指向学习者归属感的在线学习社区构建

在线学习归属感是衡量学习者在线学习情感投入的重要指标。基于此,通过分析在线学习归属感的影响因素并构建了指向学习者归属感的在线学习社区模型,利用文本挖掘、协同过滤、可视化等技术进行了深入的阐释,就研究模型的关键问题进行了探讨并提出了相应的建议,以期为增强学习者在线学习归属感的后续研究提供借鉴。     

融合学习者社交网络的协同过滤学习资源推荐

传统的协同过滤推荐算法存在冷启动和数据稀疏的问题,使得新学习者因历史学习行为记录稀疏或缺失而无法获得较准确的个性化学习资源推荐。鉴于此,文章提出将学习者社交网络信息与传统协同过滤相融合的方法,计算新学习者与好友之间的信任度,借助新学习者好友对学习资源的评分数据,来预测新学习者对学习资源的评分值,以填补新学习者在学习者—学习资源评分矩阵中的缺失,实现对新学习者的个性化学习资源推荐。实证研究结果表明,该方法在一定程度上能够解决传统协同过滤方法的冷启动和数据稀疏问题,提高个性化学习资源推荐的准确率。     

基于协同过滤的学习资源个性化推荐应用

分析了基于协同过滤的推荐算法及实现过程,结合远程教育在线平台的学习特点,提出运用该技术在远程教育在线学习平台进行资源推荐的解决方案,并对基于协同过滤推荐算法中存在的数据稀疏及冷启动问题提出了解决方法.     

基于协同过滤技术的学习资源个性化推荐研究

e-learning的调查发现,e-learning支持系统中学习资源推荐主要有Top-N和关键词检索两种方式,都无法向学习者个性化地推荐学习资源。受电子商务研究领域中相关研究成果启发,我们尝试将协同过滤推荐技术引入学习资源的个性化推荐研究中。通过综述学习资源个性化推荐中三种常用的推荐技术,介绍了协同过滤推荐技术的工作原理、实现方法及存在问题。在此基础上,提出了一个优化的基于协同过滤技术的学习资源个性化推荐系统的理论模型,重点讨论了模型的结构、隐式评分机制和算法的实现,并讨论了个性化学习资源推荐模型中的三个关键技术。以启发e-learning研究人员从不同的层面和角度探索协同过滤技术在e-learning中的应用,提高学习资源个性化推荐的精度和效率。     

基于在线学习行为的个性化学习需求智能挖掘技术研究

随着数字化学习的普及和发展,如何及时发现网络学习过程中学习者的个体学习需求,并实时地提供满足他们需求的数字化学习资源和学习服务已日渐成为E learning研究领域的关键问题之一。利用人工智能技术,通过提取数字化学习资源中的核心概念和对在线学习行为的自动捕获,建立基于概念图的知识模型,在此基础上智能地挖掘学习者个体认知状态和学习需求,为个性化学习服务提供支持。     

基于学习者建模和数据挖掘的个性化学习路径推荐研究

在线学习作为一种新型的学习方式,能够为学习者提供个性化的学习支持。有效推荐个性化学习路径是学习服务研究中的重点问题。文章结合大数据背景下个性化学习的特征,建立学习者模型,通过数据挖掘技术深入分析学习者的学习行为信息以及知识之间的关系,结合基于内容的推荐和协同过滤的推荐方式,设计个性化学习路径推荐的具体方案,为解决在线学习过程中学习者面临的“信息过载”和“知识迷航”问题提供参考和借鉴。     

基于知识地图的在线学习支持服务研究

在线学习中学习者面临缺少计划、资源过载、缺乏交互、评价单一等问题,将知识地图引入在线学习系统,以期为学习者提供有针对性的学习支持服务。通过文献分析,从学习资源服务、个性化支持、知识协同共建、学习评价4个方面,构建基于知识地图的在线学习支持服务体系。基于知识地图的在线学习支持服务将零散的学习资源组织在一起,并提供资源导航、资源检索等功能;根据学习者的基本特征信息,推荐个性化学习路径;允许教师、助教、学习者共同构建知识地图、信息资源;支持学习评价以及评价反馈多元化。这些支持服务有利于引导、帮助和促进学习者自主学习,提高在线学习效率。     

