共查询到20条相似文献，搜索用时 390 毫秒
1.
开放式e-Learning解决方案个性化推荐服务——一种面向终身学习的数字化学习服务模式的探索思路 总被引：3，自引：0，他引：3
个性化e-Learning系统一直是数字化学习研究的重要主题,然而在终身学习环境下,个性化e-Learning系统必须要考虑如何提高学习者兼容性、资源充足性、智能挖掘性和推荐整合性,才能最大限度地满足海量的差异化学习者的个性化需求.作为对终身学习的数字化学习服务模式的一种探索思路,本文构建了一个开放式e-Learning个性化推荐服务,通过向学习者推荐完整的e-Learning解决方案,提出多种个性化机制,构建开放性学习社区,并通过Web数据挖掘技术挖掘解决方案,来解决传统个性化e-Learning系统所面临的这几个挑战.本文对该服务的概念体系和技术应用进行了详细阐述,以对终身学习环境下的数字化学习体系建设提供参考. 相似文献
2.
大规模在线学习中,学习者面对数量众多、种类繁杂的学习资源容易产生"信息迷航""信息过载"等问题。因此,为学习者提供个性化的学习推荐服务是大规模在线学习的重要任务。但目前的推荐系统大多只考虑了学习者与学习资源特征,对其内在社会联系考虑不足,推荐效果有较大的提升空间。许多研究表明,引入社会化因素,对于提升推荐系统效果有显著的帮助。社会化推荐系统需要根据应用情境,深入地理解用户、推荐对象以及影响他们之间相似关系和社会关系的要素。大规模在线学习中的社会化推荐系统要素模型包括学习者特征、推荐对象特征、社会关系和应用情境四个方面。相较于传统的推荐方法,在这一要素模型基础上设计的基于兴趣主题的社会化推荐方法更好地结合了大规模在线教育场景,以及学习者和资源服务要素,并进一步研究了用户间的内在社会关联,挖掘了用户、学习资源间的隐性联系。实验结果也说明,该推荐方法在教育场景中可以实现更好的推荐效果。 相似文献
3.
在线学习资源建设已经成为了当今数字化学习研究的热点问题.本文以学习过程中学习者学习行为和在线学习资源的特点为基础,结合协同过滤算法,设计了基于协同过滤技术的在线学习资源个性化推荐系统模型.实践证明,该模型可以更好地为学习者创造数字化学习环境,提高学习者的自主学习效率. 相似文献
4.
本文提出了一个基于学习者访问聚类的远程教育智能推荐系统.系统使用基于代理的系统结构,由离线的数据预处理和基于学习者访问的URL聚类以及在线推荐引擎两部分组成.进一步,研究提出了一个基于学习者浏览兴趣的推荐规则集生成算法框架,在学习者浏览兴趣度量时综合考虑了学习者浏览时间和对页面的访问次数.最后,研究设计了一个基于推荐规则集和站点URL路径长度的URL推荐算法.与使用基于关联规则或基于学习者事务的推荐系统相比,该系统在推荐准确性上有较大的提高. 相似文献
5.
在"互联网+"在线学习环境下,探索符合学习习惯和偏好的个性化推荐路径能够降低学习者学习的盲目性、提升学习者在线学习体验.文章提出了一种基于学习者画像的个性化课程推荐方法,首先,利用爬虫技术获得Bilibili网站30多万名学习者的数据,然后对学习者学习数据进行定量分析,尤其是在个性化特征最明显的情感表达方面,采用了基于注意力机制的双向长短时记忆网络进行情感分析,从而构建了包含学习者基本信息、行为和弹幕文本三个维度的学习者画像特征模型.在此基础上,利用深度神经网络建立了教学资源与学习者画像之间的关系模型,用该模型预测学习者新的学习需求.实验结果表明,当学习者登录后,输入要选择的课程,模型能够根据学习者画像推荐相似学习者学习过的课程,提供个性化课程推荐服务,且推荐评价指标也表明该模型能够提高推荐性能. 相似文献
6.
在线学习是一种师生分离的自主学习,对学习者的学习行为进行监控,能提高在线学习效率。利用电子学档对学习者的在线学习行为进行监控,不仅有助于促进学习者的学习反思、激发学习动机、开展更为有效的学习,而且有助于实现对学习者学习行为的全面监控。基于电子学档的在线学习行为监控模型一般包括行为信息的提取模块,整理和分析模块,成果及评价模块,反思模块,行为标准制定模块等五部分。采用这个模型,可以实现对在线学习行为的全面监控。 相似文献
7.
8.
为了解决目前e-Learning教学系统中的情感交流匮乏问题,提出一种新的基于语音情感识别技术的e-Learning系统模型。语音作为人类最重要的交流媒介之一,不仅携带着大量的文字符号信息,还包含了人类丰富的情感信息。利用语音情感识别技术获取和识别学习者的学习情感状态,从而实现e-Learning教学系统的智能化和人性化。本文对该系统的关键技术作了详细阐述。 相似文献
9.
熊晓莉 《渭南师范学院学报》2011,(12):76-79
在线考试模块是网络课程的重要组成部分,有助于完善网络课程功能,为学习者提供实时科学的学习评价．因此,如何设计在线考试模块是网络教育系统中需要关注的一个重要问题．文章在调研已有网络课程功能的基础上,结合计算机网络技术的发展和素质教育的要求,提出了基于ASP．NET2．0技术在线考试的方式,为学习者提供全面灵活的服务和有效的学习评价． 相似文献
10.
