‘壹’ 混合式教学模式在课堂中如何应用
随着现代信息技术的发展，现代远程教育已成为知识经济时代的一种新型教育形态，是人们构建学习体系的重要手段。现代远程教育理念实现了对现代教育方式的突破，对现代教育手段的革新，对现代教育目标的重新审视。现代远程教育是一个系统体系，探索出一套利用现代远程教育开展教学的教学模式，以适应人才教育对现代教学模式的新要求。
1.混合式教学模式理论建构
1.1定义
“混合式教学”的定义是由斯密斯•J与艾勒特•马西埃将传统学习理念与E-learning纯技术学习理念相结合提出的。混合式教学的理论基础包括建构主义学习理论、结构主义理论、人本主义学习理论等。其中混合式教学受建构主义学习理论的影响很大。布鲁纳的教育理论认为，学生是主动地接受知识，是接受信息的加工者。建构主义学习理论主张调动学习者自主学习的积极主动性，学习者能够主动对所学知识进行探索和发现。这也与现代远程教育的教学特点极为符合。混合式教学是对网络教学和传统课堂教学两种教学方式的混合，以其克服传统教学方式的不足。混合式教学模式引起教育领域的广泛关注，国内首次正式倡导混合式教学概念的是北京师范大学何克抗教授，他的观点是:“混合式教学模式把传统教学方式的优势和网络化教学的优势结合起来，既发挥教师引导、启发、监控教学过程的主导作用，又充分体现学生作为学习过程主体的主动性、积极性与创造性”。
1.2混合式教学模式的网络资源建设
混合式教学模式是利用网络在线教学的优势来增强学生的学习效果。因此，网络资源建设是面授教学必不可少的补充和延伸。1)构建网络平台。在网络技术、虚拟化高度发展的今天，教学网络平台的搭建应与教学内容深度融合，创造学习的网络环境。首先建立起教学资源库，将教学内容碎片化，以知识单元为单位，例如微视频的视频库，构建起网络平台的素材资源库。其次，设计教学网络平台的结构框架。将整个教学过程设计成:教学目标、教学过程、课后跟踪服务等几个环节。每个环节设计为一个模板，每个模板要实现网上教学互动与学员互动。最后，完善软硬件基础设施建设，给予资源服务网络的技术支持，使学员可在家中、上班路上、休闲场所等场所都可以随时登录资源服务平台开展自主学习。2)建立学习内容技术支持。网络学习的一大弊端是师生之间缺乏交互与沟通，学生面对枯燥的课本内容，会产生焦躁、乏味、孤独的心理。针对不容忽视的现实问题，必须对学生的学习形式进行创新。“美国心理学家马腾斯(Martens)指出可以在印刷教材和电子教材中采用内置的支持设计来解决这些问题。”例如，可采取纸质教材内置二维码的形式。将每个章节的内容设计成一个二维码，对应网络资源平台上相应的视频、题库等。另外，还可以附加与课程内容相关的扩展、补充的学习资源。3)提供个性化服务。为了学生可以在学习平台中迅速定位，可以通过跟踪学习者平时网上学习行为，掌握他们的学习情况、思想状况等，结合个人的年龄、兴趣、职业等个性化特点，对其进行数据挖掘和分析，制定个性化的“学习包”，并且设计“点餐式”的学习推荐服务，使学生可以有针对性、多方面、多角度地进行学习。
1.3混合式教学模式的教学过程设计
混合式教学模式的教学过程的第一步是教学准备，包括课堂教学与网络教学的课前教学设计，分别为网路资源建设、课堂教学设计、实践活动设计，为之后的教学提供了有效的支持。第二步包括网络教学、课堂教学和实践活动。网络教学是将课程内容、教学资源或教学活动呈现在资源平台上。课堂教学侧重于对课程重难点知识的讲解和师生之间的沟通互动。实践活动是让学生可以运用创新理论解决实际的创新问题。第三步是考核评价，是形成性评价成绩与总结性评价成绩之和。
2.创新教育的混合式教学模式应用
2.1创新教育的教学准备环节
网络资源建设为混合式教学提供了有效的支持，将教师的教学行为由课堂扩展到了课堂外，大大提高了学生的学习效率，优化了学习效果，即可以发挥教师的主导作用，同时又发挥学生的主体性作用。课堂教学以教学活动设计为主，是教学准备环节的重要部分。在课堂教学活动中，不再以教师为中心，而是调动学生的主动性，积极参与到教学活动中，促进学生对创新内容的熟练掌握，完成课堂中的创新任务。创新教育的实践活动设计通过让学生根据学习到的创新知识完成创新成果，达到突破常规思维，善于创新，提高创新能力的目的。