基于教育数据挖掘的个性化自适应学习系统研究

随着大数据时代的到来和在线学习的蓬勃发展,个性化自适应学习日益成为人们关注的热点。本文从教育数据挖掘的目标和关键技术出发,在个性化自适应学习系统中应用教育数据挖掘技术,研究了学习者模型、领域知识模型和社交网络模型的构建、融合和应用,设计出基于教育数据挖掘的个性化自适应学习系统的架构和流程,探讨了模型的构建和个性化自适应学习引擎机制的建立,提出了基于聚类的个性化自适应学习内容呈现、基于序列挖掘和关联规则的最佳学习路径推荐、基于协同过滤和社交网络的个性化资源推荐方法。     

学习者在线学习能力模型构建的实证研究

数字化学习时代,对学习者在线学习能力的测量是实现个性化在线学习的关键。目前,数字化学习领域中,人们更加关注学习者的成绩,却往往忽略影响学习成绩的重要因素——在线学习能力。因此,文章依据Sampson能力模型及影响学习过程的因素,对在线学习行为进行数据挖掘,以构建在线学习能力模型。在此基础上,综合应用非监督学习算法（K-means算法、PCA算法）和监督学习算法（随机森林算法）,构建学习能力水平预测模型;同时以Canvas Network平台课程数据为例进行实证研究,最终实现在线学习能力的计算。研究表明：学习成绩与在线学习能力息息相关,在线学习能力的测量研究对个性化在线学习的发展具有重要指导作用。     

学习资源个性化推荐平台的研究与设计

本平台通过引入社会化标签,改进了推荐算法,弥补了协同过滤算法的数据稀疏问题,通过社会化标签对学习资源进行标注,进而计算出学习资源间的相似度,得到用户对未评分资源的评分,填充了评分矩阵。本平台对学习者和学习资源建模的过程进行了详细的阐述,尤其注重了对学习者隐形数据的提取和收集,为学习者更准确地推荐他们感兴趣的学习资源。     

数字化学习:学习者的需求意愿之实证研究

数字化学习是当前研究的一个热点,受到理论和实践上的广泛关注.为了进一步探讨数字化学习的发展,此研究从上网行为、学习支持服务、学习资源和学习认知四方面对307位学习者的数字化学习需求意愿进行问卷调查和个别访谈.调查表明:学习者对数字化学习的需求意愿强烈,认可数字化学习.资源使用不方便是影响学习者学习意愿的主要因素.未来应加大“微课”化资源建设,采用O2O和P2P等学习法,实现PC端、手机微信和APP三位一体式数字化学习.     

在线学习资源中的交互式问题设计

在在线学习资源中,交互式问题有助于激发和增强学习者的学习动机、引导学习进程并帮助学习者及时评估学习状态,交互式问题是在线学习中学习者与学习资源之间最为重要的交互媒介之一.本文基于我国在线学习资源建设中交互式问题设计方面存在的不足,结合真实案例,剖析了交互式问题在在线学习中的作用,并探讨了在设计和开发交互式问题及其媒体表征时应遵循的基本原则.     

引领式在线学习模式

什么是引领式在线学习？ 基于网络的数字化学习在本世纪初才得以真正发展，我们可以将数字化学习视为传统教育培训的资源数字化，从数字化结果来看，可分为教学内容数字化和教学过程数字化两类。英国e-Learnirig Center创始人Jane Knight女士在《数字化学习技术捐南》一书中提到，在线的课程模式分为内容核心模式和沟通核心模式两类。沟通核心模式的课程也就是教学过程的数字化、网络化，从学习者学习方式来看．两种不同类型的在线课程分对应了两种在线学习模式：自主式学习模式和引领式学习模式。     

远程在线小组协作学习的实践与研究

远程在线协作学习使远程学习者在学习过程中的交流、协作和竞争得到了真正体现,对远程学习者的学习有明显的促进作用,因此成为远程开放教育积极倡导、大力推行的一种重要的协同学习方式.教学实践证明,远程在线协作学习活动的效率和效果受到诸多因素的影响.其中,在线讨论题目的设计以及在线讨论活动的主持是两个关键要素,直接影响着远程在线小组协作学习的效果与成败.     

