英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
基于学习者学习风格和效率的个人在线学习的智能推荐系统
摘要 推荐系统广泛应用于电子商务等诸多领域。最近，研究人员已经在在线学习环境中调整了这种方法，以向学习者推荐资源（例如论文，书籍，超链接和超媒体）。在本文中，我们提出了在线学习个性化方法的智能建议，该方法使用教育数据挖掘的推荐技术，专门用于识别在线学习者的学习风格，监控和预测性能。推荐的学习资源根据当前学习者的导航模式进行计算，探索学习者偏好、教育内容、各种实践中获得的结果、练习以及与不同活动的交互行为之间的相似性和差异性。所提出的用于在线学习环境的智能建议框架由三个模块组成，即用于识别学习者学习风格的学习者模块，包含针对特定学科的所有知识的领域模块和将数据预处理 建立相关推荐清单并预测性能。通过使用不同阶段的学习者知识水平以及基于内容过滤和协作方法的推荐技术的范围，获得推荐的资源。
关键字 在线学习、学习模式、教育数据挖掘、基于内容的过滤、协作过滤
1.0引言
随着互联网的快速发展，在线学习系统可有效用于学术和非学术领域的教育和培训。然而，大多数在线学习系统还没有个性化，只有寥寥几篇在关注解决在线学习领域个性化的需求。目前的大多数在线学习系统仍然以相同的方式向具有不同背景的学习者提供相同的教育资源。
一般来说，为了实现个性化，现有系统使用一种或多种类型的知识（学习者的知识，学习资料知识，学习过程知识等）以及在线学习系统中的个性化关注自适应交互，自适应课程传递，内容发现和组装和自适应协作支持。自适应课程实施的类别提供了当今在在线学习系统中应用最广泛和最广泛使用的自适应技术。
因此，个性化在适应性电子学习系统中扮演着重要的角色。因为每个学习者有不同的偏好和学习风格，所以需要学习者的个人资料。 由于网络上有大量学习资源，这些数据使得找到与学习者相关的学习资源变得困难。
推荐系统是一种应用，能够向用户呈现相对应的建议，这基于他以前的偏好和在系统中具有与他/她相似的喜好和意见的偏好而获得。因此，推荐系统可以帮助学习者减少当前遭受的信息过载，同时为特定领域提供对信息的定制访问。在这种情况下，推荐系统也能激励学习者提高他们的表现。
目前的在线学习系统没有提供更好的措施来跟踪学习者的进度。它导致学习者与在线学习系统的互动减少，或者远离在线学习。本文提出了一个基于学习者学习风格和表现的在线学习个性化智能推荐系统。这意味着为在线学习系统中积极学习者提供了学习资源的个性化方法。此系统根据学习者的知识水平，学习者的知识和其他一些学习者的活动推荐一些学习资源（学习对象，文章，视频，活动细节等）。系统还提供了一个基于实际测试和练习（任务）跟踪学习者进度的工具，并监控学习者的表现以指导和支持学习者。
2.0研究背景
目前的在线学习系统有以下几个问题。第一个问题是搜索正确内容的时间。学习可以在任何时间和地点进行。然而，随着学习资源的增加，学习者获取理想和合适资源的时间也随之浪费。另外，用于搜索学习资源的搜索技术不足。为了解决这个问题，教育数据挖掘技术被用来实现开放、可扩展和快速部署的实施。
另一个问题是目前在线学习系统缺乏个性化。具有相似学习风格的学习者具有相似的学习资源，尽管他们具有不同的学习风格。对所有学习者的分析可以解决这个问题。由于学习者模型是为每个学习者创建的。系统会根据模型推荐学习内容。
再一个问题是以正确的方式为正确的学习者提供适当的学习资源。所提出的系统可以通过实施基于内容的协作过滤方法来解决这个问题。在基于内容的过滤中，电子学习者推荐的相关网页内容与过去他们喜欢，访问或喜欢的内容类似。
协作过滤，电子学习者被推荐的相关网页内容与其他在线学习者的首选或访问或喜欢过去相似。这些方法被称为信息过滤，它将资源用于学习者。这两种方法均基于“评级”或“偏好”系统进行工作。
但是，基于内容和协作过滤都会遇到冷启动问题。这个问题发生在缺乏关于在线学习者的信息和他们过去的偏好的情况下，这使得系统不可能提供相关建议。协作过滤的另一个局限是它需要一个学习者相互认识的社区。因此，协同过滤不能推荐任何东西。基于内容的过滤只考虑一个学习者，所以结果不可共享。为了克服信息过滤的问题，所提出的系统将引入不同水平的问卷以识别学习者的初始知识水平。
预测学习者的表现和跟踪进度是当前在线学习系统的另一个挑战。 学习者采取不同类型的实践，技能和任务测试来继续他们的学习过程以获取知识。但目前的电子学习系统缺乏预测设施，即使学习者也无法检查进度。为了解决这些问题，使用回归方法预测结果，并且基于上述提及方法引入子系统来检查每个在线学习者的进度。
