学习可视化的意义与内涵研究

学习可视化是将学习内容、学习过程细节、学习成果以视觉形式表达,激发学生学习主动性,增强学生学习兴趣,提高学生学习效率的一种高效学习技术。心智图是一个非常优秀的可视化学习工具。阐述了学习可视化的定义,从可视化技术发展历史的层面揭示了其本质和目的,介绍了优秀的可视化学习工具心智图,并对学习可视化的意义和作用做了概括和总结。     

基于混合学习的网络学习平台设计与实践

混合学习是对网络学习的反思和传统课堂面授的回归,它融合了网络学习和传统课堂面授的优势,为学生提供了更好的学习条件,有利于提高学生的学习能力和综合素质。笔者依据混合学习的理念,对初中信息技术课程网络学习平台及混合学习过程进行了设计,以     

基于混合学习的网络学习平台设计与实践

混合学习是对网络学习的反思和传统课堂面授的回归,它融合了网络学习和传统课堂面授的优势,为学生提供了更好的学习条件,有利于提高学生的学习能力和综合素质。笔者依据混合学习的理念,对初中信息技术课程网络学习平台及混合学习过程进行了设计,以     

基于非联合型学习机制的学习神经元模型

针对生物神经细胞所具有的非联合型学习机制,设计了具有非联合型学习机制的新型神经元模型——学习神经元。首先,研究了非联合型学习机制中习惯化学习机制和去习惯化学习机制的简化描述;其次,建立了习惯化和去习惯化学习机制的数学模型;最后,基于经典的M-P（McCulloch-Pitts）神经元模型,提出了具有习惯化和去习惯化学习能力的新型神经元模型——学习神经元。经仿真实验验证,学习神经元具有典型的习惯化和去习惯化学习能力,为构建新型神经网络提供良好的基础。     

多层次网络学习模型与学习控制研究

在网络化的学习环境中,由于存在着学习需求多样化和缺乏针对性学习内容情况,因此如何提供一套完整的学习模型和学习控制机制对于提高学生学习效率显得尤为重要。基于知识空间理论和高级Petri网技术,建立了基于同一学习内容的,适应不同学习需求和不同学习对象的多层次的学习模型和学习控制机制,通过该模型可以很大程度上满足以上要求,避免了“知识迷路”和“学习迷航”,提供更加个性化的学习指导。     

信息技术支持的非正式学习环境国外新进展

非正式学习是一种和正式学习有所差异并相互补充的学习方式,信息技术的出现为非正式学习环境提供了坚实的技术支持,极大地扩展了非正式学习的可能性,推动了各种非正式学习方式的发展,改变了学习环境的形态。本文对海外各国信息技术支持非正式学习环境的进展和应用案例进行系统介绍。     

基于学习对象的网络学习内容组织方法

本文在研究学习对象和学习对象元数据及参考IMS学习资源元数据标准和内容包装规范的基础上,提出了一种基于学习对象的网络学习内容组织方案,该方案利用元数据模型描述学习对象的"模式"信息,以支持对网络学习内容的访问和搜索;提出了一个学习对象包装模型对网络学习内容进行组织和包装,以支持对网络学习内容的重用和交换。     

单agent强化学习与多agent强化学习比较研究

学习、交互及其结合是建立健壮、自治agent的关键必需能力。强化学习是agent学习的重要部分,agent强化学习包括单agent强化学习和多agent强化学习。文章对单agent强化学习与多agent强化学习进行了比较研究,从基本概念、环境框架、学习目标、学习算法等方面进行了对比分析,指出了它们的区别和联系,并讨论了它们所面临的一些开放性的问题。     

分阶Dyna强化学习算法

针对现有Dyna强化学习体系结构下,"规划"和"学习"在计算资源分配上的不合理问题,提出了一种分阶Dyna体系结构,随着经验知识的不断积累,将学习过程划分为探索阶段、变比重学习阶段和优化阶段,分别进行"规划"和"学习"的协调控制,大大减少了计算资源的浪费.结合传统的Q-学习算法,设计了分阶Dyna-Q强化学习算法,以适应动态不确定环境下的任务.在一个标准强化学习问题中,验证了所设计的分阶Dyna强化学习算法比基本Dyna强化学习算法具有更好的学习性能.     

学习心理学视角下移动学习中大学生心理特征探析

阐述了移动学习和学习心理学的内涵,对移动学习的已有研究进行了分析,并以大学生为例分析移动学习的特性,探讨大学生移动学习群体学习心理的独特性,为移动学习模式开发和教学设计提供参考。     

移动学习评价研究

移动学习评价可以分为移动学习课程评价和移动学习教学评价,本文分析了两者的关系,参照网络课程评价和网络课程评价标准相关成果,总结了移动学习评价的特点,提出了移动学习评价指标体系和评价标准要求,以及构建流程。     

对比学习研究综述

由于传统的监督学习方法很大程度上依赖于大量的标注数据,近年来,无需外部监督信息的自监督学习方法受到了极大关注.对比学习是一种有效的自监督学习方法,它通过对比相似样本和不相似样本,使得模型能够学习到样本的重要内在特征,进而应用于下游任务,在计算机视觉和自然语言处理等领域得到了越来越广泛的应用.本文系统地梳理了对比学习研究现状.首先介绍了对比学习的起源和主要思想,然后归纳了对比学习在设计映射函数、正负例构造和损失函数构造等方面的研究动态,接着重点介绍了面向计算机视觉和自然语言处理的对比学习研究;最后,分析了现有研究存在的问题,探讨了对比学习未来的研究趋势和发展方向.     

