个性化推荐技术及其在远程教育中的应用

近年来,远程教育随着信息技术的不断发展取得了巨大的进步,但由于发展时间尚短、资源建设尚不成熟,其与线下教育相似的传统教学模式已不能满足学习者需求。创建能够为学习者提供个性化的学习建议及精准的课程推荐、满足学习者个性化需求的新型教学模式成为远程教育发展的必然方向。本文介绍了个性化推荐技术,对其在远程教育领域的意义与应用场景进行了阐述。     

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.     

远程教育中Moodle平台的学习支持服务研究

以学习者为中心的远程教育,强调个性化、跟踪式的学习支持服务。Moodle平台是目前应用最广泛的网络教学平台之一,通过充分挖掘分析学习者学习需求、资源浏览点击、学习者静态和动态行为数据,教师及时调整学习支持服务策略,为学习者提供个性化、全程跟踪式的学习支持服务,从而有效促进学习者的学习与发展。     

基于Moodle的协作学习模式研究

本文介绍了基于Moodle在线学习平台开展协作学习的方法,以及学习小组的划分策略,并对几个常用的学习活动如何开展协作学习进行了较详细的介绍。     

基于Moodle的协作学习模式研究

本文介绍了基于Moodle在线学习平台开展协作学习的方法,以及学习小组的划分策略,并对几个常用的学习活动如何开展协作学习进行了较详细的介绍.     

基于全局相似度的在线资源个性化推荐算法研究

为了提高个性化推荐的准确度,提出一种基于全局相似度的在线资源个性化推荐算法.首先分别基于用户和在线资源对其各自相似性进行计算,运用K-means聚类方法根据对用户偏好和在线资源属性及评分的相似性计算结果对其进行划簇,实现用户与在线资源聚类划分,以此实现精准的个性化在线资源推送.实验结果显示,本文方法推荐的最小平均绝对误差为0.77,查准率随着数据覆盖率的增加可达到60％以上,推荐耗时基本稳定在20 s以内.在推荐准确度、查全率以及效率方面均有良好表现.     

泛在学习资源个性化推荐公众平台设计

为尊重学习者个体差异性,实现基于微信公众平台的泛在学习资源个性化推荐和个性化学习,增强学习者与学习资源的相关性,帮助学习者提高学习效率,论述了泛在学习的内涵,阐述了泛在学习公众平台相关研究现状。基于行为主义学习理论和因材施教理论设计了包含学习者层面、教师层面、系统层面和管理员层面的泛在学习资源个性化推荐微信公众平台相关功能模块,可为相关研究提供参考。     

联邦个性化学习推荐系统研究

当前,个性化学习推荐系统面临数据隐私保护、"冷启动"和法律约束等问题,而联邦学习作为近年来优秀的数据隐私保护机器学习技术解决方案,可有效解决这些问题。基于此,文章将联邦学习和个性化学习推荐相结合,设计了联邦个性化学习推荐系统。首先,文章分析了联邦个性化学习推荐系统的具体应用场景,包括横向联邦、纵向联邦、联邦强化三种。其次,文章分别针对这三种应用场景设计了相应的应用解决方案。最后,文章探讨了未来联邦个性化学习推荐系统面临的严峻挑战,以期帮助教育利益相关者在保护数据隐私的同时共享数据价值,最终实现更安全、更高质量的个性化学习推荐服务。     

个性化学习推荐模型的研究

通过分析个性化学习的特点,构造了个性化学习推荐模型.为保证学习效果,设计了基于ISM的学习序列生成方法,从整体上引导学习者的学习过程;在单个知识点学习时,采用关联规则挖掘,推荐符合学习者特征的学习材料.     

