远程学习中优化课程路线导航算法研究

远程学习中,为提高学生的学习效率并满足个性化需求,网络课件需要根据学生的不同特征进行有益导航.为此目的设计的课程路线导航算法,是基于课程概念间的前提后续关系的.当学生学习概念时,系统根据收集到的学生信息与概念的权重计算出一条优化的单元路线,作为下一步学习推荐单元.此外,该算法同样适用于概念间存在的其它偏序关系如整体部分关系等.     

一种基于语义网的个性化学习资源推荐算法

在E-learning环境中,为了满足用户对学习资源的个性化需求,提出了一种基于语义网技术的学习资源个性化推荐算法。首先根据用户评价和浏览行为得到用户感兴趣的学习资源集合与核心概念集合,然后根据领域本体中概念间的关系分别计算不同用户评价的学习资源集合间的语义相似度和核心概念集合间的语义相似度,最后根据得出的两个相似度值共同决定用户兴趣偏好的相似性,找到具有相似兴趣的最近邻居,从而实现学习资源的协同推荐。此外,在学习资源管理上引入了学习对象概念,降低了相似度计算的复杂度。并将该算法应用到了基于语义网的个性化学习资源推荐系统中,实验表明,该算法有效改善了学习资源推荐效果,特别是对于新加入的资源和新注册用户效果显著。     

一种网络导航学习路径生成方法

该文提出了一种基于反馈的、满足全局优化和充分必要条件的网络导航学习路径生成方法。将知识单元及其依赖关系作为知识地图的顶点和边,全部存储于广义表中。测试学习者已经学过的知识单元,根据知识单元中心度和难度量化计算方法,生成知识地图总路径集合,基于不同的学习基础,学习者在集合中“按需所取”知识单元。该方法产生的知识地图导航不再是海量知识单元的不完备近似集合,而具有全局精确性;解决了学习路径的充分性和必要性难以同时满足的缺陷;针对学习者个性化要求,有效提高学习效率,具有教育学和计算机科学的双重价值。     

网络课程中的知识导航设计

由于超文本系统在鼓励学生自主学习时,因其复杂性和受限于用户界面,使学生难以建立整体结构的概念,引起学生迷失方向和形成认知负载,不利于学习,因此,提出了基于知识点的导航设计思想,对导航进行需求分析,针对不同的教学内容、教学对象,提供不同的导航路线和策略,并利用相关方法和技术实现《工程图学》课件的多功能导航。     

教学过程中的最优控制模型及理论分析

在分析教学过程的基础上，提出了教授率、学习效率、专业知识和技能吸收率的概念，并应用这些概念建立了教学过程最优控制模型。应用模型提出了预测算法、学生潜能预测算法以及学生培养计划算法。模型描述了学生专业水平的提高是一个知识和技能逐渐积累的过程，其提高程度与教师的教授率、学习效率、专业知识和专业技能的吸收率有关。理论分析表明，学生存在一个最大的知识和技能的接受能力，学习强度和接受能力之间存在一种非线性关系，同时也表明学生的学习能力呈现加速增长的趋势。     

在线教育系统学习路线管理模块的设计与实现

随着时代的发展,在线学习成为当今重要的学习方式之一,也产生了很多在线学习系统,但是目前的在线学习系统都没有预设学习路线和修改学习路线这个功能,无法监督学习者的学习状态,不方便教学管理。文章以辽东学院课程中心为例主要讲述在线学习系统预设学习路线模块的课程关系的分析、数据库表的建立、学习路线预设与修改等技术,建立串行学习路线预设、并行学习路线预设和混合学习路线预设框架模型,并对其中的关键技术的实现做了详细的叙述,希望能为开发者提供一个实用模型,并且希望对其他应用的建设有一定的借鉴作用。     

基于Web的适性化学习系统的设计

本文描述了基于Web的适性化学习系统模型。该系统由四部分组成:领域模型,学生模型,教学模型,导航模型。教学模型以建构主义学习理论为指导,采用适应性学习以支持学生的“学”。此系统采用适应性导航支持技术、课程排序技术和数据挖掘技术,为学生呈现最佳的学习路径和适当的学习导航。该模型在“计算机基础”课程中得到初步实现。     

OPRA方向关系网络的时空推理

由于目前的有向点方向代数(OPRA)推理只关注3个空间对象的静态关系推理,本文针对n个对象的方向关系定义了OPRA方向关系网络的时空推理问题。基于约束传播和概念领域理论,利用OPRA关系之间的空间约束和时间演变规律,给出了OPRA方向关系网络时空推理算法,解决了n个对象间动态OPRA关系的推理问题。本文算法可以应用于机器人导航、无人机导航、舰艇导航、战场分析等领域。     

ILS中知识的聚类和表示

在网络教育中，传统的导航方式或搜索引擎方式引导学习过程有着自身固有的缺陷，无法实现智能化、个性化学习，采用一种反映知识模块间关系的知识混合结构方式，通过对知识的规范录入和基于关联规则的知识聚类，得到一系列相关的知识项，以知识项和知识交流域(上下文)的映射来引导学习过程，能智能地向学习者提供建议性的相关学习内容及上下文，是一种有效的智能学习解决方案。     

基于分组遗传算法的集成多样性增强及其应用

为了解决复杂工业过程的概念漂移问题,提高集成学习模型的泛化性能,基于分组遗传算法,提出一种用于提升基学习器间多样性的建模方法.该方法以在线极限学习机作为基学习器,根据基学习器在滑动窗口上的性能对其进行分组,并执行进化操作,同时引入基因流概念,增加了基学习器间的多样性,提高了集成算法在处理概念漂移数据流时的预测性能.最后使用合成数据集和真实数据集验证了所提算法的合理性与有效性.