自适应学习系统述评及其优化机制研究

一些网络学习系统如Blackboard、Moodle、SaKai等提供给学习者都是千篇一律的学习资源,不能根据用户特性动态适应地呈现个性化学习内容。因此,构建自适应学习系统是解决学生需求的个性化与教学资源的静态化的有效方案。本文对国内外一些常见的自适应学习系统进行了研究分析,总结出其特点和不足,设计与实现一个面向服务的自适应学习系统,分别在系统参考模型设计、用户模型和领域模型构建、个性化学习资源推送策略、多元化学习资源建设以及系统依据学习风格模型适应性呈现学习活动序列和学习资源等方面做了大量的优化研究。     

智能教育下基于情境感知的自适应学习系统构建

伴随着大数据和人工智能在教育领域的渗透和融合,个性化学习成为当前和未来教育关注的焦点,而自适应学习系统为个性化学习提供了一种实践路径.在分析自适应学习基本模型的基础上,结合自适应超媒体系统通用模型AEHS,引入了学习情境,构建了基于情境感知的自适应学习系统模型.为了提高自适应结果的精准性,根据学习情境中的学习者要素、时间要素、空间要素和设备要素,对学习者进行学习情境分组,以此为基础,通过学习者模型、领域模型和教学模型的协同作用,在自适应引擎的驱动下,生成自适应学习结果.最后,结合动态变化的时间因素,提供了个性化资源推荐的实现思路.     

智慧学习环境中自适应学习系统动力机制研究

智慧学习环境下的教学更加关注学习者的个性化诉求,自适应学习系统能够为实现个性化学习提供技术支持。文章针对传统层状自适应学习系统模型未阐明学习系统内部运行机制的不足,基于自适应逆控制理论研制了一种自适应学习系统动力模型。学习者的学习目标选择促使学习系统开始运行,学习者的初始学习目标与其后的学习成效之间的差值是维系学习系统继续运行的内在动力。学习系统在领域模型、学习者模型、认知诊断和自适应模型四者的协同作用下向学习者不断推送适切的学习资源,旨在消除学习目标与当前学习成效之间的差值,从而使系统重新归于稳定。文章从系统动力机制视角,设计了自适应学习系统包含的领域模型、学习者模型、自适应模型和认知诊断模型。研究将为自适应学习系统的设计与实现提供理论借鉴。     

自适应学习系统中用户模型和知识模型本体参考规范的设计

自适应学习系统是指能够为学习者提供一种个性化学习服务。实现用户适应系统和系统适应用户的双向适应,而要做到这点,构建用户模型和知识模型就显得尤为重要。本文依据自主研发的自适应学习系统的成功案例,提出采用本体技术设计一种实现个性化学习服务机制的用户模型和知识模型参考规范,然后详细阐述了利用文本编辑器protege对知识本体进行建模。最后给出了采用JAVA＋Jena＋SPARSQL技术实现对本体文件的存储和读取部分主要代码。本文研究设计的模型本体参考规范具有一定的适用价值,对后续研究自适应学习系统具有指导意义。     

面向"服务"视角的自适应学习系统设计与实现

自适应学习系统是当今乃至今后教学系统的研究热点,它是学习者实现远程个性化学习的前提条件.本文针对目前自适应学习系统的用户模型建模问题以及常见的一些网络学习服务平台实现学习者获取资源策略存在不足之处,提出了面向"服务"视角的个性化推荐策略,设计与实现了面向"服务"的自适应学习系统(SOALS,Service-Oriented Adaptive Learning System),分别从系统的架构流程(程序驱动和用户自主选择学习路径)、核心组件(用户模型和领域模型)、学习资源建设标准及实现技术和部分功能实现等方面做了深入剖析,为同行研究者提供了理论依据和实践参考.     