泛在学习的学习资源探微——以教育技术类网站的社会网络分析为例

伴随着信息化进程的不断深入,网络学习环境已经成为在线学习的重要组成部分,而学习资源则是网络学习环境能否发挥作用的关键因素。学习者在网络学习环境中如何利用学习资源,网络学习环境如何为学习者提供更加个性化、符合数字化学习特征的学习资源?现有学习资源的提供方式、资源流转途径是否符合网络化学习特点?教育技术类网站作为提供数字化学习资源的主要渠道,通过对其链接分布和交互结构分析,有助于了解各资源平台学习资源的分布情况。利用网络链接分析方法,以教育技术类网站为研究对象,从密度、中心度和派系三个方面对相关网络学习平台进行交互结构的社会网络分析。实验结果表明,网络学习者在学习资源的多样性获取方面存在不足,对学习资源获取渠道的依赖性较强。据此提出基于泛在学习的数字化学习资源建设方案。     

MOOC平台对学习者学习效果的影响探究

随着知识经济时代的到来和互联网技术的迅猛发展,在线学学习这一学习方式已经被广大学习者逐渐接受。MOOC课程整合多种社交网络工具和多种形式的数字化资源,形成多元化的学习工具和丰富的课程资源,突破传统课程时间,空间的限制,依托互联网,世界各地的学习者在家即可学到国内外著名高校课程;突破传统课程人数限制,能够满足大规模课程学习者学习,为学生提供了多种途径来学习。     

在线学习体验影响因素的实证研究 ——以Blackboard平台实用英语在线课程为例

探究在线学习体验影响因素及其构成关系,有助于提高学习者的在线学习效果.本研究在文献调研的基础上,以Blackboard远程教学平台实用英语在线课程为例,采用调查问卷、解释结构模型及结构方程模型等方法,确定了影响学习者在线学习体验的6个关键因素(师生互动、同伴交互协作、课程任务、教师教学能力、在线资源特性、课程活动设计)...     

基于系统动力学的在线学习投入度影响研究——学习生态观视角

为全面系统分析在线学习投入度影响因素,提升学习者在线学习质量,从学习生态观视角出发,使用系统动力学方法,构建学习者在线学习投入度影响因素系统动力学模型。采用层次分析法对模型进行仿真分析,结果显示：教学环境、社会交互环境、情感心理环境对学习者在线学习投入影响较强,物理环境和制度规范环境影响较弱。进一步分析表明,教学活动设计、与教师交互和情感体验是影响在线学习投入的高杠杆因素。从精心设计教学活动,优化教学环境;发挥教师主导作用,构造多边良性循环的社会交互环境;增强学习者情感体验,构建各子系统协同共建的情感心理环境等方面着手,致力于提升学习者在线学习质量,能促进在线学习系统平衡、协调和可持续发展。     

基于协同过滤算法的移动英语学习平台研究与设计

移动学习以海量的数字资源作为载体,突破了传统学习模式中资源匮乏、时空限制等不足。但其资源丰富性也带来了一些信息过载现象,极大地影响了学习效率。基于协同过滤算法的移动英语学习平台不仅充分发挥了移动学习的优势,同时能够根据不同的学习者推荐满足其学习需求的学习资源,较大程度上节省了学习者的时间与精力投入,具有一定的现实意义。     

面向在线学习的社会化支持服务研究

在大规模在线学习中,个性化学习和信息导航越来越受到学习者的欢迎。由于学习者众多、学习需求多样化和学习资源海量,个体化支持服务已难以满足个性化学习和个性化资源推荐的需求。相关研究表明,将社会化支持服务引入在线学习中,能初步缓解支持服务不足的问题。文章以社会化支持服务的属性和内涵为基础,构建基于掌握学习理论的在线学习环境,深入探讨社会化支持服务框架,并结合学习资源、学习伙伴、领域专家等社会性因素对学习者在线学习产生的影响,设计了社会化支持服务流程和个性化推荐模型,旨在为学习者提供智能、精准的支持服务。最后提出“一体化”的社会化支持服务模式,为研究面向个性化学习的社会化支持服务提供参考。