一、個性化教學(xué)設(shè)計可視化建模的研究與實現(xiàn)（論文文獻綜述）
鄧晶艷[1]（2021）在《基于大數(shù)據(jù)的大學(xué)生日常思想政治教育創(chuàng)新研究》文中研究表明中國特色社會主義進入新時代,標(biāo)定了大學(xué)生日常思想政治教育的新方位。面對新時代提出的新任務(wù)與新要求,大學(xué)生日常思想政治教育要不斷探索新思路、新路徑與新方法,進一步增強工作的針對性與實效性,以滿足大學(xué)生成長成才需求以及黨和國家事業(yè)發(fā)展需要。當(dāng)前,隨著移動互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、云計算、人工智能等為代表的新一代網(wǎng)絡(luò)信息技術(shù)的迅猛發(fā)展、全面集成與廣泛應(yīng)用,人類逐步邁入大規(guī)模數(shù)據(jù)挖掘、運用與創(chuàng)新的“大數(shù)據(jù)時代”。在此時代背景下,如何運用新媒體、新技術(shù)加強和創(chuàng)新高校思想政治教育工作,使之富有時代性、增強針對性、彰顯實效性,是新時期高校面臨的一個重要而現(xiàn)實的課題。作為當(dāng)代信息技術(shù)發(fā)展的前沿,大數(shù)據(jù)廣域的信息資源、先進的信息處理技術(shù)以及全新的思維范式,為大學(xué)生日常思想政治教育帶來了即時性、精準(zhǔn)性、前瞻性與個性化等創(chuàng)新發(fā)展的新動力與新空間。將大數(shù)據(jù)思維、技術(shù)與方法全方位嵌入大學(xué)生日常思想政治教育各要素、各環(huán)節(jié)與全過程,促進大學(xué)生日常思想政治教育革新思維、優(yōu)化供給、改進方法、重構(gòu)范式,建構(gòu)科學(xué)化、數(shù)字化與智能化的大學(xué)生日常思想政治教育體系,推進大學(xué)生日常思想政治教育向“精準(zhǔn)思政”“智慧思政”轉(zhuǎn)型升級,是大學(xué)生日常思想政治教育順應(yīng)時代發(fā)展的現(xiàn)實需要,也是其進一步提質(zhì)增效、煥發(fā)新機的重要生長點與強勁推動力。闡釋大數(shù)據(jù)內(nèi)涵、價值、特征與功能,闡釋大學(xué)生日常思想政治教育內(nèi)涵并且辨析其與大學(xué)生思想政治理論教育的關(guān)系,有利于進一步探討兩者的深度融合?；诖?大學(xué)生日常思想政治教育大數(shù)據(jù)概念得以提出。從大學(xué)生日常思想政治教育大數(shù)據(jù)資源、大學(xué)生日常思想政治教育大數(shù)據(jù)技術(shù)、大學(xué)生日常思想政治教育大數(shù)據(jù)思維三個維度全面闡述大學(xué)生日常思想政治教育大數(shù)據(jù)的內(nèi)涵與外延,同時運用馬克思主義哲學(xué)基本原理和方法論論析大學(xué)生日常思想政治教育大數(shù)據(jù)的生成邏輯、發(fā)展動因、方法論基礎(chǔ)與價值取向,可以明確大數(shù)據(jù)與大學(xué)生日常思想政治教育需求的契合點,理清大數(shù)據(jù)對大學(xué)生日常思想政治教育的作用機理。面對新時代提出的新任務(wù)與新要求,大學(xué)生日常思想政治教育仍然面臨一些困境、存在一些短板和弱環(huán)。運用文獻資料法、大數(shù)據(jù)文本挖掘方法與訪談?wù){(diào)研法審視大學(xué)生日常思想政治教育現(xiàn)狀,總結(jié)當(dāng)前大學(xué)生日常思想政治教育存在的問題與困境并作原因剖析,同時探討新時代大學(xué)生日常思想政治教育新要求,指出新時代大學(xué)生日常思想政治教育面臨的新課題以及新時代大學(xué)生日常思想政治教育的指導(dǎo)思想與原則、教育內(nèi)容體系以及教育工作的主體轉(zhuǎn)型,有利于為新時期大學(xué)生日常思想政治教育發(fā)展創(chuàng)新提供現(xiàn)實依據(jù)。通過分析大數(shù)據(jù)在大學(xué)生日常思想政治教育中應(yīng)用的技術(shù)優(yōu)勢以及可能性,進一步探討大數(shù)據(jù)在大學(xué)生日常思想政治教育中“精準(zhǔn)畫像”“規(guī)律探尋”與“超前感知”三個應(yīng)用呈現(xiàn)。以之為基礎(chǔ),基于當(dāng)前大學(xué)生日常思想政治教育存在的理念滯后、模式粗放、知行脫節(jié)、供需錯位等難題,提出利用大數(shù)據(jù)推進大學(xué)生日常思想政治教育由線性思維向系統(tǒng)思維、由普適教育向個性化培育、由認知培育向?qū)嵺`養(yǎng)成、由需求側(cè)適應(yīng)向供給側(cè)發(fā)力四大發(fā)展轉(zhuǎn)向并詳細闡述四大發(fā)展轉(zhuǎn)向的實現(xiàn)路徑?；诖髷?shù)據(jù)推進大學(xué)生日常思想政治教育不僅要遵循學(xué)科規(guī)律、注重理論深化,還要堅持實踐導(dǎo)向,致力推動大數(shù)據(jù)應(yīng)用,促進理論與實踐的雙向轉(zhuǎn)化。由之,宏觀上,探索大學(xué)生日常思想政治教育大數(shù)據(jù)的數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理與存儲、數(shù)據(jù)挖掘與分析、數(shù)據(jù)應(yīng)用與可視化、數(shù)據(jù)解釋與反饋五大工作模塊與應(yīng)用流程;微觀上,對大數(shù)據(jù)在大學(xué)生日常思想政治教育典型場域中的“數(shù)據(jù)畫像”“精準(zhǔn)資助”“失聯(lián)告警”三個應(yīng)用進行數(shù)據(jù)模型構(gòu)建,從而為大學(xué)生日常思想政治教育利用大數(shù)據(jù)提供切實可行的實現(xiàn)路徑。大數(shù)據(jù)為大學(xué)生日常思想政治教育創(chuàng)新發(fā)展帶來了前所未有的機遇,然而,當(dāng)前大學(xué)生日常思想政治教育利用大數(shù)據(jù)還存在觀念性、路徑性與機制性瓶頸,同時,大數(shù)據(jù)是一柄雙刃劍,對數(shù)據(jù)的不當(dāng)應(yīng)用會帶來諸如“數(shù)據(jù)壟斷”“數(shù)據(jù)濫用”“數(shù)據(jù)侵害”“數(shù)據(jù)冰冷”等一些可能的風(fēng)險與挑戰(zhàn)。高校尚須在思維理念、技術(shù)開發(fā)、政策支持、制度完善、機制建設(shè)、校園環(huán)境建設(shè)等方面對大數(shù)據(jù)應(yīng)用作出回應(yīng)與調(diào)試。不僅如此,在基于大數(shù)據(jù)創(chuàng)新大學(xué)生日常思想政治教育過程中,高校要注重發(fā)揮教育工作者的主體性與能動性,始終堅持?jǐn)?shù)字技術(shù)與人文精神、數(shù)據(jù)智能與教育智慧相結(jié)合。
