CN109388746A - 一种基于学习者模型的学习资源智能推荐方法 - Google Patents
一种基于学习者模型的学习资源智能推荐方法 Download PDFInfo
- Publication number
- CN109388746A CN109388746A CN201811025651.0A CN201811025651A CN109388746A CN 109388746 A CN109388746 A CN 109388746A CN 201811025651 A CN201811025651 A CN 201811025651A CN 109388746 A CN109388746 A CN 109388746A
- Authority
- CN
- China
- Prior art keywords
- learner
- education resource
- information
- data
- model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 230000003993 interaction Effects 0.000 claims abstract description 8
- 239000000463 material Substances 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000012552 review Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
Landscapes
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于学习者模型的学习资源智能推荐方法,包括以下步骤:步骤一:学习者和学习资源信息管理,建立数据库,并分类存储电子教材数据、作业与考试数据、数字资源数据、互动交流数据和电子档案数据;步骤二:基于数据库数据,建立学习者模型,学习者模型包括个人信息、学业信息、关系信息、偏好信息、绩效信息和作品集信息;步骤三:建立推荐模型,集成不同的推荐方法,并根据不同的学习情境分别设置不同的推荐方法;步骤四:根据从学习者模型中的信息,判断学习者的学习情境,进行推荐。本发明基于学习者信息推荐,推荐匹配精度高,实现自动匹配;同时在不同的学习情境采用不同的推荐方式,推荐效率高,实现智能推荐。
Description
技术领域
本发明涉及数据处理领域,尤其是一种基于学习者模型的学习资源智能推荐方法。
背景技术
随着互联网的发展,网络学习成为了学习的常态,许多网络学习的教学资源在不断的增长,学生在学习时常常会面临海量的教学资源,由于每个学生的个人情况不同,需要的教学资源不同,很多时候无法正确的选择自己适合的教学资源,用户需要能够选择适合自己的教学资源的的方法。
在现有的教学资源推荐方法中都是根据用户输入的关键词进行检索,但是用户自己都没有正确的了解自己的所有情况,在匹配中总是出现很多的噪声或只是找到部分的教学资源,造成用户匹配的效率低,用户对推荐教学资源的满意度不高,无法达到用户精准的匹配。
而且学习过程是分阶段的,不同的学习阶段,以及不同的学习情境下,学习者的需求不相同,单一的推荐方法并不适用于所有的学习情境。
发明内容
本发明的发明目的在于:针对上述存在的问题,提供一种基于学习者模型的学习资源智能推荐方法,基于学习者的信息,集成多种推荐方法,根据学习过程中不同学习情境,分别采用合适的推荐方法;在推荐中自动分析学习者信息,自动匹配恰当的推荐方法,实现学习资源的智能推荐,并且推荐准确率高。
本发明采用的技术方案如下:
本发明一种基于学习者模型的学习资源智能推荐方法,包括以下步骤:
步骤一:学习者和学习资源信息管理,建立数据库,并分类存储电子教材数据、作业与考试数据、数字资源数据、互动交流数据和电子档案数据;
步骤二:基于数据库数据,建立学习者模型,学习者模型包括个人信息、学业信息、关系信息、偏好信息、绩效信息和作品集信息;
步骤三:建立推荐模型,集成不同的推荐方法,并根据不同的学习情境分别设置不同的推荐方法;
步骤四:根据从学习者模型中的信息,判断学习者的学习情境,进行推荐。
以上方法,数据库记录、收集和汇聚了学习者在学习中产生的所有有意义的行为数据;学习者模型,将各类数据进行语义关联得到学习者的个性信息;根据学习者的个性信息,并利用推荐模型,实现对学习者的推荐,在推荐中,在不同的学习情境下采用相应的推荐方法,得到学习者需要的学习资源。
作为优选,所述步骤四中学习情境的判断方法:若学习情境是进入新的学习单元前,采用基于内容推荐方法;若学习情境是学习诊断后,采用基于协同过滤推荐方法;若学习情境是学习完成后,采用基于知识推荐方法或基于关联规则推荐方法。
以上方法,由于学习过程分成不同的阶段,包括进入新的学习单元前、完成单元学习任务后会进入学习诊断环节,以及学习诊断合格,即学习完成;
在进入新的学习单元前,学习者具有相似的需求,考虑资源与学习者之间的匹配关系,采用基于内容推荐方法,基于内容推荐方法不依赖其他学习者的数据,能够解决新学习单元加入导致的冷启动问题,直接依据学习者和资源之间的映射关系进行匹配;
