CN108664614B - 基于教育大数据的学习者模型动态构建方法 - Google Patents
基于教育大数据的学习者模型动态构建方法 Download PDFInfo
- Publication number
- CN108664614B CN108664614B CN201810451369.2A CN201810451369A CN108664614B CN 108664614 B CN108664614 B CN 108664614B CN 201810451369 A CN201810451369 A CN 201810451369A CN 108664614 B CN108664614 B CN 108664614B
- Authority
- CN
- China
- Prior art keywords
- learner
- learning
- data
- information
- characteristic information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010276 construction Methods 0.000 title claims abstract description 15
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 238000007405 data analysis Methods 0.000 claims abstract description 6
- 238000007418 data mining Methods 0.000 claims abstract description 5
- 238000005065 mining Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 19
- 230000003068 static effect Effects 0.000 claims description 19
- 230000006399 behavior Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000011002 quantification Methods 0.000 claims description 5
- 238000007726 management method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于教育大数据的学习者模型动态构建方法,旨在提供一种学习者个性化学习概览的动态构建方法,实现对学习者的全面描述,促进对学习者的个性化指导。本发明包括以下步骤:首先,通过在线学习平台获取学习者的学习数据;其次,利用Experience API规范量化学习者的学习经历;再次,借助大数据分析和挖掘技术提取有效的学习者特征;最后,依据学习者的有效特征数据动态构建不同时空的个性化学习概览,从而实现学习者模型的动态构建。本发明基于教育大数据的学习者模型动态构建方法能够促进个性化学习的生成,有助于构建个性化的学习环境,对于学习兴趣挖掘、知识盲点识别、就业指导、学习路径规划等领域具有实际的应用价值。
Description
技术领域
本发明涉及数据分析和处理技术,尤其涉及一种基于教育大数据的学习者模型动态构建方法。
背景技术
随着教育信息化的深入发展,在线开放式学习的交互方式增多,参与的学习者不断增长,在线学习系统积累的学习数据呈爆炸式增长。如何挖掘、分析和利用这些数据是实现个性化学习的必要前提。
在课堂中教学过程中每个学生的知识结构差异较大、学习能力参差不齐,由于精力和时间有限教师很难兼顾所有的学生,导致学习基础弱的学生跟不上学习的步调,而学习能力强的学生难以发挥其学习的自主权。同时,学习者的学习过程是一个动态的过程,对学习者的传统描述是以“黑盒”的形式,很难对学习者的学习过程进行全面、可视化的描述。因此,对学习者的学习过程进行全面、可视化的描述,从而构建更为准确的学习者模型具有重要的意义。
为此,人们对其进行了探索,目前存在的基本的学生模型有覆盖模型、偏差模型、认知模型和心理模型。但这些模型都只是侧重于学习者的某个方面进行建模,在教育大数据的环境下,需要综合各种模型的优势来构建更为完善的学习者模型。
因此,教育工作者需要通过获取在线学习的数据,并对学生的学习经历进行量化和提取,来构建学习者的模型,将学习者在不同时空下的学习过程进行可视化表示。但是单靠学生学习过程中的基本静态数据很难准确的刻画学习者的学习过程。随着大数据分析和挖掘技术的发展,使用静态数据和动态数据相结合构建学习者模型来对学习者的学习过程进行描述将更为准确。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种基于教育大数据的学习者模型动态构建方法。
