享乐型信息系统用户采纳的理论模型及实证检验

为了揭示用户对移动阅读这一享乐型信息系统接受的行为规律,以信息技术接受模型（TAM）为基本架构,通过理论分析和添加新的研究变量,构建了享乐型信息系统用户接受行为的理论模型,通过问卷调查的方法收集数据,采用SPSS、AMOS等技术进行数据处理、假设检验和结构分析,对模型进行了检验和修正。研究表明,电子服务质量对用户的感知有用性和易用性有正向的影响,从而弥补了TAM对外生性因素关注不足的缺憾;用户的沉浸体验对其使用态度和使用意图有正向的影响,从而突破了TAM理性行为的假设前提,将反映用户对享乐型信息系统的情感变量引入模型,扩展了信息技术接受模型。     

大规模开放在线课程的用户行为研究

结合用户研究领域理论,采用实证方法对MOOC的用户行为模式进行初步分析,探究用户需求,提出相应的用户激励方法和MOOC改进建议,以期为平台设计者提供参考,为相关领域的未来研究工作提供思路。     

B2C的信任影响因素研究

当前,B2C电子商务逐步受到人们的关注,由此信任问题也成为B2C电子商务接受的关键因素。而信息技术用户接受理论认为用户对信息技术能否有效地接受,决定了它真实的价值和影响。因此理解相关因素对预测和解释用户的B2C电子商务接受行为具有重要的现实和理论意义。该文提出了一个基于技术因素的信任接受模型;通过引入中介变量商业因素,感知易用性和有用性反映用户信任建立过程;最后还通过引入调控变量进一步阐述信任的形成。该文最后通过对当当网的定性分析来验证模型的准确性。     

基于UTAUT模型的手机视频APP用户使用意愿影响因素研究

基于技术接受与使用整合模型理论,结合最新的研究成果,构建手机视频APP用户使用意愿影响因素研究模型,不考虑个人属性特点即控制变量的影响,将绩效期望、努力期望、社会影响、信息化需求、娱乐性需求和个性化需求作为核心变量,从而提出初始理论模型与假设。然后,通过问卷调查搜集数据,利用结构化方程建模方法进行模型验证与修正。实证结果表明,绩效期望、社会影响、信息化需求、娱乐性需求与个性化需求对手机视频APP使用意愿有正向影响。     

基于资源空间模型的MOOC异构资源索引方法

在已有的资源空间模型系统的基础上,本文提出了一种构建一个统一的索引作为MOOC异构资源管理的方式,并基于MOOC数据的特殊点建立的索引,使得索引直接与用户查询输入相关,从而设计出一种于用户查询的MOOC数据索引方法。     

中美MOOC学习者学习行为分析——基于edX公开数据集和国防科技大学梦课数据集

选取哈佛大学和麻省理工学院联合发布的ed X平台开放数据和国防科学技术大学MOOC教育平台数据作为研究基础,通过数据的处理、整合、分析,从平台、课程、学习者类型三个方面针对中美MOOC学习者学习行为进行分析,并从学习者类型出发,指出当下热点问题MOOC"高辍学率"的影响因素。     

基于TAM的企业云应用服务采纳模型及关键因素

云计算将主导企业应用的未来已成为业界的共识,转向云计算是企业应用模式的颠覆性变化。企业用户需要采纳适合企业自身需求的云计算方案,具备评估采纳云应用服务风险的能力;而服务提供商则应提供满足不同企业需求的云应用服务。采用技术接受模型(TAM)的相关理论建立云应用服务技术接受模型,并运用模糊决策实验与实验评估法(DEMATEL)对所设计模型及实例数据进行分析,检验所设计的云应用服务技术接受模型及关键因素。研究结果表明,感知有用性、应用服务质量、社交影响对企业用户采纳产生关键影响。     

SaaS模式的CRM用户接受度研究

客户关系管理是提高企业核心竞争力的关键之一,传统客户关系管理模式无法满足广大中小企业的需求。在讨论SaaS模式的CRM优势基础上,基于技术接受模型（TAM）,提出了SaaS模式的CRM用户接受度模型。利用结构方程模型方法,通过实证分析,得出结论：感知有用、感知易用、环境因素和用户因素是SaaS模式CRM用户接受度的4个具有显著影响的因素。     