在学习诊断后,更贴近学习者的实际情况,它的推荐对象为相似学习者群;此阶段重在建立学习者与学习者的关联,并利用这种关联特性建立资源与学习者群的匹配关系,实现为相似学习者推荐相同的资源,这与协同过滤推荐思路吻合,因此,该学习情境下可以选择基于用户的协同过滤推荐策略,充分利用学习者群体行为规律发挥集体智慧,考虑资源受欢迎程度,保证较高的推荐精度,且可使相似学生群在共享学习资源的同时开展协作学习;
在完成基本学习任务后,旨在促进学习者知识点融会贯通、单元内容深层掌握,它满足特定学习者的需求;本阶段的推荐服务重在建立资源与资源的关联,根据相关性强弱和因果关系将符合条件的资源推荐给学习者,实现为不同的学习者提供不同的资源服务;而基于关联规则的推荐系统恰好可以通过关联挖掘技术发现资源背后可能存在的相关性,来形成专题性资源的汇聚与整合。
作为优选,所述基于内容推荐方法包括基于内容相似度推荐方法和基于概率的推荐方法;所述基于内容相似度的推荐方法具体包括:确定学习者对学习资源的评论记录;采用余弦相似度方法评估相反评价学习资源内容的相似度,当相似度小于阈值,向学习者推送相同的学习资源;
所述基于概率的推荐方法具体包括:将学习资源中出现的知识点进行标记,分为喜欢和不喜欢两类,设定P(X)为先验概率,P(Y)为后验概率,通过后验概率公式计算学习者对未知知识点的感兴趣程度。
以上方法,基于内容相似度的推荐方法主要是为学习者对同类学习资源感兴趣的内容提供推;基于概率的推荐方法是为学习者提供学习资源中重要知识点的推荐。
作为优选,所述基于协同过滤推荐方法包括以下步骤:
S10:进行数据预处理,将采集的数据集进行初始化,对数据进行预填充和去冗余,并根据用户是否对学习资源进行评分把学习资源划分为已评价学习资源集和待评价学习资源集,已评价学习资源集作为训练集,待评价学习资源集作为预测集;
S20:采用神经网络建立预测模型,进行模型训练;
S30:利用训练得到的模型对待评价学习资源集进行预测,对预测结果进行排序,筛选出预测值较高的学习资源推荐给学习者。
以上方法,通过将学习资源进行评分把学习资源划分为已评价学习资源集和待评价学习资源集,分别为训练集和预测集,实现对原始数据的降维,去除了数据中的噪声和冗余数据;通过利用神经网络进行预测模型的训练,提高了训练速度。
作为优选,所述S20具体包括:给定训练集、激活函数和隐藏层节点个数;为输入权值和阈值随机赋值;计算隐藏层输出矩阵;计算输出权值。
以上方法,在神经网络的训练中,先为输入权值和阈值随机赋值,根据样本集和随机参数计算隐藏层输出矩阵,最后利用最小二乘解的方法计算输出权值;由于训练中无需迭代调整,所以训练速度提高。
作为优选,所述S30具体包括:给定预测集;计算预测集中待评价学习资源通过训练好的模型所形成的矩阵;计算待评价学习资源的输出值;按照计算的输出值大小将学习资源进行排序,并根据需要产生推荐。
作为优选,所述基于关联规则推荐方法具体包括:依据学科知识点逻辑关系、教师经验,分析不同学习者学习路径,制定相关的规则集;根据设定好的规则计算专题里学习资源间的相关性;将资源按照相关性强弱生成推荐序列。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、对学习者信息进行分析,从而更精准的匹配学习资源,通过数据库记录学习者的学习行为数据,并用学习者模型记录学习者的个性化信息,作为推荐的依据。
2、集成多种推荐方式,根据学习阶段的不同以及不同的学习情境搭配合适的推荐方法,解决现有推荐方法的不足,为学习者提供更加科学和精确的推荐,有效的提升推荐的效果。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是本发明一种基于学习者模型的学习资源智能推荐方法的流程图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要)中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
如图1,本发明一种基于学习者模型的学习资源智能推荐方法,包括以下步骤:
步骤一:学习者和学习资源信息管理,建立数据库,并分类存储电子教材数据、作业与考试数据、数字资源数据、互动交流数据和电子档案数据;电子教材数据包括电子教材学习记录、知识点管理记录和阅读学习记录;作业与考试数据包括作业练习记录、错题本记录、考试测评记录;数字资源数据包括视频学习记录、网络课程学习记录、电子文档学习记录;互动交流数据包括学习讨论答疑记录、学习社区活动记录、家校互动记录;电子档案数据包括学籍档案、学习档案、作品档案;电子教材数据保存学习者的学习记录;作业与考试数据支持学习者进行作业练习和考试评测,以及学习评价;数字资源数据为学习者提供丰富的学习资源;互动交流数据为学习者提供互动答疑支持和学习交流;电子档案数据与其他数据进行关联,记录学习者信息;
步骤二:基于数据库数据,建立学习者模型,学习者模型包括个人信息、学业信息、关系信息、偏好信息、绩效信息和作品集信息;个人信息包括身份信息、个人简介、业余爱好、健康档案;学业信息包括学习者的成绩、学习计划、奖励和书籍;关系信息包括师生关系、社交网络关系;偏好信息包括学习方式偏好、学习资源偏好、学习认知能力;绩效信息包括学习进度、作业考试完成进度、讨论答疑频率;作品集信息包括个人完成的作品和协作完成的作品;
步骤三:建立推荐模型,集成不同的推荐方法,并根据不同的学习情境分别设置不同的推荐方法;
