基于Bayesian Network的学习资源库推荐系统构建与实现

针对学习资源使用者的特点和当前网络学习模型的不足,提出运用贝叶斯网络建立一种个性化学习者模型。基于用户决策方案指导资源库的建设,提出了一种新的学习资源推荐算法,使学习资源的呈现符合学习者认知发展水平和个性特征,改善资源库的组织结构,实现智能化、个性化的学习资源库推荐系统。实践证明,对于本系统所推荐的学习资源,学习者非常满意。     

学习资源个性化推荐系统的学习者模型构建

互联网的高速发展导致网络学习资源数量迅速增长,案例教学、理论教学等教学资源的个性化推荐受到更多关注。学习者模型是实现个性化推荐的依据。文章以CELTS-11学习者模型规范为基础,针对学习者的个性差异,在学习过程中对基本信息、学习风格、知识状态、认知能力、兴趣偏好等个性化特征展开研究,解决目前资源推荐系统的学习者模型中学习者特征描述不全面、个性化程度不高等问题,构建出了个性化的学习者模型,为学习资源的推送提供了有力的依据,应用效果表明了该方法的有效性。     

基于网络学习行为模式挖掘的用户学习风格模型建构研究

学习风格是影响学习者个性差异最主要的一个因素,深深地影响着学习过程。网络学习首要一个重要目标就是能够自动推测学习者的学习风格,然后实现所有学习者都能按着自己的学习风格去学习,实现网络个性化学习。文章首先提出了学习风格建构模型,然后说明了利用学习风格量表为辅的显性方法初始化学习风格,其次重点探讨利用贝叶斯网络方法挖掘学习行为模式为主的隐性方法推测学习风格。最后比较了利用设定条件的学习风格量表和贝叶斯网络两种方法分别推测学习者学习风格,结果还是值得肯定的,表明利用贝叶斯网络隐性方法为主挖掘网络学习行为模式推测学习风格具有很高的精确度。     

基于用户模型的个性化本体学习资源推荐研究

如何基于学习者的个性化学习特征,使学习者在大量学习资源和学习活动中快速定位自己最适合的内容已成为当前热点问题.本文研究的SAELS(Semantic Adaptiv-Learning System)实现以本体技术为核心,以用户模型为依据的个性化本体学习资源推荐.文中首先以课程为例构建本体,然后介绍了如何构建一个成功的用户模型,接着提出了个性化本体学习资源推荐模型,最后重点探讨了如何根据Felder-Silverman学习风格量表和学习过程行为模式,推断学习风格,和基于概念累积计分法推断认知水平两个层面加以整合实现个性化本体学习资源推荐.     

面向成人教育的个性化学习环境中学习者模型构建及推荐策略

随着以人为本的教育理念不断升温,个性化学习受到当前国内外研究者的普遍关注。其中,学习者模型反映了学习者的个性化需求,记录了学习者的个性特征,是个性化学习的重要依据。依据学习者行为,可从领域相关和领域无关两个方面,综合学习者知识水平、学习兴趣、学习风格和学习偏好四个维度,构建学习者模型,并相应地采取学习兴趣推荐策略、学习水平推荐策略、学习风格推荐策略、学习偏好策略。     

教育大数据环境下基于学习画像的个性化学习路径设计研究

在线学习环境下,探索符合学习习惯和偏好的学习活动路径能够降低学习者学习盲目性、提升学习者的课程体验。研究以教育大数据为背景,以MOOC为研究案例,以个性化学习路径为研究内容,通过对学习结果分类理论、教育目标分类法以及三维目标分类理论的分析、对比、归纳、借鉴,对MOOC平台学习者行为数据进行了维度划分,并从态度和认知两方面入手构建了包含学习兴趣、知识水平、综合能力三个维度的学习者学习画像特征模型。在此基础上,通过交叉使用Apriori All算法和贝叶斯网络对平台行为数据进行差异处理,使其转化为具有信息价值的具体数值,设计出了学习画像与个性化学习路径拟合系统。在此基础上,运用蚁群算法实现个性化学习路径的生成与推荐,为学习者提供精准的学习路径指导,降低学生迷航率。研究结果表明:基于学习画像的个性化学习路径推荐具有精准性;学习画像可以实现MOOC环境下平台数据和学习者之间的耦合;交叉使用多种算法实现不同维度数据的差异性处理,使数据分析、处理、应用具有合理性,是实现个性化学习路径生成推荐的良好基础。     