基于GALSRM模型的自适应学习系统体系结构研究

自适应学习系统在本质上是一种支持个性化学习的网络学习环境,能够改变学生"被教育"或"被学习"的弊端,做到从传统的支持教师"教"转向为对学生的网络学习活动提供自适应、个别化支持。本文首先文献综述自适应学习系统一些主要参考模型特点,然后针对其存在不足之处,提出了具有扩展通用性的自适应学习系统通用参考模型(GALSRM),分别对其组成部分用户模型、领域模型、呈现模型、自适应模型以及自适应引擎进行了详细描述。最后,依据GALSRM设计了自适应学习系统体系结构,并对其设计思想、适应过程及实现功能进行分析。该系统能够实现根据学习者在学习风格、认知水平等方面的个体差异提供自适应学习支持,是网络学习系统智能化的发展趋势。     

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。     

自适应学习系统的研究与设计

在总结和分析当前网络学习平台的缺陷和不足的基础上，提出适应性学习是提高网上学习效果的一种有效途径。即教学内容的呈现应该适应每个学习者的学习背景、学习水平和学习风格；学习系统应该根据学习者的学习情况来给予适当的导向。在AESM的基础上，设计出系统的体系结构，对各大模块进行了详细的设计和讨论。并进一步根据领域模型和学习者模型提出自适应引擎的部分算法，构建了基于XML和J2EE的软件体系结构，为学习系统提供了统一、高效的实现平台。     

自适应学习系统中学习者特征模型及建模方法述评

文章主要通过文献分析法,总结归纳自适应学习系统中学习者特征模型的建模方法,研究国内外自适应学习系统及其中关键的模型——学习者特征模型,比较分析国内外学习者特征模型建模的异同,以期为自适应学习系统的研究和开发提供帮助。     

自适应学习系统的研究与设计

在总结和分析当前网络学习平台的缺陷和不足的基础上,提出适应性学习是提高网上学习效果的一种有效途径,即教学内容的呈现应该适应每个学习者的学习背景、学习水平和学习风格;学习系统应该根据学习者的学习情况来给予适当的导向。在AESM的基础上,设计出系统的体系结构,对各大模块进行了详细的设计和讨论。并进一步根据领域模型和学习者模型提出自适应引擎的部分算法,构建了基于XML和J2EE的软件体系结构,为学习系统提供了统一、高效的实现平台。     

泛在学习中自适应学习系统模型研究

泛在学习能够给予学习者随时发生的学习提供支持,更有利于培养和激发学习者的学习兴趣,促使学习者自主研究学习。从"区别传统学习系统"一点出发,考虑学习者学习风格,结合泛在环境下灵活自由的学习形式,提出了一个自适应学习系统模型。该模型主要是体现高等教育学习者自主探究学习,根据环境感知和学习者的学习偏好和认知结构、情感倾向,提供不同资源以满足学习者的需求。最后对泛在学习中自适应学习系统进行思考,为以后研究提供改进建议。     

自适应学习系统学习者学习风格模型的研究现状与展望

学习风格是自适应学习系统中学习者模型不能忽视的因素之一。为了更好地满足学习者在学习过程中的个性化差异,自适应学习系统中的学习风格模型显得越发重要。本文针对国内外关于学习风格模型在自适应学习系统中的发展现状、特征等进行了总结,并从发展阶段、研究内容、研究方式等方面进行了对比研究,指出目前存在的问题,及以后研究的发展趋势。     

基于分布式认知的自适应学习模式探究

在线学习成为学生学习的新手段和途径.基于分布式认知理论,建立学生专业学习的自适应学习模型,使学生更有效地利用在线学习系统,根据自身的专业基础和兴趣爱好,更好地构建知识体系结构,达到个性化学习的目的.文章以计算机专业为例,对自适应在线学习系统模型进行了探究分析,提出了个性化、自适应的在线学习系统模型DC-ALM,对其功能模型及体系结构进行了研究,并以课程为例对模型进行了应用设计.     

