基于學(xué)習(xí)興趣和學(xué)習(xí)風(fēng)格的個(gè)性化學(xué)習(xí)系統(tǒng)研究與設(shè)計(jì).pdf

1、隨著計(jì)算機(jī)和互聯(lián)網(wǎng)技術(shù)的迅速發(fā)展和普及，尤其是數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、自然語(yǔ)言處理等人工智能技術(shù)的發(fā)展，智能化教學(xué)系統(tǒng)實(shí)現(xiàn)技術(shù)有了很大進(jìn)步。個(gè)性化學(xué)習(xí)系統(tǒng)是智能教學(xué)系統(tǒng)的一個(gè)重要分支，它能根據(jù)學(xué)習(xí)者的個(gè)性特征主動(dòng)推薦滿足學(xué)習(xí)者實(shí)際需求的學(xué)習(xí)資源，從而較好地提高學(xué)習(xí)者學(xué)習(xí)效率和質(zhì)量。學(xué)習(xí)者的個(gè)性特征眾多，包含學(xué)習(xí)興趣、學(xué)習(xí)風(fēng)格、認(rèn)知能力、學(xué)習(xí)動(dòng)機(jī)等，目前大多數(shù)個(gè)性化學(xué)習(xí)系統(tǒng)實(shí)現(xiàn)時(shí)更多的是考慮學(xué)習(xí)者單一的個(gè)性，如學(xué)習(xí)興趣或認(rèn)知水平，它們能較好滿

2、足學(xué)習(xí)者某方面的個(gè)性需求。但教育學(xué)研究表明，學(xué)習(xí)過(guò)程中綜合考慮學(xué)習(xí)者多個(gè)個(gè)性特征能有效提高學(xué)習(xí)效果。在學(xué)習(xí)者的個(gè)性中，學(xué)習(xí)興趣和學(xué)習(xí)風(fēng)格是影響學(xué)習(xí)者學(xué)習(xí)效果的兩個(gè)主要特征。本文將針對(duì)學(xué)習(xí)者學(xué)習(xí)興趣和學(xué)習(xí)風(fēng)格兩個(gè)個(gè)性特征分別建模，以此為基礎(chǔ)向?qū)W習(xí)者合理推薦學(xué)習(xí)資源，從而有效地實(shí)現(xiàn)個(gè)性化教學(xué)，體現(xiàn)“因材施教”的教學(xué)理念。
　　本文深入分析研究個(gè)性化學(xué)習(xí)的相關(guān)理論和技術(shù)，并且基于用戶興趣和學(xué)習(xí)風(fēng)格構(gòu)建個(gè)性化學(xué)習(xí)系統(tǒng)。系統(tǒng)主要由五個(gè)模塊組

3、成：系統(tǒng)管理、學(xué)習(xí)資源管理、學(xué)習(xí)興趣管理、學(xué)習(xí)風(fēng)格管理和個(gè)性化推薦。系統(tǒng)管理模塊主要是信息管理維護(hù)，如用戶信息存儲(chǔ)、用戶權(quán)限設(shè)置、用戶添加修改等功能。學(xué)習(xí)資源管理模塊的功能主要是學(xué)習(xí)資源的存儲(chǔ)維護(hù)、學(xué)習(xí)資源特征向量模型的構(gòu)建以及資源風(fēng)格模型的構(gòu)建。學(xué)習(xí)興趣管理模塊主要包含興趣初始模型的構(gòu)建和興趣模型的更新。本文通過(guò)跟蹤學(xué)習(xí)者的學(xué)習(xí)行為挖掘?qū)W習(xí)者感興趣的學(xué)習(xí)資源，實(shí)現(xiàn)對(duì)用戶興趣模型的及時(shí)更新。學(xué)習(xí)風(fēng)格管理模塊主要實(shí)現(xiàn)學(xué)習(xí)風(fēng)格模型的構(gòu)建和更

4、新。本文采用菲爾德所羅門學(xué)習(xí)風(fēng)格調(diào)查問(wèn)卷（ILS）獲取學(xué)習(xí)者的初始學(xué)習(xí)風(fēng)格模型，并采用二維向量表示；仔細(xì)分析學(xué)習(xí)者學(xué)習(xí)過(guò)程中學(xué)習(xí)行為與學(xué)習(xí)風(fēng)格之間的關(guān)系，以學(xué)習(xí)行為作為證據(jù)，學(xué)習(xí)風(fēng)格類型作為結(jié)論，構(gòu)造推理規(guī)則；然后以初始學(xué)習(xí)風(fēng)格模型相應(yīng)維度值作為先驗(yàn)概率，使用主觀貝葉斯方法計(jì)算各維度的更新值從而實(shí)現(xiàn)學(xué)習(xí)風(fēng)格模型的更新。個(gè)性化推薦模塊主要是通過(guò)計(jì)算學(xué)習(xí)資源特征向量模型與學(xué)習(xí)者興趣模型的相似度獲取初始推薦集，再將該集合的學(xué)習(xí)資源風(fēng)格模型與學(xué)