6篇关于自适应学习系统的计算机毕业论文

今天分享的是关于自适应学习系统的6篇计算机毕业论文范文, 如果你的论文涉及到自适应学习系统等主题,本文能够帮助到你

基于知识图谱的自适应学习系统研究——以《C语言程序设计》为例

这是一篇关于自适应学习系统,知识图谱,自适应学习路径的论文, 主要内容为信息技术的发展给当今世界带来“知识爆炸”,随着教育信息化的发展,在线学习在教育教学中得到了普遍的应用。人工智能在计算机领域所蕴含的庞大潜力将会给在线教育领域带来新的活力,很大程度上推进个性化学习的发展,将“自适应学习”成为可能,为传统教育以及在线学习带来辅助和补充作用,在互联网层面确保每个人都可以拥有平等的受教育的机会,优质的教育资源,终身学习的能力。因此,本文以关联主义学习理论、有意义学习理论和最近发展区理论作为自适应学习系统设计的理论依据,完成了基于知识图谱的自适应学习系统框架设计,重点对该框架中的三大核心组件:领域知识模型、学习者模型和教学模型进行了深入研究,并以C语言程序设计课程为例进行了原型系统的开发。本文的研究内容主要包括以下五个部分。第一,本文研究Brusilovsky教授提出的自适应教育超媒体通用模型作为自适应学习系统框架设计的参考模型,完成了基于知识图谱的自适应学习系统的框架设计。该系统包含五个主要组件:领域知识模型、学习者模型、教学模型、界面模块和自适应引擎。第二,参考学习对象元数据规范,以“关联主义学习理论”和“精细化加工理论”为理论依据,对知识元进行粒度划分,提出了知识元模型,将课程知识点进行抽取整合,同时划分知识元之间的逻辑关系,提出了课程知识组织模型。在对“知识元”理论和知识图谱理论与技术进行深入研究的基础上对C语言中知识进行建模。第三,本文提出一个新的学习者模型从而提高自适应学习系统的个性化与自适应性,该模型分为静态模型和动态模型两种。静态信息主要是学习者在进入学习环境前就已经具有的信息,动态信息是学习者在进入学习环境之后,随着学习的不断深入而出现的交互式信息,会随着学习行为的改变而变化。第四,本文的教学模型是学习者在自适应学习系统中的学习方式,学习者可以主动地选择感兴趣的学习内容,同时,学习者也可以根据系统推荐的自适应学习路径进行学习,该方法以“最近发展区”理论和“有意义学习理论”为基础,结合蚁群优化算法和模糊C均值算法进行学习路径的推荐,从而对学习者的学习活动进行合理地干预,推荐给学习者下一步需要学习的内容,这样有效提高了学习效率,实现学习者和系统之间的“双向适应”。第五,结合“元认知理论”和“覆盖建模技术”将学习者大脑中的知识结构以知识图谱的形式呈现出来,该知识图谱会随着学习者的学习过程呈现动态的变化,这种可视化的方式可以帮助学习者直观地观察到自己的学习进步、已掌握的知识、未学习的知识。同时这种动态反馈机制可以显著提高学习者的学习质量并充分调动学习者的主观能动性。

基于知识图谱的在线学习效果动态评价与实施方法研究

这是一篇关于智慧教育,知识图谱,个性化试卷,在线学习效果评价,自适应学习系统的论文, 主要内容为教育信息化是国家实现教育现代化的重要举措,关系到我国教育事业发展。教育信息化的推进,使学习者学习方式发生了从线下到线上的重大变革,因此,采用单一学习效果评价的方式显然不能满足学习者在线学习需求。有鉴于此,本文以个性化试卷推送为前提,旨在研究一种基于知识图谱的在线学习效果动态评价与实施方法。具体创新性内容如下:首先,为表示学科知识点之间关联关系,满足知识点推理与挖掘需求,以初中数学学科为基础构建知识图谱。获取构建图谱所需知识源信息,再对其进行命名实体识别和实体关系识别,并利用知识融合实现知识图谱的更新与扩充。经领域专家对图谱质量评估,完成初中数学学科知识图谱的构建,为后续研究工作的开展提供基础条件。其次,针对现有个性化试卷推送方法中学习行为数据建模不足和算法优化过程易陷入局部最优的问题,设计一种基于改进离散型人工雨滴算法的个性化试卷推送方法。该方法依据学习行为数据和组卷条件约束分别建立学习者模型和个性化组卷模型,并采用改进离散型人工雨滴算法对模型优化求解。通过仿真分析及初步的应用研究,表明人工雨滴算法应用组卷优化问题的有效性,并相比其他优化算法在求解试卷质量上具有优势。最后,针对现有在线学习效果评价方法结果单一以及对学习者学习状态信息展示欠缺的问题,设计一种新的在线学习效果动态评价方法。该方法借助个性化试卷推送对学习者知识点掌握状态进行考查,基于知识图谱建立贝叶斯网络模型挖掘知识点薄弱的原因,提供多元评价结果。相比其他评价方法丰富了学习状态信息,为学习者指明学习方向。基于以上在线学习效果评价研究,设计并实现了自适应学习系统,验证了本论文提出的基于知识图谱的在线学习效果动态评价研究的合理性和有效性,为在线学习效果评价的研究提供了新的思路。

