基于学习者画像的学习路径推荐设计和研究
这是一篇关于学习者画像,学习路径,学习资源,学习分析,推荐系统的论文, 主要内容为教育现代化对学生的个性化学习提出了更高的要求。各种网络学习资源,尤其是在线学习平台在近年来得到了爆炸式的发展。面对在线学习资源更大的数据量,更强的专业性,更为复杂的知识结构,在线学习者的学习迷途以及信息过载问题尤为突出。本研究以教育大数据为背景,依托在线学习平台,借助其强大的学习行为记录与统计分析功能,将学习者个体特征和学习活动与学习轨迹相耦合,形成学习者画像。更进一步地,借助Pandas库的数据分析处理能力,结合学习行为日志数据,完成对学习者的分类工作,并配合基于协同过滤推荐算法的学习路径推荐模型,将经过处理后的以学习元为单位的粒度更低的学习路径推荐给学习者。以《网络技术基础》课程为例,以金华市某师范院校的教育技术学专业学生为研究对象,通过直接对在线学习平台的学习行为日志进行分析,从基本属性,行为特征,结果特征三个维度设计出学习者画像。基本属性由年龄、性别、地区、学习风格、学习动机组成;行为特征由学习社区参与度、学习兴趣度、学习专注度、学习资源偏好组成;结果特征由作业成绩、课程满意度组成。在考虑以上三个维度的情况下,使用向量空间模型(VSM)来完成学习者画像的建模,并以此实现基于学习者画像的学习者群组划分,进一步对学习者群组划分情况进行评价与优化。通过对在线学习平台日志的分析并结合课程设计,将学习资源进一步转化为学习元。本研究同时实现了学习者画像自动生成,以及在半监督环境下完成学习资源转化为学习路径。研究结果表明:基于学习者画像的学习路径推荐具有可行性以及一定的准确性;在线学习平台的学习数据可以通过一定的算法处理抽象成学习者画像;相比以学习资源为载体的推荐方式,以学习路径为载体,粒度更低,更为精确。
基于模型融合的慕课风险学习者预测系统研究
这是一篇关于MOOC,学习分析,风险学习者预测,模型融合,系统设计与实现的论文, 主要内容为大规模在线开放课程(MOOC,慕课)这一概念自2008年被提出,2012年开始在世界范围内兴起。慕课的诞生旨在为每一位学习者提供平等且高质量的学习资源,特别是在新冠疫情的大背景之下,慕课更是凭借其先天的优势成为了世界各国大力推广的教育方式。但是慕课由于缺乏强约束性,其高退课率以及低通过率也广为学界所关注。越来越多的研究者开始着手研究如何提升慕课的留存率以及通过率,其中,针对慕课平台学习者群体中那些存在无法完成课程风险的风险学习者进行识别是其中的一个可行方案。同时,由于学习者在慕课平台学习的过程中会产生大量的学习行为数据,因此很多研究将机器学习技术应用于慕课风险学习者的预测工作中。慕课平台针对风险学习者施加个性化的援助,即可提高课程的留存率以及通过率。为了提升慕课平台的整体学习效果,对平台中存在的风险学习者能够精准的识别,本文通过机器学习技术搭建了风险学习者预测模型,为了提升模型的性能,本文进一步引入了模型融合技术,训练的融合模型在OULAD数据集上取得了最高0.98的AUC分数。本文的主要工作如下:本文基于OULAD开放大学学习分析数据集来开展研究,由于该数据集结构较为复杂,因此本文首先对数据集进行了详细的分析与梳理。在特征工程的工作中,本文希望探究特征时间属性对模型性能的影响,因此使用了两种不同的特征提取方式,最终得到了两个特征集,另外,本文还进一步使用XGBoost评估了特征的重要性,并完成了特征选择工作。针对特征工程得到的两个特征集,本文分别采用了集成学习中的Boosting算法(XGBoost、AdaBoost、GBDT)以及Bagging算法(Random Forest)训练单一模型,并进一步通过Voting以及Stacking的方法构建比单一模型性能更好的融合模型。在上述算法模型的基础上,本文进一步设计并实现了一个慕课风险学习者预测系统。本系统的整体架构为当下广为采用的前后端分离模式,后端使用Spring Boot框架搭建,前端则使用Vue框架搭建。