共查询到20条相似文献，搜索用时 46 毫秒
1.
e-Learning自适应推荐系统是一种基于当前学习者联机行为,在线自动推荐学习对象而不需要学习者直接反馈的系统。该系统框架是由离线模块和在线模块构成。离线模块预处理数据建立学习者模型,在线模块使用这些模型实时识别学习者目标,运用基于协作过滤的一系列推荐策略预测推荐学习对象。实验证明:由于实现模型构建和模型应用的有效分离,该系统具有较强的伸缩性和较快的实时响应速度,适合为大规模e-Learning系统提供高质量的个性化推荐服务。 相似文献
2.
画像技术在当前精准营销中的应用非常广泛,而其在教育领域尤其是在线学习者的特征识别方面研究较少。文章从学习者的一般特征、学习准备、学习风格、行为特征四个方面对学习者进行分析,提出在线学习者画像描述的总体框架。同时,通过机器学习对在线学习行为数据进行挖掘,文章分别从以上四个方面对学习者画像进行建模研究,重点讨论了学习风格的建模过程,并通过对在线学习者个案分析,阐述了学习者画像在指导学习资源精准推荐、评估在线学习者学业失败或退出风险等方面的应用,为个性化教育实施提供了实践案例。 相似文献
3.
教育大数据能为学习者学习行为精准分析提供有力支持,对提升现有在线学习系统效率起到积极的助推作用,而自我学习调节算法将成为在线自适应学习系统实现的关键。文章首先对国内外自适应学习系统相关研究现状进行了梳理;接着从量化自我角度出发,提出了教育大数据驱动的在线自适应学习系统模型,并详细分析了该模型中的学习对象、自我学习调节机制;结合自适应学习服务策略和学习能力层次,构建了自我学习调节算法SLCA(Self Learning Control Algorithm)作为在线自适应学习实现的基础。 相似文献
4.
《现代教育技术》2019,(1):100-106
学习风格作为主要的认知模型,是在线学习系统中常用的用户建模依据。基于此,文章首先基于被使用频率最高的学习风格模型——Kolb模型、VARK模型、Felder-Silverman模型和FDI模型,对学习风格用户模型进行了分类,并解析了其可能提供的自适应服务;随后,文章从在线学习系统中用户建模的角度,分析了整合不同学习风格用户模型的自适应策略;最后,文章总结了影响在线学习系统自适应性能的关键问题,以更好地发挥在线学习系统的自适应性能。文章对学习风格用户模型的解读及其自适应策略的分析,将有助于在线学习系统对学习者进行更准确的描述和诊断,从而提供更适合的学习资源和学习建议。 相似文献
5.
学习者画像是描述学习者特征、实现智能化推送、实施个性化教育的重要基础.如何挖掘并利用在线学习平台中的数据构建学习者画像是当前亟待解决的问题.研究以在线作业为目标场景,以在线学习行为投入为切入点,构建了以参与、坚持、专注、学术挑战和自我调控为主要维度的分析框架和测量指标,利用7695名小学生在线作业数据进行了27个测量指标的有效性验证,采用K-Means聚类方法对在线学习者的行为特征和结果特征进行了标签分类,形成了四类学习者的群体画像,提出了相应的学习指导建议.研究发现,学习者的学业成绩与作业行为投入之间存在显著相关,不同的行为投入平台指标与学业成绩呈现不同的相关性,学习品质相关指标与学业成绩呈现强相关.因此,在线教育平台应通过画像技术,持续跟踪学习者的在线学习行为投入,评估学习者的学习品质,提出个性化的指导建议,推送精准化的学习资源,进而提升学习者在线学习效率. 相似文献
6.
学习者与在线内容的交互被认为是决定网络教学和学习有效性的重要因素之一.学习环境中的任何事情总是一触即发,支持学习者与在线内容进行交互.当学习者与内容交互时,内部的反思性思考与对话发生了.本研究试图比较在线学习管理系统中研究生课程和本科课程中学习者交互之间的差别.基于所提出的研究学习者与在线内容交互的框架,研究者收集了学习管理系统日志和学习活动数据库中的相关数据;基于学习者与在线课程内容的交互模式和行为对收集到的数据进行了分析;并对教师和学习者在在线论坛中的讨论和交流的内容进行分析,尤其调查了已发生的交流的维度、深度和分类.基于上述研究成果.研究者认为应该加强网络内容的设计和传输,从而提升开放远程学习中在线学习环境的有效性. 相似文献
7.
8.
混合学习强调线下课堂教学和线上自主学习的混合以实现优势互补,其中学习者的在线自我调节学习能力显得异常重要。文章旨在揭示学习者的在线自我调节学习能力存在哪些潜在类别,不同类别学习者是否具有不同的在线自我调节学习行为过程模型,以及这对于在线自我调节学习环境的设计有何启示。研究首先对239名学习者的在线自我调节学习能力进行测评,然后使用潜在剖面分析方法对测评数据进行分析,发现样本学习者可以分为高、中、低三种不同水平的自我调节学习剖面类别。然后分别对三种类别学习者的在线自我调节学习行为数据进行过程挖掘,研究发现:(1)学习者的自我调节学习能力更多体现在执行阶段的行为上;(2)中高水平自我调节学习者的在线学习行为表现出更强的认知和元认知策略;(3)高水平自我调节学习者体现出更有效的时间管理策略与更强的整体规划能力。因此,在线自我调节学习环境需要引入自适应支持机制,为学习者提供适应性的过程和策略支持。 相似文献
9.