本发明解决其技术问题所采用的技术方案是:基于教育大数据的学习者模型动态构建方法,包括:
一种基于教育大数据的学习者模型动态构建方法,其特征在于,包括如下步骤:
(1)学习数据聚集:采集在线学习平台中学习者的基本信息数据和行为数据;所述基本信息数据包括家庭、学历背景、身份、地域数据,行为数据包括在线学习时的浏览、学习、交互、测试数据;
利用基于神经网络的数据预处理方法对采集的数据进行包括清理、变换、规约和集成在内的预处理,以剔除原始数据中存在的复杂、重复、不完整的数据,并将处理的数据划分成结构化数据、半结构化数据和非结构化数据;
(2)学习经历量化:依据行为主义理论,通过Experience API规范将结构化数据、半结构化数据和非结构化数据以“活动流”的形式来描述学习者的学习经历,并利用Statement记录学习者的学习经历数据,形成学习者学习经历序列;
(3)学习者特征提取:借助大数据分析和挖掘技术从学习者不同课程、不同时间和不同学习环境下的学习经历序列中提取有效的特征信息并挖掘其隐性特征信息和相关关系,依据《学习者模型规范CELTS-11》将提取和挖掘的有效特征信息、隐性特征信息和相关关系归为个人信息、学业信息、管理信息、关系信息、安全信息、偏好信息、绩效信息及作品信息八类,根据特征信息是否随时间变化将提取和挖掘的这八类信息分为静态特征信息和动态特征信息并将其存储在学习者数据库中;
(4)个性化学习概览动态构建:依据学习者数据库中不同课程、不同时间和不同学习环境下动、静态特征信息及其相关关系对学习者进行画像,多维度的动态构建学习者在不同时空下的个性化学习概览;
(5)通过学习过程监控系统和学习分析系统对学习者的学习过程进行实时的监控,监测学习者多维度信息的变化,实时的对变化的特征信息进行聚集、量化、提取,并将其更新在学习者数据库中。
按上述方案,所述步骤(2)以E=<S,B,O>三元组形式的“活动流”描述学习者的学习经历,其中E表示学习经历,S表示学习者,B表示行为,O表示学习对象。同时,Statement以“经历—事件—陈述”三个层次,记录学习者的学习经历数据。
按上述方案,所述步骤(4)包含如下子步骤:
(4.1)对学习者进行建模之前首先在学习者数据库中检索是否有该学习者的学习者模型,若否执行(4.2),若是执行(4.3);
(4.2)依据学习者的基本特征数据初始化该学习者的学习者模型;
(4.3)将学习者在不同时空的特征信息间的关系进行映射;
(4.4)通过学习者多维度的动、静态特征信息和相关关系对学习者进行“画像”;
P=SCi+DCi+Vi+Time+Place
其中P为学习者的个性化概览,SCi为动态特征信息,DCi为静态特征信息,Vi为特征之间的相关关系,Time特征发生的时间,Place为特征发生的地点。
按上述方案,所述步骤(5)中的更新方法为通过自适应技术动态的监测学习者数据库中特征信息的变化,对于有变化的特征信息自动的更新到学习者的个性化学习概览中。
按上述方案,所述的步骤(4.1)到步骤(4.4)可循环执行。
本发明产生的有益效果是:
1.本发明将学习者的静态数据与动态数据相结合来构建学习者模型,实现了对学习者更为全面的描述。
2.本发明通过学习者模型的动态构建,实时的更新学习者的相关数据,能够准确的描述学习者每个时空下的学习状态和个性化特征。
3.本发明构建的学习者个性化学习概览,为学习兴趣挖掘、知识盲点识别、就业指导、学习路径规划等提供了依据。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例的方法流程图;
图2为本发明所述方法的学习数据聚集示意图;
图3为本发明所述方法的学习经历量化示意图;
图4为本发明所述方法的学习特征提取示意图;
图5为本发明所述方法的个性化学习概览的动态构建示流程意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明具体流程为:
(1)学习数据聚集
采集在线学习平台中学习者的基本信息数据和行为数据。基本信息数据包括家庭、背景、身份、地域等数据,行为数据包括浏览、学习、交互、测试等数据。对采集的数据进行清理、变换、规约和集成等一系列的处理,并将处理的数据划分成结构化数据、半结构化数据和非结构化数据,如图2所示。
(2)学习经历量化
在线学习经历的数据呈现多元异构的特点,因此本发明依据行为主义理论,通过Experience API(xAPI)规范将结构化数据、半结构化数据和非结构化数据以“活动流”的形式来描述学习者的学习经历,并利用Statement记录学习者的学习经历数据,形成学习者学习经历序列。如图3所示该过程包括两个部分:
a.通过E=<S,B,O>三元组形式的(其中E表示学习经历,S表示学习者,B表示行为,O表示学习对象)“活动流”描述学习者在不同时空下的学习经历。
b.利用Statement记录学习者的学习经历数据,将学习者的学习经历信息按照时间戳从“经历—事件—陈述”三个层次进行存储记录。
(3)学习者特征提取