此外,考虑到实际使用时系统中的数据量会越来越大,本系统在进行数据库设计时,对部分数据量较大的表进行了水平分片设计,以提升数据库整体性能。在功能方面,本系统包括了登录与注册、用户权限管理、学习者信息维护、风险学习者预测、风险学习者指导以及数据统计这六大模块。用户通过将学习者的学习数据上传至系统,即可预测学习者是否为风险学习者,预测过程将会调用实验中表现最佳的融合模型,预测结果将会直观的展示给用户,用户还可以选择导出历史预测结果。对于预测结果为有风险的学习者,本系统还提供一键发邮件的功能,用户可以针对这些风险学习者发送邮件,从而达到针对性指导的目的。
基于模型融合的慕课风险学习者预测系统研究
这是一篇关于MOOC,学习分析,风险学习者预测,模型融合,系统设计与实现的论文, 主要内容为大规模在线开放课程(MOOC,慕课)这一概念自2008年被提出,2012年开始在世界范围内兴起。慕课的诞生旨在为每一位学习者提供平等且高质量的学习资源,特别是在新冠疫情的大背景之下,慕课更是凭借其先天的优势成为了世界各国大力推广的教育方式。但是慕课由于缺乏强约束性,其高退课率以及低通过率也广为学界所关注。越来越多的研究者开始着手研究如何提升慕课的留存率以及通过率,其中,针对慕课平台学习者群体中那些存在无法完成课程风险的风险学习者进行识别是其中的一个可行方案。同时,由于学习者在慕课平台学习的过程中会产生大量的学习行为数据,因此很多研究将机器学习技术应用于慕课风险学习者的预测工作中。慕课平台针对风险学习者施加个性化的援助,即可提高课程的留存率以及通过率。为了提升慕课平台的整体学习效果,对平台中存在的风险学习者能够精准的识别,本文通过机器学习技术搭建了风险学习者预测模型,为了提升模型的性能,本文进一步引入了模型融合技术,训练的融合模型在OULAD数据集上取得了最高0.98的AUC分数。本文的主要工作如下:本文基于OULAD开放大学学习分析数据集来开展研究,由于该数据集结构较为复杂,因此本文首先对数据集进行了详细的分析与梳理。在特征工程的工作中,本文希望探究特征时间属性对模型性能的影响,因此使用了两种不同的特征提取方式,最终得到了两个特征集,另外,本文还进一步使用XGBoost评估了特征的重要性,并完成了特征选择工作。针对特征工程得到的两个特征集,本文分别采用了集成学习中的Boosting算法(XGBoost、AdaBoost、GBDT)以及Bagging算法(Random Forest)训练单一模型,并进一步通过Voting以及Stacking的方法构建比单一模型性能更好的融合模型。在上述算法模型的基础上,本文进一步设计并实现了一个慕课风险学习者预测系统。本系统的整体架构为当下广为采用的前后端分离模式,后端使用Spring Boot框架搭建,前端则使用Vue框架搭建。此外,考虑到实际使用时系统中的数据量会越来越大,本系统在进行数据库设计时,对部分数据量较大的表进行了水平分片设计,以提升数据库整体性能。在功能方面,本系统包括了登录与注册、用户权限管理、学习者信息维护、风险学习者预测、风险学习者指导以及数据统计这六大模块。用户通过将学习者的学习数据上传至系统,即可预测学习者是否为风险学习者,预测过程将会调用实验中表现最佳的融合模型,预测结果将会直观的展示给用户,用户还可以选择导出历史预测结果。对于预测结果为有风险的学习者,本系统还提供一键发邮件的功能,用户可以针对这些风险学习者发送邮件,从而达到针对性指导的目的。
学习分析视域下大学生课堂参与边缘化诊断及策略干预研究