步骤四:根据从学习者模型中的信息,判断学习者的学习情境,进行推荐。
在实施例中,学习情境的判断方法:若学习情境是进入新的学习单元前,采用基于内容推荐方法;若学习情境是学习诊断后,采用基于协同过滤推荐方法;若学习情境是学习完成后,采用基于知识推荐方法或基于关联规则推荐方法。
在实施例中,所述基于内容推荐方法包括基于内容相似度推荐方法和基于概率的推荐方法;所述基于内容相似度的推荐方法具体包括:确定学习者对学习资源的评论记录;采用余弦相似度方法评估相反评价学习资源内容的相似度,当相似度小于阈值,向学习者推送相同的学习资源;
所述基于概率的推荐方法具体包括:将学习资源中出现的知识点进行标记,分为喜欢和不喜欢两类,设定P(X)为先验概率,P(Y)为后验概率,通过后验概率公式计算学习者对未知知识点的感兴趣程度。
在实施例中,所述基于协同过滤推荐方法包括以下步骤:
S10:进行数据预处理,将采集的数据集进行初始化,对数据进行预填充和去冗余,并根据用户是否对学习资源进行评分把学习资源划分为已评价学习资源集和待评价学习资源集,已评价学习资源集作为训练集,待评价学习资源集作为预测集;
S20:采用神经网络建立预测模型,进行模型训练;具体包括:给定训练集、激活函数和隐藏层节点个数;为输入权值和阈值随机赋值;计算隐藏层输出矩阵;计算输出权值;
S30:利用训练得到的模型对待评价学习资源集进行预测,对预测结果进行排序,筛选出预测值较高的学习资源推荐给学习者;具体包括:给定预测集;计算预测集中待评价学习资源通过训练好的模型所形成的矩阵;计算待评价学习资源的输出值;按照计算的输出值大小将学习资源进行排序,并根据需要产生推荐。
在实施例中,所述基于关联规则推荐方法具体包括:依据学科知识点逻辑关系、教师经验,分析不同学习者学习路径,制定相关的规则集;根据设定好的规则计算专题里学习资源间的相关性;将资源按照相关性强弱生成推荐序列。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (7)
1.一种基于学习者模型的学习资源智能推荐方法,其特征在于:包括以下步骤:
步骤一:学习者和学习资源信息管理,建立数据库,并分类存储电子教材数据、作业与考试数据、数字资源数据、互动交流数据和电子档案数据;
步骤二:基于数据库数据,建立学习者模型,学习者模型包括个人信息、学业信息、关系信息、偏好信息、绩效信息和作品集信息;
步骤三:建立推荐模型,集成不同的推荐方法,并根据不同的学习情境分别设置不同的推荐方法;
步骤四:根据从学习者模型中的信息,判断学习者的学习情境,进行推荐。
2.如权利要求1所述的基于学习者模型的学习资源智能推荐方法,其特征在于:所述步骤四中学习情境的判断方法:若学习情境是进入新的学习单元前,采用基于内容推荐方法;若学习情境是学习诊断后,采用基于协同过滤推荐方法;若学习情境是学习完成后,采用基于知识推荐方法或基于关联规则推荐方法。
3.如权利要求2所述的基于学习者模型的学习资源智能推荐方法,其特征在于:所述基于内容推荐方法包括基于内容相似度推荐方法和基于概率的推荐方法;所述基于内容相似度的推荐方法具体包括:确定学习者对学习资源的评论记录;采用余弦相似度方法评估相反评价学习资源内容的相似度,当相似度小于阈值,向学习者推送相同的学习资源;
所述基于概率的推荐方法具体包括:将学习资源中出现的知识点进行标记,分为喜欢和不喜欢两类,设定P(X)为先验概率,P(Y)为后验概率,通过后验概率公式计算学习者对未知知识点的感兴趣程度。
4.如权利要求2所述的基于学习者模型的学习资源智能推荐方法,其特征在于:所述基于协同过滤推荐方法包括以下步骤:
S10:进行数据预处理,将采集的数据集进行初始化,对数据进行预填充和去冗余,并根据用户是否对学习资源进行评分把学习资源划分为已评价学习资源集和待评价学习资源集,已评价学习资源集作为训练集,待评价学习资源集作为预测集;
S20:采用神经网络建立预测模型,进行模型训练;
S30:利用训练得到的模型对待评价学习资源集进行预测,对预测结果进行排序,筛选出预测值较高的学习资源推荐给学习者。
5.如权利要求4所述的基于学习者模型的学习资源智能推荐方法,其特征在于:所述S20具体包括:给定训练集、激活函数和隐藏层节点个数;为输入权值和阈值随机赋值;计算隐藏层输出矩阵;计算输出权值。
6.如权利要求4所述的基于学习者模型的学习资源智能推荐方法,其特征在于:所述S30具体包括:给定预测集;计算预测集中待评价学习资源通过训练好的模型所形成的矩阵;计算待评价学习资源的输出值;按照计算的输出值大小将学习资源进行排序,并根据需要产生推荐。
7.如权利要求2所述的基于学习者模型的学习资源智能推荐方法,其特征在于:所述基于关联规则推荐方法具体包括:依据学科知识点逻辑关系、教师经验,分析不同学习者学习路径,制定相关的规则集;根据设定好的规则计算专题里学习资源间的相关性;将资源按照相关性强弱生成推荐序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811025651.0A CN109388746A (zh) | 2018-09-04 | 2018-09-04 | 一种基于学习者模型的学习资源智能推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811025651.0A CN109388746A (zh) | 2018-09-04 | 2018-09-04 | 一种基于学习者模型的学习资源智能推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109388746A true CN109388746A (zh) | 2019-02-26 |