借助大数据分析和挖掘技术从学习者不同时空场景下学习经历序列中提取有效的特征信息并挖掘隐性特征信息(如学习风格、学习偏好等)和相关关系。依据《学习者模型规范CELTS-11》将提取和挖掘的信息归为个人信息、学业信息、管理信息、关系信息、安全信息、偏好信息、绩效信息及作品信息等八类,根据信息的稳定程度将这八类信息划分为依据静态特征信息和动态特征信息(即基本保持稳定的为静态特征信息,随时间发展变化的为动态特征信息)并将其存储在学习者数据库中,如图4所示。
(4)个性化学习概览动态构建
依据学习者数据库中不同时空场景下动、静态特征信息及其相关关系对学习者进行画像,多维度的动态构建学习者在不同时空下的个性化学习概览,如图5所示,具体步骤如下:
a.对学习者进行建模之前需要在学习者数据库中检索是否有该学习者的学习者模型;
b.若没有该学习者的模型,则认定为新的学习者,依据学习者的基本特征信息初始化学习者模型;
c.若有该学习者的学习模型,则将学习者在不同时空的特征信息间的关系进行映射;
d.通过学习者多维度的动、静态特征信息和相关关系对学习者进行画像。
e.通过自适应技术动态的监测学习者数据库中特征信息的变化,对于有变化的特征信息自动的更新到学习者的个性化概览中。
(5)通过自适应技术对学习者的学习过程进行实时的监控,监测学习者多维度信息的变化,实时的对变化的特征信息进行聚集、量化、提取,并将其更新在学习者数据库中。
一个具体实例
下面以初中化学课程“基本化学反应”章节中学习者的学习过程为例,来动态的构建学习者模型。
(1)学习数据聚集
首先,收集学生i的基本信息和学生i通过在线学习平台学习“基本化学反应”课程的浏览、学习、交互、测试等数据。然后,对这些数据进行清理、变换、规约和集成等处理,并将这些数据归类为结构化数据、半结构化数据、非结构化数据三类,以便后续的分析。
(2)学习经历量化
对收集到的学生i的结构化数据、半结构化数据和非结构化数据,通过“活动流”的形式对学习经历以“经历-事件-陈述”三个层次进行序列化表示。每一个学习序列片段代表某一时刻学习者的学习状态,将学生i的所有在线学习过程进行量化。
a.通过E=<S,B,O>三元组形式的“活动流”描述学习者通过在线学习平台学习“基本化学反应”章节的学习经历。此时,E表示学习“基本化学反应”章节的经历,S表示学习该课程的学生,B表示学生学习该课程时的行为反应,O表示“基本化学反应”课程的相关资源。
b.利用Statement记录学生i学习“基本化学反应”课程的学习经历数据,将学生i的学习经历信息按照时间戳从“经历—事件—陈述”三个层次进行存储记录。首先,学生i在这个课程学习过程中有哪些经历,主要有提出问题、回答问题、讨论等经历。然后,提出的经历进行筛选并概括为一组特定的与该学习相关的事件,包括:在平台中提出一个问题,对所提出的问题进行回答,针对提出的问题进行讨论等。最后,将上述概括的学习事件映射到Statement对象上,如:“提出问题”可以映射为{学生i,提问了,化合反应和分解反应有什么区别?}。
对学生的学习经历量化后,根据时间戳的先后将每个学生的学习经历形成一个学习经历序列。
(3)学习者特征提取
通过类属信息分析、关联规则分析和聚类分析,从学生i学习“基本化学反应”的学习经历序列{E1,E2,E3...En}中提取有效的特征信息Xi并挖掘隐性特征信息Yi和相关关系Vi。因此学生i的相关特征数据可以用Ci=<Xi,Yi>的特征集表示。依据《学习者模型规范CELTS-11》将提取和挖掘的特征信息归为个人信息、学业信息、管理信息、关系信息、安全信息、偏好信息、绩效信息及作品信息等八类,根据信息的稳定程度将这八类信息划分为依据静态特征信息SCi和动态特征信息DCi,并将其存储在学习者数据库中。
(4)个性化学习概览动态构建
a.对学生i进行建模之前需要在学习者数据库中检索是否有学生i的学习者模型;
b.若没有学生i的学习者模型,则认定学生i为新的学习者,然后,依据学生i的基本特征信息初始化学习者模型;
c.若有学生i的学习模型,则将学生i在不同时空的特征信息(如:课程信息、学业信息、关系信息等)间的关系进行映射;
d.通过学生i多维度的动、静态特征信息Ci和相关关系Vi对学习者进行画像:P=SCi+DCi+Vi+Time+Place
其中P为学习者的个性化概览,SCi为动态特征信息,DCi为静态特征信息,Vi为特征之间的相关关系,Time特征发生的时间,Place为特征发生的地点。
e.通过自适应技术动态的监测学习者数据库中特征信息的变化,对于有变化的特征信息自动的更新到学习者的个性化概览P中。
(5)通过自适应技术对学习i的学习过程进行实时的监控,检测学习者多维度信息的变化,实时的对变化的特征信息进行聚集、量化、提取,并将其更新在学习者数据库中。
该方法还可以用于记录学习者学习其他课程的学习经历过程。并且,通过基于教育大数据的学习者模型动态方法构建的个性化学习概览,可以明确的了解学生的学习偏好,学习风格、学习效果、知识储备以及所具备的技能,从而对学生进行科学的指导。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (3)