这是一篇关于学习分析,课堂参与边缘化,众包,自组织,协同知识建构的论文, 主要内容为“知识来源于信息,信息来源于数据”,学习分析以“大数据”为研究工具,从大数据的角度挖掘、分析、表征、理解和服务学习,让学习真实发生。课堂参与是培养学生概念理解的一种工具和手段,反映学生的认知和情感投入水平,是深度学习的有效保证。因此,如何利用Web2.0等新型技术创建、共享和交流课程内容来支持课堂参与,学生边缘化课堂参与的发生机制是什么,以及如何利用学习分析技术对学生参与度进行全面、准确测量需要引起我们高度关注。本研究在对国内外相关文献资料梳理总结的基础上,确定课堂参与行为属性及属性值计量方式,对行为参与次数进行矩阵表征,从原始视角探索教育质量,洞察学生课堂参与情况;通过访谈及问卷调查,利用相关分析和多元回归法,发现影响学生课堂参与的六个具体变量:基础薄弱、担心说错、内容抽象、讲课快、习惯独立学习、不好意思。根据产生因素,结合相关理论认为:中国传统文化的根深蒂固、学生缺乏充足课前准备、学生对口语目标的不重视、内向寡言的个性特征、消极参与的恶性循环、教师对课堂节奏把控不到位、同伴消极反应的抑制作用以及知识系统的日益复杂性是课堂参与边缘化的发生机制。基于众包平台Wisemapping,结合自组织理论和知识建构理论提出众包自组织协同知识建构干预模型,以某大学教育技术学专业学生为研究对象进行了为期十周的干预研究。结果表明该模型能显著提高学生的学习成绩,知识组织行为模式显示学生积极参与到课堂中来,创造了更加有趣和有意义的学习体验,在学习活动中投入了更多的智力水平、努力程度、注意力、持久性和积极行为,学习是一个社会的、交流的过程。知识图谱和社会网络分析表明学生提出了许多问题和观点,思维变得清晰,论点的阐述逐层深化,每个学生都能以最适合自己的方式学习,课堂上通过众包平台Wisemapping进行社交似乎从根本上改变了他们整个课堂的参与限制,从根本上增加了学生的互动机会。研究成果有助于提升高校大学生的课堂参与度和知识水平,进而提高学习和教学效果。
基于xAPI的网络学习行为数据采集工具设计与实现
这是一篇关于网络学习行为,学习分析,xAPI,数据采集的论文, 主要内容为随着网络学习(在线学习)的飞速发展,学习者在学习过程中产生了海量数据。学习者产生的数据中包括有大量的学习行为数据,如点击、浏览、批注和拖拽等,反应学习者学习状态和学习质量。如何收集、整理和分析学习行为数据成为目前研究热点。目前,网络学习行为数据来源通常使用日志信息、专用设备采集等,存在数据获取困难,数据格式标准不统一、缺乏实时性等问题。论文拟设计和实现一个学习行为数据采集工具,实现个人学习行为数据的实时采集;并利用xAPⅠ规范化处理,形成标准化的数据格式,为后期的学习行为分析研究奠定基础。通过采集学习者网络学习行为数据并规范化,有利于教育资源开发、支持教师更好地组织教学和改良教学设计,并且对学习资源以及学习者做出有效评价。课题主要工作:1)网络学习行为数据采集模型的构建根据xAPⅠ中学习活动流的思想将学习者的行为以具有语义结构的数据形式存储,采用xAPⅠ规范提供的常用动词记录学习者的网络学习行为。2)网络学习行为数据采集工具设计利用JSP技术、JavaScript技术,后台数据库技术、xAPⅠ提供的技术基础设计并实现了基于此模型的网络学习者行为数据采集工具,该工具的实现不以Web日志作为数据源,而是利用客户端自主提交数据,编写采集函数,接收数据、并处理成为Statement语句,最后将此语句的记录信息存储到独立的数据库中。3)网络学习行为数据采集工具实现及应用新一代SCORM标准xAPⅠ规范提供了一个以学习者为中心的采集学习过程指导性框架。本文在此框架的基础上设计了网络学习行为数据采集模型,同时根据xAPⅠ中Statement语句的组成对网络学习行为数据采集模块的数据结构进行重新设计,以JSP技术、JavaScript技术,后台数据库技术、xAPⅠ提供的技术为基础,实现了基于此模型的网络学习者行为数据采集工具。最后,以高尔夫课程和俄罗斯方块这两个学习资源为例,开展了学习行为的分析,包括经历数据获取统计,学习状态分数分析,实践证明:本文开发的采集工具可以获取学习者经历数据,并辅助用户鼠标轨迹分析,可以判断出用户学习状态。
基于模型融合的慕课风险学习者预测系统研究