王楚威[2]（2021）在《混合式教育環(huán)境下課后復(fù)習(xí)支持服務(wù)平臺的設(shè)計與實現(xiàn)》文中指出近年來,隨著工程教育理念的逐步推廣以及國家持續(xù)推進教育信息化,在線教育平臺發(fā)展趨勢迅猛,混合式教學(xué)模式已在越來越多的高校中盛行。本課題的目標(biāo)便是針對混合式教學(xué)模式下,學(xué)生在課后復(fù)習(xí)階段容易遇到的問題,設(shè)計并實現(xiàn)一個能夠在課后復(fù)習(xí)階段為學(xué)生提供學(xué)習(xí)支持服務(wù)的在線學(xué)習(xí)支持服務(wù)平臺。主要研究內(nèi)容如下:首先,本文基于學(xué)習(xí)支持服務(wù)的理念,設(shè)計了一種“線上”結(jié)合“線下”的提供學(xué)習(xí)支持服務(wù)的模式。模式如下:一方面平臺通過提供核心功能模塊直接向?qū)W生用戶提供學(xué)習(xí)支持服務(wù)。另一方面,平臺的核心功能模塊也向教師提供數(shù)據(jù)支持,教師利用平臺提供的數(shù)據(jù)支持在線下幫助學(xué)生進行課后復(fù)習(xí)指導(dǎo)。該模式充分發(fā)揮了混合式教學(xué)環(huán)境的優(yōu)勢。其次,基于上述模式和面向的實際場景問題,本文分析了教師和學(xué)生的用戶需求,明確了系統(tǒng)的業(yè)務(wù)需求以及提煉出了功能需求,并根據(jù)功能需求完成了課后復(fù)習(xí)支持服務(wù)平臺的設(shè)計與開發(fā)。核心功能模塊包括:數(shù)據(jù)處理模塊,用于解決多數(shù)據(jù)源帶來的數(shù)據(jù)“混雜性”問題,并且通過建立不同的量化模型將多渠道數(shù)據(jù)源中的原始數(shù)據(jù)轉(zhuǎn)化為一級數(shù)據(jù)指標(biāo)。同時,基于層次分析法（AHP）構(gòu)建了二級主題指標(biāo)的量化模型,深入挖掘了用戶的隱式特征。該模塊產(chǎn)出的一二級數(shù)據(jù)指標(biāo)為整個平臺的實現(xiàn)和后續(xù)個性化智能推薦算法的實現(xiàn)提供了數(shù)據(jù)支撐;學(xué)情報告模塊,該模塊用于幫助不同身份用戶快速了解與自身最相關(guān)的階段性學(xué)習(xí)情況分析信息;手動分析模塊,幫助用戶靈活查詢具體的數(shù)據(jù)指標(biāo)和深入分析特定指標(biāo)間的關(guān)聯(lián)性。再次,本文研究了學(xué)習(xí)者畫像和主流智能推薦算法,設(shè)計并實現(xiàn)了一種基于學(xué)習(xí)者畫像的個性化智能推薦算法,并以此算法為基礎(chǔ)設(shè)計并實現(xiàn)了平臺的另一個核心模塊個性化智能推薦模塊。本文中算法的設(shè)計與實現(xiàn)過程充分考慮了傳統(tǒng)的基于用戶的協(xié)同過濾算法中單一評分造成的用戶相似性計算不準(zhǔn)確的問題。通過結(jié)合學(xué)習(xí)者畫像提升了用戶相似性的計算。同時,對學(xué)習(xí)者畫像中的聚類算法進行了研究,設(shè)計并實現(xiàn)了一種優(yōu)化初始質(zhì)心選擇的K-means算法,提升了畫像的準(zhǔn)確度,從而提升了群體畫像的效果。最終推薦的學(xué)習(xí)資源,在一定程度上對學(xué)生用戶在課后復(fù)習(xí)的自主學(xué)習(xí)階段進行了個性化指導(dǎo),也向其提供了拓展的學(xué)習(xí)資源。本文的最后使用本校大一信通導(dǎo)論課新生的真實數(shù)據(jù)結(jié)合實際應(yīng)用場景,對平臺的核心功能進行了測試和效果驗證,結(jié)果證明了系統(tǒng)的穩(wěn)定性及可行性,并設(shè)計對比實驗驗證了所設(shè)計的基于學(xué)習(xí)者畫像的個性化智能推薦算法的有效性。
魏千程[3]（2021）在《基于教師畫像的教學(xué)活動輔助設(shè)計系統(tǒng)》文中提出教學(xué)活動設(shè)計是教學(xué)過程中的重要環(huán)節(jié),基于教師畫像設(shè)計出的符合個人風(fēng)格的教學(xué)活動能夠讓教師最大限度地發(fā)揮教學(xué)能力。目前用戶在使用傳統(tǒng)的教學(xué)活動設(shè)計系統(tǒng)中面臨著許多問題,諸如:教學(xué)活動序列如何進行個性化設(shè)計、如何獲得較為合理的個性化資源等等。教師畫像通過挖掘用戶的風(fēng)格屬性和資源偏好,賦能于教學(xué)設(shè)計,提供了個性化的教學(xué)活動設(shè)計方案和資源。因此本文的研究具有一定的實用性和創(chuàng)新性。針對上述問題,本文設(shè)計并實現(xiàn)了一種基于教師畫像的教學(xué)活動輔助設(shè)計原型系統(tǒng),具體闡述如下:首先,從業(yè)務(wù)和性能兩方面進行需求分析,進行了系統(tǒng)的體系結(jié)構(gòu)設(shè)計和功能模塊劃分,設(shè)計了數(shù)據(jù)庫表的字段和表間關(guān)系。其次,設(shè)計了教師畫像模型、教學(xué)情境模型和教學(xué)活動序列模型,其中基于數(shù)據(jù)分析構(gòu)建了教師畫像模型,在傳統(tǒng)情境的基礎(chǔ)上結(jié)合網(wǎng)絡(luò)直播教學(xué)情境構(gòu)建了教學(xué)情境模型,通過對教學(xué)活動的分類與編碼構(gòu)建了教學(xué)活動序列模型。再次,根據(jù)改進的推薦算法為教師推送相關(guān)的教學(xué)活動序列和資源,并通過仿真實驗驗證了該算法的有效性。最后,基于Spring Boot+Vue+ECharts的架構(gòu)完成了原型系統(tǒng)的研發(fā),實現(xiàn)了教學(xué)活動設(shè)計、教師畫像可視化、教學(xué)資源推送和教師論壇交流等功能,并制定了一系列的測試計劃,測試結(jié)果表明該系統(tǒng)達到了預(yù)期目標(biāo),且功能模塊完整,性能穩(wěn)定。
