基于学习分析的学习资源个性化推荐研究

发布时间：2017-10-14 10:26

  本文关键词：基于学习分析的学习资源个性化推荐研究

  更多相关文章： 学习分析 学习风格 个性化推荐 学习资源 学习伙伴

【摘要】：随着教育信息化的发展和MOOC(大规模开放网络课程)的出现,网络学习为学习者提供了丰富和多样化的学习资源,它有不受时空限制等许多优势,因此越来越受到人们的普遍欢迎。然而,网络学习资源的数量在不断地急剧增长,导致学习者在面对大量的学习资源时,经常遇到“如何选择、选择哪个”等问题。更为关键的是,学习者在兴趣偏好、学习风格和认知水平等多方面存在着一定的差异,因而对学习资源的需求具有个性化。在学习平台中为学习者推荐个性化的学习资源是解决这些问题的有效方法。同时,学习者在网络学习的过程中产生了大量的学习者信息和学习行为数据,而且这些数据还在不断迅速增加,它对促进学生学习并满足学生的个性化学习需求具有潜在的利用价值。近年来,学习分析作为教育领域的一项新兴技术正在迅速发展,它能收集、分析和报告学习者的个人信息数据和学习行为数据,通过研究学习者的学习行为来研究学习过程的发生机制,根据学习相关数据的分析结果为学习者推荐学习资源等,以此来为学习者提供高质量和个性化的学习体验。现有的网络学习平台的个性化程度都比较低,主要原因是：学习数据的分析方法单一、局限,不能最大程度地挖掘它们的价值,进而不能进行有效地推荐。因此,本文提出了基于多种学习分析方法相结合的学习资源个性化推荐,它通过获取和分析学习者的个人信息数据、学习行为数据和交流内容数据,修正学习者的学习风格,挖掘其认知困难,在对学习相关数据进行多方面分析的基础上为学习者推荐个性化的学习资源和学习伙伴,使网络学习真正做到“以学生为中心”而不是“以资源为中心”。本文主要从以下四方面进行详细叙述：第一,分析并阐述了学习分析和学习资源个性化推荐的研究现状,介绍了学习分析和个性化推荐的相关技术以及Felder-Silverman学习风格的具体内容；第二,介绍了网络学习行为的含义,以及Felder-Silverman学习风格和网络学习行为的对应关系,在此基础上制定了结合统计分析、社会网络分析、序列模式分析和话语分析法的学习分析策略,构建了用户学习分析系统模型,记录、挖掘和分析学习者的学习行为和学习内容,同时推断和修正学习者的学习风格,挖掘学习者的学习困难；第三,认真研究了基于Felder-Silverman量表的学习风格的修正方法以及学习资源的隐式评分模型,在此基础上构建了基于混合推荐的个性化推荐模型,为学生推荐个性化的学习资源和学习伙伴、推送个性化学习界面,并做了相关实验证明了该模型的可行性；第四,针对计算机的相关课程,设计了个性化推荐系统的功能模块,并设计了学习平台和不同学习风格类型的学习者在学习过程中的个性化界面,更直观地展示了该系统的功能。运用多种学习分析技术相结合的方法分析学习者的个人信息和学习行为数据,能为学习资源的个性化推荐提供更好的依据,能使网络学习更具个性化,更大程度满足学习者的需求。
【关键词】：学习分析 学习风格 个性化推荐 学习资源 学习伙伴
【学位授予单位】：陕西师范大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：G434
【目录】：

• 摘要3-5
• Abstract5-9
• 第1章 绪论9-15
• 1.1 研究背景和意义9-10
• 1.2 国内外研究现状10-12
• 1.2.1 学习分析10-11
• 1.2.2 学习资源的个性化推荐11-12
• 1.3 主要研究内容12-13
• 1.4 论文组织结构13-15
• 第2章 相关理论和技术基础15-23
• 2.1 学习分析15-17
• 2.1.1 学习分析的定义15-16
• 2.1.2 常见的学习分析方法16-17
• 2.2 个性化推荐17-19
• 2.2.1 个性化推荐的定义17
• 2.2.2 个性化推荐的关键技术17-19
• 2.3 Felder-Silverman学习风格19-21
• 2.4 本章小结21-23
• 第3章 网络学习分析系统模型23-29
• 3.1 网络学习行为23
• 3.2 Felder-Silverman学习风格和网络学习行为的对应关系23-24
• 3.3 网络学习行为分析方法24-25
• 3.4 网络学习分析策略25-26
• 3.5 网络学习分析系统模型26-27
• 3.6 本章小结27-29
• 第4章 个性化推荐模型29-41
• 4.1 混合推荐流程29-30
• 4.2 基于Felder-Silverman量表的学习风格的修正30-32
• 4.2.1 影响学习者学习风格的学习行为30-31
• 4.2.2 修正学习者学习风格的估算规则31-32
• 4.3 学习资源的隐式评分模型32-33
• 4.4 基于混合推荐的个性化推荐模型33-36
• 4.5 实验数据及结果分析36-40
• 4.5.1 社会网络分析及学习伙伴推荐36-38
• 4.5.2 基于用户的协同过滤推荐部分38-40
• 4.6 本章小结40-41
• 第5章 个性化推荐系统的设计41-51
• 5.1 系统功能模块设计41-42
• 5.2 开发环境的构建42-43
• 5.3 平台界面43-50
• 5.3.1 平台首页43-44
• 5.3.2 论坛界面44-46
• 5.3.3 个性化学习资源和学习伙伴推荐界面46-47
• 5.3.4 个性化学习界面47-50
• 5.4 本章小结50-51
• 第6章 总结和展望51-53
• 6.1 研究成果51-52
• 6.2 研究不足和展望52-53
• 参考文献53-57
• 附录57-65
• 致谢65-67
• 攻读学位期间取得的研究成果67

【共引文献】

中国期刊全文数据库 前1条

1 罗凌;杨有;马燕;;基于TAN贝叶斯网络的学习风格检测研究[J];计算机工程与应用;2015年06期

，

本文编号：1030563