这是一篇关于MOOC,学习分析,风险学习者预测,模型融合,系统设计与实现的论文, 主要内容为大规模在线开放课程(MOOC,慕课)这一概念自2008年被提出,2012年开始在世界范围内兴起。慕课的诞生旨在为每一位学习者提供平等且高质量的学习资源,特别是在新冠疫情的大背景之下,慕课更是凭借其先天的优势成为了世界各国大力推广的教育方式。但是慕课由于缺乏强约束性,其高退课率以及低通过率也广为学界所关注。越来越多的研究者开始着手研究如何提升慕课的留存率以及通过率,其中,针对慕课平台学习者群体中那些存在无法完成课程风险的风险学习者进行识别是其中的一个可行方案。同时,由于学习者在慕课平台学习的过程中会产生大量的学习行为数据,因此很多研究将机器学习技术应用于慕课风险学习者的预测工作中。慕课平台针对风险学习者施加个性化的援助,即可提高课程的留存率以及通过率。为了提升慕课平台的整体学习效果,对平台中存在的风险学习者能够精准的识别,本文通过机器学习技术搭建了风险学习者预测模型,为了提升模型的性能,本文进一步引入了模型融合技术,训练的融合模型在OULAD数据集上取得了最高0.98的AUC分数。本文的主要工作如下:本文基于OULAD开放大学学习分析数据集来开展研究,由于该数据集结构较为复杂,因此本文首先对数据集进行了详细的分析与梳理。在特征工程的工作中,本文希望探究特征时间属性对模型性能的影响,因此使用了两种不同的特征提取方式,最终得到了两个特征集,另外,本文还进一步使用XGBoost评估了特征的重要性,并完成了特征选择工作。针对特征工程得到的两个特征集,本文分别采用了集成学习中的Boosting算法(XGBoost、AdaBoost、GBDT)以及Bagging算法(Random Forest)训练单一模型,并进一步通过Voting以及Stacking的方法构建比单一模型性能更好的融合模型。在上述算法模型的基础上,本文进一步设计并实现了一个慕课风险学习者预测系统。本系统的整体架构为当下广为采用的前后端分离模式,后端使用Spring Boot框架搭建,前端则使用Vue框架搭建。此外,考虑到实际使用时系统中的数据量会越来越大,本系统在进行数据库设计时,对部分数据量较大的表进行了水平分片设计,以提升数据库整体性能。在功能方面,本系统包括了登录与注册、用户权限管理、学习者信息维护、风险学习者预测、风险学习者指导以及数据统计这六大模块。用户通过将学习者的学习数据上传至系统,即可预测学习者是否为风险学习者,预测过程将会调用实验中表现最佳的融合模型,预测结果将会直观的展示给用户,用户还可以选择导出历史预测结果。对于预测结果为有风险的学习者,本系统还提供一键发邮件的功能,用户可以针对这些风险学习者发送邮件,从而达到针对性指导的目的。
基于模型融合的慕课风险学习者预测系统研究
这是一篇关于MOOC,学习分析,风险学习者预测,模型融合,系统设计与实现的论文, 主要内容为大规模在线开放课程(MOOC,慕课)这一概念自2008年被提出,2012年开始在世界范围内兴起。慕课的诞生旨在为每一位学习者提供平等且高质量的学习资源,特别是在新冠疫情的大背景之下,慕课更是凭借其先天的优势成为了世界各国大力推广的教育方式。但是慕课由于缺乏强约束性,其高退课率以及低通过率也广为学界所关注。越来越多的研究者开始着手研究如何提升慕课的留存率以及通过率,其中,针对慕课平台学习者群体中那些存在无法完成课程风险的风险学习者进行识别是其中的一个可行方案。同时,由于学习者在慕课平台学习的过程中会产生大量的学习行为数据,因此很多研究将机器学习技术应用于慕课风险学习者的预测工作中。慕课平台针对风险学习者施加个性化的援助,即可提高课程的留存率以及通过率。为了提升慕课平台的整体学习效果,对平台中存在的风险学习者能够精准的识别,本文通过机器学习技术搭建了风险学习者预测模型,为了提升模型的性能,本文进一步引入了模型融合技术,训练的融合模型在OULAD数据集上取得了最高0.98的AUC分数。本文的主要工作如下:本文基于OULAD开放大学学习分析数据集来开展研究,由于该数据集结构较为复杂,因此本文首先对数据集进行了详细的分析与梳理。