1.一种基于教育大数据的学习者模型动态构建方法,其特征在于,包括如下步骤:
(1)学习数据聚集:采集在线学习平台中学习者的基本信息数据和行为数据;所述基本信息数据包括家庭、学历背景、身份、地域数据,行为数据包括在线学习时的浏览、学习、交互、测试数据;对采集的数据进行清理、变换、规约和集成处理,并将处理的数据划分成结构化数据、半结构化数据和非结构化数据;
(2)学习经历量化:依据行为主义理论,通过Experience API规范将结构化数据、半结构化数据和非结构化数据以“活动流”的形式来描述学习者的学习经历,并利用Statement记录学习者的学习经历数据,形成学习者学习经历序列;
(3)学习者特征提取:借助大数据分析和挖掘技术从学习者不同时空场景下学习经历序列中提取有效的特征信息并挖掘其隐性特征信息和相关关系,依据《学习者模型规范CELTS-11》将提取和挖掘的信息归为个人信息、学业信息、管理信息、关系信息、安全信息、偏好信息、绩效信息及作品信息八类,根据特征信息是否随时间变化将提取和挖掘的特征信息划分为静态特征信息和动态特征信息并将其存储在学习者数据库中;
(4)个性化学习概览动态构建:依据学习者数据库中不同时空场景下动、静态特征信息及其相关关系对学习者进行画像,多维度的动态构建学习者在不同时空下的个性化学习概览;
所述步骤(4)包含如下子步骤:
(4.1)对学习者进行建模之前首先在学习者数据库中检索是否有该学习者的学习者模型,若否执行(4.2),若是执行(4.3);
(4.2)依据学习者的基本特征数据初始化该学习者的学习者模型;
(4.3)将学习者在不同时空的特征信息间的关系进行映射;
(4.4)通过学习者多维度的动、静态特征信息和相关关系对学习者进行“画像”;
P=SCi+DCi+Vi+Time+Place
其中P为学习者的个性化概览,SCi为动态特征信息,DCi为静态特征信息,Vi为特征之间的相关关系,Time特征发生的时间,Place为特征发生的地点;
(5)通过自适应技术对学习者的学习过程进行实时的监控,监测学习者多维度信息的变化,实时的对变化的特征信息进行聚集、量化、提取,并将其更新在学习者数据库中。
2.根据权利要求1所述的基于教育大数据的学习者模型动态构建方法,其特征在于,本发明所述步骤(2)以E=<S,B,O>三元组形式的“活动流”描述学习者的学习经历,其中E表示学习经历,S表示学习者,B表示行为,O表示学习对象, 同时,Statement以“经历—事件—陈述”三个层次,记录学习者的学习经历数据。
3.根据权利要求1所述的基于教育大数据的学习者模型动态构建方法,其特征在于,所述步骤(5)中的更新方法为通过自适应技术动态的监测学习者数据库中特征信息的变化,对于有变化的特征信息自动的更新到学习者的个性化学习概览中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GBGB1818436.6A GB201818436D0 (en) | 2017-05-12 | 2018-11-13 | an advanced automobile engine device and using method thereof |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2017103357137 | 2017-05-12 | ||
CN201710335713 | 2017-05-12 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108664614A CN108664614A (zh) | 2018-10-16 |
CN108664614B true CN108664614B (zh) | 2021-11-23 |
Family
ID=63779184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810451369.2A Active CN108664614B (zh) | 2017-05-12 | 2018-05-11 | 基于教育大数据的学习者模型动态构建方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108664614B (zh) |
GB (1) | GB201818436D0 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688444A (zh) * | 2019-06-24 | 2020-01-14 | 上海市研发公共服务平台管理中心 | 专家信息获取方法、系统、存储介质、及电子终端 |
CN110599831A (zh) * | 2019-09-11 | 2019-12-20 | 湖北理工学院 | 基于大数据的自适应学习系统及学习者模型构建方法 |
