网络环境中学习资料的个性化推荐方法

文章提出了依据学习者兴趣和进度实时摊荐出当前和后序学习资料的一种方法.方法通过数据预处理、挖掘邻居学习者和学习资料推荐三个环节实施.数据预处理环节负责组织用来度量学习者兴趣相似程度的数据;邻居挖掘过程以学习者进度和兴趣作为聚类依据,确定邻居学习者;资料推荐环节通过评估邻居学习者的学习效果,推荐学习资料.该个性化推荐算法在综合性强的网络教育平台上有一定实用价值.     

融合文化和时间的学习资源推荐研究

大数据环境下,从海量学习资源中为学习者提供个性化的资源推荐服务可提高学习效率。考虑到不同区域的人具有不同的文化背景,人们对事物的喜好具有区域性,以及提供个性化推荐通常面临数据稀疏和冷启动的问题,提出使用因子分解机,综合考虑学习者的知识基础、兴趣、文化和时间因素,借助学习者所处区域的文化背景,选出与其有相同或相似文化背景的学习者,并结合学习者最佳学习时间及学习体系结构,以提高个性化学习资源推荐的质量。实验结果表明,该方法在一定程度上提高了推荐准确率。     

虚拟学习社区社会网络位置分析与助学者群体的发现

虚拟学习社区中的助学者对在线学习的绩效有很重要的影响作用.本文的研究聚焦在,以首师大虚拟学习社区的一门在线课程WBE07_Community数据集合为个案事例,通过网络位置分析的方法探索寻找虚拟学习社区社会网络中的助学者群体.研究结果发现:(1)虚拟学习社区社会网络中的部分学习者的网络角色具有双重性,他们既是社会网络中的学习者,同时也具有一定的教师的角色,他们与任课教师在较高水平上具有结构对等性;(2)一些学习者在较高水平上与教师具有规则对等性,即他们在虚拟学习社区的社会网络中拥有与任课教师相似的关系,意味着在虚拟学习社区中确实存在助学者群体,且该群体是由一些学习者所组成的;(3)有两名学习者不仅与任何教师具有较高水平的结构对等性,也同时与教师具有较高水平的规则对等性,即他们能在不改变网络关系结构的条件下替换教师,且在虚拟学习社区的在线课程所形成的社会网络中与教师具有相似的关系,是WBE07_Community课程中的核心助学者,他们对在线学习起到了重要作用.     

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。     

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。     

基于群体动力理论的社区团队学习研究

随着终身教育理念的不断深化和社区教育的蓬勃发展,社区团队学习应允而生并不断发展,已经成为社区教育的重要学习形式。越来越多的学习者认同社区学习团队这样的学习组织形态,并积极加入其中。为此,我们依据群体动力理论中关于群体约束力、凝聚力及驱动力等群体动力特征,通过对瑞典学习圈等国内外成熟学习团队的特征分析,从如何形成团队发展的持续力、如何增强团队学习的吸引力、如何完善团队服务的支持力三个维度,分析了社区团队学习中存在的主要问题,并提出了相应的对策思考。     

微博虚拟学习社区互动关系的社会网络分析

微博,作为最新的Web2.0应用,具有交互性、便捷性和即时性等特点,对于兴趣相似的人之间快速的交流与沟通是高价值的,由此建立的微博虚拟学习社区使教师和学生可以随时随地交流思想,共享知识,合作解决问题,因而已经成为远程教育可以有效利用的工具.文章以某微博虚拟学习社区为研究对象,运用社会网络分析方法,使用UCINET软件量化地分析了社区成员之间的人际互动关系,发现学习者在学习交互中呈现的群体特征,找出影响学习者间学习交互的因素,并针对这些因素提出了改善建议.     

