面向MOOC的知识可视化视觉表征与建模设计

针对MOOC学习缺乏深度的现象,提出了面向MOOC的知识可视化视觉表征与建模设计.剖析了MOOC学习缺乏深度的主要问题和信息加工的内在要求,厘清了知识可视化、表征、建模等基本概念;在借鉴了视觉传播取向和信息论视角的知识表征基础上,提出了面向MOOC的视觉表征框架;在此框架下,分别从语义、语用、语法信息三要素着手,阐释了具体的分析方法.在语义上,基于Bloom教学目标分类法确定知识的类型、提取过程和表征方法;在语用上,陈述了信息有效传达的基本原则;在语法上,介绍了具体的结构模型和可视化方法.实践证明,MOOC的学习者在表征框架下,能增强认知联结、拓展广度、增加深度,从而满足深度学习的诉求.     

基于知识增强的深度新闻推荐网络

在新闻推荐场景下,传统的基于文本特征的新闻推荐模型只考虑了词的共现关系,无法捕获词语的隐含词义和关联知识;而基于深度学习的推荐模型在融合知识图谱信息中仅仅考虑实体的信息,忽略了远距离实体之间的联系,造成实体之间的关联信息和深层次语义联系的缺失.针对该问题提出了一种基于知识增强的深度新闻推荐网络（deep knowledge-enhanced network,DKEN）,利用长短期记忆网络提取知识图谱中的实体路径特征,补充到注意力网络中,然后针对不同的候选新闻动态地构建用户的特征.实验表明该实体路径信息能提高模型的效果,在F₁指标上提升大约1%.      

个性化网络教学模型及实现策略研究

首先分析网络教学的理论模型，结合代理技术与分布对象计算技术，给出一个基于建构主义学习理论的个性化网络教学模型，论述个性化网络教学实现策略及实现参考模型，该模型基于知识应用模式及其建构的认知结构以及在此基础上的互动教学，支持分布式个性化网络教学．最后给出相应的样例及其分析．     

一种空气污染物浓度预测深度学习平台

在空气污染大数据预处理的基础上,提出了一个基于深度学习的空气污染物浓度预测平台.该平台架构分为数据采集层、模型层和可视化界面层3个层次,分别实现了数据采集与处理,基于长短期记忆(LSTM)网络模型的污染物浓度预测,以及预测结果可视化的功能,通过对用户个性化模型参数的设置,实现不同时间段污染物浓度时间序列的预测.     

基于深度特征蒸馏的人脸识别

在人脸识别系统中,深度学习由于强大的表征能力被广泛应用,但模型推理的高计算复杂度和特征表示的高维度分别降低了特征提取和特征检索的效率,阻碍了人脸识别系统的实际部署.为了克服这两个问题,本文提出一种基于深度特征蒸馏的人脸识别方法,该方法通过多任务学习实现大深度模型知识与领域相关数据信息的蒸馏,从而统一地压缩深度网络参数及特征维度.联合特征回归与人脸分类,以预训练的大网络为教师网络,指导小网络训练,将知识迁移得到轻量级的学生网络,实现了高效的特征提取.在LFW人脸识别数据集上进行了实验,学生模型在识别精度相比教师模型下降3.7%的情况下,模型参数压缩到约2×107、特征维度降到128维,相比教师模型分别获得了7.1倍的参数约减、32倍的特征降维及95.1%的推理复杂度下降,表明了方法的有效性和高效性.     

基于层次知识模型的知识库可视化研究

针对专家系统知识库可视化问题,构建了知识库的层次知识模型,基于径向树实现了层次知识模型的可视化.以基于多级知识单元的知识库为例,研发了知识库可视化系统,通过系统运行的实例验证了该方法能够方便用户快速浏览知识库的层次结构,从而有利于提高知识库的可理解性.该方法对其它知识表示方法的知识库可视化具有借鉴意义.     

数据驱动下的个性化自适应学习研究综述

智能教育环境下的教学更加关注学习者的个性化诉求，而自适应学习能够为实现个性化教育提供技术和方法支持.文章从数据驱动的视角出发，通过开展国内外个性化自适应学习研究的综述分析，对其系统框架和相关组件进行阐述和解读.其中，重点从领域知识模型、学习者特征模型和教学模型三方面对其实现机制进行探析，提出当前研究存在的问题和不足，并在此基础上介绍了近年来可促进解释性提升的相关组件技术研究，奠定进一步深入个性化自适应学习研究的基础.     

基于知识结构图的个性化学习内容生成算法

在结构化知识图的基础上,根据不同学生的学习状态,提出了网络学习环境的个性化学习内容生成算法.在课程本体知识结构图的基础上,经过动态评估学习过程而形成基于不同学生的个性化知识结构图,结合其子空间及有向无环图的拓扑排序方法,设计并实现了基于目标知识点的学习路径和个性化学习内容生成算法,以及在线学习环境中个性化学习内容生成机制.经网络学习课程实例验证表明,该算法可以满足学生个性化学习的需求.     

基于Web的智能化远程教育系统研究与设计

本文针对目前的远程教育模型的一些弊端,提出了一个面向网络教学、面向学生,能够实现双主体互动的一个智能化、个性化的远程教育系统模型.     

