本文關鍵詞：基于學習分析的學習資源個性化推薦研究

  更多相關文章： 學習分析 學習風格 個性化推薦 學習資源 學習伙伴

【摘要】：隨著教育信息化的發(fā)展和MOOC(大規(guī)模開放網(wǎng)絡課程)的出現(xiàn),網(wǎng)絡學習為學習者提供了豐富和多樣化的學習資源,它有不受時空限制等許多優(yōu)勢,因此越來越受到人們的普遍歡迎。然而,網(wǎng)絡學習資源的數(shù)量在不斷地急劇增長,導致學習者在面對大量的學習資源時,經(jīng)常遇到“如何選擇、選擇哪個”等問題。更為關鍵的是,學習者在興趣偏好、學習風格和認知水平等多方面存在著一定的差異,因而對學習資源的需求具有個性化。在學習平臺中為學習者推薦個性化的學習資源是解決這些問題的有效方法。同時,學習者在網(wǎng)絡學習的過程中產(chǎn)生了大量的學習者信息和學習行為數(shù)據(jù),而且這些數(shù)據(jù)還在不斷迅速增加,它對促進學生學習并滿足學生的個性化學習需求具有潛在的利用價值。近年來,學習分析作為教育領域的一項新興技術正在迅速發(fā)展,它能收集、分析和報告學習者的個人信息數(shù)據(jù)和學習行為數(shù)據(jù),通過研究學習者的學習行為來研究學習過程的發(fā)生機制,根據(jù)學習相關數(shù)據(jù)的分析結果為學習者推薦學習資源等,以此來為學習者提供高質(zhì)量和個性化的學習體驗�，F(xiàn)有的網(wǎng)絡學習平臺的個性化程度都比較低,主要原因是：學習數(shù)據(jù)的分析方法單一、局限,不能最大程度地挖掘它們的價值,進而不能進行有效地推薦。因此,本文提出了基于多種學習分析方法相結合的學習資源個性化推薦,它通過獲取和分析學習者的個人信息數(shù)據(jù)、學習行為數(shù)據(jù)和交流內(nèi)容數(shù)據(jù),修正學習者的學習風格,挖掘其認知困難,在對學習相關數(shù)據(jù)進行多方面分析的基礎上為學習者推薦個性化的學習資源和學習伙伴,使網(wǎng)絡學習真正做到“以學生為中心”而不是“以資源為中心”。本文主要從以下四方面進行詳細敘述：第一,分析并闡述了學習分析和學習資源個性化推薦的研究現(xiàn)狀,介紹了學習分析和個性化推薦的相關技術以及Felder-Silverman學習風格的具體內(nèi)容；第二,介紹了網(wǎng)絡學習行為的含義,以及Felder-Silverman學習風格和網(wǎng)絡學習行為的對應關系,在此基礎上制定了結合統(tǒng)計分析、社會網(wǎng)絡分析、序列模式分析和話語分析法的學習分析策略,構建了用戶學習分析系統(tǒng)模型,記錄、挖掘和分析學習者的學習行為和學習內(nèi)容,同時推斷和修正學習者的學習風格,挖掘?qū)W習者的學習困難；第三,認真研究了基于Felder-Silverman量表的學習風格的修正方法以及學習資源的隱式評分模型,在此基礎上構建了基于混合推薦的個性化推薦模型,為學生推薦個性化的學習資源和學習伙伴、推送個性化學習界面,并做了相關實驗證明了該模型的可行性；第四,針對計算機的相關課程,設計了個性化推薦系統(tǒng)的功能模塊,并設計了學習平臺和不同學習風格類型的學習者在學習過程中的個性化界面,更直觀地展示了該系統(tǒng)的功能。運用多種學習分析技術相結合的方法分析學習者的個人信息和學習行為數(shù)據(jù),能為學習資源的個性化推薦提供更好的依據(jù),能使網(wǎng)絡學習更具個性化,更大程度滿足學習者的需求。
【關鍵詞】：學習分析 學習風格 個性化推薦 學習資源 學習伙伴
【學位授予單位】：陜西師范大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：G434
【目錄】：

• 摘要3-5
• Abstract5-9
• 第1章 緒論9-15
• 1.1 研究背景和意義9-10
• 1.2 國內(nèi)外研究現(xiàn)狀10-12
• 1.2.1 學習分析10-11
• 1.2.2 學習資源的個性化推薦11-12
• 1.3 主要研究內(nèi)容12-13
• 1.4 論文組織結構13-15
• 第2章 相關理論和技術基礎15-23
• 2.1 學習分析15-17
• 2.1.1 學習分析的定義15-16
• 2.1.2 常見的學習分析方法16-17
• 2.2 個性化推薦17-19
• 2.2.1 個性化推薦的定義17
• 2.2.2 個性化推薦的關鍵技術17-19
• 2.3 Felder-Silverman學習風格19-21
• 2.4 本章小結21-23
• 第3章 網(wǎng)絡學習分析系統(tǒng)模型23-29
• 3.1 網(wǎng)絡學習行為23
• 3.2 Felder-Silverman學習風格和網(wǎng)絡學習行為的對應關系23-24
• 3.3 網(wǎng)絡學習行為分析方法24-25
• 3.4 網(wǎng)絡學習分析策略25-26
• 3.5 網(wǎng)絡學習分析系統(tǒng)模型26-27
• 3.6 本章小結27-29
• 第4章 個性化推薦模型29-41
• 4.1 混合推薦流程29-30
• 4.2 基于Felder-Silverman量表的學習風格的修正30-32
• 4.2.1 影響學習者學習風格的學習行為30-31
• 4.2.2 修正學習者學習風格的估算規(guī)則31-32
• 4.3 學習資源的隱式評分模型32-33
• 4.4 基于混合推薦的個性化推薦模型33-36
• 4.5 實驗數(shù)據(jù)及結果分析36-40
• 4.5.1 社會網(wǎng)絡分析及學習伙伴推薦36-38
• 4.5.2 基于用戶的協(xié)同過濾推薦部分38-40
• 4.6 本章小結40-41
• 第5章 個性化推薦系統(tǒng)的設計41-51
• 5.1 系統(tǒng)功能模塊設計41-42
• 5.2 開發(fā)環(huán)境的構建42-43
• 5.3 平臺界面43-50
• 5.3.1 平臺首頁43-44
• 5.3.2 論壇界面44-46
• 5.3.3 個性化學習資源和學習伙伴推薦界面46-47
• 5.3.4 個性化學習界面47-50
• 5.4 本章小結50-51
• 第6章 總結和展望51-53
• 6.1 研究成果51-52
• 6.2 研究不足和展望52-53
• 參考文獻53-57
• 附錄57-65
• 致謝65-67
• 攻讀學位期間取得的研究成果67

【共引文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 羅凌;楊有;馬燕;;基于TAN貝葉斯網(wǎng)絡的學習風格檢測研究[J];計算機工程與應用;2015年06期

，

本文編號：1030563