融合专家分类与情境语义标注的学习资源表征方法

发布时间：2021-04-29 22:51

　　学习资源特征属性的全面提取与准确表征,是在智能学习环境下提供个性化、情境式学习服务的前提。有效、规范的学习资源表征方法,能涵盖资源的内容特性,标识其适用情境,支持语义关联、内容聚合和情景推荐,适应情境化和协作性的学习需求。构建自上而下的专家分类与自底向上的情境语义协同标注的学习资源表征方式,有利于学习资源特征的准确提取和关系聚合。具体而言,要实现对学习资源特征多视角、多层次的揭示和表征,需要在剖析不同学习资源表征方式的特征基础上,以专家分类元数据为框架,结合用户情境语义协同标注的学习资源表征方式,引入社会网络分析方法,梳理、重构学习资源特征的语义关系和层次结构,形成自上而下的专家分类与自底向上的情境语义协同标注的学习资源表征方式,以达到用户协同和情境融合。实验研究也验证了该方法的有效性。这为探索融合专家、用户多视角对学习资源的内容特征和情境内涵表征,提供了新的思路。 

【文章来源】：远程教育杂志. 2019,37(03)北大核心CSSCI

【文章页数】：8 页

【文章目录】：
一、学习资源表示方法的相关研究
二、专家分类与情境语义标注的融合表征机理
    (一) 专家分类与情境语义标注表征的特点分析
    (二) 专家分类与情境语义标注的融合表征机制
三、融合专家分类与情境语义标注的学习资源表征
    (一) 融合专家分类与情境语义标注的学习资源表征模型
        1. 学习者
        2. 学习资源
        3. 情境
    (二) 融合专家分类与情境语义标签的学习资源表征方法
        1. 专家元数据属性创建
        2. 用户情境语义协同标注
        3. 情境语义标签分析聚合
四、融合专家分类与情境语义标注的学习资源表征效果验证
    (一) 实验设计与实施
    (二) 效果验证及分析
        1. 数值型标签一致性检验
        2. 文字型标签语义密度检验
五、小结


【参考文献】：
期刊论文
[1]大数据环境下基于多维关联分析的学习资源精准推荐[J]. 丁继红,刘华中.  电化教育研究. 2018(02)
[2]本体可视化构建与进化系统的设计和架构[J]. 王琦,周紫云,丁国柱,余胜泉.  电化教育研究. 2018(02)
[3]深度学习内容及其资源表征的实证研究[J]. 胡航,董玉琦.  中国远程教育. 2017(08)
[4]影响教育资源选择的学习者模型构建[J]. 丁继红,刘华中.  远程教育杂志. 2017(04)
[5]基于领域本体的数字文献资源聚合及服务推荐方法研究[J]. 毕强,刘健.  情报学报. 2017(05)
[6]多种媒体特色资源数据模型的构建与研究[J]. 孙翌,郑巧英,张晗.  图书馆杂志. 2017(05)
[7]“科学知识图谱”与“Google知识图谱”比较分析——基于知识管理理论视角[J]. 冯新翎,何胜,熊太纯,武群辉,柳益君.  情报杂志. 2017(01)
[8]学习资源的语义众包标注系统设计[J]. 丁国柱,余胜泉,潘升.  中国电化教育. 2016(09)
[9]语义慕课:语义网环境下MOOC的发展愿景[J]. 吴文涛,张舒予.  中国电化教育. 2016(09)
[10]考虑观点多样性的社会化语义网知识组织模式探究[J]. 马晓悦.  情报科学. 2016(07)



本文编号：3168326