面向中职学生的移动学习资源推荐方法及应用研究

发布时间：2020-03-31 06:56

【摘要】：随着信息技术与教育应用深度融合发展,移动学习已成为在线学习重要方式之一。由于移动学习能将理论学习内容与物理场景知识有效融合,符合职业学校专业课程理论教学与岗位能力知识融合培养目标,移动学习已成为职业学校教学应用研究热点问题。但面对移动学习平台中大量的学习资源,学习者易出现资源筛选困难、认知负载加重现象;同时,现有资源推荐模型中对中职学生特征和学习资源特征分析不够深入,造成现有移动学习平台推送的学习资源与学生需求资源的匹配度较低,推荐精度不高。为解决上述问题,本文提出了面向中职学生的移动学习资源推荐方法(edMOPSO-RA)。首先,梳理了国内外关于学习资源推荐、移动学习资源推荐、移动学习资源推荐技术和情境因素相关文献;其次,分析了移动学习环境下位置情境、网络情境、时间情境因素和中职学生情感不稳定、学习兴趣不足特点,结合学习资源难度、类型、大小和时间特征,构建了学习者情境特征和学习资源情境特征相融合的二维推荐模型,即面向中职学生的移动学习资源推荐模型(FSSM);再次,根据移动学习资源推荐过程中资源精度不高和资源同质化现象,设计基于进化状态检测的多目标粒子群优化算法(edMOPSO);通过利用进化信息检测算法的收敛性能和多样性能来反映推荐资源的精度状态和同质化现象,进而选择不同的优化策略实现资源推荐精度的提升。最后,利用所提推荐算法edMOPSO对FSSM模型进行优化,提出面向中职学生的移动学习资源推荐方法。文中利用基准测试函数验证了移动学习资源推荐算法的有效性,并通过移动学习资源推荐方法运行性能分析和应用的可行性分析验证了所提edMOPSO-RA方法的运行效率与可行性,通过中职《植物识别》课程中《常绿植物》章节资源阐述了所提方法的实际应用过程。上述实验表明,所提方法能够提高所推荐资源与中职学生需求资源的匹配度,有助于改善资源推荐精度。
【图文】：

论文结构,推荐算法

浙江工业大学全日制专业型硕士学位论文群优化算法进行了优化，设计基于进化信息检测的多目标粒子群动学习资源推荐算法；第五章对所提资源推荐算法和所提资源推验验证，并在中职《植物识别》课程中的一个章节进行了实际推六章为总结与展望。

情境因素,资源,移动学习,学习者

传统在线学习下的学习者的地理位置一般处于比较的网络状态；而移动学习环境下，学习者的地理位置着地理位置的变化，学习者所处的网络状态也会出现不与移动学习主要区别如表 3-1 所示。表 3-1 传统在线学习与移动学习主要区别学习资源形式时间特征学习大资源体系化课程长时间场网络小资源、片段化知识点资源碎片化场所网络学习环境下，，学习内容的片段性、学习位置的移动性习时间的碎片性特点[76]，在构建移动学习资源模型时网络状态信息和学习时间信息（包括学习者期望时间高资源与学习者的匹配度。图 3-1 为资源推荐考虑的移
【学位授予单位】：浙江工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：G434

【参考文献】