移動學習情境具有學習時間碎片化、學習環(huán)境動態(tài)性的特點,導致應用傳統(tǒng)的協(xié)同過濾資源推薦方法時,存在用戶相似度計算效率較低等問題。針對此問題,文章基于移動學習環(huán)境下學習者的時間熵和空間熵等時空特征,對學習者進行分群,并提出移動學習環(huán)境下用戶相似度算法,在此基礎(chǔ)上構(gòu)建了基于學習者時空特征的移動學習資源推薦模型,并在具體課程中進行了模型有效性的驗證。驗證結(jié)果表明,此模型有效地解決了因用戶數(shù)據(jù)量過大而導致的用戶相似度計算過慢問題,并使移動學習環(huán)境下的學習資源推薦更加精準。 

【文章來源】：現(xiàn)代教育技術(shù). 2020年10期 北大核心CSSCI

【文章頁數(shù)】：7 頁

【部分圖文】：

基于學習者時空特征的移動學習資源推薦模型

在未使用學習者時空特征的情況下，本研究通過KNN算法對所有學習者使用歐式距離計算出與目標學習者接近的近鄰學習者，通過交叉驗證得到不同K取值下的學習者分群準確率，如圖3所示。圖3顯示，當K=4時，達到最大分類準確率（83%）。圖3 未使用時空特征的學習者分類準確率

圖2 學生時空特征分布圖根據(jù)時間熵和空間熵，本研究分別對HT-HL群、HT-LL群、LT-LL群、LT-HL群四個群體進行交叉驗證，得到最優(yōu)K取值，由此得到學習者分群準確率，如圖4所示。具體來說，在HT-HL群，當K取值為3時，用戶分群準確率為0.90；在HT-LL群，當K取值為5時，用戶分群準確率為0.89；在LT-LL群，當K取值為3時，用戶分群準確率為0.87；在LT-HL群，當K取值為6時，用戶分群準確率為0.90。


本文編號：2944551