基于Web使用挖掘的e-Learning自适应推荐系统

e-Learning自适应推荐系统是一种基于当前学习者联机行为,在线自动推荐学习对象而不需要学习者直接反馈的系统。该系统框架是由离线模块和在线模块构成。离线模块预处理数据建立学习者模型,在线模块使用这些模型实时识别学习者目标,运用基于协作过滤的一系列推荐策略预测推荐学习对象。实验证明:由于实现模型构建和模型应用的有效分离,该系统具有较强的伸缩性和较快的实时响应速度,适合为大规模e-Learning系统提供高质量的个性化推荐服务。     

基于大数据的自适应学习分析模型研究

当前我国科学技术发展速度不断加快,传统教学模式已经无法满足现阶段人们的实际需求。在互联网的背景下,人们对于个性化的重视程度不断加深,在进行学习时,更喜欢用自己的方式。终身学习、碎片化学习以及移动学习等新兴的学习方式,让人们有更多的选择。自适应学习可以满足人们个性化的需求,因此当前对于自适应学习设计进行研究分析,可以为之后自适应学习系统的发展提供相关的理论依据。本文对于大数据分析以及应用现状进行阐述,分析基于大数据的自适应学习模型,探讨自适应学习设计未来发展趋势,希望可以推动我国自适应学习方式得到进一步的发展。     

泛在学习中自适应学习管理系统设计

泛在学习的目的更加倾向于培养学生的兴趣,根据学生的兴趣进行自愿的自主探究的学习。根据泛在学习的特点,分析了现有的自适应模型同时结合实际情况,提出了泛在学习自适应模块的设计方案。该设计方案主要是体现个性化的学习,根据不同的学习者的学习兴趣,系统会提供相应的学习资料,满足学习者不同的学习要求。     

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。     

基于SOM聚类法的在线学习分析研究

在E-learning学习领域,在线学习系统中大量的学习资源往往会让学习者难以及时获取适合自身的个性化学习资源。当前在线学习行为方面的研究主要关注根据学习者的学习行为和知识水平提供适切的学习资源,但学习者学习行为的差异性、学习资源的多样性和学习导航链接的复杂性成为自适应学习环境系统构建的限制因素。因此,有必要利用学习分析技术来分析学习者的相关数据,进而深入了解学习者的学习行为,并组织和维持在线学习系统中储存的学习资源。文章基于自组织映射(Self-Organizing Maps,SOM)聚类法提出了一种自适应学习环境框架,该框架有利于分析学习者相关数据并构建学习内容模型,为学习者提供适合自身需要的学习内容,最终取得高质量的学习成绩。随着E-learning中学习数据的日益增长,为了保证E-learning中学习者的学习质量,非常有必要对这些大量的学习数据进行分析,这也成为当前教育研究中的热点问题,文章有助于在E-learning环境中对学习者进行及时有效的大数据分析。     

自适应学习模型的构建及其实现策略

文章在归纳总结学习的若干影响因素的基础上,将自适应系数定义为学习压力与学习能力的比值,并构建了自适应学习模型,将学习状态分为自适应区、"无聊"状态和"焦虑"状态。建设自适应学习系统的目的是让学习者停留在自适应区,为此文章设计了自适应学习模型的运行流程,并提出可从学习者建模、大数据系统的支持、体系化资源生态的形成、系统设计的多样化呈现、终端模型的有效规范等多方面来实现。文章的研究结果旨在提升在线学习的自适应程度和学习绩效。     

面向认知诊断的能力等级自适应试题推送模型构建及应用北大核心CSSCI

认知诊断与教育的深度融合能够促进个性化学习的发展。认知诊断测试中,学习者能力与测试题难度的匹配程度直接影响诊断结果的精确性。然而,目前认知诊断选题策略尚无法精确标定学习者能力及测试题目难度,导致教师不能准确掌握学生的学习状态。为解决该问题,构建了面向认知诊断的能力等级自适应试题推送模型,首先运用Rasch模型对题库原始数据进行对数转换,在同一等距量尺中标定出测试题目的难度等级和学习者的初始能力等级,在诊断测试过程中为不同能力等级的学习者推送相应难度等级的测试题目,然后在每次测试结束后更新学习者能力等级。实践结果表明:面向认知诊断的能力等级自适应试题推送模型能够使得测试题目难度与学习者能力精确匹配,进一步提高了认知诊断的精确性,提高了学生的学习效率,促进了教育向个性化方向的发展。