数据驱动下的个性化自适应学习研究综述

发布时间：2021-01-19 23:09

　　智能教育环境下的教学更加关注学习者的个性化诉求,而自适应学习能够为实现个性化教育提供技术和方法支持.文章从数据驱动的视角出发,通过开展国内外个性化自适应学习研究的综述分析,对其系统框架和相关组件进行阐述和解读.其中,重点从领域知识模型、学习者特征模型和教学模型三方面对其实现机制进行探析,提出当前研究存在的问题和不足,并在此基础上介绍了近年来可促进解释性提升的相关组件技术研究,奠定进一步深入个性化自适应学习研究的基础. 

【文章来源】：华南师范大学学报(自然科学版). 2020,52(04)北大核心

【文章页数】：9 页

【部分图文】：

图1 个性化自适应学习基本框架

在大数据时代，越来越多的学习行为能够被追踪和记录，教育从“用经验说话”向“用数据驱动决策、管理与创新”的方向发展[59]．数据驱动下的个性化自适应学习通过大数据分析学习过程和学习行为，能够精准识别学习者的个性特征、动态监控学习过程、实时预测学习趋势和有效评价学习结果，给予学习者个性化的干预和自适应的指导[60]．因此，如何对海量教育数据的概念特征进行自动提取并建立关系、如何追踪学习者在学习过程中不断变化的个性特征、如何精准确定学习者每一步要学习的知识单元等，均是当前教育实践中亟需解决的科学难题．鉴于此，针对经典“三角模型”建立一个可解释的个性化自适应学习技术框架，需着重对教育知识图谱的构建与表示学习、知识追踪和个性化学习路径推荐等核心技术难点(图2)进行研究，以解决教育数据中的概念边界检测、教育知识图谱表示学习的实体间语义信息传播、深度知识追踪的数据稀疏化和不可解释、个性化学习路径推荐融合课程序列等问题．2.1 教育知识图谱的精准构建与表示学习方法

【参考文献】：
期刊论文
[1]面向认知诊断的能力等级自适应试题推送模型构建及应用[J]. 叶海智,杨柳,黄宏涛,梅钰皎.  电化教育研究. 2019(11)
[2]自适应学习技术的应用、问题及趋势——访美国俄亥俄州立大学大卫·斯坦恩教授[J]. 崔向平,徐娟.  开放教育研究. 2019(05)
[3]教育知识图谱的概念模型与构建方法研究[J]. 李振,周东岱.  电化教育研究. 2019(08)
[4]“人工智能+”视域下的教育知识图谱:内涵、技术框架与应用研究[J]. 李振,周东岱,王勇.  远程教育杂志. 2019(04)
[5]融合用户经历的多策略自适应推荐模型[J]. 原福永,冯凯东,李晨,雷瑜,周馨,黄国言,梁顺攀.  小型微型计算机系统. 2019(07)
[6]基于学习画像的精准个性化学习路径生成性推荐策略研究[J]. 师亚飞,彭红超,童名文.  中国电化教育. 2019(05)
[7]知识追踪模型在教育领域的应用:2008—2017年相关研究的综述[J]. 李菲茗,叶艳伟,李晓菲,史丹丹.  中国远程教育. 2019(07)
[8]“以学习者为中心”:赋权理论视角下的个性化学习实践逻辑[J]. 刘和海,潘阳.  中国电化教育. 2018(08)
[9]基于BiLSTM-CRF的关键词自动抽取[J]. 陈伟,吴友政,陈文亮,张民.  计算机科学. 2018(S1)
[10]自适应学习:溯源、前景与误区[J]. 佩特·约翰内斯,拉里·拉格斯多姆,张永胜,肖俊洪.  中国远程教育. 2018(07)



本文编号：2987866