0.799;I1、I2、I3的组合信度为0.921,平均方差提取量AVE值为0.797;P1、P2、P3、P4的组合信度为0.923,平均方差提取量AVE值为0.751(见表二)。各潜变量的组合信度均大于0.6,平均方差提取量均大于0.5,表示模型的内在质量理想。

本研究假设如下:

 

AVE值计算公式:

 

研究中潜变量不能直接作为测量变量,需要通过潜变量的外显指标作为观测变量进行测量。本文从网络学习环境、网络交互行为、用户个体因素三维度梳理在线教育资源质量评价的观测变量(见表一)。

在模型的适配度检验方面,绝对适配度指标、增值适配度指标、简约适配度指标均达到适配标准,在自由度等于40时,模型适配度卡方值等于49.786,显著性概率值P=0.138>0.05,接受虚无假设,表示本研究所提理论模型与实际数据契合。总体来看,在线教育资源交互评价模型外在质量佳,测量模型收敛效度理想(见表三)。

 

表二 在线教育资源交互评价模型信效度检验指标表(N=516)

  

测量指标因子负荷组合信度AVEP10.878P20.843P30.878P40.866P5#P6#P7#0.9230.751E10.899E20.909E30.905E40.862E5#E6#0.9410.799I10.858I20.909I30.910I4#I5#0.9210.797参考值>0.7>0.6>0.5

注:#表示未达到标准值,因子负荷<0.70。

 

表三 验证性因子分析整体模型的适配度检验摘要

  

统计检验量适配的标准或临界值检验结果数据模型适配判断绝对适配度指标χ2值p>0.050.138是GFI值>0.900.983是AGFI值>0.900.973是RMR值<0.050.008是RMSEA值<0.050.022是增值适配度指标NFI值>0.900.990是RFI值>0.900.986是IFI值>0.900.998是TLI值>0.900.997是CFI值>0.900.998是简约适配度指标PGFI值>0.500.596是PNFI值>0.500.720是NC值(/)(χ2df)1

本研究主要采用调查研究法(问卷、访谈)、结构方程模型等探索和验证所构建的模型:首先,用调查所得数据的一半做探索性因子分析, 然后把探索性分析所得因子用在剩下一半数据中做验证性因子分析(王松涛,2006;吴明隆,2010)。本研究运用软件SPSS 22.0进行探索性因子分析,确定因子个数浓缩因子数目;运用AMOS 18.0进行验证性因子分析,检验因素之间的相关关系,运用路径分析探讨各潜在变量之间的相互影响;重点进行验证性因子分析和路径分析,并根据分析结果修正模型。

(三)路径分析

在网络学习中,在线教育资源支持的网络学习环境、网络交互行为、用户个体因素三个因子相互影响,相互作用。资源对网络学习环境的支持影响网络交互行为和用户个体因素;资源对网络交互行为的支持影响网络学习环境和用户个体因素;资源对用户个体因素的支持影响网络交互行为和学习环境。研究对三个内生潜变量做路径分析(见图3),深入分析教育资源设计建设中需优先考虑的因子和因子间的相互作用。研究假设如下:

  

图3 潜变量路径分析假设模型

H1a:资源对网络学习环境的支持正向影响资源支持的网络交互行为;

H1b: 资源对网络交互行为的支持正向影响资源支持的网络学习环境;

冬小麦由于产量较高,因此冬小麦在很多的北方地区都在被种植。然而冬小麦在种子储藏的时候还是非常的不容易的,主要是因为冬小麦的种子的结构组织相对比较疏松进而导致种子受环境的影响非常的大,其次就是种子的耐热性差,在干燥种子的时候一旦温度太高就会导致种子失水严重进而导致种子的发芽率降低,最比较重要的原因就是种子的萌芽期比较早,只要达到一定的湿度种子就会结束休眠期开始发芽。针对这些问题在种子贮藏的时候要首先对种子进行适宜的干燥,筛选相对较好的种子进行密封、低温储藏。其中低温储藏的温度最好选择在小于15℃的条件下。

H2a: 资源对网络交互行为的支持正向影响资源支持的用户个体因素;

H2b: 资源对用户个体因素的支持正向影响资源支持的网络交互行为;

H3a: 资源对用户个体行为的支持正向影响资源支持的网络学习环境;