经管类专业中信息技术课程的学习效果影响因素分析

基于整合性技术接受模型、期望价值理论、社会认知理论及学习动机等理论构建结构模型。利用AMOS和SPSS对结构模型进行实证分析,识别学生对信息技术类课程学习效果的认知要素。选取武汉地区几所高校经管类专业的部分学生进行问卷调查,分析他们的认知行为及影响学习态度和学习效果的因素,提出改进信息技术类课程效果的诸多建议。     

在线用户兴趣多样性的实证研究

在线用户的群体兴趣对于分析在线社会网络以及个性化推荐至关重要。研究的目的是引入信息熵这一指标来准确度量用户兴趣的多样性。分别在电影网站MovieLens和音乐网站Last．FM数据上进行实证分析,即统计度相同的用户所选产品的信息熵值。MovieLens的结果表明,随着用户度的增加,熵值出现先上升后下降的趋势,即度小的用户和度大的用户的兴趣比较专一,而一般用户的兴趣较为多样;而Last．FM的结果表明,度小用户的兴趣非常多样,但随着用户听过的音乐数量越多,兴趣越明确。通过建立随机模型与实证结果进行比较,可以发现绝大多数用户在真实数据集上的兴趣的多样性比随机情况要大,可见用户的兴趣对用户行为模式的影响显著。     

电子商务客户流失的DBN预测模型研究

在电子商务迅速发展,企业快速抢占市场的背景下,客户成为企业竞争的核心因素。现有相关研究多致力于采用全数据输入模式解析客户流失现象,不同类型客户造成的差异性还有待进一步探讨。鉴于传统RFM模型不能精确解释电子商务客户流失原因,该研究将客户分为活跃与非活跃两个集群,提出一种优化的RFM理论模型与深度信念网络实证模型对电子商务客户流失进行预测。结果表明,不同类型客户流失因素的影响强度不同。对活跃用户而言,客户购买总金额是影响客户流失的主要因素;对非活跃用户而言,客户进入店铺的时间越长越可能留住客户。通过剖析非活跃用户不流失和活跃用户流失的原因,可帮助企业制定有效的客户管理策略,以最大程度地吸引潜在客户及保留现有客户,获取最多的市场利益。     

基于TAM和MOA的大学生MOOC使用意愿影响因素探究

针对未使用MOOC的大学生,通过问卷调查和访谈,从动机、机会、能力、易用性和有用认知5个方面调查分析影响大学生使用MOOC意愿的因素。建议关注MOOC课程教学视频、课件和相关学习材料的建设,促进对MOOC的有用认知;提供学习语言支持,提高MOOC的易用性;开展MOOC优质课程内容分析与学习引导,激发大学生的使用动机。     

制造资源优化配置环境下用户抉择风险评判模型研究

通过对网络化制造资源优化配置的用户抉择风险因素识别与分析,提出并建立了多因素、多层级风险模糊评判模型;该模型的核心是双维体系结构,即来自用户本身的风险和来自协作企业的风险,它提高了用户选择合作企业过程中风险评判的客观性、可靠性。在此模型框架下,考虑到风险各因素、各层单元对事件影响程度的不确定性,基于模糊评判决策理论,建立了多级风险评判的算法结构,给出了风险评判综合值。最后用实例验证了模型及算法的有效性。     

基于时序分解的用电负荷分析与预测

在智能电网普及的大数据背景下,对电力数据进行精准的分析和预测对电网规划和经济部门的管理决策具有重要的指导意义,但大多数模型都只是在单一的时间尺度上进行研究。针对这一问题提出一种基于时序分解的后向传播算法的循环神经网络预测模型。通过对真实的居民用电消费数据以及外部因素数据统计处理,深入地分析了居民用电特点以及行为规律,并根据其数据的特征以及天气、节假日等外部因素对用户用电行为的影响建立预测模型,对用户未来时段的用电量进行预测。此外,考虑到居民用电消费数据的时序特征在不同时间尺度呈现不同的变化规律,通过时序分解建立预测模型来对用户用电行为的周期性和趋势性进行建模,并通过加权融合达到一起训练的效果,具有一定的协同性,提升预测精度。     

基于MOOC的学习者学习效果评价模型的研究

自新冠疫情以来,基于MOOC的在线学习已成为高校广为采用的教学模式。在该教学模式下,教学过程中产生了大量的学生学习行为数据,依托算法对数据进行分析,从而产生的学习者学习效果评价已取得了一定的进展。然而,已有的研究中,学者主要基于MOOC的某一项或某几项学习行为进行分析,因此产生的学习效果评价具有一定的片面性。针对这个问题,首先综合分析了MOOC产生的所有学习行为数据,并为不同的学习行为设置权重,最终形成基于MOOC的学习效果评价模型;其次,基于提出的评价模型,结合教学过程中产生的主客观数据,通过算法对数据分析,对学习者产生个性化、过程性评价及建议,从而实现因材施教。     

