高效在线教育平台：智能学习系统与个性化课程定制方案

基于个性化推荐学习的网络培训教学课程平台的设计与实现

针对传统中小学教师继续教育课堂培训教学模式存在教学环节过于单调和程序化,忽视学生的主体性和个性特征等方面的不足,研究并设计了一个适应在职教师培训的自主个性化学习的网络培训课程教学平台.首先讨论通过建立基于个性化推荐的网络培训课程平台来实现"一体两翼"的培训目标,接着介绍了平台的设计方案,教学平台系统的功能,系统结构,最后重点阐述了课程平台的系统核心技术的实现.该平台的构建可有效提高教师培训的教学效率和教学质量,为探索有效提升在职教师培训的新模式提供新途径,为解决国培等培训项目培训质量提升提供新方法.

高职在线开放精品课程建设路径研究——以《思想道德与法治》课程为例

在"互联网+"时代背景下,建设优质的在线开放课程资源成为提升高等职业教育教学质量的关键,本文以《思想道德与法治》课程为例,探讨了高职院校在线开放精品课程建设的重要意义,分析了当前该课程教学中存在的问题与局限性,并从知识图谱构建,智能学习系统嵌入,虚拟仿真实训等方面提出了创新性的教学设计路径,以期为相关课程建设提供参考和启示.研究表明,新一代信息技术与思政课程深度融合,有助于实现教学内容的精准推送,学习过程的实时监测和个性化评价反馈,从而全面提升课程教学效果.

基于深度学习的个性化在线教育服务研究

教育是国之大计.国务院2020年发布的《深化新时代教育评价改革总体方案》明确指出,高等学校要创新评价工具,要利用人工智能和大数据等现代化信息技术,探索开展学生学习的全过程和全要素评价,更要完善评价结果的运用,并在导向,鉴定,诊断,调控和改进上发挥综合作用.近几年,在国家指挥棒及新冠疫情叠加下,各大教育机构,大学争相加速建设线上课程资源和平台,使得如何提供,获得,改善个性化在线教育服务成为各方关注,也使得个性化在线教育服务背后的人工智能,大数据等关键技术研究愈发成为热点.作为一个学习者,希望得到的个性化在线教育服务蕴含在"学,练,考"等各个环节中,在面对海量学习资源时,会迫切的想知道"这个课程是我要找的吗",在学习过程中,会迫切想知道"刷这些题能提升我水平吗","结业考试能顺利通过吗".针对这些挑战,本文围绕在线教育中的学生学习行为数据,基于最新的深度学习和教育数据挖掘理论,尝试为个性化在线教育服务提供更好的技术解决方案,以期实现更个性化的学习资源推荐,更精准的知识点掌握状态建模以及更具可解释性的学生成绩预测.本文的主要研究内容及贡献如下:1,基于深度学习的课程推荐方法课程推荐就是利用数据和算法智能地为用户推荐课程或学习资料,以帮助用户快速的找到自己所需.我们在全面梳理基于深度学习的课程推荐方法的基础上:(1)提出了一种基于自动编码器的课程推荐模型.针对现有课程推荐模型没有很好的区分各种学习行为的重要性,忽略了个人偏好的影响,一定程度上也存在冷启动的问题,提出了一种基于自动编码器的课程推荐模型.该模型首先通过带有注意力机制的自动编码器挖掘出学习者潜在的学习偏好,接着利用课程关联性解码器构建出课程的关联信息,然后综合学习者的学习偏好信息与课程关联信息给出课程推荐结果.实验表明,我们提出的模型比基准课程推荐模型更准确.(2)提出了一种基于多层注意力门控循环网络的课程推荐模型.针对现有基于会话的课程推荐模型中忽略了用户每个会话中的课程其实是高度同质的,而不同会话间又是高度异质的,以及在学习者的偏好其实是会随着时间的推移而不断改变,而不是静态的的问题,提出了一种基于多层注意力门控循环网络的课程推荐模型.该模型将用户行为序列切分为多个历史会话作为输入,然后使用三成层注意力机制来分别提取用户在每个会话中的兴趣,用户的动态偏好和用户的短期偏好,最终得到用户的混合偏好表示.实验表明,该方法优于其他主流先进方法.2,基于深度学习的知识追踪知识追踪的主要任务是从学习者的历史学习轨迹信息中挖掘出潜在的学习规律,并对其知识状态建立随时间变化的模型,进而判断学习者对知识的掌握情况.我们在全面梳理基于深度学习的知识追踪方法的基础上:(1)设计了一种基于卷积神经网络和循环神经网络的知识追踪方法.针对卷积神经网络对局部特征建模能力较强但长期建模能力较弱的不足,我们将其与具有良好的长期建模能力循环神经网络结合在一起应用于知识追踪,以达到同时建模局部特征和长期特征的目的.在公开数据集上的大量实验表明,结合了循环神经网络的模型效果更好,但复杂度更高.接着我们尝试了将卷积神经网络与注意力机制相结合,则发现其在效果上不如与循环神经网络结合,但算法复杂度更低.(2)提出了一种改进的基于自注意力机制的知识追踪模型.针对深度知识追踪领域主要存在的长期依赖,可解释性差,缺少学习特征问题,我们基于Transformer模型提出了一种改进的基于自注意力机制的知识追踪模型.该模型通过使用时间间隔信息代替原Transformer使用的相对位置编码,来建模学习过程中遗忘行为,同时通过在输入中添加题目特征,来丰富学习特征信息.实验表明,该模型较基准模型有较大提升.3,基于深度学习的成绩预测(1)提出了一种基于多阶特征融合的成绩预测模型.针对现有成绩预测模型在提取学习特征时,要么使用传统机器学习方法提取简单的低阶特征,要么使用深层神经网络提取高阶特征而丢失低阶特征中一些信息的问题,提出了一种基于多阶特征融合的成绩预测模型.该模型通过将不同的深层网络结构组合来同时获取学习的低阶特征以及高阶特征,实验表明,该模型具有更高的预测准确性.(2)提出了一种基于自注意力机制的成绩预测模型.针对循环神经网络在成绩预测中只能提取学习行为的时序信息,无法获取整体信息的不足,提出了一种基于自注意力机制的成绩预测模型.该模型主要包括基于门控单元神经网络的时序行为特征生成器,基于深层神经网络的整体行为特征生成器以及带有注意力机制的特征融合机制.实验表明,该模型能更真实反映学习者学习状况,能够实现更为准确的成绩预测.

