学习资源精准推荐模型及应用研究

根据属性特征推荐资源,由于存在冷启动和稀疏性问题,限制了在线学习资源推荐的性能.基于知识表示和协同过滤,将学习者的学习水平和学习风格等特征融入推荐过程,进行协同过滤个性化推荐,提出了一种学习资源精准推荐模型,构建了学习者和学习资源知识表示模型;通过实验表明知识表示-协同过滤相结合的推荐算法在个性化推荐和推荐准确度方面优于传统的CF算法.     

基于改进蚁群算法的个性化学习路径推荐

目前已有的学习路径推荐领域多为学习资源推荐,而课程知识图谱应用率较低,与蚁群算法的结合普遍缺乏对学习者知识水平的精确建模.因此,提出将知识图谱技术、深度知识追踪模型以及蚁群算法三者相结合,同时分类蚁群改进传统的蚁群算法:首先,抽象出课程知识点图谱作为路径基础,将深度知识追踪应用于不同水平学习者的分类,并与知识点难度权重相结合;然后,采用蚁群算法进行相应的路径规划,将蚁群按照不同的学习者类别进行划分,在保障相对最短学习路径的同时考虑不同学习群体客观知识水平情况,从而得到个性化的高效率学习路径推荐;最后,在ASSISTment数据集上验证了本方法的有效性.     

基于知识点对象的个性化学习系统实施

提出了一套个性化学习系统实施方案.该方案以知识点对象为核心组织学习资源,通过数据挖掘等方法获取学习者在学习进度和学习风格两方面模型,并采用“学习内容提取算法”获取适合学习者知识水平的学习内容,再通过XSL技术,根据不同的学习风格模型,对相同的知识点对象进行不同表现和封装.     

一种基于迁移学习的学习资源推荐方法

移动互联网技术的飞速发展和智能终端设备的广泛普及为支持泛在学习(U-Learning)提供了可能.泛在学习是一种随时随地都能发生的在线学习.当前,互联网涌现了一大批可供学习的平台和资源,类似平台包括网易云课堂、Coursera、知乎网、简书网等.手动检索和个性化推荐是在线学习系统提供给用户获取学习资源的常用方式.个性化推荐因其能主动建模学习者偏好,为学习者提供个性化的学习资源推荐服务而受到了广泛关注并成为在线学习领域的研究热点.本文在传统协同过滤个性化推荐系统的基础上提出一种基于迁移学习的学习资源的推荐方法,该方法从已有的数据中学习知识,然后迁移到目标任务中,解决了目标任务中数据过少从而导致学习特征的能力不足的问题.     

知识点网络下的知识评估和学习路径选择

学习者在认知过程中可能掌握了某些知识点，但自身的知识状态并未改变，因此，为了提高学习效率并对学习者进行知识评估，在知识点网络下运用形式概念分析方法讨论如何对学习者进行知识评估和学习路径选择问题.首先，给出了知识点网络的构造方法、有效知识点组合的概念及知识点网络下题库的构造方法；其次，通过知识点网络诱导知识点背景，在已知学习者知识状态的情况下对学习者掌握的知识点进行评估，并给出知识点网络下的学习路径图及其算法；最后，通过实验验证了提出的算法的有效性和可行性.研究发现，由知识点网络诱导的知识点背景确定的知识点结构满足良级性.     

利用内容推荐和协同过滤算法实现个性化评估

针对教学评估中存在着仅用试卷分析表无法实现个性化学习和评估的情况,将人工智能中的推荐系统技术应用到期末教学评估中.将推荐系统中的基于内容推荐算法和协同过滤算法分别应用到学生薄弱知识点的个性化学习和期末评估分析中,根据学生的知识掌握情况推荐相应资源进行个性化辅导.通过实验案例验证,该方法可以得出学生对知识点的掌握程度,并根据题目之间的相似性进行推荐.     

基于二进制微分进化算法的学习资源推荐方法

为解决当前方法学习资源推荐精度低、时效性不高、无法适应学习者动态调整学习目标的问题,提出了一种二进制的微分进化算法并以此为基础进行学习资源推荐的方法.该法对学习者与学习资源进行数学建模,依据推荐资源需要最佳匹配学习者需求的约束条件,将学习资源推荐转化成了最优化求解问题;根据课程知识点的逻辑组织结构图与学习资源的十字链表存储结构图,快速判定目标函数的关键参数值;采用所提出的一种二进制微分进化算法用于二进制数据表征的学习资源个体变量的变异、交叉、选择操作进行迭代运算直至满足条件找到学习资源最佳的选取组合.实验结果表明:所提出的学习资源推荐方法收敛速度优于以微粒群为基础的学习资源推荐方法,可方便学习者对学习目标范围动态灵活选取,所推荐的学习资源可完全满足不同学习者对学习资源难易度差异化的需求.     