Family
ID=65418615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811025651.0A Pending CN109388746A (zh) | 2018-09-04 | 2018-09-04 | 一种基于学习者模型的学习资源智能推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109388746A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977313A (zh) * | 2019-03-28 | 2019-07-05 | 北京师范大学 | 学习者模型构建方法、学习资源的推荐方法及系统 |
CN110033402A (zh) * | 2019-04-12 | 2019-07-19 | 上海乂学教育科技有限公司 | 基于能力分级的思维数学学习方法及计算机学习系统 |
CN110188279A (zh) * | 2019-05-31 | 2019-08-30 | 苏州百智通信息技术有限公司 | 一种学习资源的推荐方法及装置 |
CN110209899A (zh) * | 2019-05-23 | 2019-09-06 | 北京奥鹏远程教育中心有限公司 | 个性化学习资源推荐系统 |
CN110275907A (zh) * | 2019-06-26 | 2019-09-24 | 广东工业大学 | 一种图书推荐方法、装置、设备及可读存储介质 |
CN110364049A (zh) * | 2019-07-17 | 2019-10-22 | 石虹 | 一种具有偏离度自动反馈数据闭环纠偏控制的专业技能实训辅助教学系统及辅助教学方法 |
CN111460145A (zh) * | 2020-03-18 | 2020-07-28 | 天闻数媒科技(北京)有限公司 | 一种学习资源推荐方法、设备及存储介质 |
CN111723300A (zh) * | 2020-05-25 | 2020-09-29 | 河北师范大学 | 基于模糊评价法的新高考选科决策方法 |
CN111737570A (zh) * | 2020-06-10 | 2020-10-02 | 之江实验室 | 多模态在线学习资源网络推荐系统及其推荐方法 |
CN112380436A (zh) * | 2020-11-16 | 2021-02-19 | 国网上海市电力公司 | 一种企业数智化能源解决方案的智能推荐系统及其方法 |
CN112733046A (zh) * | 2021-01-22 | 2021-04-30 | 西北民族大学 | 一种基于高校学生电子学习档案的智能学伴推荐系统 |
CN113361661A (zh) * | 2021-07-20 | 2021-09-07 | 红云红河烟草(集团)有限责任公司 | 一种数据协同能力评价的建模方法及装置 |
CN113837910A (zh) * | 2021-09-28 | 2021-12-24 | 科大讯飞股份有限公司 | 试题推荐方法、装置、电子设备和存储介质 |
CN114567815A (zh) * | 2022-01-20 | 2022-05-31 | 清华大学 | 一种基于预训练的慕课自适应学习系统构建方法和装置 |
CN116910303A (zh) * | 2023-08-24 | 2023-10-20 | 北京小糖科技有限责任公司 | 基于舞蹈室学习阶段的舞蹈视频推荐方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120097003A (ko) * | 2011-02-24 | 2012-09-03 | 한국과학기술원 | 스마트 학습 에이전트 시스템 및 이를 이용한 학습 관리 방법 |
CN106528693A (zh) * | 2016-10-25 | 2017-03-22 | 广东科海信息科技股份有限公司 | 面向个性化学习的教育资源推荐方法及系统 |
CN107045533A (zh) * | 2017-01-20 | 2017-08-15 | 广东技术师范学院天河学院 | 基于标签的教育资源推荐方法及系统 |
-
2018
- 2018-09-04 CN CN201811025651.0A patent/CN109388746A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120097003A (ko) * | 2011-02-24 | 2012-09-03 | 한국과학기술원 | 스마트 학습 에이전트 시스템 및 이를 이용한 학습 관리 방법 |
CN106528693A (zh) * | 2016-10-25 | 2017-03-22 | 广东科海信息科技股份有限公司 | 面向个性化学习的教育资源推荐方法及系统 |