在特征工程的工作中,本文希望探究特征时间属性对模型性能的影响,因此使用了两种不同的特征提取方式,最终得到了两个特征集,另外,本文还进一步使用XGBoost评估了特征的重要性,并完成了特征选择工作。针对特征工程得到的两个特征集,本文分别采用了集成学习中的Boosting算法(XGBoost、AdaBoost、GBDT)以及Bagging算法(Random Forest)训练单一模型,并进一步通过Voting以及Stacking的方法构建比单一模型性能更好的融合模型。在上述算法模型的基础上,本文进一步设计并实现了一个慕课风险学习者预测系统。本系统的整体架构为当下广为采用的前后端分离模式,后端使用Spring Boot框架搭建,前端则使用Vue框架搭建。此外,考虑到实际使用时系统中的数据量会越来越大,本系统在进行数据库设计时,对部分数据量较大的表进行了水平分片设计,以提升数据库整体性能。在功能方面,本系统包括了登录与注册、用户权限管理、学习者信息维护、风险学习者预测、风险学习者指导以及数据统计这六大模块。用户通过将学习者的学习数据上传至系统,即可预测学习者是否为风险学习者,预测过程将会调用实验中表现最佳的融合模型,预测结果将会直观的展示给用户,用户还可以选择导出历史预测结果。对于预测结果为有风险的学习者,本系统还提供一键发邮件的功能,用户可以针对这些风险学习者发送邮件,从而达到针对性指导的目的。
基于学习分析的适应性学习路径推荐系统设计与开发
这是一篇关于学习分析,学习路径,适应性学习推荐系统的论文, 主要内容为随着互联网技术进入Web2.0时代,数据以爆炸式的速度快速增长,包括科研数据、政府报告数据、教育数据、移动互联网数据等。数据挖掘、大数据分析、关联分析等技术的发展积极推动了商业和科学领域的发展。近几年,随着教育信息化的发展,各种学习管理系统和在线课程的普遍应用,存储了大量的学习者行为记录数据,并且数据还在不断增长。技术的发展和教育数据的积累形成了教育“大数据”。于是教育研究者们把商业中的数据分析思想借鉴到教育领域中,利用学习分析技术优化学习过程,以期为教师、学习者和教育管理者在教学过程和教育管理中提供帮助。有关适应性推荐的研究,我国有学者结合高校课程开发出学习推荐系统。经过深入研究,发现目前开发的学习推荐系统存在这几个共性问题:系统完全依靠计算机推荐学习内容,缺乏教师的指导和参与;对学习者的个性特征分析不够深入,导致个性化推荐的准确性不高。针对上述问题,本研究以学习分析技术为切入点,以初中物理学科知识为例,采用蚁群算法设计并开发了适应性学习路径推荐系统,系统包含学习者学习和教师干预两大功能。具体内容如下:第1章阐述了研究的问题,在大数据背景下利用学习分析挖掘教育数据的重要性和研究意义,概述本研究的研究思路,利用文献研究法、模型构建法和比较分析法,对本课题展开研究。第2章是对学习分析和适应性学习推荐系统的理论研究和应用研究现状进行述评。通过文献梳理,发现学习分析技术与传统意义上的学习分析的区别主要体现在分析技术和分析工具的使用上,并从国内外学习分析模型中提炼出学习分析的关键要素;通过比较分析目前存在的适应性学习推荐系统的功能和推荐算法,发现这些系统对学习者的个性特征挖掘不够,且缺乏教师干预功能,得出将蚁群算法作为本研究的学习路径推荐算法。通过这部分的研究总结出本文的研究点。第3章是基于学习分析的适应性学习路径推荐系统设计。秉承学习分析与学习过程并重的思想,结合用户模型参考规范和研究目的,以学习风格和认知水平两个主要研究变量设计出学习者模型、结合初中物理学科知识结构设计知识模型。从学习路径推荐、学习资源推荐、学习分析、适应性测试、学习分析结果显示、教师干预等方面具体阐述了适应性学习路径推荐系统的功能模块设计和系统运行过程,为实现适应性学习路径推荐系统做准备。第4章是适应性学习路径推荐系统的核心,具体阐述了学习分析技术支持下的适应性学习路径推荐系统实现机制。