CN110909054A (zh) * | 2019-11-18 | 2020-03-24 | 国网甘肃省电力公司 | 一种交互行为数据采集方法及系统 |
CN111553166B (zh) * | 2020-04-05 | 2023-05-26 | 温州大学 | 基于场景认知计算的在线学习者动态模型预测方法 |
CN111950708B (zh) * | 2020-08-11 | 2023-10-03 | 华中师范大学 | 一种发现大学生日常生活习惯的神经网络结构与方法 |
CN112396330A (zh) * | 2020-11-24 | 2021-02-23 | 中教云智数字科技有限公司 | 一种基于机器学习的学习方案规划方法 |
CN112487949B (zh) * | 2020-11-27 | 2023-05-16 | 华中师范大学 | 一种基于多模态数据融合的学习者行为识别方法 |
CN113066327B (zh) * | 2021-04-13 | 2021-11-09 | 黑龙江中医药大学 | 一种大学生在线智能教育方法 |
CN114980156B (zh) * | 2022-04-08 | 2024-04-19 | 重庆邮电大学 | 一种无蜂窝毫米波大规模mimo系统的ap开关切换方法 |
CN115525810B (zh) * | 2022-10-08 | 2023-06-09 | 广州大学 | 情境驱动的大规模在线学习动态分组方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407273A (zh) * | 2016-08-27 | 2017-02-15 | 威海兴达信息科技有限公司 | 一种基于互联网在线教育资源平台系统 |
KR101734728B1 (ko) * | 2015-12-17 | 2017-05-11 | 고려대학교 산학협력단 | 소셜 네트워크 서비스를 이용하여 온라인 협동 학습을 제공하는 방법 및 서버 |
CN106933356A (zh) * | 2017-02-28 | 2017-07-07 | 闽南师范大学 | 一种基于眼动仪的远程学习者类型快速确定方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160148516A1 (en) * | 2014-11-20 | 2016-05-26 | Paul Senn | Sustained Learning Flow Process |
-
2018
- 2018-05-11 CN CN201810451369.2A patent/CN108664614B/zh active Active
- 2018-11-13 GB GBGB1818436.6A patent/GB201818436D0/en not_active Ceased
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101734728B1 (ko) * | 2015-12-17 | 2017-05-11 | 고려대학교 산학협력단 | 소셜 네트워크 서비스를 이용하여 온라인 협동 학습을 제공하는 방법 및 서버 |
CN106407273A (zh) * | 2016-08-27 | 2017-02-15 | 威海兴达信息科技有限公司 | 一种基于互联网在线教育资源平台系统 |
CN106933356A (zh) * | 2017-02-28 | 2017-07-07 | 闽南师范大学 | 一种基于眼动仪的远程学习者类型快速确定方法 |
Non-Patent Citations (2)
Title |
---|
基于xAPI的学习记录系统的设计与开发;郭云云;《中国全国优秀硕士论文全文数据库》;20170215;第10页第2章到第47页第4章 * |
基于用户模型的个性化本体学习资源推荐研究;姜强等;《中国电化教育》;20100510(第280期);第2页第2章到第5页第3章 * |
Also Published As
Publication number | Publication date |
---|---|
GB201818436D0 (en) | 2018-12-26 |
CN108664614A (zh) | 2018-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108664614B (zh) | 基于教育大数据的学习者模型动态构建方法 | |
Alam | Improving Learning Outcomes through Predictive Analytics: Enhancing Teaching and Learning with Educational Data Mining | |
