基于计算机算法的在线学习分组方法及应用研究

为了提高在线教育课程中学习者的学习效率,设计了一种基于计算机算法的在线学习分组方法。采用自编码神经网络提取学习者的本质特征,利用模糊C均值算法与同质分组策略,将具有相似特征的学习者构成协作学习小组,并以团队形式进行协作学习。实验结果表明,应用本文设计的分组方法进行分组后,有效提高了学习者的学习效率,具有较好的实际应用效果。     

基于模糊C均值的在线协作学习混合分组研究

在构建了学习者多维特征模型的基础上,设计了基于模糊C均值的在线协作学习混合分组算法。提取学习者多维特征分量,通过模糊C均值算法以学习风格、知识水平、学习目标和兴趣爱好为主要特征进行同质聚类,根据活跃度和性别特征进行异质聚类以实现混合性质分组。该算法将异质和同质分组相结合,既保证了学习风格、知识水平、学习目标和兴趣爱好具有相似性的学习者划分到同一组,同时考虑到了活跃度和性别差异对学习效果的影响,使得小组划分更加合理。实验表明,该算法优于传统分组方法,学习者的学习效果和学习满意度都有较大提升。     

基于聚类的协作学习分组方法

协作学习能够促进在线学习平台中学习者之间的沟通交流。同一小组内学习者共同协作完成既定任务过程中,不仅可以巩固已有知识,也能通过互相学习,获得新知识和新技能,在提高个人表现的同时,增加学习兴趣,从而有效地降低辍学率。近年来已提出了很多协作学习分组方法。然而,现有分组方法没有兼顾主题意愿、学习时间规律和小组规模这三个对小组沟通效率有重要影响的因素。该文依据学习者的主题意愿预分组,然后依据学习时间规律迭代地调用聚类算法将学习者划分到满足上下限的小组中,结果表明,上述方法形成的协作学习小组在满意度和时间重合度上均优于IFST和随机分组方法。最后,以XuetangX平台上的1 754名学习者为实验对象进行协作学习分组,实验结果表明,形成的小组有充分的协作学习时间,指派的主题能够很好地满足学习者的意愿,且各个小组之间成员数均衡。     

基于遗传算法的协作学习自动分组

分组直接影响协作学习的效果,采用异质分组,对学生的学习能力、学生特性和性别进行特征量化可得到一个7元组,本文提出一种基于遗传算法的协作学习自动分组策略,对学生7元组特征进行个体编码,设置适应度函数进行遗传操作,为实现协作学习的自动分组提高了效率和可靠性。     

基于遗传算法的协作学习自动分组

分组直接影响协作学习的效果,采用异质分组,对学生的学习能力、学生特性和性别进行特征量化可得到一个7元组,本文提出一种基于遗传算法的协作学习自动分组策略,对学生7元组特征进行个体编码,设置适应度函数进行遗传操作,为实现协作学习的自动分组提高了效率和可靠性。     

计算机课程的分组协作学习模式

中职学校的学生来自全市的各个地区.受地区差异等各个因素影响,学生计算机水平存在着参差不齐的现象.因此现阶段计算机教学很有必要采用分组协作的教学模式.分组教学模式能够有效地解决传统课堂教学模式难以解决的因材施教的问题.本文以中职计算机课堂教学为例,阐述了分组协作学习的意义,分析了分组协作学习遇到的困难,并提出了相应的解决...     

基于网格资源管理的协作在线学习研究

随着计算机技术的飞速发展,在线学习在世界各地迅速普及。在线学习就相当于学习者通过网络寻找学习资源,并选择适当的学习资源来学习,教师和教授的作用是学习的指导者,而不是传统知识的传播者。然而,尽管有众多的可用的在线资源,学习过程中的重要元素如参与与协作通过当前的网络技术并未实现。本文提出了一种基于网格的资源管理模型,该模型主要用于创建协作的在线学习环境。该模型提出一种有效的可交互操作的方式来帮助学习者发现,存储,提取,保护和管理在线学习资源。模型主要使用如下技术:Linux,Apache,MySQL。     

信息技术课分组协作式学习的应用

信息时代由于多媒体和网络技术的迅猛发展,学习的环境和手段正发生着新的变化,教师不再是知识的垄断者和发布者,学生也不再是知识的"容器",     

信息技术课分组协作式学习的应用

信息时代由于多媒体和网络技术的迅猛发展,学习的环境和手段正发生着新的变化,教师不再是知识的垄断者和发布者,学生也不再是知识的容器,     

解析分组协作式学习在中职计算机教学中的应用

中等职业技术教育是全日制教育体系下非常重要的职业教学形式,知识经济时代的到来给中职素质教育工作的开展提出了较高的要求,计算机教学作为中职教学中重要的组成部分,教学质量影响着以人为本的素质教育工作的开展。文章在分析分组协作式学习的概念及在中职计算机教学中应用的必要性的基础上,重点阐述分组协作式学习在中职计算机教学中的应用。     

一种面向个性化协同学习的任务生成方法

现有协同学习应用无法很好地支持学习任务的生成以及学习者的个性化学习.针对此问题,提出了一种面向个性化协同学习的学习任务生成方法.该方法在学习任务形式化描述的基础上,通过学习者分组、确定学习资源、分解学习单元、分配学习模式以及生成事件序列等步骤,生成既符合学习者群体认知水平,又符合个体学习者个性特征的协同学习任务.根据此任务,可以较好地实现网络环境下群体学习者的个性化协同学习.目前,该方法已在Smart-Realcalss网络教学系统中得到应用.     