依据学习分析目标,归纳学习分析的数据指标、数据来源和类型,然后从五个方面阐述学习分析技术与学习内容推荐的应用过程和方法:利用关联规则挖掘学习资源使用序列得出学习者的学习偏好;利用社会网络分析工具对交互数据进行分析,了解学习者的情感状态和学习态度;根据适应性测试得分、在线学习时间和学习进度构建决策树预测学习结果;蚁群算法实现学习路径推荐和学习资源推荐的原理和参数设置;使用Chart图表插件实现可视化呈现学习分析结果。第5章是基于学习分析的适应性学习路径推荐系统各部分的功能。此部分简单介绍了初中物理学科知识结构、学习资源来源以及系统开发环境和开发工具。从教师和学生两条主线,具体介绍系统适应性学习路径推荐、学习资源推荐、适应性测试、错题回顾、可视化呈现学习分析结果等功能使用过程。第6章提出适应性学习路径推荐系统有效性验证的三种方法。本文建议利用系统中存储的数据,从学习路径推荐的合理性、学习风格推断的准确性、学习效果的检验三个方面检验适应性学习路径推荐系统有效性。第7章是研究总结和研究展望,总结本研究的研究成果和存在的不足,并对下一步研究和发展方向做出展望。
基于模型融合的慕课风险学习者预测系统研究
这是一篇关于MOOC,学习分析,风险学习者预测,模型融合,系统设计与实现的论文, 主要内容为大规模在线开放课程(MOOC,慕课)这一概念自2008年被提出,2012年开始在世界范围内兴起。慕课的诞生旨在为每一位学习者提供平等且高质量的学习资源,特别是在新冠疫情的大背景之下,慕课更是凭借其先天的优势成为了世界各国大力推广的教育方式。但是慕课由于缺乏强约束性,其高退课率以及低通过率也广为学界所关注。越来越多的研究者开始着手研究如何提升慕课的留存率以及通过率,其中,针对慕课平台学习者群体中那些存在无法完成课程风险的风险学习者进行识别是其中的一个可行方案。同时,由于学习者在慕课平台学习的过程中会产生大量的学习行为数据,因此很多研究将机器学习技术应用于慕课风险学习者的预测工作中。慕课平台针对风险学习者施加个性化的援助,即可提高课程的留存率以及通过率。为了提升慕课平台的整体学习效果,对平台中存在的风险学习者能够精准的识别,本文通过机器学习技术搭建了风险学习者预测模型,为了提升模型的性能,本文进一步引入了模型融合技术,训练的融合模型在OULAD数据集上取得了最高0.98的AUC分数。本文的主要工作如下:本文基于OULAD开放大学学习分析数据集来开展研究,由于该数据集结构较为复杂,因此本文首先对数据集进行了详细的分析与梳理。在特征工程的工作中,本文希望探究特征时间属性对模型性能的影响,因此使用了两种不同的特征提取方式,最终得到了两个特征集,另外,本文还进一步使用XGBoost评估了特征的重要性,并完成了特征选择工作。针对特征工程得到的两个特征集,本文分别采用了集成学习中的Boosting算法(XGBoost、AdaBoost、GBDT)以及Bagging算法(Random Forest)训练单一模型,并进一步通过Voting以及Stacking的方法构建比单一模型性能更好的融合模型。在上述算法模型的基础上,本文进一步设计并实现了一个慕课风险学习者预测系统。本系统的整体架构为当下广为采用的前后端分离模式,后端使用Spring Boot框架搭建,前端则使用Vue框架搭建。此外,考虑到实际使用时系统中的数据量会越来越大,本系统在进行数据库设计时,对部分数据量较大的表进行了水平分片设计,以提升数据库整体性能。在功能方面,本系统包括了登录与注册、用户权限管理、学习者信息维护、风险学习者预测、风险学习者指导以及数据统计这六大模块。用户通过将学习者的学习数据上传至系统,即可预测学习者是否为风险学习者,预测过程将会调用实验中表现最佳的融合模型,预测结果将会直观的展示给用户,用户还可以选择导出历史预测结果。对于预测结果为有风险的学习者,本系统还提供一键发邮件的功能,用户可以针对这些风险学习者发送邮件,从而达到针对性指导的目的。
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:毕设小屋 ,原文地址:https://m.bishedaima.com/lunwen/47915.html