陳茫[4]（2021）在《面向高?？蒲袆?chuàng)新的圖書館智能服務(wù)研究》文中指出在國家創(chuàng)新體系中高?？蒲袆?chuàng)新地位舉足輕重,隨著互聯(lián)網(wǎng)的飛速發(fā)展,高?？蒲袆?chuàng)新過程變得更具復(fù)雜性和時效性,科研人員對于科研所需的知識需求也日益強烈,而從圖書館獲取所需的科研知識資源和專業(yè)的科研服務(wù)支持,是實現(xiàn)科研創(chuàng)新的有效手段與重要途徑之一。當(dāng)前,智能服務(wù)的需求和情境正成形成,并將成為未來發(fā)展的新方向。面向高?？蒲袆?chuàng)新,目前國內(nèi)外一些著名的高校圖書館正開展智能服務(wù)的理論探索與實踐應(yīng)用;然而,在圖書館智能服務(wù)的開展過程中,卻存在著服務(wù)聯(lián)系松散、服務(wù)推進緩慢、服務(wù)效果不佳等諸多問題。那么,面向高?？蒲袆?chuàng)新的圖書館智能服務(wù)過程具體是什么,是什么推動著圖書館智能服務(wù)的有序推進?有哪些關(guān)鍵影響因素,相關(guān)影響因素之間如何相互作用?能否對其過程進行有效的模擬仿真?這些研究問題亟待深入的展開研究。本文圍繞圖書館智能服務(wù)展開相關(guān)理論研究,對于完善圖書館知識服務(wù)理論,提升圖書館智能服務(wù)效果,促進高校科研創(chuàng)新等具有重要的理論價值與實踐意義。首先,運用多案例研究的分析方法,構(gòu)建了面向高?？蒲袆?chuàng)新圖書館智能服務(wù)過程機理模型,從人的智力支持、智能服務(wù)技術(shù)支持、知識交互等方面,揭示了圖書館智能服務(wù)各要素間的作用機理。研究發(fā)現(xiàn):該圖書館智能服務(wù)過程可劃分為四個階段,各階段過程中有其核心的服務(wù)需求與服務(wù)內(nèi)容,并構(gòu)建了該圖書館智能服務(wù)過程機理模型;其中,人的智力支持、智能服務(wù)技術(shù)支持、知識交互等方面各要素間存在緊密的內(nèi)在關(guān)聯(lián)性和規(guī)律性,且彼此關(guān)聯(lián)和相互作用,共同推動著該服務(wù)的有序進行。其次,運用扎根理論的質(zhì)性分析方法,構(gòu)建了該圖書館智能服務(wù)的關(guān)鍵影響因素模型,識別并揭示了該圖書館智能服務(wù)的關(guān)鍵因素構(gòu)成與作用路徑。研究發(fā)現(xiàn):通過深度訪談分析共獲得27個概念范疇,并匯總形成了知識服務(wù)資源、科研服務(wù)參與、智能服務(wù)感知、科研服務(wù)需求、服務(wù)應(yīng)用動機、智能技術(shù)體驗、服務(wù)科研效果等主范疇;其中,智能服務(wù)感知和智能技術(shù)體驗等是新變量。該模型中的關(guān)鍵影響因素識別為后續(xù)實證分析奠定理論基礎(chǔ)。接下來,運用結(jié)構(gòu)方程的定量分析方法,基于上文識別的關(guān)鍵影響因素,構(gòu)建了相關(guān)的研究假設(shè)與結(jié)構(gòu)方程模型,驗證并揭示了各關(guān)鍵影響因素對于服務(wù)科研效果的作用影響。研究發(fā)現(xiàn):知識服務(wù)資源、科研服務(wù)參與、智能服務(wù)感知、科研服務(wù)需求、服務(wù)應(yīng)用動機、智能技術(shù)體驗等,對服務(wù)科研效果存在顯著正向影響;而服務(wù)應(yīng)用動機和智能技術(shù)體驗等是重要的中介變量。該模型的實證分析為揭示關(guān)鍵影響因素的復(fù)雜作用關(guān)系提供了證據(jù)支持。最后,運用系統(tǒng)動力學(xué)的模擬仿真方法,構(gòu)建了面向高?？蒲袆?chuàng)新的圖書館智能服務(wù)過程的系統(tǒng)動力學(xué)模型,刻畫和揭示了該服務(wù)系統(tǒng)內(nèi)部的動態(tài)結(jié)構(gòu)、運行趨勢與反饋回路等。研究發(fā)現(xiàn):該服務(wù)系統(tǒng)有其特有的系統(tǒng)構(gòu)成、系統(tǒng)特性、建模目的、模型邊界和因果反饋回路等;在服務(wù)開展初期,服務(wù)主體位于較高的知識位勢,利用智能服務(wù)技術(shù)支持提升服務(wù)科研效果;而服務(wù)主體的知識存量、科研人員的知識存量、智能服務(wù)技術(shù)支持等是系統(tǒng)運行的關(guān)鍵變量。本論文探究了面向高?？蒲袆?chuàng)新的圖書館智能服務(wù)這一具有重要理論與實踐價值的新課題。揭示了面向高?？蒲袆?chuàng)新的圖書館智能服務(wù)過程機理;構(gòu)建了面向高?？蒲袆?chuàng)新的圖書館智能服務(wù)關(guān)鍵影響因素模型,識別、揭示并驗證了各關(guān)鍵影響因素對服務(wù)科研效果的作用影響;構(gòu)建了面向高?？蒲袆?chuàng)新的圖書館智能服務(wù)系統(tǒng)動力學(xué)模型,模擬了面向高?？蒲袆?chuàng)新的圖書館智能服務(wù)過程中知識交互,為圖書館智能服務(wù)開展提供了重要的實踐借鑒。