2.2网络教学
学生以在教学资源平台上自主学习为主。创新教育课程的网络教学形式包括课程视频库、PPT课件、测试题库、网上教学辅导、在线评价等。课程视频是将教学内容以小节为单位，每一节内容录制一个视频资源，紧扣教材的教学内容，学生可根据自己的实际情况点播视频学习。教师将教学活动设计为教学目标、步骤、任务三个模块内容，学生可以参照模块内容进行自主学习。平台还将设置讨论和答疑区，学生之间结成学习小组在线学习和交流，师生在平台上进行即时的互动和指导。教师布置作业和任务，学生要及时完成作业并提交到平台上，教师应对学生上传提交的作业进行评价与反馈。此外，可将与创新有关的视频、时事动态、学术研究做成专栏，并设计成APP，学生可随时随地了解创新。
2.3课堂教学
混合式教学模式的课堂教学环节要以学生为中心，充分发挥学生的主体地位，在创新教育的课程中，通过学生自由组成小组进行讨论、做创新游戏、展示创新成果等调动学生积极参与到培养创新思维的活动中。与传统的课堂教学给学生灌输课本知识不同，在课堂教学中，教师应根据教学重难点、学生在线测评反馈等安排课堂教学内容，而不是教师一味地对课本知识的全部讲解，对学生在创新实践中遇到的问题进行答疑解惑，除此之外，还要对学生的学习方法进行点拨。
2.4实践活动
创新课程是以培养创新精神、提高创造力、增强创新实践能力为目的，所以，在教学过程中一定要重视实践活动的环节，要以创新理论的实践为主。在网络教学和课堂教学中都要设计创新实践的内容，培养学生创新的思维定式，能够熟练掌握创新的方法。此外，还要关注创新与企业、社会实际需求相结合，运用创新理论解决社会的实际问题，真正达到提高创新能力的目的。
2.5总结性考核评价
根据混合式教学模式的设计，创新教育课程的考核评价分为形成性考核和总结性考核。“形成性评价是指在教学过程中，通过对学生的表现，态度观察，利用提问或测验获得反馈，考察教学目标的完成情况，以修正、修改后来的教学活动而形成的评价，也称为学习中评定。”创新教育课程的形成性评价包括网络教学中的测试题库、平时上交的单元练习、网上讨论的表现等，课堂教学中的创新成果展示、小组讨论表现、创新游戏等。这些数据都会在网络平台上记录，是成为形成性评价的依据。形成性评价是对学生学习的过程性评价，可以帮助教师和学生随时了解之前教学和学习的情况，为之后的教与学提供参考。总结性评价是在课堂的最后一节课，把之前布置的创新作业在课堂上展示，发给每位学生一份互评表进行互评，作为终结性评价的依据。学生的最终考核成绩是形成性评价与总结性评价的成绩之和。
‘贰’ 如何对混合型数据做聚类分析
如何对混合型数据做聚类分析
利用聚类分析，我们可以很容易地看清数据集中样本的分布情况。以往介绍聚类分析的文章中通常只介绍如何处理连续型变量，这些文字并没有过多地介绍如何处理混合型数据（如同时包含连续型变量、名义型变量和顺序型变量的数据）。本文将利用 Gower 距离、PAM（partitioning around medoids）算法和轮廓系数来介绍如何对混合型数据做聚类分析。
R语言
本文主要分为三个部分：
距离计算
聚类算法的选择
聚类个数的选择
为了介绍方便，本文直接使用 ISLR 包中的 College 数据集。该数据集包含了自 1995 年以来美国大学的 777 条数据，其中主要有以下几个变量：
连续型变量
录取率
学费
新生数量
分类型变量
公立或私立院校
是否为高水平院校，即所有新生中毕业于排名前 10% 高中的新生数量占比是否大于 50%
本文中涉及到的R包有：
In [3]:
set.seed(1680) # 设置随机种子，使得本文结果具有可重现性
library(dplyr)
library(ISLR)
library(cluster)
library(Rtsne)
library(ggplot2)
Attaching package: ‘dplyr’
The following objects are masked from ‘package:stats’:
filter, lag
The following objects are masked from ‘package:base’:
intersect, setdiff, setequal, union
构建聚类模型之前，我们需要做一些数据清洗工作：
录取率等于录取人数除以总申请人数
判断某个学校是否为高水平院校，需要根据该学校的所有新生中毕业于排名前 10% 高中的新生数量占比是否大于 50% 来决定
In [5]:
college_clean <- College %>%
mutate(name = row.names(.),
accept_rate = Accept/Apps,
isElite = cut(Top10perc,
breaks = c(0, 50, 100),
labels = c("Not Elite", "Elite"),
include.lowest = TRUE)) %>%
mutate(isElite = factor(isElite)) %>%
select(name, accept_rate, Outstate, Enroll,
Grad.Rate, Private, isElite)
glimpse(college_clean)
Observations: 777
Variables: 7
$ name (chr) "Abilene Christian University", "Adelphi University", "...
$ accept_rate (dbl) 0.7421687, 0.8801464, 0.7682073, 0.8369305, 0.7564767, ...
$ Outstate (dbl) 7440, 12280, 11250, 12960, 7560, 13500, 13290, 13868, 1...
$ Enroll (dbl) 721, 512, 336, 137, 55, 158, 103, 489, 227, 172, 472, 4...
$ Grad.Rate (dbl) 60, 56, 54, 59, 15, 55, 63, 73, 80, 52, 73, 76, 74, 68,...
$ Private (fctr) Yes, Yes, Yes, Yes, Yes, Yes, Yes, Yes, Yes, Yes, Yes,...
$ isElite (fctr) Not Elite, Not Elite, Not Elite, Elite, Not Elite, Not...
距离计算
聚类分析的第一步是定义样本之间距离的度量方法，最常用的距离度量方法是欧式距离。然而欧氏距离只适用于连续型变量，所以本文将采用另外一种距离度量方法—— Gower 距离。
Gower 距离
Gower 距离的定义非常简单。首先每个类型的变量都有特殊的距离度量方法，而且该方法会将变量标准化到[0,1]之间。接下来，利用加权线性组合的方法来计算最终的距离矩阵。不同类型变量的计算方法如下所示：
连续型变量：利用归一化的曼哈顿距离
顺序型变量：首先将变量按顺序排列，然后利用经过特殊调整的曼哈顿距离
名义型变量：首先将包含 k 个类别的变量转换成 k 个 0-1 变量，然后利用 Dice 系数做进一步的计算
优点：通俗易懂且计算方便
缺点：非常容易受无标准化的连续型变量异常值影响，所以数据转换过程必不可少；该方法需要耗费较大的内存
利用 daisy 函数，我们只需要一行代码就可以计算出 Gower 距离。需要注意的是，由于新生入学人数是右偏变量，我们需要对其做对数转换。daisy 函数内置了对数转换的功能，你可以调用帮助文档来获取更多的参数说明。
In [6]:
# Remove college name before clustering
gower_dist <- daisy(college_clean[, -1],
metric = "gower",
type = list(logratio = 3))
# Check attributes to ensure the correct methods are being used
# (I = interval, N = nominal)
# Note that despite logratio being called,
# the type remains coded as "I"
summary(gower_dist)
