学习者模型

摘要： 在“互联网+教育”时代,学习者模型是实现个性化网络教学的关键。通过对学习者模型研究现状的分析,在知识模型、认知模型、情感模型和行为模型的基础上,提出一种融合社交特征的学习者综合模型。首先,对模型的特征选择和形式化表征进行了详细说明;然后,针对该模型在学习资源推荐、学习路径推荐、学习伙伴推荐、学习督导和预警中的应用进行了分析。最后,研究认为该模型能够为新型互联网学习环境下的个性化教学服务提供良好的支持。

摘要： 为解决传统领域的推荐算法不完全适用于教育资源的问题,提出了一种基于学习者模型的混合推荐方法。首先,通过把神经网络中对文本信息的分类引入推荐算法中,缓解了冷启动问题;其次,通过对老用户的学习特征和学习能力进行类内计算,解决了传统协同过滤单一计算评分相似度和计算量大的问题。实验结果表明,该模型在教育资源大数据场景下取得了良好的效果。

摘要： 个性化学习推荐是智能学习的一个研究领域,其目标是在学习平台上给特定学习者提供有效学习资源,从而提升学习积极性与学习效果。虽然现有的推荐方法已被广泛用于教学场景,但教学活动自身的科学规律,使个性化学习推荐在个性化参数设置、推荐目标设定、评价标准设计等方面具有一定的特殊性。针对上述问题,在调研大量文献的基础上对近年来个性化学习推荐的研究进行了综述。从学习推荐通用框架、学习者建模、学习推荐对象建模、学习推荐算法、学习推荐评价五方面对个性化学习推荐的相关研究进行了系统的梳理和解读。首先提出了学习推荐系统的通用框架,其次介绍了学习者建模的思路和方法,接着讨论了学习推荐对象建模的思路和方法,然后归纳了学习推荐的算法与模型,接下来总结了学习推荐评价的设计与方法。并对这五方面现有研究的主要思想、实施方案、优势及不足进行了分析。最后还展望了个性化学习推荐未来的发展方向,为智能学习的进一步深入研究奠定了基础。

摘要： 随着人工智能技术的快速发展,以深度学习为代表的复杂人工智能模型开始被逐步应用于各类智能教学系统和平台。然而,这类复杂人工智能模型通常需要从海量数据中学习隐含特征与规律,导致其决策过程的不透明性,通常难以向用户提供清晰且易理解的解释,进而容易引起用户的不信任,也可能带来不易察觉的错误隐患。该研究首先介绍了当前可解释人工智能技术及其基本方法,并以学习者模型的解释作为教育领域的典型案例。在此基础上,研究梳理和提出了可解释人工智能在微观、中观和宏观三个层面的教育应用模式,即检验教育模型、辅助理解系统与支持教育决策。最后,该研究对可解释人工智能在教育中的应用提出了具体建议和展望。

摘要： 在对学习者对象、模型构建、建模技术深入分析的基础上,充分利用机器学习、数据挖掘、大数据分析、人工智能等技术,从知识、能力、认知、情感四个方面讨论了职业教育学习者个性化模型的构建,以期为个性化学习和适性化教育提供精准服务,也为职业教育借助智能技术实施智慧教育、培养高技能人才提供理论和实践方面的探索。

摘要： 学习者模型用于描述学习者行为、认知、情感等方面的特征,是适应性学习得以实现的基础。针对当前学习者建模在认知要素上主要依赖学生的知识掌握情况和学习风格,而在对个体认知具有重要影响的知识结构和元认知能力等方面关注不足的问题,提出了对学习者的学习认知图谱建模以提升适应性学习过程中认知支持的设想,并从多模态异构数据采集、学科知识图谱的构建、认知诊断模型的设计、学习认知图谱建模和适应性学习服务推送五个方面设计技术框架。随后,通过学习认知图谱在学习元平台和雷达数学系统中的应用,介绍了学习认知图谱的实践示例——学习认知地图,并阐述了其构建原理及所提供的个性化学习支持服务,以期为适应性学习领域的研究者提供理论和实践上的参考。

摘要： 个性化学习是传统教育理念,也是现代教育理念。围绕个性化学习环境、平台、学习模式及评价方式,探索中小学在班级授课制背景下基于智能技术的“虚实双空间一体化学习环境”“一主两翼”个性化学习平台、“二主三环”个性化学习模式以及“324”个性化学习评价体系,以促进学生个性全面和谐发展。

