共查询到20条相似文献，搜索用时 31 毫秒
1.
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
2.
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
3.
4.
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
5.
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
6.
随着教育信息化进程在教育领域的不断推进,互联网教育资源平台中形成了大量的学习资源.文章以教育云资源平台中的课程资源为例,通过提取用户数据、资源标签以及使用情况等信息,对资源的不同特征进行量化,建立基于模型的知识图谱,从而直观展示课件资源、用户需求等相关关系,利用知识图谱从海量学习资源中为学习者推荐最佳学习内容,帮助学习者理清知识关系,提升个性化推荐资源多样性和用户信任度. 相似文献
7.
程光胜 《深圳职业技术学院学报》2022,(1)
伴随着大数据和人工智能在教育领域的渗透和融合,个性化学习成为当前和未来教育关注的焦点,而自适应学习系统为个性化学习提供了一种实践路径.在分析自适应学习基本模型的基础上,结合自适应超媒体系统通用模型AEHS,引入了学习情境,构建了基于情境感知的自适应学习系统模型.为了提高自适应结果的精准性,根据学习情境中的学习者要素、时间要素、空间要素和设备要素,对学习者进行学习情境分组,以此为基础,通过学习者模型、领域模型和教学模型的协同作用,在自适应引擎的驱动下,生成自适应学习结果.最后,结合动态变化的时间因素,提供了个性化资源推荐的实现思路. 相似文献
8.
9.
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
10.
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
11.
12.
以用户个性需求为导向构建Web环境下智能学习系统是现代远程教育与智慧教育领域研究的热点,也是E-learn?ing的未来发展趋势。推荐技术是智能学习系统的“智慧”所在,其根据学习者差异性特征属性“分析—判断—理解”个性化需求并以此精准推荐合适的学习资源。基于内容和协同过滤的混合式推荐可解决单类型推荐所引起的冷启动、非结构化内容推荐等诸多短板问题,进而有效提高推荐资源的效率与质量。该研究在分析领域相关研究现状的基础上,提出了Web环境下智能学习系统中基于内容和协同过滤的教育资源混合式推荐模型构建方案,着重对其架构设计、对象建模与推荐算法进行详细论述。 相似文献
13.
针对海量在线资源带来的“信息迷航”情况,本文提出基于深度学习的数字图书馆资源个性化推荐模型.首先对深度学习的特点进行分析,再运用其对数字图书馆用户进行画像建模,根据用户特征、行为与偏好等信息,构建用户画像,再根据提取到的用户画像特征,结合深度学习算法,引入用户特征与时间关系参数,提高用户与资源间的匹配度,以此实现数字图... 相似文献
14.
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
15.
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
16.
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
17.
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
18.
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
19.
个性化学习路径推荐是智能技术驱动教育服务智能升级的关键力量,是实现大规模个性化教育的重要驱动。然而,目前个性化学习路径推荐的研究与实践仍未成熟,难以满足学习者因人而异、因时而变的个性化需求。个性化学习路径推荐的主流推荐框架包括基于机器学习、基于进化计算和基于知识图谱三种方式,具有不同的模型机理和适用的教育场景,经历了起步探索、预测推理、改进优化和融合创新的技术演进历程。其对教育的价值导向体现在赋能课堂教学、助力因材施教,优化在线学习、驱动服务升级,支持场馆学习、增强智能感知,改善游戏学习、优化交互体验,为破解大规模与个性化相结合的应用难题提供了重要支撑。随着智能技术的迭代升级及深入应用,未来个性化学习路径推荐呈现四大发展趋势,即关注信息要素的深度融合、迈向全方位多尺度的形式化建模,融合多种技术优势、构建以知识为主导的高性能推荐框架,注重可视化呈现和动态感知、推动个性化服务模式的优化升级,重视全景性应用策略研究、促进推荐技术与真实教育情境的紧密耦合。 相似文献
20.
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