共查询到20条相似文献，搜索用时 140 毫秒
1.
利用人工智能技术实现个性化学习是当前教育改革发展的现实诉求.个性化学习的内涵包括以学习者的个性化需求和特征为前提、以学习者个性化的学习过程为核心、以学习者的个性化发展为最终目标等三个要点.人工智能技术为个性化学习的实现提供了强有力的支持,主要体现在智能识别、智能分析与处理、智能测评等方面.人工智能时代个性化学习的实现路径包括精准识别学习者的个性化特征、动态生成个性化的学习目标、智能推荐个性化的学习资源、灵活设计个性化学习策略、数据驱动个性化学习评价等. 相似文献
2.
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
3.
在“互联网+教育”时代,学习者模型是实现个性化网络教学的关键。通过对学习者模型研究现状的分析,在知识模型、认知模型、情感模型和行为模型的基础上,提出一种融合社交特征的学习者综合模型。首先,对模型的特征选择和形式化表征进行了详细说明;然后,针对该模型在学习资源推荐、学习路径推荐、学习伙伴推荐、学习督导和预警中的应用进行了分析。最后,研究认为该模型能够为新型互联网学习环境下的个性化教学服务提供良好的支持。 相似文献
4.
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.
推送式学习模型构建的主要目的在于实现个性化学习.这种学习不是被动而是主动呈现的,尤其是在大数据时代背景下,利用数据挖掘技术,根据学习者的学习行为和信息素养、信息习惯,在海量的信息数据中将知识主动推送给学习者,提高学习效率和兴趣.其模型构建主要包括数据采集、数据关联和主动推送等三大模块:数据采集模块意在获取学习者学习特征;数据关联模块意在将采集到的数据作同类合并处理,得出数据间的联系,研判学习者学习特征;主动推送模块则根据知识库与学习特征的匹配度,将学习资源主动推送给学习者,最终实现个性化学习. 相似文献
7.
后疫情时代在线学习的地位得到进一步提升。基于文献研究与开发研究,构建了基于数据的在线学习个性化学习支持服务理论模型,并探讨了其实现途径,指出基于大数据的在线学习个性化学习支持服务能有效提升学习质量,提高学习支持服务与学习者需求的匹配程度,实现“类同伴”的陪伴效果,减少在线学习参与的孤独感,提高情感体验,实现高品质学习。基于此,构建了人、大数据、资源、时机、方式和途径为作用元素的学习支持服务模型,实现数据支持的精准决策和智能服务。提出实现基于大数据的在线学习个性化学习支持服务需要关怀生命,系统培育大数据驱动的积极学习支持服务理念;完善基础,构建大数据收集平台对学习者精准画像;建设资源,围绕学习者个性化学习支持服务形成优质学习支持资源;强化体验,围绕“高品质学习”优化学习支持服务机制。 相似文献
8.
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
9.
以人工智能与模式识别为核心的虚拟助理是当前备受各领域关注的智能化应用技术,在远程教育个性化支持服务领域存在巨大的应用潜力,其技术发展和市场需求集中体现在资源推送、教学互动、情绪调节和生活辅助四个方面。已有研究显示,虚拟助理可以智能化地判断和理解学习者的需求,改善远程学习系统中资源与知识单向传输和缺乏互动的情况,适时引导学习者进行学习并解答疑难问题;还可以监测学习者远程学习过程中的情绪变化,缓解由于时空分离而造成的负面情绪,为远程学习者提供更自然和人性化的交互方式与学习支持,以及更多的生活便利。随着虚拟现实、人工智能、传感器和模式识别技术的发展,人们已经越来越多地看到了它在适应学习者需求和喜好、提供个性化学习支持服务方面的优势,但是其进一步发展还需攻克资源推送算法、人机互动模式、情绪状态识别等技术难点。 相似文献
10.
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
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.
在大规模在线学习中,个性化学习和信息导航越来越受到学习者的欢迎。由于学习者众多、学习需求多样化和学习资源海量,个体化支持服务已难以满足个性化学习和个性化资源推荐的需求。相关研究表明,将社会化支持服务引入在线学习中,能初步缓解支持服务不足的问题。文章以社会化支持服务的属性和内涵为基础,构建基于掌握学习理论的在线学习环境,深入探讨社会化支持服务框架,并结合学习资源、学习伙伴、领域专家等社会性因素对学习者在线学习产生的影响,设计了社会化支持服务流程和个性化推荐模型,旨在为学习者提供智能、精准的支持服务。最后提出“一体化”的社会化支持服务模式,为研究面向个性化学习的社会化支持服务提供参考。 相似文献
13.
