共查询到20条相似文献，搜索用时 62 毫秒
1.
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
2.
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
3.
《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
4.
刘朋 《中国科教创新导刊》2012,(31):103-103
随着信息时代的兴起与发展,高校校园泛在学习也广泛的应用开来,同时,人们对其内容个性化推荐模型的设计也越来越重视.本文作者基于多年关于高校校园泛在学习的内容个性化推荐的实践经验,以“学习元”平台为例,对高校校园泛在学习的内容个性化推荐研究现状、对个性化推荐的支持以及个性化推荐模型设计等内容进行浅谈,以期在个性化推荐的实际应用中具有借鉴作用,更好的促进高校校园泛在学习的发展. 相似文献
5.
针对汉语个性化学习需求和学习者的个性特征,提出了构建基于测评的汉语个性化学习环境模型。认为通过测评数据,动态性和针对性地分析、构建动态的学生模式,并在汇聚和有效组织海量汉语学习资源基础上,优化推荐策略,以实现个性化资源和学习策略的推荐,从而满足汉语个性化学习需求。 相似文献
6.
数字学习时代,海量的学习资源不但没有促进学习效率的提升,反而加剧了资源获取的负担。该文针对数字学习资源过载现状,借鉴个性化推荐策略,就数字学习资源的服务效果提升进行研究。该文以北京师范大学泛在学习资源平台一学习元平台资源推荐设计为例,分别阐述了个体学习者与群体学习者的数字学习资源服务策略,并从推荐算法的角度阐述了学习资源个性化推荐效果提升策略。 相似文献
7.
针对学习资源使用者的特点和当前网络学习模型的不足,提出运用贝叶斯网络建立一种个性化学习者模型。基于用户决策方案指导资源库的建设,提出了一种新的学习资源推荐算法,使学习资源的呈现符合学习者认知发展水平和个性特征,改善资源库的组织结构,实现智能化、个性化的学习资源库推荐系统。实践证明,对于本系统所推荐的学习资源,学习者非常满意。 相似文献
8.
陈志华 《广东技术师范学院学报》2014,(3):99-104
泛在学习对学习资源库的建设提出了新的要求,本文阐述了泛在学习的定义和特点,在综合分析当前国内高等教育学习资源库建设现状的基础上,从学习资源信息模型设计、学习资源生态系统构建、学习情景感知和个性化学习资源服务这四个方面论述了一个满足泛在学习模式的高等教育学习资源库的构建,并通过应用场景举例演示了该学习资源库的运行效果. 相似文献
9.
学习资源推荐作为解决学习者信息迷航和支持个性化学习的重要途径已受到越来越多学者的关注。随着泛在学习的发展,仅在学习开始时向学习者推荐感兴趣的资源已难以满足学习的需求,学习过程中推荐资源、指导专家、辅导服务等显得更加重要。未来的推荐系统应以支持学习为目的,从单纯的资源推荐向将资源推荐与学习过程结合的方向发展,从以用户兴趣为主推荐向感知学习情境推荐发展。文章从学习过程情境的角度出发,对泛在学习环境下的推荐系统进行重新定位与设计,并介绍了学习元平台中的推荐系统,试图为相关研究者提供新的思路与参考。 相似文献
10.
基于数据智能分析的学习资源推送是精准支持个性化学习的教学服务方式之一。随着人工智能技术和学习分析技术的发展，通过对行为数据、测评数据和日志数据等的分析进行资源推送虽已有较成功应用，但未能实现学习者个人情感状态为引导的资源推送。为此，该研究针对个性化学习资源推荐中情感价值、情感控制理论和实践的缺失，以实现个性化学习多维度情感识别为目标，采用BERT模型和TextCNN构建个性化学习资源推荐文本情感识别模型，并提出了基于学习者作业、论坛内容等的文本情感识别模型实现过程。学习资源推荐文本情感识别模型和实现过程可为真实应用提供方法支持和技术路线指引。 相似文献
11.
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
12.
I普适计算技术推动下的泛在学习已成为下一代e-Learning的重要发展方向,泛在学习环境的构建是泛在学习成功实施的基础和保障。传统的e-Learning资源仍然是当前大多数泛在学习原型系统的核心,但忽视了适合泛在学习自身特性和需求的学习资源的设计与建设。针对此问题,本研究在联通主义学习理论、知识建构理论和生态学习理论的指导下,以泛在学习资源组织模型"学习元"为核心设计开发了一种新型的泛在学习系统——学习元平台(Learning Cell System,LCS)。该系统采用基于本体的资源组织方式,通过开放内容编辑实现资源内容的持续进化发展,可以在多种移动终端上自适应地呈现资源,实现资源之间的动态语义关联,支持社会认知网络的动态生成与共享,并可以基于过程性信息开展个性化的学习评价。最后,对LCS潜在的应用场景进行了分析。 相似文献
13.
14.
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
15.
泛在计算环境下的微学习方式正逐渐成为人们常用的学习方式,如何对微学习资源及相关个性化资源推荐系统进行设计开发是当前亟待解决的问题。提出了泛在计算环境下个性化资源推荐系统的框架,阐述了其功能特点,并对系统的工作流程进行了分析。实践证明,泛在计算环境下的个性化资源推荐更符合学习者的学习规律,能有效提高学习效果。 相似文献
16.
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
17.
18.
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
19.
20.
基于数据挖掘的个性化学习系统研究 总被引：1，自引：0，他引：1
本文针对网络学习行为和数据挖掘技术的特点．在适用性学习系统的基础上加入了数据挖掘处理和个性化推荐模块,提出了基于数据挖掘的个性化学习系统模型：重点讨论了个性化推荐模块和基于数据挖掘个性化学习系统的数据挖掘模块的处理过程。 相似文献