在线学习资源的个性化智能推荐研究探析

由于在线学习学习者的认知能力的不确定性、学习兴趣的变化性、用户偏好的多样性等,在线学习资源的个性化智能推荐面临新挑战.文章根据学习者认知能力的模糊综合诊断和学习者多重特征信息融合等,对在线学习资源的个性化智能推荐进行了研究,以期为相关研究者提供参考和启发.     

面向个性化学习的慕课资源推荐系统开发

近年来,在线学习得到了大规模普及,互联网上已发布了海量的慕课学习资源.针对广大学习者进行在线慕课学习时面临的"信息迷航"和"信息过载"等问题,以混合推荐算法为基础,通过多角度挖掘用户的个性化信息,设计并实现了一个面向个性化学习的慕课资源推荐系统,以此为广大学习者提供自主学习的辅助支持.该系统能充分挖掘学习者的显式和隐式偏好,为其推荐满意的慕课资源,具有良好的应用价值.     

基于神经网络的个性化学习资源推荐系统的研究与设计

随着社会的快速发展,科技不断进步。目前,以学习对象为主体的在线学习环境越来越普遍。面对互联网上海量的学习资源,传统的推荐系统不能为学习对象提供精准、有效的服务项目。基于此,将深度神经网络技术与资源推荐系统相结合,提出了基于深度神经网络的个性化学习资源推荐系统的设计思路,为学习者提供个性化的学习策略。     

基于模糊树的个性化电子学习推荐系统

电子学习系统的快速发展为学习者在线学习提供了巨大的机会。然而,在线学习系统中太多的学习活动使个体学习者很难找到合适自己的学习活动,所以在线学习系统必须有能够提供个性化产品的推荐系统。本研究首先提出了一种模糊树状结构学习活动模型,然后结合基于知识和协同过滤推荐算法的优点提出了基于混合学习活动推荐方法的模糊树匹配方法。     

在线学习资源推荐综述

近年来越来越多的学校广泛使用网络在线授课，然而互联网中海量的学习资源令学习者难以抉择。因此，研究在线学习资源推荐并为学习者进行个性化推荐非常重要，这可以帮助学习者快速获取其所需的优质学习资源。针对在线学习资源推荐的研究现状，从以下5个方面进行分析总结。首先，总结了目前国内外在线教育平台在学习资源推荐方面的工作；其次，分析和探讨了以知识点习题、学习路径、学习视频和学习课程为学习资源推荐目标的4种算法；接着，分别从学习者和学习资源的角度出发，以具体的算法为例，详述了常用的基于学习者画像、基于学习者行为和基于学习资源本体的3种学习资源推荐算法；此外，总结了公开的在线学习资源数据集；最后，分析了学习资源推荐系统目前存在的问题和未来的发展方向。     

基于JADE的学习网络构建系统研究与实现

针对远程教育环境中,学习者分散、缺乏个性化学习指导等问题,构建了一个基于JADE的学习网络与个性化学习系统.系统为每个学习者创建一个JADE代理,用以动态监控学习行为并实现感兴趣资源的共享、推荐和评估,同时基于其他学习者代理对不同资源的感兴趣程度,通过发现相似性、更新信任权值和调整潜在邻居等方法,动态调整学习者之间的信任关系,构建学习网络,为远程学习者提供更准确地学习资源推荐.实验结果表明系统可以非常迅速的将具有相同兴趣的学习者聚合在一起,并很好的满足他们的查询、推荐需求.     

个性化学习资源推荐系统研究

通过分析远程网络学习系统中学习者对学习资源的访问历史,以及与学习者有类似访问兴趣的同组学习者的学习偏好,为学习者提供个性化的资源推荐服务,能够有效提高各种学习资源的利用效率,从而提高教学质量.     