情感是影响学习者认知和行为的关键性非智力因素。准确分析、识别学习者的情感状态,对教育的个性化、智能化发展尤为重要,它是情感计算的重要内容,已经成为人工智能和教育领域的交叉研究热点。学习体验文本是学习者情感分析的主要数据来源。面向学习体验文本,是在完善基础词典和情感词典的基础上,提出一种融合情感词典和机器学习的学习者情感分析模型,能够实现对段落级/篇章级学习体验文本的多级情感分类,从而挖掘学习者内隐的情绪状态。为了检验模型的有效性,采用宏平均指标全面评估情感分析模型的整体分类性能。研究结果表明:选择情感词特征和句子构成特征、采用SVM分类器时,该模型能够准确识别学习体验文本中的学习者情感;模型不仅为学习者多级情感分析提供新的研究思路,而且也为深入挖掘学习行为、改善在线教育的学情分析等,提供了技术支撑。这一研究结果,有助于进一步把握模型的应用前景、面临的问题和挑战等,并提出了相关建议。 相似文献
14.
随着信息技术和学习理论的发展,教育研究的焦点逐渐从"以教为中心"向"以学为中心"转变,对学习的研究也逐渐从对学习者本身的研究转向对学习环境的研究。社交网络模拟了人类社会生活与社会关系,其理念契合了社会建构主义、关联主义、分布式认知等学习理论,更加符合网络时代学习的社会性、关联性、分布性、碎片化、个性化等特征。本研究在分析现有网络学习环境的基础上,提出以社交网络模型为资源聚合与推荐框架设计新型学习环境的思路,对个人学习空间、学习资源聚合模式和个性化推荐引擎构建等学习环境设计要素进行了分析。社交网络可以实现"网络学习空间人人通",学习环境内外资源的个性化聚合,并记录学习过程。通过对大量学习行为数据的分析,可以辅助教学决策,优化学习过程,推荐符合学习者个性的学习资源,实现个性化学习。最后,本研究基于开源社会性软件Sakai OAE构建了个性化学习环境并进行了实际应用,结果表明该学习环境在用户易用性和技术接受度等方面取得了较好效果。 相似文献
15.
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
16.
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
17.
在线教育师生情感缺失问题是当前教育研究亟待解决的难题之一。在线教育弹幕文本作为学习者对在线课程内容及自身学习状态的实时反馈，隐含了大量情感信息，对于上述问题的解决具有重要意义。然而，目前鲜有针对在线教育弹幕文本开展情感分析的研究。基于此，设计了一种融合变式情感词典与深度学习技术的在线教育弹幕情感智能识别模型。具体而言：通过构建弹幕种子情感词集，计算弹幕文本与情感种子短语间的相似度，实现极短弹幕文本情感识别；借助BERT动态表征弹幕文本，双向长短时记忆网络挖掘弹幕文本中的深层特征，实现常规弹幕文本情感识别；融合两类弹幕文本情感识别信息并更新后，完成在线教育弹幕文本情感信息的智能识别。研究通过模型对比实验检验模型性能有效性，并借助具体案例验证模型应用可行性。 相似文献
18.
在线学习中学习者面临缺少计划、资源过载、缺乏交互、评价单一等问题,将知识地图引入在线学习系统,以期为学习者提供有针对性的学习支持服务。通过文献分析,从学习资源服务、个性化支持、知识协同共建、学习评价4个方面,构建基于知识地图的在线学习支持服务体系。基于知识地图的在线学习支持服务将零散的学习资源组织在一起,并提供资源导航、资源检索等功能;根据学习者的基本特征信息,推荐个性化学习路径;允许教师、助教、学习者共同构建知识地图、信息资源;支持学习评价以及评价反馈多元化。这些支持服务有利于引导、帮助和促进学习者自主学习,提高在线学习效率。 相似文献
19.
20.
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