域自适应学习研究进展

传统的机器学习假设测试样本和训练样本来自同一概率分布. 但当前很多学习场景下训练样本和测试样本可能来自不同的概率分布. 域自 适应学习能够有效地解决训练样本和测试样本概率分布不一致的学习问题,作为 机器学习新出现的研究领域在近几年受到了广泛的关注. 鉴于域自适应学习技术 的重要性,综述了域自适应学习的研究进展. 首先概述了域自适应学习的基本问 题,并总结了近几年出现的重要的域自适应学习方法. 接着介绍了近几年提出的 较为经典的域自适应学习理论和当下域自适应学习的热门研究方向,包括样例加 权域自适应学习、特征表示域自适应学习、参数和特征分解域自适应学习和多 源域自适应学习. 然后对域自适应学习进行了相关的理论分析,讨论了高效的度 量判据,并给出了相应的误差界. 接着对当前域自适应学习在算法、模型结构和 实际应用这三个方面的研究新进展进行了综述. 最后分别探讨了域自适应学习在 特征变换和假设、训练优化、模型和数据表示、NLP 研究中存在的问题这四个方面 的有待进一步解决的问题.     

基于深度学习的视频预测研究综述

近年来,深度学习算法在众多有监督学习问题上取得了卓越的成果,其在精度、效率和智能化等方面的性能远超传统机器学习算法,部分甚至超越了人类水平。当前,深度学习研究者的研究兴趣逐渐从监督学习转移到强化学习、半监督学习以及无监督学习领域。视频预测算法,因其可以利用海量无标注自然数据去学习视频的内在表征,且在机器人决策、无人驾驶和视频理解等领域具有广泛的应用价值,近两年来得到快速发展。本文论述了视频预测算法的发展背景和深度学习的发展历史,简要介绍了人体动作、物体运动和移动轨迹的预测,重点介绍了基于深度学习的视频预测的主流方法和模型,最后总结了当前该领域存在的问题和发展前景。     

移动学习在高等数学教学中的应用

随着移动通信网络的全面覆盖和5G的不断普及,移动学习随之产生并成为一种重要的学习方式。移动学习为接受远程教育的学习者提供的不仅是学习形式的改变,还给他们带来了个性化学习的崭新感觉,同时也重新吸引了那些习惯了传统学习方式的学习者的兴趣和注意。本文主要是系统地辨析了大学生对移动学习的需求近况,也给出了开展移动学习的实施方法,同时提出了面向大学生的移动学习资源建设的切实有效的方法和策略,为本科院校引导学生有效地推进移动学习提供一些思路。     

高职计算机应用基础混合教学模式研究及实践

作者利用超星学习通平台开展了“计算机应用基础”课程混合式教学,针对课前、课中、课后不同的教学阶段特点,设计了自主学习、探究学习和巩固学习这一基本步骤,并通过问卷调查和学习数据分析了一学期教学实践的效果。研究表明,学生对基于学习通的混合式教学模式认可度较高,学习体验丰富,在一定程度上激发了学习兴趣,提高了学习效率。     

泛在学习——学习者自由探索的新方式

泛在学习代表了一种新的学习服务理念,使学习无处不在。泛在学习的学习理论从外在环境刺激向内在潜能的激发转变,注重学习者的个性发展和学习共同体的作用。文章介绍了目前普遍关注的泛在学习的内涵,支撑泛在学习的技术和理念,以及自由探索的形式;分析研究了泛在学习未来的发展前景。     

网络学习空间中学习画像的标签模型构建研究

混合式学习是互联网时代的一种主要学习形式。学生在网络学习空间中的学习活动将会产生大量的学习过程和学习结果数据。挖掘这些数据的价值成为了教育信息化的热点问题。基于这些学习数据开展学生学习画像将有助于分析学生的学习行为和学习成效,为探索个性化教育提供充分的数据支撑。该文以学习画像中最典型的学习能力和学习行为偏好两个维度的分析刻画为例,根据学习数据的动态周期性特征,提出了一种调整的线性加权变异系数算法,消除了量纲与样本容量的影响,实现了学生学习能力稳定性标签模型;同时利用箱线图k百分位数方法,结合偏好随机变量概率分布理论,构建了学生行为偏好中最有代表性的学习任务响应习惯标签模型。通过对采集的样本数据和处理结果的对比分析表明,采用该方法构建的两种标签模型具有良好的刻画效果,准确地反映了学生的个体学习特征。     

基于前馈神经网络的增量学习研究

增量学习是一种在巩固原有学习成果和不需要用到原有数据的情况下快速有效地获取新知识的学习模式.本文阐述了基于前馈神经网络的增量学习原理,在此基础上对主要的增量学习算法进行了详细的介绍和分析,最后对增量学习研究进行了总结和展望.     

多智能体系统中的分布式强化学习研究现状

对目前世界上分布式强化学习方法的研究成果加以总结, 分析比较了独立强化学习、社会强化学习和群体强化学习三类分布式强化学习方法的特点、差别和适用范围, 并对分布式强化学习仍需解决的问题和未来的发展方向进行了探讨.