摘要： 多模态学习分析是指利用“多模态”的思想和方法对学习者的内在学习状态、特征与变化进行深度诠释,旨在挖掘学习规律、优化学习过程、促进精准教学。在教育大数据研究范式下,多模态学习分析应运而生并形成了诸多研究成果。运用系统性文献综述方法对国内外多模态学习分析相关研究进行梳理发现:当前多模态学习分析研究聚焦于数据采集、数据融合和数据建模三大方面。在数据采集上,得益于智能感知技术的发展,文本、语音、动作、表情、眼动、生理等模态数据备受关注且获取方式愈加便捷;在数据融合上,主要以数据层融合、特征层融合、决策层融合为主,因应深度学习算法的发展,混合式融合初见端倪;在数据建模上,涌现出面向知识、认知、情感、交互状态的学习者模型,且基于多元学习状态的整体性模型日益受到重视。未来多模态学习分析研究应加强情境感知,实现场景数据的混合采集;深挖理论基础,促进数据融合的科学精准;重视情境依存,强化数据建模的情境适用。

摘要： 分析“互动课堂”系统在课堂学习中使用的过程、记录的数据,对“互动课堂”系统中学习行为相关数据进行分类梳理,构建“互动课堂”系统支持下的学习者特征分析模型,为实施个性化教学和评价提供依据,为改进学习者学习过程并完善系统支持服务提供参考。

摘要： 开放学习者模型作为自适应学习系统的关键模块,其研究受到了学界的广泛关注。而深入理解开放学习者模型,对促进自适应学习系统中个性化学习支持的实现与优化具有重要意义。然而,当前国内对于开放学习者模型的研究关注不足。为此,文章通过对33篇外文文献的内容分析,梳理了开放学习者模型设计要素的研究现状,并分析了开放学习者模型应用效果的实证研究特征。在此基础上,文章总结出开放学习者模型存在服务的开放对象过于单一、效果验证方式相对有限、实践应用以服务高等教育为主等问题,并从开放内容设计、开放形式设计、访问权限设计三个角度提出改进建议,以期助力基于开放学习者模型的自适应学习系统研究在我国的本土化落地应用。

摘要： 自适应学习系统是指能够为学习者提供一种个性化学习服务,实现用户适应系统和系统适应用户的双向适应,而要做到这点,构建学习者模型就显得尤为重要.本文主要通过文献分析法,研究国内外自适应学习系统中关键的模型——学习者模型,并以案例说明学习者模型维度,以期为后续自适应学习系统的设计研究和开发提供帮助.在学习者特征的获取上，采用新的技术和算法，如先进的人工智能技术、贝叶斯网络、遗传算法和模糊评估算法等各种有效的计算机技术和算法。这样，在学习者初始特征获取后，利用各种技术和算法，能够实现学习者特征的动态获取和更新，有利于系统进行动态的学习诊断。在学习者特征分析上，充分考虑到不同学习者的个性化差异，尤其是更加重视学习者学习风格的研究和探索。在现有的学习风格模型的基础上，构建切实符合自适应学习系统开发的学习者学习风格模型，更有助于学习者个性化学习。

摘要： 本文首先介绍了学习者模型的作用和现状，然后阐述了学习者模型标准的设计方法与基本思路，最后在借鉴国际标准组织草案文档的基础上，提出适应中国当前远程教育需要的学习者模型标准的方案。

摘要： 学习者模型用于描述学习者认知、情感、学习行为等方面的特征,是学习分析与数据挖掘开展的基础.精准的学习者模型可以聚类具有相似学习特征的学习者,从而利于提供更加精准化、个性化的学习服务.该研究综合分析当前学习分析领域的几种学习者模型,包括学习者知识模型、认知模型、情感模型与学习行为模型等,剖析了各个模型的基本特征与组成要素.研究结论认为:学习者行为、认知及情感模型都是表征学习者特征的重要的变量,学习者的认知、情感都是与学习者的在线学习行为息息相关的影响因素.

