自適應學習作為未來影響高等教育發(fā)展的關鍵技術之一,成為教育領域研究的新熱點。實施自適應學習的基礎在于把每一位學習生當作獨特的個體。傳統(tǒng)的教育方式并沒有考慮學習者對于知識的接納或吸收方式是不同的。影響最為重大的莫過于學習者的學習風格。學習風格是影響學習者學習質量和效率的重要因素,它決定了學習者適合怎樣的學習路線和學習策略。契合的學習策略可以極大地提高學習者的學習興趣和學習效率。因此針對不同風格的學習個體實施個性化輔助方式是教育大數(shù)據(jù)工作下的研究熱點之一。然而,現(xiàn)有研究大多基于問卷調查或學習者各項網(wǎng)絡活動的頻率統(tǒng)計,對學習者群體進行風格判斷與分類。這些方法忽略了學習者學習過程中的行為規(guī)律,并且從結果出發(fā)得到的學習風格無法體現(xiàn)學習者的真實行為規(guī)律。所以需要一種新的學習風格模型和分析手段,去配合自適應個性化學習的開展。基于學習風格模型的優(yōu)化,提出一種基于過程的等級偏好學習風格模型。模型通過對學習者的在線學習行為數(shù)據(jù)進行分析,計算其視聽、讀寫和互動三個維度的偏好值,進而按照等級劃分,對其學習風格類型進行判定。通過驗證實驗證明,等級偏好模型具有較為全面的覆蓋度,并且其分類結果與機器學習等聚類算法的...

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【部分圖文】：

圖1-1在線學習活動分析框架

基于級聯(lián)過濾DTW的學習風格挖掘算法研究2數(shù)據(jù)類型中應用效果不佳[15]。由于采用歐式距離度量方式，使得無法較好地保留數(shù)據(jù)的時間特性，因此直接使用傳統(tǒng)機器學習算法的效果并不理想。而動態(tài)時間歸整（DynamicTimeWarping，以下簡稱DTW）算法可以在一定程度上彌補這一劣勢....

圖1-2個性化在線教育框架

基于級聯(lián)過濾DTW的學習風格挖掘算法研究3目前已有大量基于學習者在線行為的時間序列數(shù)據(jù)出發(fā)，從多方面出發(fā)探索學習者線上學習行為與學習表現(xiàn)之間的關系。對現(xiàn)有研究方法進行總結可以得出常用的分析路徑，根據(jù)當前研究可以得出個性化在線教育框架如圖1-2所示[22-24]。除此以外，在不同的....

圖1-3動態(tài)時間歸整與傳統(tǒng)算法融合形式

基于級聯(lián)過濾DTW的學習風格挖掘算法研究6動態(tài)時間歸整算法的思想是對傳統(tǒng)機器算法進行核替換，然后將傳統(tǒng)算法應用在時間序列數(shù)據(jù)中。例如，基于高斯DTW的SVM語音識別算法，利用高斯DTW核將變量特征投影至高維空間，投影后在高維空間中應用SVM算法對語音數(shù)據(jù)進行辨別與分類[57]；基....

圖2-1個性化在線教學框架

基于級聯(lián)過濾DTW的學習風格挖掘算法研究10綜上所述，個性化的學習理論是以學習者的在線行為數(shù)據(jù)為出發(fā)點，從中挖掘具有分析價值的信息。通過這些信息的反饋幫助學習者以及教師了解學習者的實際情況、風格類型以及適應路線等，從而提供出準確的輔助教學手段。而作為學習者本身，也可以通過這些數(shù)據(jù)....

本文編號：3942757