在线教育中个性化推荐课程算法的研究与实现

在线教育是运用先进的信息化技术手段,将优质的教学资源从线下转移到线上,使学习者可以通过现代网络进行学习的一种新型教育模式。优秀的互联网学习环境和高速的网络传输速度,让学习者可以随时随地进行知识的学习。随着网络中的教学资源的增长,当学习者准备进行学习时,选择适合自己的课程成为学习者面临的难题。虽然搜索引擎能够解决学习者的查询需求,但是当学习者难以将自身的学习需求转化为检索关键词时,搜索引擎也无法帮助该用户找到相应的教学资源。个性化推荐系统可以解决此类问题,推荐系统通过分析学习者的历史行为数据,建立该用户的兴趣模型,从而根据该模型进行相关教学资源的推荐。本文提出了一种面向在线教育的个性化推荐方法。该方法通过分析和研究在线教育平台中课程数量多、课程种类丰富的特点,针对"用户-评分"数据稀疏和用户平均评分数量少的问题,对基于用户的协同过滤推荐算法做出了改进。本文提出的个性化推荐算法优化了算法推荐过程中用户相似度计算模块,通过引入新的计算因子以及对象属性,有效降低了 "有效用户"与"噪声用户"之间的相似度,达成了推荐准确度提高的目的。该推荐系统基于协同过滤推荐算法实现,在Java平台上部署离线实验。结果表明,本文提出的个性化推荐算法在在线教育数据集中表现优于改进前的算法。

基于"翻转课堂"的课程教学改革

"翻转课堂"作为新兴的教育理念和教育模式,以学生通过课外自主学习,课内协作互动将知识内化的方式,为教师提供了个性化教育平台,为学生提供了个性化学习空间.在"翻转课堂"的课程教学改革中,固有的"教"与"学"的概念被逐渐改变,并通过在线开放课程的优势与特点,实现资源共享,并在"以学生为中心"的思想引导下,转变固有的教学思维和课程教学设计理念,增强学生独立思考和获取信息的能力.要在"翻转课堂"课程教学改革中实现所预期的教学针对性和实效性,需要完善影响课堂教学改革效果的三个实践维度.

微服务架构的在线课程学习系统的研究与设计

随着互联网技术和数字化教育的发展,在线课程学习与线下课堂逐步融合互补.针对线下课堂时间和空间的限制,以及无法定制个性化学习的缺陷,设计一套SpringCloud微服务架构在线课程学习系统.系统包含账号登录,视频观看,课程学习,评论收藏,个性化分析,学习路线推荐等功能.该在线课程学习系统实现了资源共享,其灵活性,便捷性突破了时空的制约,同时其个性化分析可以对学员的学习情况和兴趣进行分析并针对性的进行推荐.

人工智能背景下的课程与教学范式转变

当前人工智能技术已经渗透到了教育领域的诸多方面,并引发了学生学习,课程与教学的系统变革.在人工智能背景下,深度学习,个性化学习,自适应学习,人机协同学习逐渐成为主流的学习方式,学习方式的变革直接推动了课程与教学范式的转变.就课程而言,课程的技术性范式越来越突出,藉由人工智能等技术的帮助,在课程取向上,更加注重不同学科之间的交叉及融合;在课程形态上,开始由静态,纸质,单一性到动态,在线和网络化的转变;在课程内容上,逐渐从一种固定,统一,有限转向了私人定制,无限和开放;就教学而言,在教学目标上,更加注重学生软技能(Soft Skills)和核心素养的培养;在教学方式上,开始聚焦于新技术,新媒介的融合和应用;在教学内容上,转向了对人工智能等新兴领域的关注和教授;在教学评价上,更加注重评价的过程性,精准性,数据化和个性化,等等.基于人工智能的时代背景考量,未来的课程与教学宜重点把握以下几点方向:重点关注可持续发展教育;注重对学生创造力,沟通,合作以及批判性思考等核心素养的培养;着力提升学生的"人工智能素养"教育;加强全人教育以及课程与教学的人文主义关怀.