基于多维度推荐的智慧在线学习系统

针对目前在线学习系统中存在的不足,探讨如何有效地运用数据挖掘技术建立智慧的在线学习系统.从大量的用户数据中挖掘出关联关系,用以提供全面个性化、定制化的学习过程序列.利用数据挖掘着重发现用户与课程之间、课程与课程之间、用户与用户间的关联,形成一个多维度的网络.利用多维度推荐为用户推荐有价值的课程.实验表明多维度推荐具有良好的准确性和良好的用户体验.     

教育数据在课堂与在线教学中的应用研究

人工智能与大数据技术的应用,为教育教学注入了新的动力.文章以程序设计在线评测系统大数据为例,研究教育大数据在辅助课堂教学和在线教学中的应用.基于在线测评系统,分析学生学习流程及数据体系,剖析了教育数据在学习路径分析、相似度计算、个性化内容推荐、群体模型构建及学习成绩预测等领域的应用,为教育管理以及课堂教学与在线教学的深度融合提供决策支持.     

K12学习平台个性化学习资源推荐

随着在线学习平台的普及, 产生了大量学习行为数据, 如何利用大数据挖掘技术分析在线学习行为, 解决学习者经常面临的“资源过载”和“学习迷航”问题, 更好地实现教学决策、学习过程优化和个性化学习方法推荐等, 已经成为研究重点. 文章基于苏州线上教育中心的学习行为数据, 研究了常用的推荐系统模型, 结合该平台的数据特点, 提出了一种基于知识图谱的协同过滤推荐算法, 利用该算法, 平台推荐的资源准确率超过了90%, 有效解决了学生“学习迷航”的问题.     

基于Web的个性化学习系统的设计

为改善基于Web学习系统存在的不足,提出了一个基于数据挖掘技术的个性化学习系统模型,并详细描述了应用决策树及BP神经网络算法对个性化导航模块设计的方法.应用决策树方法,根据学生初始注册信息,为学生的学习能力进行分类;应用BP神经网络算法,对经过预处理的有用的教学数据进行挖掘,以得出学生对知识点的掌握情况;在分析对比学生的学习状态与课程要求的基础上为学生提供下一步学习的导航信息.基于该模型实现的个性化学习系统真正体现了因材施教的教育理念.     

面向基础教育阶段的教学资源推荐系统

针对传统推荐方法应用于教学场景存在数据稀疏、缺乏对课程内容和教师上下文环境分析的问题,设计了一种面向基础教育阶段的网络教学资源推荐系统。该系统由数据层、离线层和在线层组成:1)数据层基于马尔可夫链和向量空间模型构建课程模型和资源模型,综合教师个人注册信息和课程模型的节点构建教师模型;2)离线层使用词频逆向文件频率(TF-IDF)算法提取课程和资源的内容特征,初始化并优化数据层的课程模型和资源模型,进一步应用关联规则挖掘和相似度量方法,计算任意两资源或课程与资源之间的关系,并结合课程模型推理教师模型,产生用于推荐的中间结果;3)在线层采用加权混合的方式产生推荐资源列表。该系统现已应用于某教育资源共享平台中,可实现对其中60万条资源的个性化推荐。     

基于大数据技术的高职院校O2O智慧教学平台构建

基于大数据技术的高职院校O2O智慧教学平台是一个智慧学习、智慧答疑、精准教学、在线讨论、个性化练习测试、多维度评价等功能的一体化教学服务系统。学生通过平台线上自主学习、多方讨论、多维度评价,教师通过平台进行学情分析、问题答疑、教学设计,教学管理者通过平台实施数据化教学决策,通过线上线下有机结合,形成闭环,有效推进个性化、精准化教学。本文通过对基于大数据技术的高职院校O2O智慧教学平台构建进行研究,提出O2O智慧教学平台的技术框架,为平台的构建提供技术参考。     

融入学习者模型在线学习资源协同过滤推荐方法

在线教育存在“信息迷航”问题,而传统的信息推荐方法往往忽视教育的主体—学习者的特征。本文依据教育教学理论,根据在线教育平台中的学习者相关数据,研究构建了适用于在线学习资源个性化推荐的学习者模型。以协同过滤推荐方法为切入点,融合学习者模型中的静态特征和动态特征对协同过滤方法进行改进,建立融入学习者模型的在线学习资源协同过滤推荐方法。以2020年3~7月时间段的东北石油大学“C程序设计”课程学生的真实学习数据和行为数据为数据集,对本文提出的方法进行验证和对比,最后证明本文提出的方法在性能上均优于对比方法。     