融合社交特征的学习者模型构建研究

在“互联网+教育”时代,学习者模型是实现个性化网络教学的关键。通过对学习者模型研究现状的分析,在知识模型、认知模型、情感模型和行为模型的基础上,提出一种融合社交特征的学习者综合模型。首先,对模型的特征选择和形式化表征进行了详细说明;然后,针对该模型在学习资源推荐、学习路径推荐、学习伙伴推荐、学习督导和预警中的应用进行了分析。最后,研究认为该模型能够为新型互联网学习环境下的个性化教学服务提供良好的支持。     

自适应的学习推荐模型研究

针对目前网络教学中,学习者缺乏个性化指导、学习效率低下的问题,提出了以知识点为核心进行资源组织的个性化学习推荐模型。该模型可以为学习者提供一个"因材施教"的网络教学环境,为学习者推荐有针对性的学习材料,提高学习者的学习效率。构造了用于表示知识点间关联度的客观和主观知识点关联表,给出了个性化知识点序列提取算法和针对特定知识点的个性化学习材料的推荐算法,能根据学习者模型提供适应学习者的教学方法和学习资源,并且学习者模型定期的利用关联规则挖掘进行完善更新。该模型能有效地提高学习者的学习质量和学习兴趣。     

自适应学习系统中双向适应交互评价实证研究

随着信息技术的快速发展,网络学习已经成为人们生活中不可或缺的一种学习方式。以实现网络个性化学习为目标的自适应学习系统成为提高网络学习质量的重要研究课题。然而目前大多数自适应学习系统仅具有单向适应能力,即实现了系统根据用户特性适应性向学习者呈现学习资源、过程和策略的功能。尽管这种功能有助于解决学习者认知超载和网络迷航问题,一定程度上提高了学习效率,但学习者在此系统中是一种被动学习,不利于培养学习者自主学习能力和创新能力,也不利于促进学习者对知识的主动建构,还容易使学习者产生惰性。因此,应该充分考虑学习者和系统之间的主客体关系,在自适应学习系统中建立双向适应交互,即用户主动选择资源的适应性交互和系统主动推送资源的自适应交互。双向适应交互最为关键的是用户模型,而认知风格是用户模型中影响学习者个体差异的一个重要元素。从学习效率和使用感受两个层面实证评价双向适应交互性,以及认知风格对其的影响发现:采用自适应学习方式,学习者具有更积极的学习态度,能够取得更好的学习绩效;但认知风格会影响到自适应学习和适应性学习的绩效。     

个性化网络学习服务研究

网络学习者特征对网络学习平台提供个性化学习服务具有重要影响。个性化学习服务指为学习者提供适应性的学习内容。基于学习者的学习风格和学习目标设计了个性化的知识组织、知识呈现和学习导航。以C语言课程为实例,针对不同类型的学习者设计出个性化的学习界面,实现了一种学习者与学习平台之间的新型交互模式。     

基于学习行为模型的学习伙伴推荐方法研究

如何提供合适的学习伙伴进行协作学习,是解决远程学习者学习孤独、提升学习效果的关键问题。文章通过网络教学平台采集数据,提出并建立了六维的学习者学习行为模型,并利用相似度区分相似型学习行为模型和互补型学习行为模型,进而为学习者推荐相似型学习伙伴和互补型学习伙伴,而学习者也可以自主选择学习伙伴。实验结果验证了学习行为模型和推荐方法的有效性。相比已有的分组方式,基于学习行为模型的学习伙伴推荐方法具有可视化、智能性、个性化等特点,更适合大规模网络学习环境下的学习伙伴推荐。     

基于知识点拓扑结构的个性化学习模式研究

互联网技术在教育领域的快速发展和应用,以及人们对学习理念认知的不断更新,使得基于学习者个性特征和认知能力分析的个性化教学模式逐渐成为了我国及世界各国教育界研究的热点。本文在研究了高校学生认知特点和个性差异的基础上,结合所学课程的知识点拓扑结构关系和学习者的学习兴趣等特征因素,构造了一个基于知识点推荐的个性化学习模型,旨在提升学习者的学习兴趣和提高学习的效率,从而实现真正意义上的因材施教和个性化学习,它能在缩短学习者学习时间的同时,极大地提高学习者对于知识的掌握和运用能力。     

基于学习状态监测的个性化学习算法研究

个性化学习内容推荐是提升学习者个性化学习质量的关键,建立个性化学习内容推荐模型,以提升学习者个性化学习满意度。通过对学习者个性化标签进行分析,构建了学习者学习状态监测指标体系,提升学习者个性化学习效率和质量。在此基础上结合学习者个性化学习内容生成框架得到个性化知识图生成规则,最终得到学习者个性化学习内容。将提出的基于学习状态的个性化学习算法与传统算法进行对比,结果表明,基于学习状态监测的个性化学习算法得到的个性化学习内容能够大大提升学习者个性化学习的满意度。基于学习状态监测的个性化学习算法所得到的个性化学习内容针对性更强,对提升学习者个性化学习质量具有一定的参考价值。     