CN107045533A (zh) * | 2017-01-20 | 2017-08-15 | 广东技术师范学院天河学院 | 基于标签的教育资源推荐方法及系统 |
Non-Patent Citations (3)
Title |
---|
牟智佳、武法提: ""电子书包中基于学习者模型的个性化学习资源推荐研究"", 《电化教育研究》 * |
马佳佳 等: ""面向学习过程的个性化资源推荐服务策略研究"", 《中国教育信息化》 * |
黄立威 等: ""基于深度学习的推荐系统研究综述"", 《计算机学报》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977313A (zh) * | 2019-03-28 | 2019-07-05 | 北京师范大学 | 学习者模型构建方法、学习资源的推荐方法及系统 |
CN110033402A (zh) * | 2019-04-12 | 2019-07-19 | 上海乂学教育科技有限公司 | 基于能力分级的思维数学学习方法及计算机学习系统 |
CN110209899A (zh) * | 2019-05-23 | 2019-09-06 | 北京奥鹏远程教育中心有限公司 | 个性化学习资源推荐系统 |
CN110188279A (zh) * | 2019-05-31 | 2019-08-30 | 苏州百智通信息技术有限公司 | 一种学习资源的推荐方法及装置 |
CN110188279B (zh) * | 2019-05-31 | 2021-06-29 | 苏州百智通信息技术有限公司 | 一种学习资源的推荐方法及装置 |
CN110275907A (zh) * | 2019-06-26 | 2019-09-24 | 广东工业大学 | 一种图书推荐方法、装置、设备及可读存储介质 |
CN110364049B (zh) * | 2019-07-17 | 2021-03-30 | 石虹 | 一种具有偏离度自动反馈数据闭环纠偏控制的专业技能实训辅助教学系统及辅助教学方法 |
CN110364049A (zh) * | 2019-07-17 | 2019-10-22 | 石虹 | 一种具有偏离度自动反馈数据闭环纠偏控制的专业技能实训辅助教学系统及辅助教学方法 |
CN111460145A (zh) * | 2020-03-18 | 2020-07-28 | 天闻数媒科技(北京)有限公司 | 一种学习资源推荐方法、设备及存储介质 |
CN111723300A (zh) * | 2020-05-25 | 2020-09-29 | 河北师范大学 | 基于模糊评价法的新高考选科决策方法 |
CN111737570B (zh) * | 2020-06-10 | 2024-05-07 | 之江实验室 | 多模态在线学习资源网络推荐系统及其推荐方法 |
CN111737570A (zh) * | 2020-06-10 | 2020-10-02 | 之江实验室 | 多模态在线学习资源网络推荐系统及其推荐方法 |
CN112380436A (zh) * | 2020-11-16 | 2021-02-19 | 国网上海市电力公司 | 一种企业数智化能源解决方案的智能推荐系统及其方法 |
CN112733046A (zh) * | 2021-01-22 | 2021-04-30 | 西北民族大学 | 一种基于高校学生电子学习档案的智能学伴推荐系统 |
CN113361661A (zh) * | 2021-07-20 | 2021-09-07 | 红云红河烟草(集团)有限责任公司 | 一种数据协同能力评价的建模方法及装置 |
CN113361661B (zh) * | 2021-07-20 | 2023-04-07 | 红云红河烟草(集团)有限责任公司 | 一种数据协同能力评价的建模方法及装置 |
CN113837910B (zh) * | 2021-09-28 | 2024-04-16 | 科大讯飞股份有限公司 | 试题推荐方法、装置、电子设备和存储介质 |
CN113837910A (zh) * | 2021-09-28 | 2021-12-24 | 科大讯飞股份有限公司 | 试题推荐方法、装置、电子设备和存储介质 |
CN114567815A (zh) * | 2022-01-20 | 2022-05-31 | 清华大学 | 一种基于预训练的慕课自适应学习系统构建方法和装置 |
CN114567815B (zh) * | 2022-01-20 | 2023-05-02 | 清华大学 | 一种基于预训练的慕课自适应学习系统构建方法和装置 |
CN116910303A (zh) * | 2023-08-24 | 2023-10-20 | 北京小糖科技有限责任公司 | 基于舞蹈室学习阶段的舞蹈视频推荐方法和装置 |
CN116910303B (zh) * | 2023-08-24 | 2023-12-08 | 北京小糖科技有限责任公司 | 基于舞蹈室学习阶段的舞蹈视频推荐方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109388746A (zh) | 一种基于学习者模型的学习资源智能推荐方法 | |