数据挖掘技术在MOOC中的应用研究

MOOC是旨在进行基于网络的开放式大规模学生交互参与的在线课程,以其自主学习、易于使用、注册门槛低、学习资源丰富等独特优点和优势吸引了全球大量的学习者,这些学习者来自世界各地,有着不同的教育文化背景和不同的学习特征,有着不同的学习目的,只有满足了这些学习者的个性化需求和目的,才能获得MOOC的可持续发展,并最大化其存在价值。借助数据挖掘技术,能从大量信息中获取隐藏在数据之中的有用信息,从而为决策提供支持。将数据挖掘技术应用在MOOC中,挖掘学习者的学习行为特征,提供更优良的教学资源和教学策略,才能实现MOOC存在价值最大化。     

面向MOOC的知识模型及可视化方法研究

利用一种岩石裂隙水沙渗透试验系统开展了水沙在平面平行裂隙中流动的滞后性的试验研究,分析了渗流速度-压力梯度闭环曲线的特征,解释了滞后现象的原因.试验结果表明:当渗流速度由零增大到1.77 mm/s再减小到零时,渗流速度-压力梯度曲线自行封闭,形成滞环;由于裂隙开度、粗糙度、沙粒径和沙浓度的不同,滞回曲线呈现凸镜形、月牙形、"8"字形、勺形和裂缝形等多种形状;水沙混合液与岩石裂隙面的接触角变化引起回程中渗透速度沿裂隙宽度方向分布变化,这是岩石裂隙中水沙渗透存在滞后现象的主要原因;沙粒在岩石裂隙面的沉积、水沙在岩石裂隙中运动形态的转变、水沙混合液的粘塑性是岩石裂隙中水沙渗透存在滞后现象的重要原因.     

基于SPOC的信息类课程W2L教学模式探索

SPOC能够促进MOOC与传统课堂教学深度融合,实现广域网与局域网的有机结合,是教学模式未来的发展方向。本研究首先探讨了SPOC教学的价值取向,随后分析了信息类课程特点,在此基础上提出了基于SPOC的信息类课程W2L教学模式,包括设计思想和学习模式设计,目的是为了提高信息类课程的教学质量,促进高校信息类课程教学模式的变革。     

面向网络教学的互动式体系模型

分析网络教学的现状和特点，从认知科学的角度提出一个面向网络教学，实现互动式教学模式的新型体系模型，该模型对教学过程进行分析，抽象，归纳出单元教学模式，通过不同单元教学模式的建构，面向不同学习主体，形成其个性化教学模式，支持单元教学模式的重用，同时，通过智能代理技术以及多代理的协同工作，实施整个互动式教学模型。     

采用Transformer架构的长跨度视频压缩感知重构方法

深度学习的快速发展给视频压缩感知重构提供了新思路。受网络模型限制,现有的基于深度学习的压缩感知重构方法不能充分利用视频的空时特征,且对于超过16帧的视频段重构效果不够理想。采用Transformer网络构建压缩感知重构网络,利用Transformer网络在序列信号处理方面的优势构建空时注意力提取模块,学习视频帧间的空时注意力特征,更好地实现对视频连续帧的建模,从而解决长跨度视频段压缩感知重构问题。实验结果表明：所提方法在处理32张视频帧的视频分段时,能达到30 dB以上的重构精度,在处理96张视频帧的视频分段时,仍能达到27 dB以上的良好性能。     

基于情感轮和多任务卷积神经网络的图像情感分布学习

图像情感分布学习可以对多种情绪同时进行建模,但现有的模型缺乏有效的方法直接考虑情绪之间的相关性.针对这一问题,该文提出一种基于情感轮和多任务卷积神经网络(EW-MTCNN)的图像情感分布学习模型,通过先验知识模块将心理学情感知识直接引入到深度神经网络中.基于Mikel's情感轮定义成对情绪之间的相关性,EW-MTCNN模型采用多任务卷积神经网络学习情绪之间的相关性信息,同时优化情感分布预测和情绪分类任务.EW-MTCNN模型由3个模块组成,3个模块分别是图像特征提取层、情感轮先验知识层和多任务损失层.在情感分布数据集(Emotion6)和单标签数据集(Artphoto)上进行对比实验的结果表明:EW-MTCNN模型在情感分布预测与情绪分类任务上比其他情感分布学习方法具有更优的性能.     

一种类MOOC课堂在线学习系统方案

将已有的大量国家各级精品课程资源进行MOOC化改造,设计和构建类MOOC课堂在线学习系统,可极大提高已有精品课程资源的利用率,降低MOOC课程建设成本.系统采用B/S模式,应用PHP语言,My SQL数据库实现,视频服务采用流媒体服务器集群和均衡负载.系统运行稳定,功能丰富,操作简捷,界面美观,不仅实现MOOC课堂基本功能,而且对个性化学习进行了探索,有重要应用价值.     

面向MOOC课堂反馈的学习行为分析研究

课堂反馈作为最直接的教师－学生互动内容,对于MOOC课程中学生的课堂学习行为研究具有重要意义.大规模的课堂反馈记录有利于观察学生的参与度和活跃度变化规律;同时,课堂反馈内容又可以反映出学生的知识掌握程度,便于教师精准地捕捉学生反馈水平和优化教学结构.基于此,本文选取中国大学MOOC平台“课堂交流区”中的5万条教师－学生反馈记录作为研究对象,结合数学统计和自然语言处理等学习分析技术,从反馈记录的统计分析和反馈内容的话语分析两个方面入手,追踪学生在课程学习过程中的参与率和活跃度变化,并进一步探讨不同学科类型课程的学习行为差异及其课堂话语分布.结果表明：学生的反馈内容主要围绕主题内容展开,正面情感比例较高,但其参与率和活跃度较低,学习积极性有待提高.就不同学科类型课程的学习行为而言,艺术类课程的参与人数比例和反馈数量呈现出最优状态,反馈内容的广度均高于其他类型课程;文科类课程呈现出参与率高而活跃度低的不协调现象,反馈内容注重主题的深层次思考;而理科类课程力求简洁准确的回复主题,学生间的反馈重复度高,适当提高其课堂参与率和活跃度也将有助于学生间的学习交流,促进知识建构行为的优化发展.