楊娟[5]（2020）在《在線學(xué)習(xí)環(huán)境下學(xué)習(xí)成效預(yù)測研究》文中指出在信息技術(shù)與教育融合的新型在線學(xué)習(xí)環(huán)境下,理解在線學(xué)習(xí)者的學(xué)習(xí)規(guī)律進而預(yù)測其學(xué)習(xí)成效,對于提升在線學(xué)習(xí)者的學(xué)習(xí)效果、效率及體驗具有重要意義。本文首先探究在線學(xué)習(xí)行為時空分布規(guī)律及其與學(xué)習(xí)成效的關(guān)系;研究在線學(xué)習(xí)過程中學(xué)習(xí)認知參與深度相關(guān)因素,構(gòu)建認知參與深度的自動評測模型;進而,提出基于學(xué)習(xí)過程序列數(shù)據(jù)圖像化處理方法及學(xué)習(xí)成效預(yù)測模型;更進一步,為了提高學(xué)習(xí)成效預(yù)測模型對風(fēng)險學(xué)生的識別精度,提出了基于堆疊策略的兩級增強集成模型及算法以解決單邊預(yù)測模型效果較差的問題,并提出了基于潛在特性變分自動編碼的整合預(yù)測框架以改善不平衡教育數(shù)據(jù)集對學(xué)習(xí)成效預(yù)測的影響。本文的主要研究工作具體如下:首先,為了刻畫在線學(xué)習(xí)行為的時空分布規(guī)律,本文提出基于學(xué)習(xí)時間熵與學(xué)習(xí)位置熵的時空分布特性分析方法,并探究不同類型學(xué)習(xí)者的時空行為分布特征,揭示不同時空行為模式與學(xué)習(xí)成效的關(guān)系。實驗結(jié)果證實了熵分析是研究在線學(xué)習(xí)行為時空分布規(guī)律的一種合適方法,并發(fā)現(xiàn)頻繁的學(xué)習(xí)位置變化不利于好的學(xué)習(xí)成效。其次,為了理解在線學(xué)習(xí)者的認知參與深度,本文基于論壇交互數(shù)據(jù)識別在線討論過程中的認知參與深度與認知規(guī)律。鑒于認知參與深度不僅與討論內(nèi)容的語義相關(guān)還與思考和表達的方式有關(guān),因此提出了多特征融合的學(xué)習(xí)者認知參與深度自動評測算法,以準(zhǔn)確便捷地了解在線學(xué)習(xí)思考過程和交互深度。實驗結(jié)果表明,多特征融合的高階認知評測方法能有效地識別各類認知參與深度的討論帖子,且不同類型的文本特征有著不同的評測優(yōu)勢。第三,基于在線學(xué)習(xí)過程數(shù)據(jù)蘊含著學(xué)習(xí)過程中學(xué)習(xí)規(guī)律與狀態(tài)差異等信息,本文提出一種學(xué)習(xí)過程序列數(shù)據(jù)圖像化的處理方法,進而提出基于卷積神經(jīng)網(wǎng)絡(luò)識別學(xué)習(xí)圖像差異以預(yù)測學(xué)習(xí)成效的方法。它將學(xué)習(xí)者的學(xué)習(xí)過程序列數(shù)據(jù)轉(zhuǎn)換為單通道或多通道學(xué)習(xí)圖片,再基于卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)識別學(xué)習(xí)規(guī)律與狀態(tài)的差異,進而預(yù)測學(xué)習(xí)成效。實驗結(jié)果證實了該預(yù)測方法可以較準(zhǔn)確地識別風(fēng)險學(xué)生,并能較直觀、準(zhǔn)確地反饋學(xué)習(xí)者在學(xué)習(xí)過程中存在的問題與不足,以支持個性化教育干預(yù)的實施。最后,為了進一步提高學(xué)習(xí)成效預(yù)測模型對風(fēng)險學(xué)生的識別精度,本文針對教育數(shù)據(jù)集的類別不平衡現(xiàn)狀,分別從算法層面和數(shù)據(jù)層面提出了學(xué)習(xí)成效預(yù)測的優(yōu)化改進算法及模型,包括（1）提出一種基于堆疊策略的兩級增強集成算法,即次級模型融合了初級階段不同預(yù)測模型的預(yù)測優(yōu)勢以實現(xiàn)最終的預(yù)測。實驗結(jié)果證實了兩級增強預(yù)測模型具有高的預(yù)測準(zhǔn)確度、高的召回率,以及低的假陽性識別率。（2）提出了基于潛在特性變分自動編碼的預(yù)測算法,即潛在特性變分自動編碼方法通過學(xué)習(xí)風(fēng)險學(xué)生的潛在特征分布,生成與真實風(fēng)險學(xué)生類似的樣本以改善訓(xùn)練數(shù)據(jù)的類別不平衡分布,再由深度神經(jīng)網(wǎng)絡(luò)進行最后的學(xué)習(xí)成效預(yù)測。實驗結(jié)果表明所提出的采樣方法相比于傳統(tǒng)采樣策略能更好地適用于教育情境,且基于該采樣方法的整合預(yù)測框架具有高的預(yù)測準(zhǔn)確度、高的召回率和較好的魯棒性。
黃振亞[6]（2020）在《面向個性化學(xué)習(xí)的數(shù)據(jù)挖掘方法與應(yīng)用研究》文中指出個性化學(xué)習(xí)旨在根據(jù)學(xué)習(xí)者個體的認知水平、學(xué)習(xí)能力等,選擇合適的學(xué)習(xí)資源與學(xué)習(xí)方式,使其彌補知識不足,獲得最佳發(fā)展。近年來,在線學(xué)習(xí)系統(tǒng)的快速發(fā)展,不僅打破了傳統(tǒng)課堂學(xué)習(xí)的時空約束,還提供了豐富的學(xué)習(xí)資源,吸引了越來越多的學(xué)習(xí)者,留下了大量的學(xué)習(xí)數(shù)據(jù)。這些學(xué)習(xí)數(shù)據(jù)蘊含著巨大的科學(xué)及市場價值,為實現(xiàn)數(shù)據(jù)驅(qū)動的個性化學(xué)習(xí)服務(wù),提供了有力的支撐。因此,如何利用數(shù)據(jù)挖掘等技術(shù)對學(xué)習(xí)者學(xué)習(xí)數(shù)據(jù)進行理解、分析,實踐個性化學(xué)習(xí),已經(jīng)成為計算機及相關(guān)交叉學(xué)科的研究熱點?，F(xiàn)階段,盡管基于認知心理學(xué)等理論的相關(guān)方法已取得了一定的成效,但在線場景中的個性化學(xué)習(xí)研究人面臨著學(xué)習(xí)資源表征苦難、學(xué)習(xí)過程復(fù)雜易變以及學(xué)習(xí)策略難以量化等挑戰(zhàn)。為此,本文系統(tǒng)性地開展了面向個性化學(xué)習(xí)的數(shù)據(jù)挖掘方法及應(yīng)用的探索性研究工作。具體地,針對練習(xí)題對象,提出了練習(xí)資源的深度表征方法,并在語言類和邏輯類兩類典型練習(xí)題目的應(yīng)用中進行驗證;針對學(xué)生對象,分別提出了融合學(xué)習(xí)因素的知識跟蹤方法和融合題目語義的知識跟蹤模型;針對學(xué)習(xí)策略對象,提出了基于多目標(biāo)學(xué)習(xí)的個性化推薦方法,提高學(xué)生學(xué)習(xí)效率。本文的研究工作依托于科大訊飛開發(fā)的國內(nèi)領(lǐng)先的在線學(xué)習(xí)平臺系統(tǒng)“智學(xué)網(wǎng)”,研究問題和研究數(shù)據(jù)均來源于實際應(yīng)用場景,且研究方案均在真實平臺中驗證,具有實際應(yīng)用價值。