所提出的系统帮助学习者选择并找到他们想要学习的学习资源。在学习者档案中存储学习者的学习风格，例如学习者的历史，导航模式，偏好，知识水平，实际成绩，技能水平，分配测试和各种活动。系统会根据学习者通过系统进行的相关交互的相关交互，动态更新学习者配置文件。然后系统会评估学习者的偏好。 最后，学习者使用友好的界面与系统进行交互。
3.0文献回顾
在线学习过程中的个性化过去几十年来已经被广泛讨论，并且仍然是当今许多研究人员关注的焦点。
Bourkoukou等人提出了一个个性化的在线学习系统，该系统考虑了学习者的个性，并对推荐系统使用协作过滤方法。在这个模型中，提出了一些用于个性识别和为学习者个性选择合适学习场景的模块。
在另一项研究中，Essaid等人提出了一个个性化的在线学习系统LearnFit，它可以考虑到动态学习者的个性。在这个系统中使用了一些用于个性识别和选择适当教学策略的模块来实现学习。
Thai-Nghe等人提出了一种新颖的方法，使用推荐系统技术进行教育数据挖掘，特别是在预测学生的表现。 他们还提出了如何将推荐系统中的教育数据使用大到用户/项目。为了验证这种方法，他们使用教育数据将推荐系统技术与传统的回归方法（如逻辑回归）相比较。实验结果表明，该方法可以提高预测结果。
在这项研究中，KHRIBI等人描述了学习管理系统中的全自动学习者建模方法，并考虑到学习者的教育偏好，包括他们的学习风格。他们提出了一个由三部分组成的综合学习者模型：学习者的知识，学习者的知识和学习者的教育偏好。学习者的个人资料代表学习者的一般信息，如识别数据，学习者的知识捕捉学习者对被访问学习对象的兴趣，学习者的教育偏好由学习者的偏好（就访问学习对象的特定属性而言）和他/她的学习风格。在所提出的方法中，所有学习者模型组件都被自动检测，而不需要任何明确的反馈。所有基础学习者的信息都是基于网络使用挖掘技术和基于文献的方法从学习者的在线活动和使用数据中推断出来的用于自动检测学习管理系统中的学习风格。一旦建立了学习者模型，所提出的系统应用基于分层多级模型的协作过滤方法，以收集在相同组中具有类似偏好和兴趣的学习者。
4.0研究方法
通常，针对电子教学个性化系统的智能建议由三个主要组件组成，即域模型，学习者模型和推荐模型。
A.领域模型
领域模型包含关于课程结构的知识。 这个模型分为三层，第一层代表课程，每个课程分为几个概念，每个概念由一组学习对象提供。
一个学习对象拥有一个单元的知识，并提出不同的方面，如讲义，演示文稿，问题，活动，例子，练习等。在这项研究中，选择了“Python编程入门”课程来解释课程结构，如表1所示。
每门课程都包括不同级别的测试，以确定学习者的知识水平。 每个级别的测试都有一组问题。这些问题具有不同类型的熟练程度。表2和表3描述了分配能量点的测试结构和熟练程度。
B. Leaner模型
学习者模型代表学习者的各种特征，如个人信息，偏好，导航模式，访问内容，知识水平等。这可以用来产生个性化的学习体验。在我们的研究中，参加特定课程的学习者将接受问题（初级技能水平测试）来确定初始知识水平并建立学习者个人资料。除此之外，学习者的偏好也被用来呈现学习者的形象。
C.推荐模式
提出的推荐模型有两个模块，分别是1）智能推荐模块和2）预测模块。在智能推荐模块中，如果它是一个新的学习者，所提出的系统邀请学习者进行初步的技能水平测试，以便根据学习风格建立学习者个人信息。一旦学习者完成初始测试，结果就存储在学习者模型中，然后系统根据结果为特定学习者生成推荐列表。然后开始学习过程，克服推荐系统中的冷启动问题。推荐系统中的一个常见问题是冷启动问题。它在新用户登录到系统时发生。由于缺乏新用户的评分，无法计算她/他与其他用户之间的相似度，因此系统无法做出准确的推荐。
一旦学习者与系统交互，数据挖掘技术将用于收集有关学习者学习风格的信息，例如导航模式，偏好，访问内容，书签等，以建立学习者档案并生成智能推荐。在这个模块中，有四个步骤需要遵循，如清理和预处理，规范化，相似性计算和推荐。
智能推荐模块有助于根据学习风格为学习者提供合适的推荐。该模块使用基于内容的过滤和协作过滤来实现这一点。首先我们应用基于内容的过滤方法，提交术语向量以计算推荐列表。结果根据其内容的余弦相似性（TF-IDF加权项的向量）与提交的术语向量排序。其次，我们将这种协作方法应用于学习者群体中的主动学习者。
D.推荐过程