个性化小学英语学习系统的设计与实现

针对目前资源学习系统缺乏个性化导致小学英语学习者的资源选择迷航问题,构建以个性化资源组织为核心的学习系统。通过纪录用户信息和个性化学习行为,建立小学英语学习者信息模型;以知识点标注的方式描述英语学习资源,建立学习资源库;运用学习偏好算法和学习水平算法计算学习者偏好,采用新型智能推荐技术,向用户推荐个性化的学习资源。通过原型系统运行实例,其结果验证了个性化学习和智能推荐的有效性。     

基于本体的Web挖掘在个性化E-learning系统中的应用

针对当前e-learning系统中存在着资源利用效率低和学习内容单一、个性化不足等问题,设计一个基于本体的web挖掘的个性化e-learning系统,通过应用web挖掘和本体技术,使得该系统能根据学习者的知识结构、学习目标、学习风格、偏好等特征信息提供适应学习者的教学方法和学习资源,营造个性化的网络学习环境。实验表明本体技术能明显改善挖掘效果,提高学习资源库的管理效率,有效促进学生的网络学习,满足学生个性化学习的需求,为系统的决策分析提供了智能的辅助手段。     

具有情感交互功能的智能E-learning系统

分析了网络教学中普遍存在的情感缺失问题.将模糊情感技术应用于网络教学,构建了以Agent为核心的智能E-learning系统,实现了个性化教学和学习者情感识别;系统以模糊教学为基础构建在线学习评价系统,利用智能Agent及时捕捉学生在线学习时的情感信息和学习状态,并根据学习者的不同学习状态和学习评价结果及时做出情绪反应.     

基于数据挖掘的个性化学习导航系统的设计与实现

介绍了在远程教育系统中引入自适应机制，针对远程教育系统的学习者的学习特点，提供不同的学习资源，即个性化学习导航系统。个性化的基础是对用户的已有数据进行数据挖掘，分析出用户的知识架构。根据已有的全局知识空间，与用户知识架构作补操作，向用户提供其应学习的资源。     

个性化学习资源精准推荐系统设计研究

随着我国教育信息化进程的不断推进,学习者获取学习资源的方式逐渐从主动检索转变为学习系统自动推荐。智能化的学习内容推荐行为极大地提高了用户获取个性化资源的效率,但是内容推荐在教育领域中的应用仍存在着许多方面的不足。该研究分析了推荐系统在教育领域中的应用现状,介绍了主流的推荐算法及其实现原理,并采用混合推荐模式和不同的推荐策略,设计出个性化学习资源精准推荐系统的系统模型,以期助力学习者的个性化学习。     

基于知识图谱和图嵌入的个性化学习资源推荐

面对海量的在线学习资源,学习者往往面临“信息过载”和“信息迷航”等问题,帮助学习者高效准确地获取适合自己的学习资源来提升学习效果,已成为研究热点.针对现有方法存在的可解释性差、推荐效率和准确度不足等问题,提出了一种基于知识图谱和图嵌入的个性化学习资源推荐方法,它基于在线学习通用本体模型构建在线学习环境知识图谱,利用图嵌入算法对知识图谱进行训练,以优化学习资源推荐中的图计算效率.基于学习者的学习风格特征进行聚类来优化学习者的资源兴趣度,以获得排序后的学习资源推荐结果.实验结果表明,相对于现有方法,所提方法能在大规模图数据场景下显著提升计算效率和个性化学习资源推荐的准确度.     

基于表示学习的在线学习交互质量评价方法

当今的教育模式发生着非常重大的变革,教育正在向泛在化、智能化、个性化的方向发展。以Massive Open Online Courses(MOOCs)为代表的在线教育逐渐进入大众视野,在线教育中的交互性成为了决定在线学习质量的关键。研究表明,学习过程中的交互为学习者提供了有效且高效的帮助和支持,对学习过程的评价反馈可以有效地提高学习效果。在教育领域,对学习者和学习资源之间的交互进行建模至关重要,表示学习技术为学习者和学习资源之间的顺序交互建模提供了具体方案。文中首先建立在线学习的交互网络模型,然后使用两个循环神经网络将网络中的学习者和学习资源节点嵌入到一个欧氏空间中,并提出交互质量评价指标,以判断学习者的学习效果是否达到预期。在实际数据集上的实验证明了所提方法的有效性。     

基于情境感知的学习资源个性化推荐机制研究

面对海量的学习资源,如何为学习者推荐与情境相匹配的学习资源是亟需解决的问题.文章在详细描述学习资源个性化推荐情境要素的基础上,构建了包含情境感知层、资源管理层、学习诊断层、个性推荐层及学习者界面的学习资源个性化推荐系统,并阐述了系统的推荐流程及实现.在情境感知理论的基础上,构建以情境感知技术为核心的学习资源个性化推荐系...     