E-Learning环境下,网络是在线学习者在线学习,在线交流的重要方法和手段。目前在线学习平台为在线学习者提供被动的学习模式,在线学习者的学习需求具有个性化的不同,学习者希望学习平台能够依据个体的差异提供不同的学习模式,在此背景下,依据学习者的不同背景研究个性化的知识推荐系统具有重要意义。本文探讨了个性化学习的基本模式,并构建了一个个性化学习模型。 相似文献
11.
在线学习作为一种新型的学习方式,能够为学习者提供个性化的学习支持。有效推荐个性化学习路径是学习服务研究中的重点问题。文章结合大数据背景下个性化学习的特征,建立学习者模型,通过数据挖掘技术深入分析学习者的学习行为信息以及知识之间的关系,结合基于内容的推荐和协同过滤的推荐方式,设计个性化学习路径推荐的具体方案,为解决在线学习过程中学习者面临的“信息过载”和“知识迷航”问题提供参考和借鉴。 相似文献
12.
13.
基于Hadoop平台的实时电影推荐系统在需要大量迭代计算时运行速度明显变慢,无法根据用户行为作出实时反馈。针对以上问题,设计基于Spark流式计算的实时电影推荐系统,可更好地满足用户实时需求。基于Spark流式计算的实时电影推荐系统将传统电影推荐算法与Spark流式计算方法相结合,在线部分使用Spark Streaming实时接收用户模拟评分,并使用Scoket编程模拟用户浏览商品时产生的实时日志数据。日志数据包括用户当前浏览电影、观看电影次数、停留时间与是否购买该商品,再使用Spark Streaming构建实时数据处理系统,计算出当前用户相关度最高的电影并进行推荐。实验结果表明,基于Spark 平台的电影实时推荐系统在离线推荐训练过程中,训练速度相对于Hadoop 平台有明显提高,能根据用户行为作出实时反馈,并向用户进行电影推荐。 相似文献
14.
案例推理Agent合作框架下的个性化学习资源推荐研究 总被引：1，自引：1，他引：0
e-Learning学习环境中学习资源的极大丰富,在给学习者带来资源选择多样性和主动性的同时,也给不同背景和不同学习偏好的学习者满足个性化资源的需求带来不便,出现了在众多学习资源面前的选择迷航现象.本文基于此提出了多角色案例推理Agent间的合作框架,通过多角色Agent的合作,结合案例推理的思想尝试解决e-Learning环境下学习资源个性化推荐问题.本文阐述了案例推理在个性化学习资源推荐中的工作流程,分析了案例推理的关键技术,并结合实例说明了案例推理技术使用的过程. 相似文献
15.
本文利用用户在线行为数据,构建了针对机构知识库的个性化推荐系统。具体方法为:基于大数据Lambda架构,实现系统对用户隐式和显式行为的数据采集、汇总、融合、计算功能,构建基于本体的加权向量用户兴趣离线计算模型;同时针对用户对机构知识库行为的反馈,进行实时推荐。最后得出结论:利用大数据思维和技术,构建多维度用户行为模型,对机构知识库的个性化推荐有一定实用价值。 相似文献
16.
在线学习倦怠是学习者由于学习压力等因素影响而产生的一种倾向于逃避学习的消极心理状态,对其进行有效识别与适时预警是实现高效在线学习的重要途径.鉴于此,文章首先确立了在线学习倦怠的内涵与结构维度,并基于学习倦怠量化表征依据分析构建了数据驱动的在线学习倦怠预警模型;然后从在线学习倦怠预警过程出发,详细阐述了数据驱动在线学习倦怠预警的实现方案;最终依托iStudy学习平台完成了在线学习倦怠预警系统功能的设计与开发,并以H大学在线学习者为研究对象进行系统应用和实证分析.实践效果表明,该预警模型可以有效降低学习者倦怠水平并显著提升课程学习效果,为在线教育中的学习倦怠评估与智能化预警奠定了一定的基础. 相似文献
17.
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。 相似文献
18.
19.
基于全脑模型,文章首先将D大学教育技术学专业参与Moodle平台"计算机网络"课程学习的102名在线学习者分为逻辑型、组织型、交流型和空想型等四种思维类型;随后,文章利用GSEQ软件,采用滞后序列分析法,分析了不同思维类型学习者的学习行为序列,并重点解读其转化路径,得出结论:逻辑型学习者、组织型学习者的学习行为序列均为网状结构,前者更为关注学习内容,而后者更为关注学习任务;交流型学习者、空想型学习者的学习行为序列均为线性结构,前者更为关注同伴信息,而后者更为关注学习结果。基于此,文章最后针对基于全脑模型的在线学习提出了相关建议,以期为在线学习平台设计、路径和资源推荐、深度学习引导提供参考,并推动在线学习的进一步发展。 相似文献
20.
一般的网络学习包括在线学习和离线学习两种基本形式。离线学习可以利用光盘加载课件或将主系统上的课件下载到本地进行学习,解决学〉-7者在无法上网或网络条件比较差的情况下进行学习。它从根本上解决了在线学习中,学习者必须有网络环境支持,在高峰浏览期间无法保证学习效率的问题,大大提高了学习的可控性和自主性。离线学习模式在网络课程中,是对在线学习的有力补充。 相似文献