本文主要的工作與貢獻可以概括如下:首先,本文研究練習(xí)題深度表征方法。一方面,本文針對語言類練習(xí),提出了基于語義理解的練習(xí)題表征方法。語義理解是語言類練習(xí)表征的基礎(chǔ),傳統(tǒng)方法基于固定的規(guī)則匹配,忽略了題目文本的語義豐富和依賴等特點。本文將該類練習(xí)題表征分解成語句理解和語義關(guān)聯(lián)兩個部分,首先使用卷積神經(jīng)網(wǎng)絡(luò)提取句子級別特征,然后,基于注意力機制,量化練習(xí)文本對于題目的語義依賴。最后,針對于題目難度預(yù)測任務(wù),提出一種基于偏序?qū)W習(xí)的模型訓(xùn)練方法,消除不同測試范圍帶來的難度誤差。該方法在高考英語閱讀理解難度預(yù)測任務(wù)中進行了大量實驗驗證,其結(jié)果表明該方法能夠有效提高難度預(yù)測的準(zhǔn)確性和穩(wěn)定性。另一方面,針對邏輯類練習(xí),提出了基于結(jié)構(gòu)理解的練習(xí)表征方法。區(qū)別于語言類練習(xí),邏輯類練習(xí)通常含有特定結(jié)構(gòu)的元素（如公式）。然而,傳統(tǒng)方法直接將其視為文本序列進行表征,忽略了其結(jié)構(gòu)特性。本文首先設(shè)計輔助工具,構(gòu)建練習(xí)層面的公式依賴圖,然后提出基于點注意和邊注意兩種策略的圖網(wǎng)絡(luò)學(xué)習(xí)其結(jié)構(gòu)表征。最后,提出嵌套序列模型,融合練習(xí)的文本語義和公式結(jié)構(gòu)關(guān)聯(lián)。在數(shù)學(xué)簡答題自動解答任務(wù)中驗證了該方法能夠有效挖掘數(shù)學(xué)練習(xí)中的公式結(jié)構(gòu),提高解題精度。其次,針對于學(xué)生用戶,本文研究動態(tài)認知診斷方法。一方面,考慮到知識關(guān)聯(lián)因素和人腦記憶/遺忘因素對于學(xué)習(xí)活動的影響,提出一種融合學(xué)習(xí)因素的知識跟蹤模型EKPT。該模型首先基于練習(xí)-知識關(guān)聯(lián)信息,將學(xué)生和練習(xí)映射到具有明確含義的知識空間中。然后,融合教育學(xué)經(jīng)典的學(xué)習(xí)曲線和遺忘曲線理論,在知識空間中量化建模了學(xué)生知識學(xué)習(xí)的演化過程。實驗結(jié)果表明該方法提高了認知診斷的精度。另一方面,考慮到學(xué)習(xí)過程中的題目語義（知識共性語義和文本個性語義）的影響,本文提出一種融合題目語義的知識跟蹤框架。該模型首先設(shè)計動態(tài)增強記憶網(wǎng)絡(luò)存儲知識共性信息,刻畫了學(xué)生對于知識的動態(tài)掌握情況。其次,提出題目特征提取器,挖掘文本個性信息,且將其融入到學(xué)生的知識變化建模過程中。最后,本文分別基于馬爾科夫性質(zhì)和注意力機制兩種策略,提出兩種實例化模型。實驗在大量學(xué)生練習(xí)記錄上進行,結(jié)果驗證了具有精準(zhǔn)的預(yù)測性能和知識跟蹤可解釋性。最后,在學(xué)習(xí)策略設(shè)計方面,本文提出一種基于多目標(biāo)學(xué)習(xí)的個性化推薦算法。區(qū)別于傳統(tǒng)推薦系統(tǒng),在線學(xué)習(xí)推薦任務(wù)具有更大的挑戰(zhàn)。傳統(tǒng)方法通常遵從“推薦未掌握的練習(xí)”的單一推薦策略,為考慮復(fù)雜學(xué)習(xí)目標(biāo)（如復(fù)習(xí)與探索平衡性、難度平滑性、參與度等）的影響。為了解決此問題,本文設(shè)計了不同的回報函數(shù)量化三種學(xué)習(xí)因素,然后提出一種深度強化學(xué)習(xí)方法,在學(xué)生交互學(xué)習(xí)中協(xié)同優(yōu)化多個因素,從而找到最優(yōu)推薦結(jié)果。本文在離線和在線兩類場景中進行實驗,結(jié)果均充分顯示了該推薦算法的有效性。
教育部[7]（2020）在《教育部關(guān)于印發(fā)普通高中課程方案和語文等學(xué)科課程標(biāo)準(zhǔn)（2017年版2020年修訂）的通知》文中研究指明教材[2020]3號各省、自治區(qū)、直轄市教育廳（教委）,新疆生產(chǎn)建設(shè)兵團教育局:為深入貫徹黨的十九屆四中全會精神和全國教育大會精神,落實立德樹人根本任務(wù),完善中小學(xué)課程體系,我部組織對普通高中課程方案和語文等學(xué)科課程標(biāo)準(zhǔn)（2017年版）進行了修訂。普通高中課程方案以及思想政治、語文、
王冬冬[8]（2020）在《教師研修社區(qū)學(xué)習(xí)者模型構(gòu)建及應(yīng)用研究 ——以“A”教師培訓(xùn)平臺為個案》文中提出伴隨我國教育事業(yè)發(fā)展得如火如荼,幫助教師隊伍建立過硬的職業(yè)素養(yǎng)與全面的行業(yè)素質(zhì),將是未來教育事業(yè)發(fā)展的重要趨向。建立健全即符合教師實際需求又具備先進理論支撐的教師培訓(xùn)體系是教師隊伍綜合素質(zhì)提升的關(guān)鍵。教育興國,科技助教,互聯(lián)網(wǎng)技術(shù)以廣泛的適用范圍與卓越的實際效果,已然滲透至行業(yè)的方方面面。網(wǎng)絡(luò)研修社區(qū)作為近期一經(jīng)興起便立刻成為討論焦點的教師研修新思路,如今已在試點城市推行過程中成效顯著,具有可觀的實際成效?！癆”教師培訓(xùn)平臺是當(dāng)前教師網(wǎng)絡(luò)研修社區(qū)平臺中,具有一定影響力的主流平臺的代表。與諸多教師網(wǎng)絡(luò)研修社區(qū)類似,其立足于遠程培訓(xùn)與網(wǎng)絡(luò)研修兩大支柱功能,同時為教師進行集體研學(xué)交流,分組教研探討,交流教學(xué)心得,交互經(jīng)典案例提供平臺支撐。再者,伴隨多年運營以及使用經(jīng)驗,平臺對于各成員自身個人信息以及相關(guān)學(xué)習(xí)行為加以統(tǒng)計,納入大數(shù)據(jù)庫。借助海量多維數(shù)據(jù)對其進行綜合性歸納整合,進一步勾畫出更具針對性與實踐性的學(xué)習(xí)者畫像,能夠?qū)W(xué)習(xí)者信息以及特點進行直觀表現(xiàn),對于教師培訓(xùn)平臺優(yōu)化培訓(xùn)效率,優(yōu)化培訓(xùn)體系具有重大意義,能夠為最大化地滿足求學(xué)者以及教學(xué)者所需,為全面提高培訓(xùn)質(zhì)量夯實根基。