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.     

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.     

学习资源网络模型构建及资源推荐策略设计

通过分析基于终身学习机制的个性化推荐系统与基于电子商务的个性化推荐系统的区别,确定基于终身学习机制的个性化推荐系统的关键问题就是如何为学习者获得想要具备的能力推荐满足他们个人需求、个人爱好以及目前已具备的知识结构的最佳学习路径.针对终身学习中正式学习和非正式学习不同的学习情况,构建了学习资源网络模型,在此基础上将基于本体的推荐技术和协同推荐技术相结合,为学习者的不同学习情况运用不同的推荐策略推荐最佳学习路径.最后通过实验对推荐结果进行分析,确定最优方案.     

Enhanced Learning Resource Recommendation Based on Online Learning Style Model

Smart learning systems provide relevant learning resources as a personalized bespoke package for learners based on their pedagogical needs and individual preferences. This paper introduces a learning style model to represent features of online learners. It also presents an enhanced recommendation method named Adaptive Recommendation based on Online Learning Style(AROLS), which implements learning resource adaptation by mining learners' behavioral data. First, AROLS creates learner clusters according to their online learning styles.Second, it applies Collaborative Filtering(CF) and association rule mining to extract the preferences and behavioral patterns of each cluster. Finally, it generates a personalized recommendation set of variable size. A real-world dataset is employed for some experiments. Results show that our online learning style model is conducive to the learners' data mining, and AROLS evidently outperforms the traditional CF method.     

E-learning中的个性化服务研究

E-learning已经成为现代教育的重要手段,但是现有的E-learning系统的教学模式、教学过程还过分单一,缺乏个性化．如何根据学习对象的学习基础、掌握程度等建立个性化的学习环境,实施自适应学习成为E-learning重要的研究课题．为此提出了一种基于知识点管理的教育资源管理模式,建立了个性化的E-learning学习模型,并实现了学习过程的个性化推荐．     

基于模糊认知诊断模型的学生认知状态研究

教育信息化时代,对个体特征进行精准化的分析成为个性化学习与因材施教的关键.基于不同民族学习群体的认知特点,该文以云南省某高校1 286名汉族学生和715名少数民族学生2019年“高等数学”课程成绩为例,运用模糊认知诊断框架结合4参数Logistic模型,对少数民族和汉族学生的认知状态进行研究.研究结果表明:模糊认知诊断方法能够精准、有效地分析出个体的认知状态,在“高等数学”课程学习中,汉族学生与少数民族学生在不同知识点方面上的认知差异有所不同.因此,考虑学生在学习过程中的认知状态,有利于尊重不同学生的认知差异,进而为个性化学习与精准教学奠定基础.     

高校科研资源的个性化融合推荐

为满足高校师生对科研资源复杂的个性化服务需求,设计了高校科研资源个性化服务系统,简称个性化科研服务系统(PSRSS,personalized scientific research service system)。全面分析了高校科研用户的个性化科研资源服务需求,设计了基于数据层、融合多种推荐策略的推荐计算层、应用呈现层的多引擎融合推荐系统架构,基于不同推荐场景,比较了不同的推荐算法并对选择的算法进行了针对性优化,探讨了用户模型和科研资源模型的设计,实现了基于资源热度、项目内容相似度、相似用户协同过滤的Top-N推荐。系统提升了高校师生获取科研资源的体验,为高校科研资源个性化服务系统建设提供了新思路。     

基于知识管理理论重新认识教师组织的知识资源

教师组织是学习型组织近年来与教育工作者从事的教育教学与科研等活动的有机结合,从知识管理理论的角度,重新探讨教师组织内部隐藏的各类知识资源,据此明晰教师组织内部的知识组成,以及各类知识资源的存在状态与彼此关系,从而使教师组织能够更有针对性地挖掘与利用知识资源。     

E-learning环境下的个性化学习行为研究

随着信息化社会的快速发展,基于互联网技术的网络教育逐渐成为一种有效利用社会教育资源、促进学习化社会构建的积极途径.E-learning使学习不再受到时间和空间的限制,令学习者获取知识和信息的方式发生了巨大变化.笔者针对当前在E-learning的应用与实践中存在的个性化服务方面的不足,提出对E-learning环境中的学习者主体的学习行为、学习兴趣度进行分析和研究的方法,为建立基于E-learning的网络个性化教学体系提供有力的理论依据.