数据挖掘在大学英语成绩预测中的应用研究

"数据驱动学校,分析变革教育"[1]的大数据时代已经来临,数据挖掘这一技术在教育行业随之诞生。随着社会对英语的应用日益增加,英语学习日益重要,大数据及数据挖掘技术在英语教学与学习中的应用与研究将成为新的发展趋势。本研究是基于大学英语技能训练系统产生的教学数据进行的挖掘分析,选取和学生成绩相关的数据作为特征,以学生考试成绩为目标,运用GBDT模型进行模型训练,实现了学生成绩的预测,经过评估、分析发现用数据挖掘技术可以比较准确的预估学生成绩,验证了数据挖掘技术在大学英语学习中的应用,以及GBDT模型对结果预测的影响,对学生学习和教师教学有很大的指导作用和使用价值。     

基于数据挖掘的高职学生个性化学习分析系统设计

针对高职教育发展的现状和高职学生在课程选择等方面存在的问题,介绍了高职教育教学研究中引入数据挖掘技术的必要性,并提出了如何有效利用数据挖掘方法和商业智能工具对高职学生的学习过程进行个性化分析的研究思路,在此基础上,给出了具有数据集成、数据建模、数据分析与展现功能的高职学生个性化学习分析系统的整体框架。     

突破智慧教育:基于图学习的课程推荐系统

近年来随着互联网技术迅猛发展，以慕课（MOOC）为代表的在线教育平台广泛普及.为助力”因材施教”的个性化智慧教育，以推荐算法为代表的人工智能技术受到了学术界与工业界的普遍关注.虽然在电子商务等领域获得成功应用，推荐算法与在线教育融合时仍面临严峻挑战：现有算法对隐式交互数据的挖掘不充足，推荐背后的知识指导作用不明显，面向实践的推荐系统软件有缺失.对此，设计了一套面向工业化场景的智慧课程推荐系统：（1）提出基于图卷积神经网络的推荐引擎，将”用户-课程”隐式交互数据建模为异构图；（2）将课程知识信息融入”用户-课程”异构图，深入挖掘了”用户-课程-知识”关联关系；（3）设计高效的在线推荐系统，实现了”预处理-召回-离线排序-在线推荐-结果融合”的多段流水线原型，不仅能够快速响应课程推荐请求，更能有效缓解推荐算法落地最大障碍——冷启动问题.最后，基于真实课程学习平台数据集，以对比实验证明了离线推荐引擎相比其他主流推荐算法的先进性，并基于两个典型用例分析验证了在线推荐系统面临工业场景需求的可用性.     

基于联合概率矩阵分解的个性化试题推荐方法

近年来随着在线教育中试题资源数量爆炸式的增长,学生很难在海量的试题资源中找到合适的试题,因此面向学生的试题推荐方法应运而生;然而,传统的基于概率矩阵分解的试题推荐方法没有考虑学生的知识点掌握信息,导致推荐结果准确率低,为此,提出一种基于联合概率矩阵分解的个性化试题推荐方法。首先,通过认知诊断模型得到的学生知识点掌握信息;然后,结合学生、试题和知识点三者信息进行联合概率矩阵分解;最后,根据难度范围进行试题推荐。实验结果表明,与其他传统推荐方法相比,所提方法在不同难度试题推荐的准确率上取得了较好的推荐结果。     

海量学术资源个性化推荐综述

进入大数据时代,信息超载是互联网用户面临的一个严重的问题,个性化推荐是解决此问题的一个非常有潜力的办法。在学术领域,学术资源个性化推荐是解决信息超载的有效途径,其为用户推荐符合其兴趣的个性化学术信息。从个性化推荐过程的用户建模、推荐对象建模和推荐策略等三个模块角度对现有学术资源个性化推荐研究进行了探讨。针对目前广泛应用的学术资源个性化推荐方法,包括基于内容的推荐、协同过滤推荐和基于网络结构的推荐等,总结其研究的关键点和存在问题,并对学术资源个性化推荐的研究趋势进行了预测。     

个性化学习路径推荐综述

近年来，伴随着现代信息技术的迅猛发展，以人工智能为代表的新兴技术在教育领域得到了广泛应用，引发了学习理念和方式的深刻变革.在这种大背景下，在线学习超越了时空的限制，为学习者“随时随地”学习提供了更多的可能性，从而得到了蓬勃发展.然而，在线学习中师生时间、空间分离的特征，导致教师无法及时掌握学生的学习状态，一定程度上制约了在线学习中教学质量的提升.面对多元化的学习需求及海量学习资源，如何迅速完成学习目标、降低学习成本、合理分配学习资源等问题成为限制个人和时代发展的重大问题.然而，传统的“一刀切”的教育模式已经不能满足人们获取知识的需求了，需要一个更高效、更科学的个性化教育模式，以帮助学习者以最小的学习成本最大限度地完成学习目标.基于以上背景，如何自动高效识别学习者特征，高效地组织和分配学习资源，为每一位学习者规划个性化路径，成为面向个体的精准化教育资源匹配机制研究中亟待解决的问题.系统地综述并分析了当前个性化学习路径推荐的研究现状，并从多学科领域的角度分析了对于同一问题的不同研究思路，同时也归纳总结了当前研究中最为主流的核心推荐算法.最后，强调当前研究存在的主要不足之处.     