因此,本研究以網(wǎng)絡(luò)研修社區(qū)支持科學(xué)決策和高效管理為大方向,選擇“A”平臺為實驗平臺,通過對“A”平臺的改造,將以近期大家關(guān)心的重要命題——網(wǎng)絡(luò)研修社區(qū)的學(xué)習(xí)者畫像為目標(biāo),以網(wǎng)絡(luò)研修社區(qū)學(xué)習(xí)者模型建構(gòu)為研究主題。首先,對于平臺數(shù)據(jù)進行歸納整理,并對其進行預(yù)處理,立足于業(yè)務(wù)實際需求,建立更具全面性的數(shù)據(jù)匯聚表,從而,進一步設(shè)計數(shù)據(jù)資產(chǎn)評估報告;其次,選用主成分分析法,圍繞學(xué)員實際情況設(shè)計綜合評價體系,隨后,邀請專家對于該體系精確度與待優(yōu)化部分進行微調(diào);再次,筆者嘗試選擇k-means算法,以平臺學(xué)員為對象進行聚類分析,對于各學(xué)員維度具體情況進行針對性剖析,依據(jù)學(xué)員平臺學(xué)習(xí)實踐過程中暴露出的缺陷,提出切實可行的優(yōu)化舉措;最后,采用協(xié)同過濾算法,進一步做好平臺對口教學(xué)資源以及教培課程的自動推薦,為用戶推薦關(guān)聯(lián)度較高的學(xué)習(xí)伙伴,并及時推薦研修活動信息,依據(jù)其最終數(shù)據(jù)驗證推薦成效。研究成果主要在于:其一,進一步為教師網(wǎng)絡(luò)研修社區(qū)平臺大數(shù)據(jù)埋點與收集提供理論指導(dǎo),構(gòu)設(shè)較為先進科學(xué)的數(shù)據(jù)匯聚表,建立更具針對性與全面性的數(shù)據(jù)倉庫;其二,打造立體化、多元化能夠完美契合學(xué)習(xí)行為邏輯與步驟的評價模型;其三,幫助平臺教師以及管理負責(zé)人更直觀地了解學(xué)習(xí)者自身實際情況,進一步為學(xué)員自動推薦對口學(xué)習(xí)服務(wù)以及學(xué)習(xí)伙伴,真正確保課程快速推進,捕捉大眾需求熱點,給予學(xué)員更具針對性與實踐性的課程學(xué)習(xí)體系;其四,借助本研究成果,能夠為同類型數(shù)據(jù)挖掘?qū)嵶C調(diào)研以及相近領(lǐng)域優(yōu)化模式貢獻一些思路。
許其鑫[9]（2020）在《遠程學(xué)習(xí)風(fēng)險預(yù)測模型構(gòu)建及預(yù)警反饋設(shè)計研究》文中研究指明隨著遠程教育的普及,遠程教育質(zhì)量的監(jiān)測和提升成為焦點。遠程學(xué)習(xí)者人數(shù)眾多,教學(xué)者或其教學(xué)團隊卻只有幾人,師生比非常低,加之時空分離的教學(xué)方式,研究如何在時空分離的情況下,降低學(xué)習(xí)掛科風(fēng)險、激發(fā)學(xué)習(xí)動機、助力教學(xué)者實現(xiàn)個性化教學(xué)愈發(fā)重要。有效的預(yù)測與及時提供反饋是改善教與學(xué)的重要保障,總結(jié)前人在學(xué)習(xí)風(fēng)險預(yù)測建模和預(yù)警反饋方面的研究,場景集中于網(wǎng)絡(luò)MOOC、混合學(xué)習(xí)等,且存在研究課程單一、研究樣本數(shù)量少、構(gòu)建的預(yù)測模型可移植性差、預(yù)警干預(yù)反饋有效性不足等問題?；诖?本研究采集重慶某高校網(wǎng)絡(luò)與繼續(xù)教育學(xué)院四門不同學(xué)科的14448名遠程學(xué)習(xí)者背景信息和在線學(xué)習(xí)行為數(shù)據(jù)作為研究樣本,應(yīng)用數(shù)據(jù)挖掘算法構(gòu)建遠程學(xué)習(xí)風(fēng)險預(yù)測模型,并采用以用戶為中心的設(shè)計理論、參與式設(shè)計的方法設(shè)計預(yù)警反饋,主要研究內(nèi)容包括:第一,利用數(shù)據(jù)挖掘技術(shù)構(gòu)建遠程學(xué)習(xí)風(fēng)險預(yù)測模型,研究是否能構(gòu)建基于教育大數(shù)據(jù)的跨學(xué)科遠程學(xué)習(xí)風(fēng)險預(yù)測模型。其中,在數(shù)據(jù)預(yù)處理階段選取了 Sm ote采樣和Costsensitive兩種算法解決學(xué)習(xí)者風(fēng)險類別數(shù)據(jù)樣本分布不均問題,并將構(gòu)建的遠程學(xué)習(xí)風(fēng)險預(yù)測模型效果進行比較。第二,利用卡方檢驗、相關(guān)性分析和多元線性回歸分析三種方法分析在不同的學(xué)科中,學(xué)習(xí)者背景信息和在線學(xué)習(xí)行為特征與期末學(xué)習(xí)成績之間的相關(guān)性,并將分析結(jié)果結(jié)合遠程教育教學(xué)環(huán)境進行解釋,提出有助于遠程教育教學(xué)的建議。第三,采用以用戶為中心的設(shè)計理論、參與式設(shè)計的方法設(shè)計預(yù)警反饋,提出了一組應(yīng)用于學(xué)習(xí)分析領(lǐng)域的參與式設(shè)計工具來獲取用戶的期望和需求,包括焦點小組、用戶畫像、知識地圖、學(xué)習(xí)者旅程、預(yù)警反饋原型構(gòu)建。最后,將設(shè)計的預(yù)警反饋原型采用調(diào)查問卷和訪談法進行可用性評價。研究結(jié)果表明:（1）隨機森林算法構(gòu)建的綜合課程遠程學(xué)習(xí)風(fēng)險預(yù)測模型移植性高,其Kappa值為0.5863、F值為0.782,可跨學(xué)科使用。Smote采樣處理學(xué)習(xí)者風(fēng)險類別數(shù)據(jù)樣本分布不均問題能更大幅度提高訓(xùn)練的預(yù)測模型性能;（2）不同學(xué)科中預(yù)測特征的表現(xiàn)不完全相同。遠程學(xué)習(xí)者年齡、平時作業(yè)成績和性別*學(xué)歷在不同學(xué)科中都是影響學(xué)習(xí)成績的重要特征,作業(yè)提交總次數(shù)只在文科課程中是影響學(xué)習(xí)成績的重要特征,在線學(xué)習(xí)總次數(shù)和在線提問總次數(shù)只在理科課程中是影響學(xué)習(xí)成績的重要特征。