共查询到20条相似文献，搜索用时 62 毫秒
1.
为尊重学习者个体差异性,实现基于微信公众平台的泛在学习资源个性化推荐和个性化学习,增强学习者与学习资源的相关性,帮助学习者提高学习效率,论述了泛在学习的内涵,阐述了泛在学习公众平台相关研究现状。基于行为主义学习理论和因材施教理论设计了包含学习者层面、教师层面、系统层面和管理员层面的泛在学习资源个性化推荐微信公众平台相关功能模块,可为相关研究提供参考。 相似文献
2.
面向虚拟学习社区的学习资源个性化推荐研究 总被引：3，自引：0，他引：3
虚拟学习社区中学习资源的极大丰富和不断扩充,在给学习者带来资源选择多样化和自主化的同时,也给满足不同背景和不同偏好学习者的个性化资源需求带来了不便,出现了在众多学习资源面前选择迷航的现象,因而无法做出正确的资源决策。为了提高社区中学习资源的使用效果和效率,满足不同学习者的个性化需要,本文借鉴个性化推荐的信息过载处理思想,提出了学习资源个性化推荐的研究框架,阐述了虚拟学习社区中个性化学习资源推荐的工作流程,分析了虚拟学习社区中学习资源个性化推荐的关键技术和存在的一些不足。 相似文献
3.
情境感知是泛在学习的本质特征,为学习者提供情境化、个性化与差异化的资源服务已成为泛在学习领域一个新的研究议题。文章采用个性化推荐视角,研究了泛在学习情境的形式化表征,构建了情境化的学习资源推荐模型,阐述了情境化资源推荐的一般过程,并就情境化资源推荐的关键问题进行了分析。 相似文献
4.
网络学习资源数量激增导致的信息过载,是当今互联网学习者面临的一个问题。而个性化的学习资源推荐技术通过自主过滤海量资源,筛选出学习者需要的学习资源,减少学习者寻找资源的代价,是解决该问题的一个有效方法。文章通过用户、对象和推荐策略三个方面,对国内教育资源推荐技术的研究现状进行综述,并重点分析各推荐技术的特点、优势及不足,同时指出现今学习资源推荐技术研究的热点及可能的发展方向。 相似文献
5.
互联网的高速发展导致网络学习资源数量迅速增长,案例教学、理论教学等教学资源的个性化推荐受到更多关注。学习者模型是实现个性化推荐的依据。文章以CELTS-11学习者模型规范为基础,针对学习者的个性差异,在学习过程中对基本信息、学习风格、知识状态、认知能力、兴趣偏好等个性化特征展开研究,解决目前资源推荐系统的学习者模型中学习者特征描述不全面、个性化程度不高等问题,构建出了个性化的学习者模型,为学习资源的推送提供了有力的依据,应用效果表明了该方法的有效性。 相似文献
6.
大数据环境下,从海量学习资源中为学习者提供个性化的资源推荐服务可提高学习效率。考虑到不同区域的人具有不同的文化背景,人们对事物的喜好具有区域性,以及提供个性化推荐通常面临数据稀疏和冷启动的问题,提出使用因子分解机,综合考虑学习者的知识基础、兴趣、文化和时间因素,借助学习者所处区域的文化背景,选出与其有相同或相似文化背景的学习者,并结合学习者最佳学习时间及学习体系结构,以提高个性化学习资源推荐的质量。实验结果表明,该方法在一定程度上提高了推荐准确率。 相似文献
7.
8.
9.
10.
本文探究了推荐系统在学习科学中学习资源方面的可行性。主要讨论了推荐系统的组成部分(集体责任,集体智慧,用户控制,导航,个性化)与学习科学理论的良好适应,并分析设计了基于网络学习资源的智能推荐系统的整体框架结构,实现了推荐系统从商业背景到教育背景的转换,提高学习资源利用率,满足学习者的个性化需求。 相似文献
11.
为了推动Moodle学习平台的深层次功能应用,文章通过不同的个性化推荐技术,试验采用多种相似度度量方法,对平台中学习资源及学习者历史日志记录进行数据分析与研究,揭示出不同个性化推荐技术在远程教育中的应用优缺点,分析发现一种适合于学习者的个性化推荐技术及其采用的相似度度量方法,结果可为学生个性化学习服务、教师导学管理监督提供决策支持. 相似文献
12.
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
13.
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
14.
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
15.
e-learning的调查发现,e-learning支持系统中学习资源推荐主要有Top-N和关键词检索两种方式,都无法向学习者个性化地推荐学习资源。受电子商务研究领域中相关研究成果启发,我们尝试将协同过滤推荐技术引入学习资源的个性化推荐研究中。通过综述学习资源个性化推荐中三种常用的推荐技术,介绍了协同过滤推荐技术的工作原理、实现方法及存在问题。在此基础上,提出了一个优化的基于协同过滤技术的学习资源个性化推荐系统的理论模型,重点讨论了模型的结构、隐式评分机制和算法的实现,并讨论了个性化学习资源推荐模型中的三个关键技术。以启发e-learning研究人员从不同的层面和角度探索协同过滤技术在e-learning中的应用,提高学习资源个性化推荐的精度和效率。 相似文献
16.
《实验室研究与探索》2013,(11)
针对目前网络教学中,学习者缺乏个性化指导、学习效率低下的问题,提出了以知识点为核心进行资源组织的个性化学习推荐模型。该模型可以为学习者提供一个"因材施教"的网络教学环境,为学习者推荐有针对性的学习材料,提高学习者的学习效率。构造了用于表示知识点间关联度的客观和主观知识点关联表,给出了个性化知识点序列提取算法和针对特定知识点的个性化学习材料的推荐算法,能根据学习者模型提供适应学习者的教学方法和学习资源,并且学习者模型定期的利用关联规则挖掘进行完善更新。该模型能有效地提高学习者的学习质量和学习兴趣。 相似文献
17.
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
18.
基于用户模型的个性化本体学习资源推荐研究 总被引：4，自引：1，他引：3
如何基于学习者的个性化学习特征,使学习者在大量学习资源和学习活动中快速定位自己最适合的内容已成为当前热点问题.本文研究的SAELS(Semantic Adaptiv-Learning System)实现以本体技术为核心,以用户模型为依据的个性化本体学习资源推荐.文中首先以课程为例构建本体,然后介绍了如何构建一个成功的用户模型,接着提出了个性化本体学习资源推荐模型,最后重点探讨了如何根据Felder-Silverman学习风格量表和学习过程行为模式,推断学习风格,和基于概念累积计分法推断认知水平两个层面加以整合实现个性化本体学习资源推荐. 相似文献
19.
个性化推荐作为解决学习者信息迷航的重要途径已成为研究热点。以生成性学习资源中学习者的个性化学习特征为基础,构建用户模型。根据布卢姆认识理论,采用贝叶斯网络评估学习者认知状态,并基于Felder-Silverman模型,利用TAN贝叶斯网络预测学习者学习风格,依据学习者的认知水平和学习风格推荐不同的学习策略,以有效提高学习效率。 相似文献
20.
随着以人为本的教育理念不断升温,个性化学习受到当前国内外研究者的普遍关注。其中,学习者模型反映了学习者的个性化需求,记录了学习者的个性特征,是个性化学习的重要依据。依据学习者行为,可从领域相关和领域无关两个方面,综合学习者知识水平、学习兴趣、学习风格和学习偏好四个维度,构建学习者模型,并相应地采取学习兴趣推荐策略、学习水平推荐策略、学习风格推荐策略、学习偏好策略。 相似文献