泛在学习的内容个性化推荐模型设计——以“学习元”平台为例

泛在学习中资源海量化和快速获取个性化资源之间的矛盾对资源个性化推荐提出了要求。文章在当前个性化资源推荐的基础上,结合泛在学习的需求,以泛在学习资源——"学习元"为例,提出了一种针对泛在学习的内容个性化推荐模型。该模型从用户兴趣、学习偏好和知识模型三个角度出发,利用泛在学习资源的语义描述、KNS网络、生成性信息和学习活动等方面的特性,针对结构化泛在学习资源进行综合推荐。望对未来泛在学习资源推荐研究起借鉴作用。     

一种泛在学习平台中个性化内容推荐机制

提出一种泛在学习平台中个性化内容推荐机制,以帮助学习者在泛在学习环境下获取个性化的学习内容．该机制在综合个性化信息的基础上,按内容相似度的顺序生成个性化的搜索结果,使用学习历史信息、当前地理位置信息及输入查询信息等,试图过滤掉不相关的搜索结果,以达到泛在环境下学习内容获取效率．     

情境化的泛在学习资源智能推荐研究

情境感知是泛在学习的本质特征,为学习者提供情境化、个性化与差异化的资源服务已成为泛在学习领域一个新的研究议题。文章采用个性化推荐视角,研究了泛在学习情境的形式化表征,构建了情境化的学习资源推荐模型,阐述了情境化资源推荐的一般过程,并就情境化资源推荐的关键问题进行了分析。     

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。     

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。     

面向泛在学习环境的高等教育学习资源库构建

泛在学习对学习资源库的建设提出了新的要求,本文阐述了泛在学习的定义和特点,在综合分析当前国内高等教育学习资源库建设现状的基础上,从学习资源信息模型设计、学习资源生态系统构建、学习情景感知和个性化学习资源服务这四个方面论述了一个满足泛在学习模式的高等教育学习资源库的构建,并通过应用场景举例演示了该学习资源库的运行效果.     

智慧校园中学习云空间的设计与应用

网络学习空间作为信息化进程的一部分,为学生提供个性化的泛在学习环境,使智慧校园中课堂内外学习过程更为智能,进而提高学习效率。本文分析了云计算、智慧校园与网络学习空间三者的关系,并基于此进行了智慧校园中学习云空间的系统框架设计与系统搭建,最后提出了学习云空间在智慧校园课堂内外环境中的应用策略与应用模型,旨在为智慧校园环境中的学习云空间建设探索出一条有效途径。     

学习元平台的设计及其应用场景分析

I普适计算技术推动下的泛在学习已成为下一代e-Learning的重要发展方向,泛在学习环境的构建是泛在学习成功实施的基础和保障。传统的e-Learning资源仍然是当前大多数泛在学习原型系统的核心,但忽视了适合泛在学习自身特性和需求的学习资源的设计与建设。针对此问题,本研究在联通主义学习理论、知识建构理论和生态学习理论的指导下,以泛在学习资源组织模型"学习元"为核心设计开发了一种新型的泛在学习系统——学习元平台(Learning Cell System,LCS)。该系统采用基于本体的资源组织方式,通过开放内容编辑实现资源内容的持续进化发展,可以在多种移动终端上自适应地呈现资源,实现资源之间的动态语义关联,支持社会认知网络的动态生成与共享,并可以基于过程性信息开展个性化的学习评价。最后,对LCS潜在的应用场景进行了分析。     

基于学习状态监测的个性化学习算法研究

个性化学习内容推荐是提升学习者个性化学习质量的关键,建立个性化学习内容推荐模型,以提升学习者个性化学习满意度。通过对学习者个性化标签进行分析,构建了学习者学习状态监测指标体系,提升学习者个性化学习效率和质量。在此基础上结合学习者个性化学习内容生成框架得到个性化知识图生成规则,最终得到学习者个性化学习内容。将提出的基于学习状态的个性化学习算法与传统算法进行对比,结果表明,基于学习状态监测的个性化学习算法得到的个性化学习内容能够大大提升学习者个性化学习的满意度。基于学习状态监测的个性化学习算法所得到的个性化学习内容针对性更强,对提升学习者个性化学习质量具有一定的参考价值。     

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。     

基于混合模式和社会化标签的个性化学习资源推荐系统的设计与实现

随着教学资源的不断增加,在一个教学平台中,增加个性化教学资源推荐是教学平台的一个正在发展的趋势.本文通过分析现在的个性化推荐服务和个性化推荐技术,总结了个性化推荐的技术的优缺点的基础上,以社会标签系统为基础,设计出了一个基于混合模式的个性化学习资源推荐系统.该设计中,将基于内容的推荐,和基于协同过滤的推荐技术融合在一起.部分解决了,他们各自的一些缺陷.使其更适合在实际推荐中的应用.     