合成特征（性別*學(xué)歷）有助于預(yù)測模型的訓(xùn)練和預(yù)測特征的分析,預(yù)測特征分析的結(jié)果為預(yù)警反饋的設(shè)計提供了指導(dǎo),雖然遠程學(xué)習(xí)風(fēng)險預(yù)測模型可以跨學(xué)科使用,但預(yù)警反饋設(shè)計需要將不同的學(xué)科分開考慮。（3）采用參與式設(shè)計的預(yù)警反饋得到了用戶較高的評價。根據(jù)分析調(diào)查問卷的數(shù)據(jù)顯示,學(xué)習(xí)者對設(shè)計的預(yù)警反饋原型在感知有用性、認知負荷、用戶滿意度和自我到導(dǎo)向性四個維度上的評價均為非常滿意,整體評價滿意度高;根據(jù)分析訪談內(nèi)容的數(shù)據(jù)顯示:學(xué)習(xí)預(yù)警個性化報告極大的滿足了教學(xué)者和學(xué)習(xí)中心管理員的預(yù)警需求,主要體現(xiàn)在反饋界面認知負荷低,預(yù)警板塊設(shè)計合理,反饋信息豐富和數(shù)據(jù)指標(biāo)全面等方面,可為遠程學(xué)習(xí)預(yù)警干預(yù)提供有效的證據(jù)支撐。
田雅慧[10]（2020）在《基于學(xué)習(xí)者畫像的MOOC學(xué)情預(yù)警研究》文中進行了進一步梳理在線教育學(xué)習(xí)是非傳統(tǒng)教育學(xué)習(xí)的過程中非常重要的一種學(xué)習(xí)方式,隨著教育信息化的不斷推進和發(fā)展,我國的教育質(zhì)量和信息化教育水平的提升為在線學(xué)習(xí)的發(fā)展提供了強大的支持,學(xué)習(xí)者跨平臺、跨終端、跨時空地開展在線學(xué)習(xí),在不同在線教育平臺上產(chǎn)生了大量的學(xué)習(xí)行為數(shù)據(jù)。MOOC是在線教育的重要平臺,MOOC目前存在用戶數(shù)據(jù)量龐大,難以根據(jù)用戶數(shù)據(jù)把握學(xué)習(xí)者學(xué)情的問題,在線學(xué)習(xí)者畫像能夠有助于解決這類問題。各類在線平臺數(shù)據(jù)與學(xué)習(xí)者畫像和學(xué)情預(yù)警的研究不斷更新,將畫像技術(shù)和學(xué)情預(yù)警相結(jié)合,為MOOC平臺的學(xué)情預(yù)警研究提供新的路徑?；谝陨系谋尘?本研究以在線MOOC平臺中的各類學(xué)習(xí)者數(shù)據(jù)為研究對象,通過分析和利用14門課的MOOC數(shù)據(jù)進行學(xué)習(xí)者畫像構(gòu)建以及學(xué)情預(yù)警,通過畫像進行學(xué)情分析,通過學(xué)情分析進行學(xué)情預(yù)警,最終形成學(xué)情預(yù)警策略。首先,本研究通過文獻分析,對學(xué)習(xí)者畫像和學(xué)情預(yù)警的概念進行界定,闡述了畫像刻畫和學(xué)情預(yù)警涉及的理論和技術(shù)基礎(chǔ),確定了在線學(xué)習(xí)者畫像三個維度的分類。并根據(jù)在線MOOC平臺的數(shù)據(jù)字段,構(gòu)建學(xué)習(xí)者畫像的標(biāo)簽體系,為學(xué)習(xí)者畫像的標(biāo)簽體系提供衡量指標(biāo),為應(yīng)用畫像技術(shù)實現(xiàn)學(xué)情預(yù)警奠定基礎(chǔ)。其次,根據(jù)學(xué)習(xí)者在線學(xué)習(xí)行為的數(shù)據(jù)和基本信息,進行在線學(xué)習(xí)數(shù)據(jù)分析,采用數(shù)據(jù)挖掘和分析方法,劃分不同類型學(xué)習(xí)者的群體,輸出學(xué)習(xí)者畫像,進行基于畫像的五個維度的學(xué)情分析,掌握學(xué)習(xí)者的學(xué)情信息。最后,借助五個維度的學(xué)情分析結(jié)果,利用關(guān)聯(lián)規(guī)則和序列分析模型等技術(shù)手段進行四個維度的學(xué)情預(yù)警。根據(jù)畫像的分類,提供學(xué)情預(yù)警策略。并在此基礎(chǔ)上通過問卷調(diào)查進行了基于畫像的學(xué)情預(yù)警的效果檢驗。本研究基于真實MOOC數(shù)據(jù)構(gòu)建畫像,將數(shù)據(jù)可視化,使用了多種研究方法和技術(shù)手段進行基于畫像的學(xué)情預(yù)警,幫助教師和學(xué)習(xí)者掌握學(xué)習(xí)者情況以及提供學(xué)情預(yù)警策略,為在線MOOC平臺的教學(xué)干預(yù)提供了新思路。
二、個性化教學(xué)設(shè)計可視化建模的研究與實現(xiàn)（論文開題報告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡單簡介論文所研究問題的基本概念和背景，再而簡單明了地指出論文所要研究解決的具體問題，并提出你的論文準(zhǔn)備的觀點或解決方法。
寫法范例：
本文主要提出一款精簡64位RISC處理器存儲管理單元結(jié)構(gòu)并詳細分析其設(shè)計過程。在該MMU結(jié)構(gòu)中,TLB采用叁個分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲器并行查找,支持粗粒度為64KB和細粒度為4KB兩種頁面大小,采用多級分層頁表結(jié)構(gòu)映射地址空間,并詳細論述了四級頁表轉(zhuǎn)換過程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲系統(tǒng)實現(xiàn)的一個重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關(guān)研究對象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對象從而得到有關(guān)信息。
實驗法：通過主支變革、控制研究對象來發(fā)現(xiàn)與確認事物間的因果關(guān)系。
文獻研究法：通過調(diào)查文獻來獲得資料，從而全面的、正確的了解掌握研究方法。
實證研究法：依據(jù)現(xiàn)有的科學(xué)理論和實踐的需要提出設(shè)計。
