论文部分内容阅读
随着教育信息化的推进,各类虚拟学习社区的建立,当前网络环境下人们的学习观念正在发生着改变。学习者们参与的学习活动更多的是由多个学习者以群组的形式进行的,比如BBS论坛,QQ群,微群等等。人们逐渐形成了学习是由学习者参与社会群组互动并完成知识建构过程的学习观,也因此,以“网络学习共同体”形式进行的网络学习成为当前学习的新趋势。目前,由于网络学习资源不断增长,学习资源信息过载,学习共同体中的学习成员无法快速找到自己感兴趣的资源,出现了认知迷航、注意力分散等问题,甚至导致了学习成员学习效率的降低。推荐技术被认为是当前解决信息过载和认知迷航问题的有效途径之一。但是已有的个性化学习资源推荐方法大多面向个体学习者,面向个体学习者的个性化学习资源推荐已不能满足学习共同体成员为进行学习活动对学习资源的共同需求;并且网络学习平台上的学习评分数据并不多,以传统的推荐技术进行推荐难以达到较好的资源推荐效果。学习分析作为一种学习数据的分析工具,能够对学习行为中多类反映学生学习偏好的数据进行分析,再通过结合推荐技术从多维度计算预测评分获取TOP-N推荐列表,提高推荐的效果。因此,本研究拟从学习分析的视角向学习共同体推荐资源,首先通过学习分析处理学习成员的学习行为数据,然后运用BP神经网络模型来获取成员学习偏好信息,在此基础之上,利用因子分解机的推荐机制获取成员的推荐列表,最后基于活跃度加权模型将成员推荐列表融合为群组推荐列表,并进行TOP-N推荐。本研究主要采用了文献分析研究法、数据挖掘法和离线实验验证的方法。通过文献研究方法梳理和分析了学习分析技术与组推荐的相关研究文献,了解到当前国内外学习分析技术正随着科学技术的创新以及教育的革新而不断的发展,并呈现出良好的发展态势;再通过对组推荐相关的关键技术与研究成果进行深入研究与学习,明确了BP神经网络模型和因子分解机在本研究中的应用价值。最后运用离线实验的方法验证了本研究所提出的群组推荐方法的推荐效果,发现基于学习分析视角的组推荐能够满足学习共同体的学习需求,有利于提高成员的学习效率。