基于社交网络的个性化学习环境构建研究

随着信息技术和学习理论的发展,教育研究的焦点逐渐从"以教为中心"向"以学为中心"转变,对学习的研究也逐渐从对学习者本身的研究转向对学习环境的研究。社交网络模拟了人类社会生活与社会关系,其理念契合了社会建构主义、关联主义、分布式认知等学习理论,更加符合网络时代学习的社会性、关联性、分布性、碎片化、个性化等特征。本研究在分析现有网络学习环境的基础上,提出以社交网络模型为资源聚合与推荐框架设计新型学习环境的思路,对个人学习空间、学习资源聚合模式和个性化推荐引擎构建等学习环境设计要素进行了分析。社交网络可以实现"网络学习空间人人通",学习环境内外资源的个性化聚合,并记录学习过程。通过对大量学习行为数据的分析,可以辅助教学决策,优化学习过程,推荐符合学习者个性的学习资源,实现个性化学习。最后,本研究基于开源社会性软件Sakai OAE构建了个性化学习环境并进行了实际应用,结果表明该学习环境在用户易用性和技术接受度等方面取得了较好效果。     

利用学习者画像实现个性化课程推荐

在"互联网+"在线学习环境下,探索符合学习习惯和偏好的个性化推荐路径能够降低学习者学习的盲目性、提升学习者在线学习体验.文章提出了一种基于学习者画像的个性化课程推荐方法,首先,利用爬虫技术获得Bilibili网站30多万名学习者的数据,然后对学习者学习数据进行定量分析,尤其是在个性化特征最明显的情感表达方面,采用了基于注意力机制的双向长短时记忆网络进行情感分析,从而构建了包含学习者基本信息、行为和弹幕文本三个维度的学习者画像特征模型.在此基础上,利用深度神经网络建立了教学资源与学习者画像之间的关系模型,用该模型预测学习者新的学习需求.实验结果表明,当学习者登录后,输入要选择的课程,模型能够根据学习者画像推荐相似学习者学习过的课程,提供个性化课程推荐服务,且推荐评价指标也表明该模型能够提高推荐性能.     

支持个性化学习的e-Learning系统研究

本文以个性化学习理论为指导,采用课程知识、教学方法和学习资源相互分离的策略,应用人工智能技术、数据挖掘技术和数据库技术构建了一个基于网络的个性化学习系统,该系统能根据学习者的知识结构、学习目标、学习风格、偏好等特征信息提供适应学习者的教学方法和学习资源,营造个性化的网络学习环境.同时,系统的个性化服务决策规则和模型还可通过数据挖掘修正不断加以完善.     

E-Learning环境下个性化推荐学习研究

E-Learning环境下,网络是在线学习者在线学习,在线交流的重要方法和手段。目前在线学习平台为在线学习者提供被动的学习模式,在线学习者的学习需求具有个性化的不同,学习者希望学习平台能够依据个体的差异提供不同的学习模式,在此背景下,依据学习者的不同背景研究个性化的知识推荐系统具有重要意义。本文探讨了个性化学习的基本模式,并构建了一个个性化学习模型。     

基于个性化推荐的移动学习模式探究——以高职学生为例

移动学习是高等教育以及高等职业教育的一种新的学习模式,而网络学习资源数量众多的资源过载问题,使得学习者获取有效资源的难度加大。文章根据高职学生的学习特征,建立学生与学习资源之间的二元关系,利用移动上下文推荐、学习进度预测的算法,构建个性化推荐的移动学习模型,使学习者的专业知识易于扩展和迁移,实现个性化学习。在推荐算法修正和推荐结果的反馈数据优化两个方面提出了模型优化的方向。     

基于学习风格的网络课程设计与开发

构建基于学习风格的网络课程,是有效满足学习者个性需求,提升网络教学质量的重要途径。本文采纳Honey＆Mumford的学习风格模型和测量量表（LSQ）,结合XML技术和ASP．NET开发平台．提出了一种个性化网络课程设计策略和技术实现手段,并论述了学习风格测试、个性化学习指导、个性化学习流程、个性化学习内容、个性化学习工具等核心模块的主要功能及实现方法。     

赖丁认知风格理论对网络课程设计的启示

从网络教学的本质和技术特质来看,其主旨是向学习者提供一种不受时空限制的个性化教学支持。将认知风格理论用于指导网络课程的设计与制作,针对不同的学生制定与之匹配的网络课程学习内容组织结构和媒体策略,以期充分发挥网络课程学习的优势,并引导学习者建构适应性更强的认知风格,培养其自主学习的能力,实现网络课程教学的最优化。