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。

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。