学习元与学习对象的多维比较研究——学习资源聚合模型发展新趋势

在新技术与学习理念的双重推动下,学习资源正朝着可进化、分布式、社会性、情境性、开放性和复合性的方向发展.支持传递接受范式教学的学习对象已经无法满足泛在学习对学习资源进化生长、过程性信息跟踪、人际智慧聚合、多终端支持、无限群体的个性化学习等多方面的实际需求.学习元是在学习对象基础上发展起来的适合泛在学习的一种新型资源组织方式,顺应了学习资源的发展趋势,是未来学习资源设计与共享发展的新方向.本文从历史背景、概念特征、学习理念、信息组织、信息模型、存储结构、质量控制、共享范围等多个层面对学习元和学习对象进行了对比分析,并在此基础上总结了学习资源聚合模型发展的新趋势.     

基于用户模型的个性化本体学习资源推荐研究

如何基于学习者的个性化学习特征,使学习者在大量学习资源和学习活动中快速定位自己最适合的内容已成为当前热点问题.本文研究的SAELS(Semantic Adaptiv-Learning System)实现以本体技术为核心,以用户模型为依据的个性化本体学习资源推荐.文中首先以课程为例构建本体,然后介绍了如何构建一个成功的用户模型,接着提出了个性化本体学习资源推荐模型,最后重点探讨了如何根据Felder-Silverman学习风格量表和学习过程行为模式,推断学习风格,和基于概念累积计分法推断认知水平两个层面加以整合实现个性化本体学习资源推荐.     

个性化学习资源推荐中文本情感识别的作用及关键技术

基于数据智能分析的学习资源推送是精准支持个性化学习的教学服务方式之一。随着人工智能技术和学习分析技术的发展，通过对行为数据、测评数据和日志数据等的分析进行资源推送虽已有较成功应用，但未能实现学习者个人情感状态为引导的资源推送。为此，该研究针对个性化学习资源推荐中情感价值、情感控制理论和实践的缺失，以实现个性化学习多维度情感识别为目标，采用BERT模型和TextCNN构建个性化学习资源推荐文本情感识别模型，并提出了基于学习者作业、论坛内容等的文本情感识别模型实现过程。学习资源推荐文本情感识别模型和实现过程可为真实应用提供方法支持和技术路线指引。     

应然的泛在学习技术

泛在学习技术缘于学习型社会普适计算环境下人类对于学习自由的追求,是未来学习技术发展的目标,也是一个尚未清晰界定的概念,因此对其从本质论、方法论和价值论维度进行应然分析有助于厘清概念边界,为当前泛在学习技术的发展明确方向.泛在学习技术的应然状态从本质上看,应是支持学习者在任何时间、任何地点、利用任何终端对感兴趣的任何内容以自然交互方式进行学习的技术,具有技术性、学习性、泛在性三个基本特征;从方法上看,对其研究有三条不同的切入路径;从价值来看,泛在学习技术有利于教育信息生态的建立、人和技术异化的克服、学习者中心地位的确立和个性化发展.     

面向泛在学习智能推荐的用户偏好影响因素实证研究

准确识别和表达用户偏好是实现泛在学习智能推荐服务的关键,为提升泛在学习服务的个性化和智能化水平,研究并分析影响用户偏好形成的主要因素,对构建具有自适应能力的用户偏好模型具有现实意义。文章以个性化服务理论、情境感知理论和技术接受模型理论为基本框架,分别从服务维度、情境维度、资源维度和技术维度四个方面研究并分析了影响用户偏好建立的主要因素,建立了泛在学习智能推荐用户偏好前因模型,采用结构方程模型统计技术检验了该研究模型,并对实证研究结果进行了分析。     

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。     

高校移动学习体系的构建与发展研究

移动学习因其移动性、普适性和泛在性等特点,成为高校教育信息化未来发展的主要方向,在高校新阶段的信息化建设中受到关注.目前关于移动学习的研究主要集中在理论方面,缺少大规模的、体系化的实践经验.本文在分析移动学习与数字化学习的联系与区别的基础上,设计了移动学习系统的结构模型,并从学习体系、功能应用和保障机制等方面初步提出高校移动学习的发展策略和解决关键问题的建议,希望能够起到抛砖引玉的效果.     

移动学习资源建设方案研究

移动学习研究的重点是学习资源建设与内容推荐。介绍了移动学习特点及移动学习资源、学习主体等要素,在此基础上,以高校为研究对象,采用调研方式获取大学生用户需求信息,完善相应的移动学习平台;阐述了用户行为感知、协同过滤算法等相关技术,研究了如何对移动学习资源内容进行个性化推荐。对过滤后的学习资源进行个性化推荐,有利于调动学习积极性,发挥移动学习优势,与课堂教学形成互补,对推进移动学习实践有一定的参考价值。     

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。