H3b: 资源对网络学习环境的支持正向影响资源支持的用户个体行为。

本研究运用AMOS 18.0验证各路径假设(见表四)。在网络学习中,网络学习环境受用户个体因素(β=0.40,P<0.01)和网络交互行为(β=0.20,P<0.05)的正向影响;网络交互行为受网络学习环境(β=0.22,P<0.05)和用户个体因素(β=0.73,P<0.001)的正向影响;用户个体因素受网络交互行为(β=0.72,P<0.001)和网络学习环境(β=0.40,P<0.01)的正向影响。从路径分析β系数看,在线教育资源教学工具建设和设计需优先考虑资源支持的用户个体因素与资源支持的网络交互行为之间的影响。

 

表四 假设验证结果

  

假设路径路径系数(β)概率(P)是否支持假设H1a网络交互行为←网络学习环境0.20∗是H1b网络学习环境←网络交互行为0.22∗是H2a用户个体因素←网络交互行为0.73∗∗∗是H2b网络交互行为←用户个体因素0.72∗∗∗是H3a网络学习环境←用户个体因素0.40∗∗是H3b用户个体因素←网络学习环境0.40∗∗是

注:***表示P<0.001;**表示P<0.01; *表示P<0.05。

综合模型的因子分析和潜变量路径分析结果显示,在线教育资源教学工具的评价,可从网络教学环境、网络交互行为、用户个体行为三个维度进行;用户评价教学工具时,更关注资源内容、媒体类型、知识模块是否符合自身知识背景需求,而通过资源与其他用户进行会话协作并促进用户反思是影响用户资源评价的重要因素。资源设计应考虑用户个体因素(知识背景、学习风格等)与网络交互行为(会话协作、交互方式等)之间的相互影响。

四、 应用与分析

从在线教育资源交互评价PEI二阶因子分析模型(见图2)中,本研究得到各因子负荷大小,将网络学习环境、网络交互行为、用户个体因素三个维度的因子负荷相加,再用单一维度的因子负荷值除以总因子负荷值,可以得到该单一维度的权重,同理可求出二级观测指标的权重(Punniyamoorthy et al.,2011; 周平红等,2011)。比如,网络学习环境的权重=0.45/(0.45+0.48+0.89)=0.45/1.82≈0.25。各个潜变量的权重为:网络学习环境0.25、网络交互行为0.26、用户个体因素0.49,各观测变量权重分别是E1=0.25、E2=0.25、E3=0.25、E4=0.25,B1=0.32、B2=0.34、B3=0.34,P1=0.25、P2=0.25、P3=0.25、P4=0.25。

研究抽取了资源内容为“地球和地球仪”的教学工具,将模型应用于该资源的评价。通过使用该工具,用户可以观察地球全景图、经纬线、特殊经纬线、城市位置、地球切割图。从资源支持的网络学习环境看,用户利用个人电脑通过云平台无需下载即可使用,资源大小为11MB的EXE文件;从支持的网络交互行为看,资源支持资源内容与用户交互以及用户自我交互;从资源支持的用户个体因素看,资源是文本、图像、3D动画等多种媒体呈现形式结合,从具体的知识点入手设计,考虑不同学习风格的用户对不同媒体呈现形式的需求。

  

图4 《地球和地球仪》资源界面

例10中原文的三个“决不允许”简译为一个never allow…; “有令不行、有禁不止”简译为一句,同样 “打折扣、做选择、搞变通”也采用简化的译法,这种简化法可以使译文简洁、流畅,同时也是为了消除在时政文献中的汉语表达习惯而出现的“信息冗余”现象。

有七位用户使用资源“地球和地球仪”,应用PEI模型计算七位用户对资源的评价。结果显示网络学习环境维度用户评价为3.56,网络交互行为维度的用户评价为2.68,用户个体因素的评价为3.26,用户对资源的综合评价为3.56*0.25+2.68*0.26+3.26*0.49=3.19。从用户评价看,用户对该资源支持的网络交互行为评价较低,用户对资源总体评价一般。

为深入分析用户对资源的评价,研究者从七位用户中选取一位教龄最长(七年)的用户做访谈,请用户详谈使用该资源的体验和改进建议。该用户表示:资源对软硬件要求不高,获取使用方便,多角度立体地呈现地球经纬线和切割图,符合用户学习经纬线、特殊经纬线、了解城市所在位置等需求。但是,用户缺少会话协作的渠道,只能借助第三方软件(QQ、微信)交流;在点击资源经纬线等操作时缺少反馈和知识点的讲解,使用过程比较迷茫,资源设计对用户的个人需求考虑不够周全,资源制作不够精细。用户希望资源能更精细和人性化,增加操作反馈和知识点讲解。