在线教育平台中个性化学习资源推荐系统设计

为了通过充分挖掘和分析用户的学习行为规律及认知特点,借助互联网和人工智能技术提升个性化教育的深度和广度,设计了一个包含用户画像的个性化学习资源推荐系统。该系统由数据层、数据分析层和推荐计算层构成。数据层由用户数据以及包含知识资料、学习资料和标签集的资源库组成;数据分析层融合了以基础信息、学习行为等为代表的静态数据和动态数据,据此为用户生成个性化画像、提供直观形象的学习反馈;推荐计算层则通过相似性分析和聚类算法发现用户的学习行为规律,使用TF-IDF方法挖掘用户的资源偏好,并据此给出个性化的学习建议。该系统已应用于一个以人工智能类课程为主的在线教育平台,为师生提供个性化画像、学习反馈与资料推荐的服务,当前处于第二个学期的试用阶段。     

基于改进自编码器的在线课程推荐模型

随着互联网技术的发展以及2020年新冠疫情的爆发, 越来越多的学生选择在线教育. 然而在线课程数量庞大, 往往无法及时找到合适的课程, 个性化智能推荐系统是解决这一问题的有效方案. 本文根据用户在线学习具有明显时序性的特点, 提出一种基于改进自编码器的在线课程推荐模型. 首先, 利用长短期记忆网络改进自编码器, 使得模...     

用质的研究方法探讨当代大学教育软件

研究大学生对教育软件的感受,发现大学生喜欢人性化、透明性、在线的、可以帮助自学的教育软件,印证了研究者关于教育软件设计的某些观点,为研发有利于大学生发展的教育软件提出一些有建设性的建议.     

In search of online pedagogical models: investigating a paradigm change in teaching through the School for All community

Following a preliminary evaluation of the Web‐mediated School for All in 2002, this study further examines the online teacher role and explores the possible pedagogical models in this Web‐based informal lifelong learning context through a long‐term innovative e‐learning project over a 2‐year period. The author documents the educational rationale, reviews related literature on Web‐based instructional design, and presents longitudinal in‐depth study results based on empirical data collected from the four Web‐course contests held over 2 years from the perspective of outstanding online teachers. Significantly, three categories of six Web‐based pedagogical models induced from this research project are presented, and the rationale for how and why teachers would prefer to use certain teaching models is discussed. In addition, the characteristics of the outstanding online teachers and issues inherent in this alternative mode of a Web‐based informal educational setting are discussed. Finally, more research issues, questions, and possibilities for future research work are raised or identified for further study.     

Combining user preferences and user opinions for accurate recommendation

Recommendation systems represent a popular research area with a variety of applications. Such systems provide personalized services to the user and help address the problem of information overload. Traditional recommendation methods such as collaborative filtering suffer from low accuracy because of data sparseness though. We propose a novel recommendation algorithm based on analysis of an online review. The algorithm incorporates two new methods for opinion mining and recommendation. As opposed to traditional methods, which are usually based on the similarity of ratings to infer user preferences, the proposed recommendation method analyzes the difference between the ratings and opinions of the user to identify the user’s preferences. This method considers explicit ratings and implicit opinions, an action that can address the problem of data sparseness. We propose a new feature and opinion extraction method based on the characteristics of online reviews to extract effectively the opinion of the user from a customer review written in Chinese. Based on these methods, we also conduct an empirical study of online restaurant customer reviews to create a restaurant recommendation system and demonstrate the effectiveness of the proposed methods.     

Predicting high-risk students using Internet access logs

Predicting student performance (PSP) is of great use from an educational perspective, especially for high-risk students who need timely help to complete their studies. Previous PSP studies construct prediction models mainly on data collected from questionnaires or some specific learning systems. Instead, students’ Internet access logs were used in this study to predict high-risk students. Since the raw data in log files are high-dimensional, complex and full of noise, several methods were proposed for the preprocessing of the data source. A high-dimensional feature selection framework is then designed to prepare features for the construction of a prediction model with good trade-off between computational efficiency and prediction performance. Experiments showed that the proposed prediction model can identify about 85% of high-risk students. Some online characteristics of high-risk students were also discovered, which might help student counselors and educational researchers better understand the relationship between students’ Internet use and their academic performance.