Out[6]:
301476 dissimilarities, summarized :
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.0018601 0.1034400 0.2358700 0.2314500 0.3271400 0.7773500
Metric : mixed ; Types = I, I, I, I, N, N
Number of objects : 777
此外，我们可以通过观察最相似和最不相似的样本来判断该度量方法的合理性。本案例中，圣托马斯大学和约翰卡罗尔大学最相似，而俄克拉荷马科技和艺术大学和哈佛大学差异最大。
In [7]:
gower_mat <- as.matrix(gower_dist)
# Output most similar pair
college_clean[
which(gower_mat == min(gower_mat[gower_mat != min(gower_mat)]),
arr.ind = TRUE)[1, ], ]
Out[7]:
In [8]:
# Output most dissimilar pair
college_clean[
which(gower_mat == max(gower_mat[gower_mat != max(gower_mat)]),
arr.ind = TRUE)[1, ], ]
Out[8]:
聚类算法的选择
现在我们已经计算好样本间的距离矩阵，接下来需要选择一个合适的聚类算法，本文采用 PAM（partioniong around medoids）算法来构建模型：
PAM 算法的主要步骤：
随机选择 k 个数据点，并将其设为簇中心点
遍历所有样本点，并将样本点归入最近的簇中
对每个簇而言，找出与簇内其他点距离之和最小的点，并将其设为新的簇中心点
重复第2步，直到收敛
该算法和 K-means 算法非常相似。事实上，除了中心点的计算方法不同外，其他步骤都完全一致 。
优点：简单易懂且不易受异常值所影响
缺点：算法时间复杂度为 O(n2)O(n2)
聚类个数的选择
我们将利用轮廓系数来确定最佳的聚类个数，轮廓系数是一个用于衡量聚类离散度的内部指标，该指标的取值范围是[-1,1]，其数值越大越好。通过比较不同聚类个数下轮廓系数的大小，我们可以看出当聚类个数为 3 时，聚类效果最好。
In [9]:
# Calculate silhouette width for many k using PAM
sil_width <- c(NA)
for(i in 2:10){
pam_fit <- pam(gower_dist,
diss = TRUE,
k = i)
sil_width[i] <- pam_fit$silinfo$avg.width
}
# Plot sihouette width (higher is better)
plot(1:10, sil_width,
xlab = "Number of clusters",
ylab = "Silhouette Width")
lines(1:10, sil_width)
聚类结果解释
描述统计量
聚类完毕后，我们可以调用 summary 函数来查看每个簇的汇总信息。从这些汇总信息中我们可以看出：簇1主要是中等学费且学生规模较小的私立非顶尖院校，簇2主要是高收费、低录取率且高毕业率的私立顶尖院校，而簇3则是低学费、低毕业率且学生规模较大的公立非顶尖院校。
In [18]:
pam_fit <- pam(gower_dist, diss = TRUE, k = 3)
pam_results <- college_clean %>%
dplyr::select(-name) %>%
mutate(cluster = pam_fit$clustering) %>%
group_by(cluster) %>%
do(the_summary = summary(.))