摘要： 开发基于Web的自适应学习系统的目的是依据学习者的个性特征呈现适合学习者的学习内容.越来越多的研究在学习者建模时将学习风格融入学习者模型中.本文采用内容分析法对国内关于融入学习风格的学习者模型和自适应学习系统的学术论文及学位论文进行统计和分析,从文献来源、研究内容、研究目的、研究性质、学习风格模型、实证研究方面进行了深入探讨,并梳理出该研究领域的四大研究前景，即针对理论框架开发对应的系统，并进行学习者评价，动态学习者建模的研究需要加深，系统自适应功能的提升需要进行更系统的研究，利用学习管理系统为教师和学习者提供自适应和个性化服务.

摘要： 随着我国信息技术的迅速发展,教育信息化的普及进程日益加快.教师在教学过程中不再满足于简单的文件传输和简单媒体课件资源的共享,专题学习网站作为实施教育信息化整合的有效途径,被越来越多的教师所接受,并得到了广大一线教师的广泛认可.但是当前国内各中小学校应用的专题网站在功能性扩展方面都有很大限制,整体功能框架往往不能够满足内容的动态结构调整.通过分析国内外专题性学习网站的现状,提出基于Celts规范和LOM规范设计整体架构以及以学习者模型规范为中心的基本数据接口,设计出一种具有松散耦合特性构件式专题学习网站开发平台,并详细阐述了常用的基本构件.最后通过实例说用了本构件式专题学习网站的应用,并讨论了其深入研究的方向.

摘要： 随着建构主义学习理论的发展,发现学习越来越受到研究者的重视,利用计算机模拟发现学习更是一个热点问题。文中将发现学习的模拟置身于教育超媒体的特殊环境之中,阐述了自适应智能导学系统(AITS)这一教育超媒体的特征,认为系统与学习者互为适应的主体和客体,学习者模型是自适应性的体现.在获取学习者模型中学习方法要素时,文中从发现学习的心理认知出发,认为学习者为了从探索活动中建构起相应的概念、原理,发展更高水平的认知技能,针对探索活动的反思概括将成为一种具有重要意义的活动.反思概括包括两个最基本的含义,即反身抽象和反身整合.文中详细表述了发现学习的抽象过程.

摘要： 本文介绍了华南理工大学DLTS研究小组关于学习者相关的三个部分:学习者模型,学生身份标识,学力定义的研究成果;指出了存在的问题和展望.

摘要： 本文对体现个性化的E-Learning自适应学习支持系统进行了研究,该系统应该根据学习者的学习风格、学习进度等等动态提供适合学习者实际情况的学习内容.本文对该系统的定位、该系统应该包括的模块、实现的功能以及实现该系统的关键技术等等进行了阐述.

摘要： 本文对体现个性化的E-Learning自适应学习支持系统进行了研究,该系统应该根据学习者的学习风格、学习进度等等动态提供适合学习者实际情况的学习内容.本文对该系统的定位、该系统应该包括的模块、实现的功能以及实现该系统的关键技术等等进行了阐述.

摘要： 本文对体现个性化的E-Learning自适应学习支持系统进行了研究,该系统应该根据学习者的学习风格、学习进度等等动态提供适合学习者实际情况的学习内容.本文对该系统的定位、该系统应该包括的模块、实现的功能以及实现该系统的关键技术等等进行了阐述.

摘要： 本发明公开一种基于课堂场景及学习者视线分析学习者注意力的方法，首先采用图像增强技术对于课堂实时采集图像进行预处理，此后采用背景建模法对授课场景进行分析，提取出课堂场景中可能的感兴趣区域，同时对学生采集图像的颜色特征进行分析，确定学习者面部位置，通过Gabor滤波器获取眼部位置并对其眼动情况分析判定其视线，通过课堂场景中的感兴趣区域位置结合学习者视线判定学习者注意力是否集中。实时性高，可根据学生的眼动情况对课堂中内容进行有效的变换，实时生成对应学习策略。

摘要： 本发明公开了一种基于大数据的自适应学习系统，涉及网络自学教育领域，解决了现有网络教育系统不具有针对性的问题，技术方案具体为：一种基于大数据的自适应学习系统，包括网络课程模块、个人信息模块和云端数据库，网络课程模块包括课程推送单元、课程编辑单元、课程延伸单元、课后习题单元、质量监督单元、反馈单元、存储单元、课程评价单元、在线评价单元和用户权限管理单元；个人信息模块包括基本信息单元、安全信息单元和学业信息单元；本发明提供的基于大数据的自适应学习系统通过大数据处理，针对性对用户进行课程推送；基于图像识别的基于大数据的自适应学习系统使用多种学习辅助工具，使得用户学习更加便捷。

