mCSCL环境下协作分组的伙伴模型研究

mCSCL正在成为移动学习新的研究热点,协作小组是开展mCSCL活动的基本单元,如何寻找协作分组中的学习伙伴是当前需要研究的一个重要问题,而设计并建立协作分组的伙伴模型是寻找学习伙伴的第一关键所在.伙伴模型能够对学习者进行建模,通过它能够为mCSCL的协作分组提供选择依据.本文在分析伙伴模型研究现状的基础上,综合学习者个性特征和mCSCL中学习的特殊性构建了mCSCL环境下协作分组的伙伴模型.     

KNN算法在就业预测模型中的应用

应用K-最邻近方法数据挖掘技术,研究数据挖掘技术在就业预测中的应用。同时,针对传统的K-最邻近方法的几个不足之处提出了相应的改进办法,主要包括特征属性的加权处理及K值选择问题的解决。最后,通过实验结果对传统的KNN算法与改进的KNN算法进行比较,以验证改进的KNN算法的有效性。     

合作学习分组策略的教学与研究

异质分组原则是实施合作学习的根本保证,成功的分组策略应当能够根据科学的调查数据进行合作学习小组的异质组建,在环境允许的条件下分组工作应尽可能充分考虑小组成员在多方面的异质,基于班级交往分析的交际指数异质分组能够促成各合作学习小组之间的均衡.     

基于多属性分类的KNN改进算法

提出了一种基于多属性分类的KNN改进算法,可有效提高传统的欧几里德KNN算法和基于信息熵的KNN改进算法的分类准确度。首先,按照单个属性不同属性值的个数占整个属性包含样本的比例进行属性的分类,分为基于信息熵的KNN算法处理的离散属性和基于传统欧几里德KNN相似度处理的连续属性两类,然后分别对不同属性进行区别处理;其次,将两类不同处理后得到的结果按比例求和作为样本之间的距离;最后,选取与待测样本的距离最小的k个样本判断测试样本的决策属性类别。     

特征提取算法在KNN中的比较

文本自动分类技术是自然语言处理的一个重要的应用领域,是替代传统的繁杂人工分类方法的有效手段和必然趋势.本文简要介绍了文本分类的特征提取算法,并通过实验比较了各种提取算法在KNN中的性能.实验表明IG、MI、CE、χ2、WE五种特征提取方法在KNN分类器中性能接近,互信息(MI)特征提取方法随着特征数的提高分类性能提高地较快,当特征数目较小的时候分类性能极差.     

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Blog思想的伙伴式学习资源库

本文从网络资源库的现状出发,将Blog的思想引入资源库建设中,提出伙伴式学习资源库的思想,并构建该资源库的模型,以期为网络学习资源库的建设提供一定的参考。     

合作学习动态分组的研究进展与思考 ——基于国际文献的系统综述

作为现代学习方式,合作学习受到研究者的广泛重视与应用.传统合作学习以静态分组为主,然而学习者的学习状态不是一成不变的,小组构成应考虑学习者状态进行动态分组,否则容易产生搭便车现象与旁观者效应、角色固化、负面的小组思维效应和合作倦怠等问题.鉴于国内相关研究较少,为了解动态分组研究的国际进展,文章采用文献研究法,通过关键词检索和滚雪球方式在国际权威数据库检索英文文献,获得1991-2020年发表的21篇代表性学术论文作为综述样本.通过对样本文献的归类分析,本研究发现有关动态分组的研究主要集中于三种学习环境:传统学习环境、计算机支持的合作学习环境和移动计算机支持的合作学习环境.基于文献综述结果,本研究建议后续研究可以从夯实动态分组理论基础,突破动态分组的关键技术、探索动态分组的新角度等方面寻找切入点.     

基于KNN分类算法的主题网络爬虫

提出一种基于KNN算法进行主题分类的方法,研究了主题网络爬虫的系统结构和所涉及的关键技术,包括URL管理器、页面下载器、页面解析器、主题识别模块以及内容存储模块,重点介绍了基于KNN的分类器的主题相关度算法.使用IKAnalyzer实现网页内容的中文分词,通过TF-IDF算法实现网页内容的特征提取,并利用KNN分类器计算网页的主题相关度.     

协同学习分组策略分析

小组的构建是协同学习的基础。本文在说明分组教学存在问题的基础上,通过对管理信息系统分析与设计、数据库原理、信息系统综合设计三个班级的分组教学实践情况进行分析,利用方差分析和问卷调查,研究了分组策略的影响因素、分组的原则及分组方法,提出采用灵活分组原则,以学生自主分组为主的分组策略。     

基于KNN的中文文本自动分类研究

在介绍SVM和KNN分类算法的基础上,提出了一种新的、较简单的,但更为合理的基于表模型的文档表示方法,阐述了一种基于表模型的分类算法——TableKNN算法。通过实验比较TableKNN算法与传统KNN算法应用于文本分类的效果,证实了TableKNN算法在处理文本分类问题上的优越性。     

基于聚类中心初始化的文本分类高效算法

将前期工作进行了改进并将训练集各簇中语义相似度大的文档进行合并,减少了训练集容量,实验表明该算法大大提高了KNN算法的效率。     

基于K-means聚类算法的网络个性化学习行为研究

聚类是指按照事物间的相似性对事物进行区分和分类的过程。对网络个性化学习行为中的大量数据,首先对样本数据进行了预处理,然后运用数据挖掘算法中的K-means算法进行分类,获取各类与网络学习行为属性的关系。在Clementine中的实验结果表明,该算法能够将数据准确聚类,为教师教学培养目标的制定提供一定的决策支持。     

基于大班额教学小组合作学习的研究

为解决大班额教学中师生互动不足、改善教师对每位学生关注度不均衡的局限性,就混合式教学模式中采用小组合作学习模式,进一步阐述小组合作学习模式建构的意义、小组合作学习建设与实施、小组合作学习中教师的作用。实践研究证明,小组合作学习能提升教学效果,持续激发学生对问题探究性学习的兴趣,提高学习的参与度。     

基于密度的聚类算法研究

聚类算法是数据挖掘的核心技术,基于密度的聚类是一类已经被证明非常有效的聚类方法．与DBSCAN算法作比较,文章提出了一种基于密度的聚类算法（Clustering Using Centers and Density,CUCD）．该算法是基于中心点以及密度实现的,其核心对象是根据数据分布计算出来的虚拟的点,并且核心对象的代表性随程序的执行次数而提高;经实验验证,该算法具有较好的时间效率和聚类质量．     

改进蚁群算法的动态K-均值聚类分析

提出了一种基于改进蚁群算法的动态K-均值聚类算法思想。该算法首先利用蚁群算法较强处理局部极值的能力,动态地确定了聚类数目和中心,然后利用蚁群聚类得到的结果,进行K-均值聚类弥补蚁群算法的不足。两者的有机结合可以寻求到具有全局分布特性的最优聚类,实现基于改进的蚁群聚类算法分析。     

远程混合学习方式及支持平台构建方案研究

新兴的移动学习与网络学习具有较强的互补性,可以预见网络学习与移动学习的混合使用将成为未来远程学习的主流方式.提出两种学习方式的混合形式及组合、集成、统一三个发展阶段,并对目前可行的基于WAP与WEB及基于SMS与WEB的支持平台构建方案进行探讨,为远程学习的进一步发展提供参考.