基于深度学习的MOOC作弊行为检测研究

快速准确地检测出MOOC学习者的作弊行为,对维护MOOC平台的发展及学习者的正常学习具有重要意义。本文研究了一种深度学习混合模型用于MOOC作弊行为的检测。该模型通过融合了卷积神经网络、双向门控循环单元以及注意力机制,大大提升了单一模型的检测性能。本文选取某MOOC平台的学习行为数据进行了实验验证,实验结果显示该模型在验证集上的精确率、召回率、AUC和误报率分别达到98.51%、81.35%、91.07%和0.016%,具有良好的应用前景。另外,本文采用了数据扩增的方法以解决MOOC作弊行为检测中存在的数据不均衡问题,实验中通过该方法进行数据平衡后,该模型在相同的验证集上的AUC提升了1.78%。     

基于图对比学习的MOOC推荐方法

随着MOOC在线教育平台的飞速发展,课程和用户数量激增,学习者在面对种类繁多的课程时往往较难选择,传统的推荐方法在MOOC课程推荐中应用存在对曝光次数较低的课程推荐效果差和对噪声数据鲁棒性不足的问题。为给学习者提供高质量的推荐,提出一种图对比学习的MOOC推荐方法,同时针对二分图结构给出一种新的数据增强方法。对输入的用户项目交互的二分图随机添加或者删除边进行数据增强,得到两个子视图,使用图卷积神经网络对原始二分图和两个子视图进行节点特征提取得到用户和项目的节点表征,并构建推荐监督任务和对比学习的辅助任务进行联合优化,在此基础上将用户和项目的节点表征进行点积获得推荐结果。在MOOC数据集上进行Top-K推荐的实验结果表明,相较于LightGCN模型,该方法在Recall@5和NDCG@5上均有显著提升,最高分别提升7.8%和7.3%,能够有效提高模型对于曝光次数较低的课程的推荐准确性和对于噪声数据的鲁棒性。     

基于居民出行行为分析的公交线路调度研究

针对居民出行高峰时段的交通拥堵问题,建立了以居民的出行行为分析为基础的公交线路调度模型。该模型运用生存分析理论对居民出行时间的影响因素进行分析,科学划分城市居民出行时段区间,进而针对该地区高峰时段的公交发车间隔构造非线性规划模型函数。模型函数综合考虑乘客时间成本和公交公司运营成本,加入权重系数并利用粒子群算法求解,从而得到最佳发车间隔时间。结合杭州某地区市民出行数据,通过实证研究得出优化后的调度时刻表,验证了模型的可行性和有效性。     

融合经济大数据的输电线路可视化模型研究

为平衡电力资源的输送并发挥出电网调配电能的优势,对电网特征的全貌分析尤为关键。而目前电力大数据在运检维修等面向用户的研究居多,但面向设备特性的输电线路分析的研究上存在空白,而输电线路设备的状态又与用户、经济和环境等外部数据有着密切的联系。为此,本文综合考虑了输电线路设备内、外部影响因素,提出了一种结合了外部因素的输电线路画像模型构建的理论框架并得到了相应的画像模型,通过相关性分析确定了各因素与线路状态的影响程度并构建相关性矩阵,并利用多元因素分析法建立了相应的回归模型,最后通过画像分析技术将其相关性分析的结果进行具象化,形成可视化的输电线路设备画像,为电网规划、运维管理和决策服务提供可靠高效的数据支撑和分析依据。     

在线用户打分行为长记忆效应与信任关系研究

对在线打分行为的动态研究能够帮助深入理解社交网络用户集群行为和信任关系的演化机制,当前许多在线系统用户能够通过对物品进行打分传达自己的观点。通过去趋势波动分析法研究了用户打分行为在信任关系建立前后的长记忆效应,并通过随机化打分时间和信任时间建立零模型,最后进行用户打分行为异质性分析。采用Epinions数据集进行实证研究,结果表明用户打分的长记忆效应在信任关系建立前出现下降趋势（8.06%）,并于之后逐步回升（8.43%）,而在两个零模型中赫斯特指数分别稳定在0.5和0.6左右,且用户长记忆效应变动与用户度呈正相关,Pearson相关系数分别为0.9358和0.9278。该工作有助于深入理解用户集群行为和信任关系的动态演化机制。