虚拟学习社区群体学习特征与知识构建策略研究

分析研究虚拟学习社区群体学习特征有助于提高学习者的学习绩效和社区的建设水平。本文以“天涯虚拟学习社区”为例,从群体心理、学习行为、从众与服从和“意见领袖”效应四个角度分析虚拟学习社区的群体学习特征,并在此基础提出了群体学习活动的设计、隐性知识的传播、学习共同体的搭建三个具体的群体学习知识建构策略。     

面向大规模在线学习的社会化推荐模型与方法北大核心CSSCI

大规模在线学习中,学习者面对数量众多、种类繁杂的学习资源容易产生"信息迷航""信息过载"等问题。因此,为学习者提供个性化的学习推荐服务是大规模在线学习的重要任务。但目前的推荐系统大多只考虑了学习者与学习资源特征,对其内在社会联系考虑不足,推荐效果有较大的提升空间。许多研究表明,引入社会化因素,对于提升推荐系统效果有显著的帮助。社会化推荐系统需要根据应用情境,深入地理解用户、推荐对象以及影响他们之间相似关系和社会关系的要素。大规模在线学习中的社会化推荐系统要素模型包括学习者特征、推荐对象特征、社会关系和应用情境四个方面。相较于传统的推荐方法,在这一要素模型基础上设计的基于兴趣主题的社会化推荐方法更好地结合了大规模在线教育场景,以及学习者和资源服务要素,并进一步研究了用户间的内在社会关联,挖掘了用户、学习资源间的隐性联系。实验结果也说明,该推荐方法在教育场景中可以实现更好的推荐效果。     

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。     

迁移评分模式的跨域学习资源推荐算法

传统单领域推荐算法存在数据稀疏和冷启动问题,且由于单领域推荐算法是在同一领域基于群体分类进行推荐,因此无法实现真正的个性化精准推荐.在网络环境下,学习资源呈现多种形态,而学习者在每一领域的评分数据更加稀疏.鉴于此,提出迁移评分模式的跨域学习资源推荐算法.该方法首先基于码本聚类思想从学习者的辅助领域评分数据中获取学习者的...     

虚拟学习社区中学习者归属感的培养

随着网络技术在教育中的不断应用,虚拟学习社区悄然诞生,有关虚拟学习社区的研究在不断的深入。文章在界定虚拟学习社区学习者归属感之概念内涵的基础上,针对虚拟学习社区中学习者归属感的影响因素进行了分析,并提出培养虚拟学习社区中学习者归属感的措施,旨在营造网络环境下良好的社区学习氛围,以加强学习者间的互动并促进学习效果。     

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。     

新型产业工人学习者的学习需求及特征研究

在工业化和城市化进程中,出现了大量新型产业工人群体,作为未来经济社会中不可或缺的一部分学习群体,他们蕴含着相当大的发展提升需要。与传统学习者相比,新型产业工人在学习需求和学习特征上具有一定特殊性。在对新型产业工人群体学习动机和学习风格进行测量,并将其与传统学习者进行对比后发现,新型产业工人学习者有更强的学习动机,其内部动机占主导地位,且更倾向于通过实践与动手来学习,针对这种动机与风格,在教学策略上,教师应该注重保护其内部动机,并发挥其动觉型倾向的优势,促进该群体学习效果的实现。     

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。     

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。     

基于适应性的数字学习推荐系统构建

随着网络资源日益丰富,搜索引擎从资源的查准率上已经显得力不从心。如果能在数字学习中应用数据挖掘技术的话,必然能使学习效果事半功倍。鉴于此,针对学习者在新增学习领域或新增学习兴趣的情况下,提出基于适应性的智能型推荐学习服务系统,使学习者在学习过程中,能给予快速与准确的推荐。     

我国社区数字化学习研究综述

我国社区数字化学习的研究从2006年开始至今,在数字化学习社区的构建、社区数字化学习资源、社区数字化支持服务及社区数字化学习者等方面的研究积累了一定的成果,但同时也存在研究主题倾斜和研究方法单一等问题,研究深度和广度都需要进一步加强.     

泛在学习环境下感知学习过程情境的推荐系统设计

学习资源推荐作为解决学习者信息迷航和支持个性化学习的重要途径已受到越来越多学者的关注。随着泛在学习的发展,仅在学习开始时向学习者推荐感兴趣的资源已难以满足学习的需求,学习过程中推荐资源、指导专家、辅导服务等显得更加重要。未来的推荐系统应以支持学习为目的,从单纯的资源推荐向将资源推荐与学习过程结合的方向发展,从以用户兴趣为主推荐向感知学习情境推荐发展。文章从学习过程情境的角度出发,对泛在学习环境下的推荐系统进行重新定位与设计,并介绍了学习元平台中的推荐系统,试图为相关研究者提供新的思路与参考。     

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。