print(pam_results$the_summary)
[[1]]
accept_rate Outstate Enroll Grad.Rate Private
Min. :0.3283 Min. : 2340 Min. : 35.0 Min. : 15.00 No : 0
1st Qu.:0.7225 1st Qu.: 8842 1st Qu.: 194.8 1st Qu.: 56.00 Yes:500
Median :0.8004 Median :10905 Median : 308.0 Median : 67.50
Mean :0.7820 Mean :11200 Mean : 418.6 Mean : 66.97
3rd Qu.:0.8581 3rd Qu.:13240 3rd Qu.: 484.8 3rd Qu.: 78.25
Max. :1.0000 Max. :21700 Max. :4615.0 Max. :118.00
isElite cluster
Not Elite:500 Min. :1
Elite : 0 1st Qu.:1
Median :1
Mean :1
3rd Qu.:1
Max. :1
[[2]]
accept_rate Outstate Enroll Grad.Rate Private
Min. :0.1545 Min. : 5224 Min. : 137.0 Min. : 54.00 No : 4
1st Qu.:0.4135 1st Qu.:13850 1st Qu.: 391.0 1st Qu.: 77.00 Yes:65
Median :0.5329 Median :17238 Median : 601.0 Median : 89.00
Mean :0.5392 Mean :16225 Mean : 882.5 Mean : 84.78
3rd Qu.:0.6988 3rd Qu.:18590 3rd Qu.:1191.0 3rd Qu.: 94.00
Max. :0.9605 Max. :20100 Max. :4893.0 Max. :100.00
isElite cluster
Not Elite: 0 Min. :2
Elite :69 1st Qu.:2
Median :2
Mean :2
3rd Qu.:2
Max. :2
[[3]]
accept_rate Outstate Enroll Grad.Rate Private
Min. :0.3746 Min. : 2580 Min. : 153 Min. : 10.00 No :208
1st Qu.:0.6423 1st Qu.: 5295 1st Qu.: 694 1st Qu.: 46.00 Yes: 0
Median :0.7458 Median : 6598 Median :1302 Median : 54.50
Mean :0.7315 Mean : 6698 Mean :1615 Mean : 55.42
3rd Qu.:0.8368 3rd Qu.: 7748 3rd Qu.:2184 3rd Qu.: 65.00
Max. :1.0000 Max. :15516 Max. :6392 Max. :100.00
isElite cluster
Not Elite:199 Min. :3
Elite : 9 1st Qu.:3
Median :3
Mean :3
3rd Qu.:3
Max. :3
PAM 算法的另一个优点是各个簇的中心点是实际的样本点。从聚类结果中我们可以看出，圣弗朗西斯大学是簇1 的中心点，巴朗德学院是簇2 的中心点，而密歇根州州立大学河谷大学是簇3 的中心点。
In [19]:
college_clean[pam_fit$medoids, ]
Out[19]:
可视化方法
t-SNE 是一种降维方法，它可以在保留聚类结构的前提下，将多维信息压缩到二维或三维空间中。借助t-SNE我们可以将 PAM 算法的聚类结果绘制出来，有趣的是私立顶尖院校和公立非顶尖院校这两个簇中间存在一个小聚类簇。
In [22]:
tsne_obj <- Rtsne(gower_dist, is_distance = TRUE)
tsne_data <- tsne_obj$Y %>%
data.frame() %>%
setNames(c("X", "Y")) %>%
mutate(cluster = factor(pam_fit$clustering),
name = college_clean$name)
ggplot(aes(x = X, y = Y), data = tsne_data) +
geom_point(aes(color = cluster))
进一步探究可以发现，这一小簇主要包含一些竞争力较强的公立院校，比如弗吉尼亚大学和加州大学伯克利分校。虽然无法通过轮廓系数指标来证明多分一类是合理的，但是这 13 所院校的确显着不同于其他三个簇的院校。