高中信息技术知识图谱的构建及其在自适应学习系统中的应用研究

这是一篇关于高中信息技术,知识图谱,自适应学习系统,本体构建的论文, 主要内容为“互联网+教育”模式快速发展以来,各种人工智能技术走进教育教学中,技术的发展给教育带来很大的发展动力和潜力,但也给学习者带来了诸如怎样选择学习资源的困扰。各种线上的论文、题库等在学科教学中充当着很重要的角色,为了使这些资源更好地为信息技术课程提供系统化资源和专业化指导,也为了学习者在学习高中信息技术课程时更好地利用这些线上资源,促进学习者构建系统化的学科知识,发展计算思维,增强信息意识,树立正确的信息社会价值观,本文运用知识图谱技术,以教育部在2017年印发的《普通高中信息技术课程标准》和高中信息技术人教版(2019)为标准,将高中信息技术知识系统化、规范化,形成高中信息技术知识图谱,并在高中信息技术知识图谱构建的基础上,对高中信息技术自适应学习系统进行设计与开发。主要内容有下:1、获取论文所需研究数据。运用python爬虫技术在网上采集高中信息技术学科数据,并参考2017年印发的《普通高中信息技术课程标准》和高中信息技术人教版(2019)进行手工筛选。2、进行学科本体知识构建。参照七步法构建高中信息技术学科本体知识,用Protégé工具搭建类层级结构,并在此基础上构建高中信息技术学科知识图谱,运用Neo4j数据库进行存储。3、构建学习者参考模型。以IMS LIPS、IEEE PAPI、CETLTS-11等参考模型为基础构建学习者模型。4、设计自适应学习系统。使用SSM框架、VUE前端技术、MySQL和Neo4j数据库,Java语言、HTML前端语言等,以学习者为主要用户,根据构建的学习者模型和领域知识模型,利用基于用户的协同过滤算法和关联规则挖掘算法规划出一条个性化学习路径,构建基于高中信息技术知识图谱的自适应学习系统。

基于学习者认知水平的自适应学习系统的设计与应用

这是一篇关于个性化学习,自适应学习系统,学习者模型,认知水平的论文, 主要内容为随着人工智能领域不断融入教育行业,根据学习者不同的需求为其推荐、提供个性化学习资源的在线学习形式逐渐发展成为当今我国教育平台发展的主流之一。不同认知水平的学习者对于学习资源的需求是不同的,故在快速发展的技术背景下,如何更精准地确定学习者相应的认知水平已然成为研究者目前的一大难题。本文通过学习者对知识点的掌握程度构建基于认知水平的学习者模型,在此模型的基础上设计自适应学习功能,从而为学习者搭建能够提供符合其认知水平与发展需求的自适应学习系统。具体研究工作如下:(1)基于认知水平的学习者模型的构建。以学习者测试成绩的结果构建学习者一知识程度矩阵,了解学习者对知识点的掌握程度,获得学习者的认知水平,从而构建基于认知水平的学习者模型。本模型充分考虑了学习者对知识点不同程度的认知水平,可以更好地满足学习者个性化学习的需求。(2)基于学习者认知水平的自适应学习系统的搭建。以上述模型为基础,采用了 SpringMVC、jQuery EasyUI、Mybatis等框架技术,从实际应用角度出发,设计并开发了自适应学习系统。该系统具有丰富的题库,通过测试掌握学习者对知识点的认知程度,并从题库中为其推荐合适的试题,为学习者提供自适应的学习支持服务,最终实现个性化学习。(3)自适应学习系统在教学中的应用。本研究以初中九年级化学班级的学生作为研究对象,将初中九年级化学课本第二章为具体知识点内容,通过问卷调查法、访谈法等方法调查该系统在实际学习中的应用效果。最终得出结论,该自适应学习系统具有一定辅助教学效果。

高中信息技术知识图谱的构建及其在自适应学习系统中的应用研究

自适应学习系统中推荐方法的研究与应用

这是一篇关于混合推荐算法,情感分析,知识图谱,协同过滤,自适应学习系统的论文, 主要内容为网络学习平台已经成为学习者获取学习资源的重要途径,在带给人们便利的同时也出现了个性化信息获取困难的问题。自适应学习系统能够根据不同学习者的兴趣偏好为其推荐个性化的学习资源,从而解决这一问题。目前自适应学习系统大多依据用户学习行为进行推荐,忽略了用户的评价信息及学习资源自身相关性,对用户兴趣挖掘不够全面。针对上述的问题,本文提出了基于情感分析、知识图谱和协同过滤的混合推荐算法(SA-KG-CFRA)。首先,获取网络学习平台真实用户评价数据和课程信息,构建了有23052条用户评价和828门课程信息的数据集。其次,在基于情感分析的推荐算法中,对Text CNN、LSTM、Bi-LSTM和BERT情感倾向判定模型进行对比实验,选取效果最好的BERT模型作为后续推荐算法的基础,依据情感倾向计算用户的情感分值,找到邻近用户并生成预测评分。在基于知识图谱的推荐算法中,根据课程基本信息构建知识图谱,通过知识图谱抽取用户到课程的推理路径,采用LSTM模型和Attention机制捕获推理路径语义,生成预测评分。在基于用户的协同过滤推荐算法中,构建了用户-课程评分矩阵,通过改进的余弦相似度计算用户的相似性,寻找目标用户的邻近集,生成预测评分。最后,混合推荐算法将三种推荐算法对应的预测评分值按权重相加,经过Sigmoid函数产生最终预测评分,进行top N推荐。本文对基于情感分析、知识图谱、协同过滤的单一推荐算法与混合推荐算法进行对比实验,混合推荐算法的MAE值达到0.71,较单一推荐算法分别下降0.02、0.04、0.08,覆盖率达38.45%,较单一推荐算法有所提升。实验结果表明了该混合推荐算法在推荐准确性及推荐效果上有较好的提升。本文还设计开发了自适应学习系统,该系统实现了课程资源个性化推荐、课程资源管理、课程评价、个人信息管理等功能。

本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码导航，原文地址：https://m.bishedaima.com/lunwen/46612.html