超媒体技术在E—learning中的应用研究 总被引：1，自引：0，他引：1
本文从E-learning当前存在的主要问题出发,研究了超媒体技术的信息表示,提出将超媒体技术与人工智能技术相结合。构建E-learning系统中的知识库,以实现学习过程中的自适应导航和自适应呈现,来弥补E-learning的智能化和个性化的不足,从而提高学习的效率和学习资源的利用率; 相似文献
10.
为了在智慧学习环境下实现自适应情感交互,文章首先构建了基于学习者情感的学习画面情感自适应调整模型,并依托此模型开发了原型系统。随后,文章以济南市X中学的98名学生为研究对象,采用准实验研究法,通过学习者情感所占比例分析和问卷数据统计分析,验证了文章提出的假设成立,即智慧学习环境下学习画面情感自适应调整能够提高学习过程中学习者积极情感所占的比例,并能激发学习者的学习兴趣。在智慧学习环境下自适应调整学习画面情感,为解决智慧学习环境情感层面的自适应交互问题提供了新的思路与方法。 相似文献
11.
12.
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
13.
自适应型网络课程即能够根据不同的学习者已有的认知结构和知识水平,产生适合于其学习的学习内容,同时采取合适的认知工具来支持学习者产生不同的学习行为,并支持学习者在学习过程中按照已有的学习经验进行学习的网络课程。文章根据数字化学习的特征和对学习内容的要求,分析了自适应网络课程的内容构成,并以网络环境下的学习过程为基础,提出了用学习单元来构建网络课程的思想,并对该课程的实施过程及其自适应性进行了分析。 相似文献
14.
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
15.
网络环境下基于Web的个性化学习是现代远程教育与智慧教育领域研究的热点,也是数字化学习E-learning未来发展的趋势。Web个性化学习环境构建主旨是针对学习者特征差异性"分析"与"判断"其个性化需求,并以此精准推荐适当的学习资源,其实现的关键在于用户特征模型构建与分析、结构化领域知识构建以及知识个性化推荐与呈现。其中,用户静态特征与动态行为特征是个性化学习需求的逻辑起点,结构化领域知识模型是个性化推荐的数据源基础,知识个性化推荐与呈现是E-learning的宗旨。 相似文献
16.
17.
智慧学习环境下的教学更加关注学习者的个性化诉求,自适应学习系统能够为实现个性化学习提供技术支持。文章针对传统层状自适应学习系统模型未阐明学习系统内部运行机制的不足,基于自适应逆控制理论研制了一种自适应学习系统动力模型。学习者的学习目标选择促使学习系统开始运行,学习者的初始学习目标与其后的学习成效之间的差值是维系学习系统继续运行的内在动力。学习系统在领域模型、学习者模型、认知诊断和自适应模型四者的协同作用下向学习者不断推送适切的学习资源,旨在消除学习目标与当前学习成效之间的差值,从而使系统重新归于稳定。文章从系统动力机制视角,设计了自适应学习系统包含的领域模型、学习者模型、自适应模型和认知诊断模型。研究将为自适应学习系统的设计与实现提供理论借鉴。 相似文献
18.
如何利用移动设备的位置识别功能开发创新性的移动应用系统,是众多研究者和商业应用开发者关注的焦点。基于位置识别的移动学习系统5R自适应框架为实现自适应移动学习环境提供了一套解决方案和标准化结构。5R自适应框架能够根据学习者、位置、时间、移动设备等因素自动生成学习者所需要的学习内容,增强学习者与学习情境之间的交互。5R自适应框架的实施需要描述基于位置的学习内容并使之标签化,建立自适应约束条件和学习内容之间的关系。在基于位置识别的地理课实地考察移动学习过程中,5R自适应框架能够很好地支持这一应用,而且在实现过程中体现出高度的灵活性。 相似文献
19.
张静 《中国教育技术装备》2014,(18):39-40
泛在学习环境中,学习资源自适应推荐模型尝试将情境感知技术和数据挖掘技术引入泛在学习环境下的学习资源推送服务领域,通过感知学习者周围的环境、设备的变化,挖掘学习者的过往情境数据,借助个性化的推送规则库,在海量的学习资源中快速定位到最适合学习者的资源,并推送给学习者,帮助学习者建立真正无缝的泛在学习体验。 相似文献
20.
智慧学习空间中学习行为分析及推荐系统研究 总被引：1，自引：0，他引：1
《现代教育技术》2016,(1):100-106
智慧学习空间是智慧学习理念下构建的学习空间新形态,学习分析是智慧学习中不可或缺的组成成分。文章围绕智慧学习过程中面向学习者对于知识内容的"呈现与获取"、"个性化建构与拓展延伸"两大环节以及学习者所处的学习状态,构建了学习行为分析及推荐系统。该系统利用W eb挖掘技术,从学习内容、学习路径和空间使用记录三个方面针对智慧学习过程模型中的学习行为进行数据分类挖掘,通过与优秀学习者路径及路径知识点相关学习行为进行相似性比对,为学习者进行个性化学习推荐路径。 相似文献