發(fā)布時間：2022-07-11 12:25

　　近年隨著慕課（MOOC）等新興教育教學手段的快速發(fā)展,大量的學習者學習行為可以被系統(tǒng)所記錄和分析,從而為個性化教學奠定了重要基礎(chǔ)。在Felder-Silverman學習風格模型的理論基礎(chǔ)上,通過引入智能分析算法動態(tài)地分析和識別學習者學習風格,構(gòu)建了一套融合了卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的"識別-推理"復合模型,通過學習者的線上學習行為、社區(qū)交互行為、學習內(nèi)容瀏覽行為、點擊拖動行為等學習過程識別其學習行為特征,并使用基于門控循環(huán)單元（Gated Recurrent Unit,GRU）的循環(huán)神經(jīng)網(wǎng)絡(luò)處理和預測其可能的學習風格及對學習內(nèi)容形式的偏好,以更高效地為學習者提供適應(yīng)于其學習風格的學習內(nèi)容和路徑,優(yōu)化學習體驗,為大規(guī)模、個性化和高質(zhì)量的下一代學習平臺提供技術(shù)支撐。 

【文章頁數(shù)】：6 頁

【文章目錄】：
1 引言
2 學習風格動態(tài)分析問題
    2.1 學習風格模型
    2.2 指標動態(tài)測量問題
3 動態(tài)學習風格識別模型設(shè)計
    3.1 用戶建模
    3.2 學習行為識別
4 模型訓練及測試
    4.1 數(shù)據(jù)集合預處理
    4.2 模型訓練與測試結(jié)果
5 結(jié)論


【參考文獻】：
期刊論文
[1]基于模糊C均值的在線協(xié)作學習混合分組研究[J]. 羅凌,楊有,馬燕.  計算機工程與應(yīng)用. 2017(16)
[2]基于Felder-Silverman學習風格模型的網(wǎng)絡(luò)學習風格研究[J]. 王晨煜,管明輝,殷傳濤,熊璋.  重慶理工大學學報(自然科學). 2017(02)
[3]基于改進的卷積神經(jīng)網(wǎng)絡(luò)的中文情感分類[J]. 張綺琦,張樹群,雷兆宜.  計算機工程與應(yīng)用. 2017(22)
[4]學習風格對大學計算機課程MOOC學習的影響[J]. 王若賓,付瑞平,程楠楠,肖彬,杜春濤.  計算機教育. 2016(10)



本文編號：3658160