五、 总结与讨论

本研究从用户个体因素、网络交互行为、网络环境三个维度构建了交互评价模型。实证研究发现:资源对用户个体因素的满足是影响用户评价的首要因素;用户个体因素和用户网络交互行为与资源评价正相关;用户个体因素、网络交互行为、网络环境三个潜变量相互影响、相互作用。PEI模型应用结果表明:1)用户强调网络学习空间中资源对自身需求的满足;2)在线教育资源对会话协作、操作反馈等交互行为的支持影响用户持续使用;3)用户优先选择与教学活动及网络学习环境相关的资源,不适用的资源影响用户评价。

本研究的不足在于:对资源评价三个维度之间的交互影响分析不够,对用户个体因素影响资源选择的分析不够深入,特别是对用户满意度、持续使用意向等问题还有待深入研究和探讨。我们建议:

在观察组患者的临床诊断中,根据患者的临床表现,再结合实验室检查结果进行初步的判断。然后采用CT诊断方法,患者取平卧位,使用西门子Emotion16层螺旋CT,设置层距(5mm)、层厚(5mm)等参数,对患者的肝区、胰腺部位进行扫描,拍摄CT影像。静脉注射60%繁影葡胺80ml,行CT增强扫描,分析其影像,对疾病做出诊断。

第一,为满足用户个性化资源需求,应将所有资源开源化,设置在线教育资源优化奖励机制,汇聚用户集体智慧。用户个体因素存在差异,其资源需求也呈“长尾分布”,不同用户对同一资源内容的认知和功能需求各不相同,正所谓“一千个人眼里有一千个哈姆雷特”。随着网络技术的发展,在线教育资源仅使用权限开放,已不能满足用户的个性化需求。如将在线教育资源开源化,用户就可以参与资源设计与建设的整个过程。在参与资源建设中,资源优化奖励机制能激发用户参与积极性,能满足他们“自我实现”的心理需求。用户参与资源建设有利于汇聚集体智慧,当然会带来在线教育资源管理的新问题。

第二,深入研究激发在线用户交互行为的策略,促进用户协作学习和自我交互。《礼记》说,“独学而无友,则孤陋而寡闻”。学习需要相互交流和协作,用户网络交互行为有益于交流协作,资源的设计应注重用户交互行为的激发,促进用户自我交互、自我反思,从而提升彼此的知识技能,实现个人知识建构和深度学习。

头花蓼对幽门螺杆菌相关性胃炎大鼠胃组织SIRT1、p53和p21的影响 … …… 吴 琼,等(3):279

第三,提升网络学习环境配置,保障用户交互行为,参与资源建设。网络学习环境、网络交互行为、用户个体因素三者相互影响,并与用户的资源评价正相关。网络学习环境是资源使用的基础,网络交互行为是使用资源的途径,用户个体因素是资源评价的关键,资源对三者的支持是提升资源评价和满意度的根本。然而,在线教育资源要在这三方面完美契合显然有些理想化,用户资源评价本就是“仁者见仁,智者见智”,注重用户使用和建设资源的技能提升是将资源价值发挥到极致的有效途径。

[参考文献]

稀土元素是一组能很好揭示成矿物质来源及成矿条件的示踪元素,对热液型铅锌硫化物矿床的成矿物质来源和矿床成因有很大的指示意义[7-8]。矿物稀土元素配分模式是对成矿流体稀土元素组成特征的直接反应[9-10]。不同标高采集的4件新鲜矿石样品其稀土元素含量见表1,用W.V.Boynton球粒陨石标准化后作出其稀土元素分布型式图(图9)。

[1]Anita,R.Walz(2015).Open and editable:Exploring library engagement in open educational resource adoption,adaptation and authoring [J]. Virginia Libraries,(1):3-26.

2.4.2 使用脑保护药物对患者住院时间、费用的影响 由于各地医院对创伤性颅内损伤的诊断依据不同,而多数诊断方式不能区分损伤严重程度,因此仅选取依据GCS量表对损伤严重程度进行评分的患者,其中轻型创伤性颅内损伤患者3 362例,中型创伤性颅内损伤患者1 765例,重型创伤性颅内损伤患者2 505例,特重型创伤性颅内损伤患者863例。在不同损伤严重程度的患者中,使用脑保护药物组的平均药品费用及住院费用均显著高于未使用组,差异均有统计学意义(P<0.05);而两组患者的平均住院时间比较差异均无统计学意义(P>0.05),详见表5。

[2]阿尔伯特·班杜拉(2015).社会学习理论[M].陈欣银译.北京:中国人民大学出版社:168-173.