学习者的最初偏好往往是嘈杂的。因此应从中提取相关课程/文章/视频。 要做到这一点，对他们应用数学函数很重要，以便可以根据某些标准（如相似性）选择项目，因此我们使用向量空间模型来表示学习者的初始课程/文章/视频偏好。
向量空间模型（VSM）用于以多维代数方式表示文档，以将数学函数应用于文档。它代表一个文档作为矢量。该向量能够包含其中的子向量。文档的每个属性都被视为一个单独的矢量。在研究问题的背景下，一个项目（课程/文章/视频）被视为一个向量，其关键字/学习对象等属性将成为子向量。每个项目被视为向量空间中的一个点，并且它假设最相关或相似的项目是最近的项目。为了比较课程/文章/视频，将它们的相关子矢量彼此进行比较，并使用余弦相似度和TF-IDF权重来测量相似度。因此，我们将相同的矢量空间模型应用于我们的研究。
时间频率（TF）可以表示为tft，d是给定文档d内的特定词语t的频率。TF重量的公式如下：
文档频率（DF）给出包含特定术语t的文档的数量，并表示为dft。另一方面，反向文档频率（IDF）降低了显着性高度使用的术语，并且对于较少使用的项目也是重要的。
TF-IDF权重是TF和IDF权重的乘积，并提供系统的术语特定权重，该值用于获得余弦相似性。
余弦相似度提供了计算两个向量之间相似度的方法。我们可以利用它来计算基于特定特征p的两个课程之间的相似度。由于我们使用TF-IDF权重来计算余弦相似度，学习者档案将包含合理的相似度以及多样性，从而解决过度专业化问题。
通过比较学习者初始偏好列表中的每门课程与同一列表中其余课程的相似度，我们可以找出什么是与TF-IDF加权方案给出最高相似度值的课程。在学习者初始偏好列表中的项目之外，前10个项目将被添加到学习者个人资料中。因此学习者档案中的课程包含合理的相似性。
E.效用矩阵
推荐系统处理用户和项目。实用程序矩阵提供了有关用户喜欢物品的程度的已知信息。通常，大多数条目都是未知的，向用户推荐条目的基本问题是根据已知条目的值预测未知条目的值。
例1.在用关键词对课程进行加权后，我们获得了一个有n行的课程 - 关键词矩阵，其中n表示课程数C = {c1，c2，c3，... cn}，m列表示关键字数K ={K1，K2，K3，......，km}。
属性值出现在单个项目中的次数只能出现一次（1）或根本不出现（0）。
例2.在对学习资源进行加权后，我们获得了每个学习者的偏好模型，其定义为具有n行的学习者学习对象评估矩阵，其中n表示学习者的数量L {l 1，l 2，...，ln}，并且m列表示学习对象的数量 J = {j1，j2，...，jm}。
这个矩阵使用0到5的评分量表，其中：5表示学习者对选择的学习对象非常满意，1表示学习者对学习者对象完全不满意，最后0分表示 学习对象还没有被明确地评估或使用[7]。
最后，推荐模型中的预测模块可预测不同测试的未来结果。学习者可以单独检查进度并与其他学习者进行比较。为了实现预测模块，系统采用了线性回归算法。
5.0实验结果
为了实现和评估所提出的个性化方法，我们使用了“Python编程入门”课程作为原型。我们选择了一组正在攻读可伦坡大学计算机科学学院信息技术学士学位的学生，以确定学习方式和表现。那些学生对python编程有一点或缺乏了解。
结果表明，随着上述课程的进展，学生的学习成绩显着提高，学习过程中学习成绩也很高。下图显示了相关证据，例如学习者的个人表现，基于学习者交互的推荐列表，学习者的结果预测，学习者的活动，学习者的登录频率等。最后它显示了与其他学习者以及的比较。
分析显示，在每次测验中，初始技能水平尝试的平均能量点低于其他测试中的平均能量点。 这是由于测验的初始技能水平尝试是从零或初学者的知识水平开始的。然后系统根据个人表现和其他学习者的表现推荐适合的学习对象，文章视频重复课程并提高他们的知识。提供实践测试，以系统的方式微调学习者对所提及学习资源的认识。这个过程一直持续到学习者在最终技能水平尝试中达到可接受的能量点。最后，学习者必须参加任务测验来评估最终结果。
在在线学习过程中，系统鼓励学习者参与各种不同的活动，例如进行各种测验，讨论主题，评分，评论，添加书签等，并获得积分。 图显示了学员单独获得的积分。因此，这一点指标促使学习者越来越多地与系统交互。
6.0前景展望
在今后的工作
全文共5975字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[14868]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