In [25]:
tsne_data %>%
filter(X > 15 & X < 25,
Y > -15 & Y < -10) %>%
left_join(college_clean, by = "name") %>%
collect %>%
.[["name"]]
Out[25]:
‘Kansas State University’
‘North Carolina State University at Raleigh’
‘Pennsylvania State Univ. Main Campus’
‘SUNY at Buffalo’
‘Texas A&M Univ. at College Station’
‘University of Georgia’
‘University of Kansas’
‘University of Maryland at College Park’
‘University of Minnesota Twin Cities’
‘University of Missouri at Columbia’
‘University of Tennessee at Knoxville’
‘University of Texas at Austin’
‘叁’ 什么是分析技术什么是分析方法简述两者之间的关系
简单的去理解就是技术里包含很多的方法。
比如说线性回归是一种统计方法，包含在数据分析当中，数据分析是一种技术。
‘肆’ 常见的技术分析方法有哪些
常见的技术分析方法可以分为
形态分析类，--------包括双底双顶头肩顶头肩低，三角形反转，棱形反转，调整形态旗形，三角形，矩形调整，楔形调整，
画线类，--------包括趋势线 水平阻力支撑 通道线，
指标类，其中又包括趋势指标（主要是均线，MACD 等）震荡类指标（KDJ ,RSI 等），统计类指标
波浪理论类技术分析，
日本蜡烛图分析，
道氏理论，
江恩理论
黄金分割线理论。
另外还有一些民间牛人自创的一些技术分析理论包括缠论，趋势交易法等。
自有感觉以道氏理论，蜡烛图技术，形态分析，画线分析，黄金分割 波浪理论最为基础。这几种理论相互补充相互印证，其他的理论只是只是这几种理论的衍生和优化。
以上只是个人见解，仅供参考。
‘伍’ 技术分析方法的内容
技术面分析的基本内容包括各种图形分析、形态分析和指标分析。在此简单介绍以下4种主要的技术指标分析：量价关系、分时图、K线理论和均线理论。我们在前期的文章中都有详细的介绍
1）量价关系
量价关系是技术指标分析的4大要素之一，量价先行，先见为量后见为价，其反应了量价之间的关系，在股市中，成交量能够最直接反映出股票市场供求关系的变化。股市中流行着这样一句话：“技术指标千变万化，成交量才是实打实的买卖”，因此用成交量来判断股票行情的发展趋势是十分稳妥的。
2）分时图
分时图就是大盘和个股的动态实时分时走势图。在看盘实战中，分时图占有及其重要的地位，是即时把握多空力量转化（即市场变化）的基本指标，分时图是比较适合短线操作者的看盘入口，能够真实的反映出股价的瞬间变化。
3）K线理论
K线图示记录某只股票在过去某个周期内的行情图，它体现的是这只股票在这个周期内的开盘价、收盘价、最高价和最低价4个价位，这个周期可以是年月日，也可以是分和时。K线图作为股票技术分析的基础，也是股民看盘时最常用的一种技术分析工具，它的基础用途主要是寻找最佳的“买卖点”。
‘陆’ 股票投资中比较有效的技术分析方法是什么
你好，股票投资的分析方法主要有如下三种：基本分析、技术分析、演化分析，其中基本分析主要应用于投资标的物的选择上，技术分析和演化分析则主要应用于具体投资操作的时间和空间判断上，作为提高投资分析有效性和可靠性的重要手段。
(1)基本分析：基本分析法是以传统经济学理论为基础，以企业价值作为主要研究对象，通过对决定企业内在价值和影响股票价格的 宏观经济 形势、行业发展前景、企业经营状况等进行详尽分析，以大概测算上市公司的长期投资价值和安全边际，并与当前的股票价格进行比较，形成相应的投资建议。基本分析认为股价波动不可能被准确预测，而只能在有足够安全边际的情况下买入股票并长期持有。
(2)技术分析：技术分析法是以传统证券学理论为基础，以股票价格作为主要研究对象，以预测股价波动趋势为主要目的，从股价变化的历史图表入手，对股票市场波动规律进行分析的方法总和。技术分析认为市场行为包容消化一切，股价波动可以定量分析和预测，如道氏理论、波浪理论、江恩理论等。
(3)演化分析：演化分析法是以演化证券学理论为基础，将股市波动的生命运动特性作为主要研究对象，从股市的代谢性、趋利性、适应性、可塑性、应激性、变异性和节律性等方面入手，对市场波动方向与空间进行动态跟踪研究，为股票交易决策提供机会和风险评估的方法总和。演化分析认为股价波动无法准确预测，因此它属于模糊分析范畴，并不试图为股价波动轨迹提供定量描述和预测，而是着重为投资人建立一种科学观察和理解股市波动逻辑的全新的分析框架。