基于改进细菌觅食的协作学习分组算法

针对协作学习中基于学习者特征的分组方式对学习过程的影响,设计一种基于改进细菌觅食的协作学习分组算法。在实现协作学习分组过程中,引入分组调节因子和特征权值,满足不同教学活动对学习者多个特征及分组的要求。为构成有效的分组空间,在细菌种群初始化中,细菌群体以实数编码,并加入随机扰动以增加细菌种群的多样性;在算法后期加入二次变异操作,以避免细菌觅食算法可能出现的早熟收敛现象。仿真实验结果表明,该算法在不同分组形式下,与传统算法相比,具有较优的分组性能和较高的准确率,并且对于不同数据集规模具有良好的稳定性。     

基于MOSS 2007的网络协作学习研究与实现

网络课程作为网络教育的核心资源,已日益受到教育部门和教育专家、学者的广泛关注。同时,协作学习是目前教育界比较提倡的一种教育模式。该文以分析利用Microsoft Office SharePoint Server2007(MOSS2007)网络教学平台开展协作学习的可行性为起点,阐述MOSS2007知识共享和协同工作的功能,继而描述MOSS2007网络教学平台的基本结构,最后讨论该平台可实现的协作学习功能。     

基于特征命令交换的在线协同设计方法

在线协同设计中特征命令的并发执行将导致文档状态的不确定,其直接后果是造成拓扑对象编码/命名冲突。为此,将状态向量作为特征命令执行文档状态的简化描述形式以方便参与者间的通信,结合各个参与者本地的特征命令队列以及几何模型对特征命令的执行文档状态进行精确描述。基于该精确描述方法对特征命令的本地和远端执行文档状态进行分析,提出特征命令执行文档状态确定化算法以保证拓扑对象编码/命名的正确有效性。     

基于在线聚类的协同作弊团体识别方法

针对大规模服务计算环境中聚集反馈、协同作弊和虚假评价等问题,通过融合在线聚类与共谋欺骗检测技术,提出了一种支持大规模服务可信度分析的在线协同作弊用户发现方法.首先,根据大规模服务系统日志中用户反馈评分信息,综合考虑大规模服务计算的大数据特性问题,设计了一种新颖的基于改进更新规则的在线KMeans聚类算法：在基于随机梯度法的在线聚类算法的基础上,采用了一种改进的基于小批量学习的在线聚类方法;并且,通过自动修正权重的聚类分组方差计算,进行递减增量优化,提高了在线KMeans算法的聚类质量,同时保证了聚类算法的时间效率;然后,充分考虑了协同作弊团体的同谋行为特征和协同攻击现象,利用聚类分组的性质和同谋团体异常性的特征,检测出协同作弊团体.仿真实验结果表明：提出的基于在线聚类的协同作弊团体识别方法具有良好时间性能,有效地解决了大规模服务计算中虚假反馈的问题.     

视频交互技术在在线教育中的应用与实现

当前,在线教育大多数只是单纯的播放视频,存在互动性的缺失问题,导致教学效果并不理想.论文研究丰富在线视频的交互形式来提高学习者的学习体验,实现了丰富交互功能的视频播放器以及交互数据可视化前端平台,打破传统的在线教育枯燥乏味的视频播放形式,为在线教育视频提供一个新的发展方向.     

熵加权多视角协同划分模糊聚类算法

当前,基于协同学习机制的多视角聚类技术存在如下两点不足：第一,以往构造的用于各视角协同学习的逼近准则物理含义不明确且控制简单;第二,以往算法均默认各视角的重要性程度是相等的,缺少各视角重要性自适应调整的能力。针对上述不足：首先,基于具有良好物理解释性的Havrda-Charvat熵构造了一个全新的异视角空间划分逼近准则,该准则能有效地控制异视角间的空间划分相似程度;其次,基于香农熵理论提出了多视角自适应加权策略,可有效地控制各视角的重要性程度,提高算法的聚类性能;最后,基于FCM框架提出了熵加权多视角协同划分模糊聚类算法(entropy weight-collaborative partition-multi-view fuzzy clustering algorithm,简称EW-CoP-MVFCM)。在模拟数据集以及 UCI 数据集上的实验结果均显示,所提算法较之已有多视角聚类算法在应对多视角聚类任务时具有更好的适应性。     

眼球追踪技术及其在网上学习监控中的应用

将计算机视觉中的眼球追踪技术应用到网络学习中,以实现对学生网络学习进行实时监控。首先根据网页浏览模式建立具有信息热点的学习网站,然后借助OpenCV技术追踪眼球移动轨迹,计算出视点在屏幕上的轨迹及注视时长,综合运用这些信息来评判学生的学习状态。实验表明,该方法具有可行性,能够在一定程度上促进网络教学的开展。     

协作学习中基于协同过滤的学习资源推荐研究

符合学习者特征的学习资源对于提高协作学习效率具有重要的影响。但是传统的学习资源推荐,没有充分考虑学习者、学习资源的特征和高效的推荐算法。针对上述问题,提出了基于协同过滤的学习资源推荐算法,根据学习者学习特征、学习资源特征和学习者对学习资源历史评价信息,采用协同过滤推荐算法,实现学习资源推荐。首先,通过学习者特征和学习资源的评分,寻找相似学习者并计算学习资源预测评分,然后根据该评分值和学习资源与学习者匹配度推荐学习资源,从而为学习者推荐符合自己兴趣爱好最合适的学习资源。实验结果表明该算法在个性化学习资源推荐的准确性上优于传统算法。     

基于在线学习的彩色图像区域增长法

论文阐述了一种基于在线学习算法的彩色图像区域增长法,用于解决基于内容的图像检索系统。该算法采用贝叶斯估计法的变分描述每一个增长区域,由此得出的图像生成过程应用简单,初始参数具有鲁棒性,且具有线性复杂性。图像处理结果表明了该方法用于基于内容的图像检索系统的可行性。