基于本体和个性化学习路径的大学生计算机课程在线学习研究

为了提升大学生在网络上学习计算机课程的主动性和学习效率,提出构建基于本体的个性化学习路径推荐模型,具体介绍构建模型的3个步骤,阐述如何经过不断循环和演进,形成满足不同学习者需求的动态、个性化学习路径推荐模型。通过实验结果分析,说明本模型对增加计算机网络学习签到频率,提高学习成绩,减少网络知识点分散化等作用明显。     

基于知识图谱的工商管理线上教学资源个性化推荐方法

为了改善工商管理线上教学资源的个性化推荐效果,提出基于知识图谱的工商管理线上教学资源个性化推荐方法。首先,通过构建工商管理线上教学资源的知识图谱,获取教学资源知识点和实体之间的关系。其次,利用用户兴趣与教学资源的相似度计算,判断资源与用户学习偏好的匹配情况。最后,根据结果推荐适合用户需求的教学资源。实验结果表明,该个性化推荐方法在召回率和推荐准确性方面具有优势。     

基于改进位置社交的近邻知识推荐算法

信息过载是当前各类网络中存在的普遍问题,社交网络中通过推荐算法为用户推荐感兴趣的内容,但该类算法并不适用于学习网络中存在特定逻辑联系的知识点推荐。结合社交网络及LBSN网络中的兴趣点推荐算法,提出了一种面向学习网络相关知识点的改进LBSN推荐算法,通过学习网络中的相似用户计算及知识路径发现,为用户推荐当前学习相关的近邻知识点,并通过实验数据证明了学习网络中加入学习推荐对学习者效率及学习质量提升的效果。     

基于知识图谱的智能信息推荐模型构建仿真

网络大数据之间独立性较强,导致信息推荐难度较大,无法满足用户个性化要求.提出基于知识图谱的智能信息推荐模型.扩展与改进单元模型,设计领域知识模型,并动态更新知识图谱,设计学习者模型架构.利用牛顿-拉夫逊迭代法求取认知水平,界定信息推荐达成度,实现最优路径的智能信息推荐.仿真结果证明,所构建的模型信息推荐路径更优,且推荐...     

基于知识图谱技术的线上教学资源推荐系统设计与实现

【目的】本文立足于线上教学资源领域,利用知识图谱相关技术,设计并实现一种融合多种推荐策略的推荐系统。【应用背景】线上教学资源种类繁杂、数量众多,且缺乏规范化构建和系统化管理,为教师管理教学资源及学习者查找有效信息造成诸多不便。【方法】通过设计知识图谱数据结构,构建全学科内知识语义关联,融合图嵌入和规则抽取的方法,实现教学资源推荐。【结果】本文提出的线上教学资源推荐系统已应用于南开大学教学资源网平台,在多学科领域内的知识点推荐中展现出较好的效果。【结论】通过实验结果分析,验证了本文推荐系统在缓解“长尾效应”方面的有效性,并通过可视化案例分析,验证了其实用性。     

智能网络学习系统中个性化学习研究

网络学习提倡以学生为主体,智能网络学习系统则以学生的个性化学习为特征．领域知识的组织和智能导航是智能网络学习系统中实现个性化学习的基本问题。探讨智能网络学习系统中的领域知识组织和管理,研究一种个性化学习路径的动态生成算法和个性化学习的页面合成算法,为智能网络学习系统的设计和开发提供基础。     

“大学计算机基础”课程中思政教学资源智能推荐方法

为提升“大学计算机基础”课程中思政教学资源推荐效果,提出了一种“大学计算机基础”课程中思政教学资源智能推荐方法。首先,构建“大学计算机基础”课程学习者模型,确定学习者学习偏好。其次,计算学习者属性与教学资源主题相似度,得到目标资源推荐数据集。最后,细化思政教学资源类别,设计思政教学资源智能推荐算法,完成思政教学资源的智能推荐。实验结果表明,此方法可保证教学资源推荐准确性,最高可达到98.83%,具有一定应用价值。     

基于时空域联合建模的领域知识演化脉络分析

同一领域不同知识概念之间存在演化关系,分析演化关系能有效地梳理领域知识的发展脉络,然而网络知识的碎片化、无序性、大规模等特性使得用户很难准确地分析并获取知识之间的这种关系。针对该问题,本文提出一种基于时空域联合建模的领域知识演化脉络分析方法,该方法首先考虑将知识系统以时空域联合知识网络的形式进行表达,随后采用骨架聚类方法提取历年知识网络演化路径,并按知识概念的发展进行演化路径衔接及路径分析。以数字媒体领域知识为例的实验分析表明,该方法能有效提取按年份发展的领域知识演化路径,对于辅助用户进行领域知识的理解与学习,以及个性化推荐具有显著的价值。     

数字校园中教学资源的架构、规划与设计

该文简要阐述了当前教学信息化在教学资源组织与管理上所面临问题与挑战,此基础上提出了关于数字校园的研究、规划与设计方法,尝试利用一体化学习环境合理的进行网络教学资源构建与应用,并对构建完善的网络教学平台提出了自己的设想。     

基于多Agent的网络学习智能推荐模型

针对网络学习者面临海量信息选择的困扰,提出了一个基于多Agent的网络学习智能推荐模型.运用界面Agent采实现与学习者的交互,利用基于知识推荐的Agent提供与学习者兴趣相关的推荐,以及基于相似学习者推荐的Agent向特定学习者推荐新的知识,并对模型中推荐的相似度算法进行了阐述.通过多Agent技术的运用,较好的解决了网络学习推荐的智能化,个性化以及灵活性的问题,使网络学习者能在一种交互式的学习环境中得到更人性化的学习推荐服务.     

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.     

突破智慧教育:基于图学习的课程推荐系统

近年来,随着互联网技术的迅猛发展,以慕课(MOOC)为代表的在线教育平台得到广泛普及.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了成功应用,但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)设计了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的最大障碍——冷启动问题.最后,基于真实课程学习平台数据集,以对比实验表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.     

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。     

基于协同推荐学习资源系统的设计和实现

随着网上学习者的不断增多和网络学习资源的不断丰富,学习者需要系统能够推荐他们感兴趣的资源。通过使用ASP.NET设计开发学习资源网站,研究了协同过滤推荐技术的算法,并实现了基于协同推荐学习资源系统的设计。     

Bayesian网知识推理在ITS学习推荐中的应用研究

提出了一种基于Bayesian网的知识推理网络和知识推理算法,该算法利用Bayesian知识推理网和Bayesian概率公式,从现有学习资源库和教学方法库中推荐出最符合学生特征的k种学习资源和k种教学方法,从而实现ITS的智能学习推荐功能。     

Python程序设计课程在线思政教学研究

Python程序设计是非计算机专业学生的公共基础课,其知识点多、理论性和实践性强。疫情下,利用多样化的网络平台,采用基于任务驱动的线上线下混合教学模式,将思政元素融入python课程的在线教学。文章作者首先介绍了所采用的线上教学模式,其次从教学视频、教学资源、学习活动以及在线辅导等四方面将思政元素融入在线教学设计,最后给出线上教学实施和成效。教学实践证明采用这种模式获得了良好的教学效果。     

面向智能教育的自适应学习关键技术与应用

本文是关于我们获得2020年度吴文俊人工智能科学技术奖主要工作的一个介绍。该成果针对自适应学习中面临的教学资源表示困难、学习状态诊断困难以及学习策略设计困难等关键技术难题,首先构建数据驱动的教学资源无监督表示新框架,提高了教学资源质量评估和内容检索的精度和效率。其次提出基于深度学习的学习者认知诊断新方法,突破了以量表为基础的教育测量理论研究范式。然后设计基于知识匹配的个性化推荐技术以及多目标匹配的自适应推荐技术,满足了智能教育场景的复杂约束与学习者的多样目标需求。最后,本文成果研发了面向基础教育的智能教育系统——智学网,已在全国推广使用,对我国智能教育发展具有积极意义。     

The effect of SDLR and self‐efficacy in preschool teachers by using WS learning

This study examined whether self‐directed learning readiness (SDLR) moderates the association between Internet self‐efficacy and approaches to learning by web searching (ALWS). A total of 329 valid questionnaires were used for the correlation and path analysis. The results revealed that preschool teachers' SDLR significantly moderated the influence of Internet self‐efficacy and ALWS. Thus, this result suggests that spending more time on SDLR may increase preschool teachers' ALWS, which may enhance their teaching practice via web‐based professional development. Findings from this study may have implications for preschool teachers who aim to improve their teaching practice by targeting web‐searching environment and approaches to learning. The findings suggest that the positive mediation role of SDLR between Internet self‐efficacy and ALWS, especially effective learning, active learning and independent learning of SDLR. Because SDLR has the great influence on the online learning domain, preparing teacher's self‐directed learning ability is important for educational authorities to facilitate teachers' better performance when learning online.     

Sequential Recommendation via Cross-Domain Novelty Seeking Trait Mining

Transfer learning has attracted a large amount of interest and research in last decades, and some effort has been made to build more precise recommendation systems. Most previous transfer recommendation systems assume that the target domain shares the same/similar rating patterns with the auxiliary source domain, which is used to improve the recommendation performance. However, almost all existing transfer learning work does not consider the characteristics of sequential data. In this paper, we study the new cross-domain recommendation scenario by mining novelty-seeking trait. Recent studies in psychology suggest that novelty-seeking trait is highly related to consumer behavior, which has a profound business impact on online recommendation. Previous work performed on only one single target domain may not fully characterize users' novelty-seeking trait well due to the data scarcity and sparsity, leading to the poor recommendation performance. Along this line, we propose a new cross-domain novelty-seeking trait mining model (CDNST for short) to improve the sequential recommendation performance by transferring the knowledge from auxiliary source domain. We conduct systematic experiments on three domain datasets crawled from Douban to demonstrate the effectiveness of our proposed model. Moreover, we analyze the directed influence of the temporal property at the source and target domains in detail.