摘要： 本发明属于数据分析及应用领域，提供一种基于课程教学模型的学习者学习表现分析方法，包括以下步骤：（1）构建课程教学模型；（2）建立学习者学习效果评价计算公式；（3）学习者学习表现分析，对所有全体学习者的拟合多项式函数进行分析，根据函数的变化情况描述学习者的学习表现。本发明方法简便易行，能有效解决现有方法分析精度不高和效率低下等问题。

摘要： 本发明公开一种基于课堂场景及学习者视线分析学习者注意力的方法，首先采用图像增强技术对于课堂实时采集图像进行预处理，此后采用背景建模法对授课场景进行分析，提取出课堂场景中可能的感兴趣区域，同时对学生采集图像的颜色特征进行分析，确定学习者面部位置，通过Gabor滤波器获取眼部位置并对其眼动情况分析判定其视线，通过课堂场景中的感兴趣区域位置结合学习者视线判定学习者注意力是否集中。实时性高，可根据学生的眼动情况对课堂中内容进行有效的变换，实时生成对应学习策略。

摘要： 本发明公开了基于学习者认知反应模型的认知诊断方法。所述方法通过认知反应模型对学习者的认知情况进行评估和/或预测；其中，所述认知反应模型包括学习者能力水平，学习者努力程度，学习者知识水平，知识特性矩阵，试题特性矩阵，知识弱项参数，考察矩阵及结果矩阵，其中，所述能力水平与所述努力程度之间存在互相补偿关系。相对于现有技术，本发明的认知诊断方法具有更高的精准度。

摘要： 本发明提供一种基于BERT模型的MOOC学习者认知行为识别方法，包括：获取MOOC论坛中学习者讨论文本数据，生成MOOC评论领域的专业语料；对语料进行预处理，生成包含MOOC领域专业知识预训练数据；结合预训练数据，使用MLM和NSP策略对BERT模型进行再训练，得到MOOC‑BERT；构建MOOC学习者认知行为标注数据集；使用标注数据集对MOOC‑BERT中参数和权重微调，生成面向MOOC学习者的认知行为识别模型。本发明基于BERT模型的MOOC学习者认知行为识别方法，用于提高对在线学习环境中学习者认知行为的识别能力，有效帮助教师分析大规模场景下MOOC学习者的认知行为类型。

摘要： 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。

摘要： 使用指导者模型训练学习者模型的人工智能系统和方法，该方法包括：获得至少包括N个指导者模块的训练好的指导者模型和至少包括分别对应于N个指导者模块的N个学习者模块的学习者模型；通过迭代操作，训练所述学习者模型；确定学习者模型是否收敛；以及当学习者模型收敛，停止迭代操作，将学习者模型定为训练好的学习者模型。迭代操作包括将样本数据集输入训练好的指导者模型和学习者模型；对于每个学习者模块：基于对应的指导者模块的输出确定指导者向量，根据学习者模块的输出确定学习者向量，其中，指导者向量的长度等于学习者向量的长度，确定指导者向量与学习者向量之间的距离，基于所述距离更新学习者模块中的参数。

摘要： 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。

摘要： 本发明公开了一种学习者模型构建方法、学习资源的推荐方法及系统，通过获取用户在不同学习阶段的监测数据；从监测数据中提取表征用户个性化特征的学习行为数据；根据预设维度及对应的评测指标对用户的学习行为数据进行评测，生成学习者特征数据；利用学习者特征数据构建学习者模型，本发明提供的学习者模型能够全面的刻画学习者的特征，体现学习者的个性化特点。利用基于学习者模型的协同过滤学习资源的推荐方法及系统，根据一定规则将学习者有效学习行为数据转换为学习者在学习行为上对资源的评分，然后对每个行为赋以一定权重，整合获得用户对资源的评分数据，根据评分生成推荐结果，根据推荐结果将学习资源推荐给目标用户，推荐精确度高。