Mavroudi et al. | Supporting adaptive learning pathways through the use of learning analytics: developments, challenges and future opportunities | |
Peña-Ayala | Educational data mining: A survey and a data mining-based analysis of recent works | |
Schiaffino et al. | eTeacher: Providing personalized assistance to e-learning students | |
Porayska-Pomsta et al. | Diagnosing and acting on student affect: the tutor’s perspective | |
Chen | Ontology‐based concept map for planning a personalised learning path | |
US20160005323A1 (en) | Adaptive e-learning system and method | |
CN110473123A (zh) | 一种多元智能教育方法及系统 | |
Hummel et al. | Combining social-based and information-based approaches for personalised recommendation on sequencing learning activities | |
Jena | Predicting students’ learning style using learning analytics: a case study of business management students from India | |
Gray | A review of psychometric data analysis and applications in modelling of academic achievement in tertiary education | |
CN108109089A (zh) | 一种教育可计算方法 | |
CN111831914A (zh) | 一种在线教育的智能推题系统 | |
US20120077180A1 (en) | Method and system for knowledge representation and processing using a structured visual idea map | |
CN110162713A (zh) | 基于卷积神经网络的自适应学习内容推荐方法及系统 | |
Hyland et al. | Outcomes of a service teaching module on ODEs for physics students | |
Wilkinson et al. | Mixed-ability grouping in physical education: investigating ability and inclusivity in pedagogic practice | |
Marshall | Contribution of open-ended questions in student evaluation of teaching | |
CN109800880B (zh) | 基于动态学习风格信息的自适应学习特征提取系统及应用 | |
Kozierkiewicz-Hetmańska | A method for scenario recommendation in intelligent e-learning systems | |
Aziz et al. | Adaptive E-learning recommendation model based on the knowledge level and learning style | |
May | Identifying the characteristics of written formative feedback used by assessors in work-based qualifications | |
Karadeniz et al. | Enhancing ICT personalized education through a learning intelligent system | |
Pant et al. | Exploring the factors affecting learners' retention in MOOCs: A systematic literature review | |
Nebot et al. | Fuzzy predictive models to help teachers in e-learning courses |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190226 |