FP-Growth算法在网络教学平台个性化课程推荐中的应用研究

随着信息技术的发展和国家教育部对高职院校的不断重视,很多高校纷纷建立起自己的网络教学平台并且顺利运行。本文主要介绍了对网络教学平台多年累积的数据采用FP-Growth算法进行关联规则数据挖掘这一方法。这一方法能够发现隐含在平台背后的潜在规律,找出课程之间的关联性,为学生学习提供便利的同时,也能够为教师指导平台课程的设计与安排。     

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。     

Moodle在远程教育中的教学质量保障研究

随着网络的普及和终生教育思想的提出,远程教育也获得了蓬勃发展,同时也产生了诸多问题.本文重点指出了远程教育中存在的一些教学质量问题,分析了产生问题的原因,并从Moodle的视角给出了一些解决办法.     

数字学习资源的个性化推荐效果提升研究——以学习元平台资源推荐设计为例

数字学习时代,海量的学习资源不但没有促进学习效率的提升,反而加剧了资源获取的负担。该文针对数字学习资源过载现状,借鉴个性化推荐策略,就数字学习资源的服务效果提升进行研究。该文以北京师范大学泛在学习资源平台一学习元平台资源推荐设计为例,分别阐述了个体学习者与群体学习者的数字学习资源服务策略,并从推荐算法的角度阐述了学习资源个性化推荐效果提升策略。     

Moodle网络教学平台浅析

本文通过介绍Moodle网络教学平台,分析了该平台在课程设计、教学活动、课程测试、教学评价中所起的重要作用,并对如何通过二次开发构建具有自己特色的Moodle远程教学平台提出了几点意见和建议。     

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。     

基于个性化推荐技术的Web学习系统设计

根据单个学生或学习小组不同的学习需求提供相应的指导内容和教学策略,是基于Web的教学系统构建的根本目的。提出了一种通过收集分析学习者明确的或潜在的学习兴趣和偏好,找出学习者之间的相似性,对学生进行分组,形成虚拟学习社区的方法。     

远程教育中的个性化推荐混合学习研究

以网络教育为核心的远程教育正在飞速发展,而混合学习可以有效地提高其教学质量。为了解决远程教育学习者在混合学习中学习进度、兴趣等方面存在差异的问题,我们在混合学习中引入数据挖掘知识,研究并设计了一个结合Web日志的个性化推荐混合学习模式。该模式可以根据学习者的实际情况为其推荐个性化学习方案,包括学习目标、学习内容、习题测试等,为系统全面地进行远程教育的教学设计与实践、提高教学质量提供帮助。     

我国学习资源个性化推荐研究进展

网络学习资源数量激增导致的信息过载,是当今互联网学习者面临的一个问题。而个性化的学习资源推荐技术通过自主过滤海量资源,筛选出学习者需要的学习资源,减少学习者寻找资源的代价,是解决该问题的一个有效方法。文章通过用户、对象和推荐策略三个方面,对国内教育资源推荐技术的研究现状进行综述,并重点分析各推荐技术的特点、优势及不足,同时指出现今学习资源推荐技术研究的热点及可能的发展方向。     

基于关联规则的个性化推荐在数字图书馆中的应用研究

协同过滤技术被成功地应用于个性化推荐系统中,但随着系统规模扩大,它的效能逐渐降低.针对此缺点,提出了一种运用关联规则和协同过滤技术相结合的个性化推荐系统模型,这种推荐模型既能有效解决单独关联规则推荐不适合同类图书推荐问题,又能有效解决协同过滤算法不适合异类图书推荐问题;既能有效处理数字图书馆中图书种类和类别层次繁多的图书推荐问题,又能加快推荐速度,在数字图书馆系统中具有良好的推荐效果和应用前景.     

基于用户学习路径分析的教育资源个性化推荐研究

针对学习者用户差异性需求推荐个性化教育资源是智能学习领域研究的难点,也是构建E-learning个性化学习支持服务的关键。学习者在网络学习过程中,其时序化的学习行为日志蕴含了各种学习路径信息。通过对目标用户学习路径分析可挖掘其所潜在的认知风格、学习偏好、认知水平等各种隐性特征信息,为E-learning教育资源个性化推荐提供重要依据。基于关联规则挖掘对用户行为日志分析,从系统架构、模型构建、路径匹配以及推荐算法四个维度切入,提出了E-learning环境下基于用户学习路径分析的教育资源个性化推荐解决方案。