一种基于模糊理论的个性化网络学习系统

在信息社会中,学习已经成为人们日常生活中很重要的组成部分。网络学习是一种集计算机网络技术、卫星通信技术和多媒体技术于一体的学习方式,它对人们的终身学习起到非常重要的作用。提出了一种基于模糊集理论的个性化网络学习系统,利用模糊集理论知识构建和描述学习资源数据库模型和学习者数据库模型。这种系统既能形成描述网络课程知识的模糊结构图,又能针对不同的学习者形成学习者的模糊结构子图,并能根据学习者的学习进度和能力水平,提供不同的学习内容和导航策略,从而满足个性化网络学习的需求。     

个性化学习路径推荐综述

近年来，伴随着现代信息技术的迅猛发展，以人工智能为代表的新兴技术在教育领域得到了广泛应用，引发了学习理念和方式的深刻变革.在这种大背景下，在线学习超越了时空的限制，为学习者“随时随地”学习提供了更多的可能性，从而得到了蓬勃发展.然而，在线学习中师生时间、空间分离的特征，导致教师无法及时掌握学生的学习状态，一定程度上制约了在线学习中教学质量的提升.面对多元化的学习需求及海量学习资源，如何迅速完成学习目标、降低学习成本、合理分配学习资源等问题成为限制个人和时代发展的重大问题.然而，传统的“一刀切”的教育模式已经不能满足人们获取知识的需求了，需要一个更高效、更科学的个性化教育模式，以帮助学习者以最小的学习成本最大限度地完成学习目标.基于以上背景，如何自动高效识别学习者特征，高效地组织和分配学习资源，为每一位学习者规划个性化路径，成为面向个体的精准化教育资源匹配机制研究中亟待解决的问题.系统地综述并分析了当前个性化学习路径推荐的研究现状，并从多学科领域的角度分析了对于同一问题的不同研究思路，同时也归纳总结了当前研究中最为主流的核心推荐算法.最后，强调当前研究存在的主要不足之处.     

基于Web2.0和本体检索的个性化E-learning系统研究与开发

针对当前E-learning系统中存在着堆砌教学资料和学习内容单一、个性化不足等问题,设计一个基于Web2.0和本体检索技术的个性化E-learning系统,通过应用Ajax和RSS聚合技术以及Ontology本体技术,使得该系统能根据学习者的知识结构、学习目标、学习风格、偏好等特征信息提供适应学习者的教学方法和学习资源,营造个性化的网络学习环境。实验结果表明该系统能有效促进学生网络学习的效率,满足学生个性化学习的需求。     

基于在线学习行为分析的个性化学习推荐

随着在线课程和线上学习的普及,大量的在线学习行为数据被积累。如何利用数据挖掘技术分析积累的大数据,从而为教学决策和学习优化提供服务,已经成为新的研究重点。文中分析了在线学习的行为特征,挖掘学习者的性格特征与学习效率的关系,实现个性化学习方法推荐。首先,提取在线学习行为特征,并提出了一种基于BP神经网络的学习成绩预测方法,通过分析在线学习行为特征,预测其相应的线下学习成绩;其次,为了进一步分析学习者的在线学习行为与成绩的关系,提出了基于实际熵的在线学习行为规律性分析,通过分析学习者的在线学习行为,定义并计算相应的实际熵值来评估个体的学习行为规律性,从而分析规律性与最终成绩的关系;再次,基于Felder-Silverman性格分类法获得学习者的性格特征,对学习者实现基于K-means的聚类分析获得相似学习者的类别,将学习成绩较优的学习者的在线学习习惯推荐给同一类别的其他学习者,从而提高学习者的在线学习效率;最终,以某在线课程平台的实际数据为实验对象,分别实现在线学习行为特征提取、线下成绩预测、学习规律性分析和个性化学习推荐,从而验证了所提方法的有效性和应用价值。     

融合学习者时序行为和认知水平的个性化学习资源推荐算法

个性化服务是构建智慧学习环境的内在要求和建设要点.为学习环境中的主体（学习者）推送个性化学习资源可以提高学习资源的利用概率,解决在线学习容易产生的迷航问题.通过本体知识库的统一性语义建立学习者和学习资源内部结构特征,设计出一个有效计算两者相关性的推荐算法.算法中引入时间衰减函数来描述学习者学习时的时序特征,导入计算学习者认知水平与学习资源难度的匹配算子以体现学习的循序渐进原则.实验结果表明：所构建的时间函数和匹配算子达到了预期目标,更好地提升了所推荐学习资源的质量和适应性,且算法的时间复杂度能满足实时计算要求.