Romero et al. | Educational process mining: A tutorial and case study using moodle data sets | |
Gibson et al. | Exploratory analysis in learning analytics | |
Vahdat et al. | Advances in learning analytics and educational data mining. | |
Iglesias et al. | Learning teaching strategies in an adaptive and intelligent educational system through reinforcement learning | |
Nazaretsky et al. | Empowering teachers with AI: Co-designing a learning analytics tool for personalized instruction in the science classroom | |
Chaudhury et al. | An empirical study on attribute selection of student performance prediction model | |
Liu et al. | Going beyond better data prediction to create explanatory models of educational data | |
CN117252047B (zh) | 基于数字孪生的教学信息处理方法及系统 | |
Rajendran et al. | A temporal model of learner behaviors in OELEs using process mining | |
Sani et al. | Artificial intelligence approaches in student modeling: Half decade review (2010-2015) | |
CN114372155A (zh) | 一种基于自扩展知识库和多模态画像的个性化学习平台 | |
Settouti et al. | A trace-based learner modelling framework for technology-enhanced learning systems | |
CN117726485A (zh) | 一种基于大数据的智适应教育学习方法及系统 | |
Bhusal | Predicting Student's Performance Through Data Mining | |
Patel et al. | Curriculum pacing: A new approach to discover instructional practices in classrooms | |
Toivonen et al. | Evolution of decision tree classifiers in open ended educational data mining | |
Yevtushenko et al. | Using Artificial Intelligence Technologies to Predict and Identify the Educational Process. | |
Li et al. | Analysis of online learning style model based on K-means algorithm | |
Pinto et al. | Towards a Unified Framework for Evaluating Explanations | |
Brézillon | CxG-based simulation of Group Activity | |
Dong et al. | An Extended Learner Modeling Method to Assess Students' Learning Behaviors. | |
Huang et al. | T-BMIRT: Estimating representations of student knowledge and educational components in online education | |
Poitras et al. | Preservice teacher disengagement with computer-based learning environments |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |