基于数据挖掘的网络教育资源库设计

数据挖掘是一种前沿技术,网络教育资源库的迅猛发展迫切需要满足个性化学习的需求.通过介绍数据挖掘技术,尝试对数据挖掘应用于网络教育资源库构建,来改进资源库的组织结构,使网络教育适合个性化学习进行探讨.     

基于数据挖掘的网络教学个性化查询

在个性化网络教学模式中个人信息的查询方法的研究中,针对目前的网络教育模式所采用的网络资源数据库模式单一,不具备智能化特性的弱点,为满足学生学习的个性化需求,分析了个性化搜索引擎模型以及个性化检索关键技术的实现,提出对搜索引擎的结果进行相关度排序、减速结果聚类和相关度反馈的方法,构建了基于数据挖掘的网络教学个性化信息查询系统,给出了系统的实现模式.仿真结果表明,个性化教学资源库系统中信息查询的实现模式能够较好的满足学习者的个性化需求.     

一个基于网络的智能个性化学习系统的设计与应用

本文以数据挖掘和机器学习技术为基础,提出了一种基于网络的智能学习系统的基本结构,该系统以学习者为中心,根据学习者的学习兴趣,为其提供智能的个性化学习平台;通过对系统关键技术的讨论,介绍和分析了学习者个性化学习兴趣模型建立和个性化学习的基本过程.     

个性化网络学习系统设计研究

本文以个性化学习理论为指导,探索出能够适应学习者个性化学习的网络学习系统的基本模块及其功能,并通过综合运用数据库技术、数据挖掘技术以及人工智能技术来完善系统的功能。该系统将网络学习的特点与学习者的认知水平、认知风格和兴趣爱好等个性化因素紧密结合起来,为学习者营造一个个性化的网络学习环境。     

个性化网络学习系统设计研究

本文以个性化学习理论为指导,探索出能够适应学习者个性化学习的网络学习系统的基本模块及其功能,并通过综合运用数据库技术、数据挖掘技术以及人工智能技术来完善系统的功能。该系统将网络学习的特点与学习者的认知水平、认知风格和兴趣爱好等个性化因素紧密结合起来,为学习者营造一个个性化的网络学习环境。     

Web数据挖掘技术在个性化网络教学中的应用研究

本文针对Web数据挖掘技术在个性化网络教学中的应用进行研究,有助于形成一种主动的、协作的、开放的网络教育学习系统,实现个性化、协作性教育教学,最大限度地发挥学习者的主动性、积极性,最大限度地利用优质教育资源。     

高校体育网络教育的现状及对策研究

高校体育网络教育有利于提高体育教学质量和教学效率,能够满足学习者的个性化要求。随着计算机技术、通讯技术和网络技术的迅速发展,高校体育网络信息的存储、传递正趋向电子化与数字化。本文对高校体育网络教育现状进行详细分析,本提出相应的解决策略。     

数据挖掘在个性化网络学习中的应用

本文分析了传统网络学习系统的现状及其弊端,针对这些问题提出：使用Web数据挖掘技术,对学习者网络学习行为进行分析,在此基础上对学习者网络学习行为进行预测,从而为学习者提供个性化的学习建议,提高学习者的学习效率;同时根据对学习者网络学习行为的数据挖掘结果,改进网站设计。     

基于数据挖掘的智能性个性化网络学习系统设计

目前基于web的学习系统已经不能满足不同背景的学习者在不同时间、以不同目的、不同方式的学习需求。本文在利用以知识点为导向的数据挖掘技术,运用多种数据挖掘算法,构建一种智能化的个性化网络学习系统用以满足对学习者有针对性的教育需求,提高教学质量。     

基于P2P的流媒体教学系统结构研究

随着计算机网络技术和数字技术的迅速发展,网络教育已经进入了数字化、智能化、个性化的发展阶段。本文致力于研究网络学习系统中的基于P2P流媒体技术的视频教学资源系统平台的构架,为学习者提供一个＂以学习者为中心＂的网络化学习环境。     

Web数据挖掘在网络教育中的应用

随着互联网的发展,网络教育也有了长足的进展。Web数据挖掘以其独特的优点,在网络教育中有很多的用途。介绍了Web数据挖掘的概念的分类、网络教育中的数据资源以及网络教育中的Web数据挖掘的主要过程,并着重介绍了Web数据挖掘在网络教育中的具体应用。     

基于行为序列分析的学习资源推荐算法研究

利用数据挖掘技术分析网络学习行为数据可以挖掘出其隐含的行为规律特征,为学习者提供个性化的学习资源服务。针对现有的数据挖掘算法在对网络学习行为数据进行分析时普遍存在模型适用性不高的问题,提出了一种基于行为序列分析的学习资源推荐算法。首先,提出行为序列及其相关概念的定义,并提出行为序列相似度计算方法;然后提出基于行为序列相似度的协同过滤推荐算法,计算学习者相似度并为待推荐学习者生成学习资源推荐列表;接着给出基于学习风格的推荐方法,将学习者学习风格特征融入推荐过程;最后,给出基于行为序列分析的学习资源推荐算法的模型。提出的算法没有对行为序列的模式进行限制,具有较高的适用性,对深入研究网络学习行为序列数据为学习者提供个性化学习服务具有一定的借鉴作用。     

KDW综述:基于Web的数据挖掘

由于Web数据所具有的半结构化特征,基于Web的数据挖掘与传统的基于数据库的数据挖掘有许多不同之处,基于Web的数据挖掘主要包括3种数据挖掘任务：对Web的内容的挖掘,对Web结构的挖掘和对Web访问的挖掘,该文综述了基于Web的数据挖掘技术,并介绍了国内在这个领域的研究现状。     

Personalized e-learning system using Item Response Theory

Personalized service is important on the Internet, especially in Web-based learning. Generally, most personalized systems consider learner preferences, interests, and browsing behaviors in providing personalized services. However, learner ability usually is neglected as an important factor in implementing personalization mechanisms. Besides, too many hyperlink structures in Web-based learning systems place a large information burden on learners. Consequently, in Web-based learning, disorientation (losing in hyperspace), cognitive overload, lack of an adaptive mechanism, and information overload are the main research issues. This study proposes a personalized e-learning system based on Item Response Theory (PEL-IRT) which considers both course material difficulty and learner ability to provide individual learning paths for learners. The item characteristic function proposed by Rasch with a single difficulty parameter is used to model the course materials. To obtain more precise estimation of learner ability, the maximum likelihood estimation (MLE) is applied to estimate learner ability based on explicit learner feedback. Moreover, to determine an appropriate level of difficulty parameter for the course materials, this study also proposes a collaborative voting approach for adjusting course material difficulty. Experiment results show that applying Item Response Theory (IRT) to Web-based learning can achieve personalized learning and help learners to learn more effectively and efficiently.     

Personalized curriculum sequencing utilizing modified item response theory for web-based instruction

Curriculum sequencing is an important research issue for Web-based instruction systems because no fixed learning pathway will be appropriate for all learners. Therefore, many researchers focused on developing e-learning systems with personalized learning mechanism to assist on-line Web-based learning and adaptively provide learning pathways. However, although most personalized systems consider learner preferences, interests and browsing behavior in providing personalized curriculum sequencing services, these systems usually neglect to consider whether learner ability and the difficulty level of the recommended courseware are matched to each other or not. Generally, inappropriate courseware leads to learner cognitive overload or disorientation during learning, thus reducing learning effect. Besides, the problem of concept continuity of learning pathways also needs to be considered while implementing personalized curriculum sequencing. Smoother learning pathways increase learning effect, avoiding unnecessarily difficult concepts. This paper presents a prototype of personalized Web-based instruction system (PWIS) based on the proposed modified Item Response Theory (IRT) to perform personalized curriculum sequencing through simultaneously considering courseware difficulty level, learner's ability and the concept continuity of learning pathways during learning. In the proposed modified IRT, the information function is revised to consider the concept continuity of learning pathway as well as considering the difficulty level of courseware and individual learner ability. Experiment results indicate that applying the proposed modified IRT for Web-based learning can construct suitable learning pathway to learners for personalized learning, and help them to learn more effectively.     

基于Web挖掘的个性化网络学习系统设计

设计了一种基于Web挖掘的个性化网络学习系统,该系统给出了Web内容挖掘、Web使用挖掘和Web结构挖掘的结果,并结合其推荐结果为学习者提供个性化的服务。并给出个性化推荐算法。     

大数据思维下的网络教学平台的数据驱动研究

网络教学平台的应用可为学习者提供丰富的资源,但是对于教师或学习者从现有网络教学平台获得的数据使 用是静态的,平台缺乏个性化学习指导。通过将大数据思维引入网络教学平台,可以更好地理解学习者的多样性和每个学习 者的真实情况。本文分析了现有网络教学平台的一些缺点,并讨论了如何利用“数据驱动”为学习者提供优质,个性化的教育 资源。     

基于Web的数据挖掘技术

基于Web数据挖掘是一个结合了数据挖掘和WWW的热门研究主题.本文综述了基于Web的数据挖掘技术,介绍了Web数据挖掘目前最流行的分类:Web内容挖掘、Web结构挖掘和Web访问挖掘,根据Web数据挖掘的最近研究现状,小结了几个研究热点.由于Web数据所具有的半结构化特性,使得Web数据挖掘更为复杂,不同于传统的基于数据库的数据挖掘.最后介绍一种全新的技术XML,XML的出现为解决Web数据挖掘的难题带来了机会.Web数据挖掘的研究具有极大的挑战性,同时又具有极大的开发潜力.     

Helping online customers decide through Web personalization

The Web-based personalization system proposed here uses both collaborative filtering and Web usage mining to give online shoppers the personalized recommendations they need to purchase products more intelligently.     

移动计算环境下远程用户体验数据挖掘方法研究

在移动计算环境下,通过对远程用户的体验数据优化挖掘,满足远程用户的个性化需求,提高对远程用户QoS服务质量;传统的数据挖掘方法采用显著特征关联信息提取算法,当远程用户体验数据之间的差异性特征不明显时,挖掘的准确性不好;提出一种基于关联用户自适应链路跟踪补偿的移动计算环境下远程用户体验数据挖掘模型,进行远程用户体验数据挖掘模型的总体设计和数据结构特征分析,对采集的远程用户体验数据进行非线性时间序列分解,对数据序列通过自相关特征匹配和特征压缩实现挖掘数据的指向性信息优化提取,采用关联用户自适应链路跟踪补偿方法实现对数据挖掘误差的控制和补偿,提高了数据挖掘的准确性和有效性;仿真结果表明,采用该挖掘方法进行移动计算环境下远程用户体验数据挖掘的准确度高,实时性较好,满足了移动远程用户的个性化需求,提高了对用户服务的针对性。