[3]Punniyamoorthy,M.,Mathiyalagan, P.,& Parthiban,P.(2011).A strategic model using structural equation modeling and fuzzy logic in supplier selection[J].Expert Systems with Applications, (38):458-474.

[4]Knight,S. A., & Burn, J. M.(2005). Developing a framework for assessing information quality on the World Wide Web[J]. Informing Science the International Journal of An Emerging Transdiscipline, (8):159-172.

[5]柯清超,郑大伟,曾颖欣,赵兴龙(2014). 基础教育领域数字教育资源的评价研究[J]. 电化教育研究,(2):55-61.

(一)探索性因子分析

[7]李运福, 傅钢善(2012). 网络学习中反思性学习及模型研究[J]. 现代教育技术, 22(2):99-102.

大数据网贷平台利用政策上的漏洞,打政策的“擦边球”,面临着极大的监管政策风险。未来,相关部门可能更多地从放贷金额、服务群体、融资比例等方面来规范小贷公司的业务范围。在融资比例上,相关文件只是规定从银行等金融机构的融资比例不得超过50%,而对其他渠道融入资金比例并没有明确,随着行业不断发展,相关监管政策也会规定得更加明确、更加细致。这些监管政策的改变,都可能给网贷平台发展带来一定的风险。

[8]宁连举, 刘茜, 夏文(2014). 基于三元交互决定理论的虚拟社区凝聚力和集体效能的影响机理研究(英文)[J]. 中国通信(英文版),(11):11.

[9]邱均平,欧玉芳(2015).慕课质量评价指标体系构建及应用研究[J].高教发展与评估,(5):72-81.

[10]万力勇, 杜静, 蒋立兵(2017). 开放教育资源质量管理:研究进展与启示[J]. 中国电化教育, (2):55-63.

[11]万力勇(2013). 数字化学习资源质量评价研究[J]. 现代教育技术,(1):45-49.

[12]王松涛(2006). 探索性因子分析与验证性因子分析比较研究[J]. 兰州学刊, (5):155-156.

[13]王志刚(2014).优质数字教育资源:学与教变革的基础[J].中国电化教育,(11):7-9.

[14]吴明隆(2010).结构方程模型——AMOS的操作与应用[M].重庆:重庆大学出版社:213,222.

[15]薛薇(2014).统计分析与SPSS的应用[M].重庆:中国人民大学出版社:291-292.

有一天北舞来招生,我就想试一试吧,不用有太大压力,反正相比那些从五六岁就开始练的同学,我跳得挺烂的,肯定没戏,就不知天高地厚地去考试了。当时跳完之后,评委席上的老师都“扑哧”笑了。

[16]杨满福(2013). 开放教育资源的可持续发展:现状、问题及趋势[J]. 中国电化教育,(6):73-77+82.

[17]赵呈领,梁云真,刘丽丽,蒋志辉(2016). 基于社会认知理论的网络学习空间知识共享行为研究[J]. 电化教育研究,(10):14-21+41.

[18]周平红,杨宗凯,张屹等(2011).基于结构方程模型的我国高等教育信息化水平综合评价研究——来自“中国高校信息化建设与应用水平”的调研[J]. 电化教育研究, (11):5-10.

[19]Zhu,Z., Bernhard, D.,& Gurevych, I.(2009) A multi-dimensional model for assessing the quality of answers in social Q & A sites[C] International Conference on Information Quality, Iciq 2009, Hasso Plattner Institute, University of Potsdam, Germany, November. DBLP,:264-265.

 
胡萍,赵呈领,梁云真,蒋志辉,黄琰,疏凤芳
《开放教育研究》 2018年第02期
《开放教育研究》2018年第02期文献

服务严谨可靠 7×14小时在线支持 支持宝特邀商家 不满意退款

本站非杂志社官网,上千家国家级期刊、省级期刊、北大核心、南大核心、专业的职称论文发表网站。
职称论文发表、杂志论文发表、期刊征稿、期刊投稿,论文发表指导正规机构。是您首选最可靠,最快速的期刊论文发表网站。
免责声明:本网站部分资源、信息来源于网络,完全免费共享,仅供学习和研究使用,版权和著作权归原作者所有
如有不愿意被转载的情况,请通知我们删除已转载的信息 粤ICP备2023046998号