定性分析法：對研究對象進行“質(zhì)”的方面的研究，這個方法需要計算的數(shù)據(jù)較少。
定量分析法：通過具體的數(shù)字，使人們對研究對象的認識進一步精確化。
跨學(xué)科研究法：運用多學(xué)科的理論、方法和成果從整體上對某一課題進行研究。
功能分析法：這是社會科學(xué)用來分析社會現(xiàn)象的一種方法，從某一功能出發(fā)研究多個方面的影響。
模擬法：通過創(chuàng)設(shè)一個與原型相似的模型來間接研究原型某種特性的一種形容方法。
三、個性化教學(xué)設(shè)計可視化建模的研究與實現(xiàn)（論文提綱范文）
（1）基于大數(shù)據(jù)的大學(xué)生日常思想政治教育創(chuàng)新研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 緒論 大數(shù)據(jù)讓大學(xué)生日常思想政治教育智能化 |
| 第一節(jié) 選題緣由及研究意義 |
| 一、選題緣由 |
| 二、研究意義 |
| 第二節(jié) 國內(nèi)外研究綜述 |
| 一、國內(nèi)研究現(xiàn)狀 |
| 二、國外大數(shù)據(jù)與教育交叉研究綜述 |
| 三、研究評析 |
| 第三節(jié) 邏輯結(jié)構(gòu) |
| 一、研究思路 |
| 二、研究方法 |
| 三、內(nèi)容框架 |
| 第四節(jié) 重點、難點及預(yù)期創(chuàng)新點 |
| 一、研究重點 |
| 二、研究難點 |
| 三、研究創(chuàng)新點 |
| 第一章 基于大數(shù)據(jù)創(chuàng)新大學(xué)生日常思想政治教育的理論基礎(chǔ) |
| 第一節(jié) 核心概念解讀 |
| 一、大數(shù)據(jù) |
| 二、大學(xué)生日常思想政治教育 |
| 三、大學(xué)生日常思想政治教育大數(shù)據(jù) |
| 第二節(jié) 大學(xué)生日常思想政治教育大數(shù)據(jù)之馬克思主義哲學(xué)審視 |
| 一、感性對象性活動之?dāng)?shù)據(jù)生成邏輯 |
| 二、實踐的社會歷史性之?dāng)?shù)據(jù)發(fā)展動因 |
| 三、辯證唯物主義認識論之?dāng)?shù)據(jù)應(yīng)用的方法論基礎(chǔ) |
| 四、人的全面自由發(fā)展之?dāng)?shù)據(jù)應(yīng)用的價值取向 |
| 第三節(jié) 大學(xué)生日常思想政治教育大數(shù)據(jù)自組織系統(tǒng)闡釋 |
| 一、大學(xué)生日常思想政治教育之復(fù)雜自組織系統(tǒng)特征 |
| 二、大學(xué)生日常思想政治教育大數(shù)據(jù)之?dāng)?shù)據(jù)轉(zhuǎn)化 |
| 三、大學(xué)生日常思想政治教育大數(shù)據(jù)之?dāng)?shù)據(jù)轉(zhuǎn)換 |
| 四、大學(xué)生日常思想政治教育之?dāng)?shù)據(jù)工作機制 |
| 第二章 基于大數(shù)據(jù)創(chuàng)新大學(xué)生日常思想政治教育的現(xiàn)實依據(jù) |
| 第一節(jié) 大學(xué)生日常思想政治教育存在的現(xiàn)實困境 |
| 一、基于大數(shù)據(jù)文本挖掘方法的大學(xué)生日常思想政治教育現(xiàn)實困境分析 |
| 二、大學(xué)生日常思想政治教育者訪談 |
| 三、大學(xué)生日常思想政治教育存在的問題及原因剖析 |
| 第二節(jié) 新時代大學(xué)生日常思想政治教育新要求 |
| 一、新時代大學(xué)生日常思想政治教育面臨的新課題 |
| 二、新時代大學(xué)生日常思想政治教育指導(dǎo)思想與原則 |
| 三、新時代大學(xué)生日常思想政治教育教育內(nèi)容體系 |
| 四、新時代大學(xué)生日常思想政治教育的主體轉(zhuǎn)型 |
| 第三節(jié) 基于大數(shù)據(jù)創(chuàng)新大學(xué)生日常思想政治教育技術(shù)優(yōu)勢 |
| 一、大數(shù)據(jù)關(guān)鍵技術(shù)之大學(xué)生日常思想政治教育應(yīng)用 |
| 二、教育主體與教育客體的數(shù)據(jù)交互 |
| 三、教育管理平臺載體的數(shù)據(jù)智能 |
| 四、教育管理實踐數(shù)據(jù)的跨域應(yīng)用 |
| 第四節(jié) 基于大數(shù)據(jù)創(chuàng)新大學(xué)生日常思想政治教育可能性分析 |
| 一、基于數(shù)據(jù)技術(shù)的效率提升 |
| 二、基于證據(jù)的日常教育管理 |
| 三、基于數(shù)據(jù)評價的工作改進 |
| 第三章 基于大數(shù)據(jù)促進大學(xué)生日常思想政治教育發(fā)展轉(zhuǎn)向 |
| 第一節(jié) 大學(xué)生日常思想政治教育大數(shù)據(jù)應(yīng)用呈現(xiàn) |
| 一、精準(zhǔn)畫像:大數(shù)據(jù)精確反映學(xué)生行為狀態(tài) |
| 二、規(guī)律探尋:大數(shù)據(jù)有效呈現(xiàn)學(xué)生活動規(guī)律 |
| 三、超前感知:大數(shù)據(jù)準(zhǔn)確研判學(xué)生活動趨向 |
| 第二節(jié) 基于大數(shù)據(jù)之由線性思維向系統(tǒng)思維轉(zhuǎn)變 |
| 一、線性思維 |
| 二、系統(tǒng)思維 |
| 三、線性思維向系統(tǒng)思維轉(zhuǎn)變的全面性與準(zhǔn)確性 |
| 第三節(jié) 基于大數(shù)據(jù)之由普適教育向個性化培育轉(zhuǎn)變 |
| 一、普適教育 |
| 二、個性化培育 |
| 三、普適教育向個性化培育轉(zhuǎn)變的適應(yīng)性與有效性 |
| 第四節(jié) 基于大數(shù)據(jù)之由認知培育向?qū)嵺`養(yǎng)成轉(zhuǎn)變 |
| 一、認知培育 |
| 二、實踐養(yǎng)成 |
| 三、認知培育向?qū)嵺`養(yǎng)成轉(zhuǎn)變的實效性與長效性 |
| 第五節(jié) 基于大數(shù)據(jù)之由需求側(cè)適應(yīng)向供給側(cè)發(fā)力轉(zhuǎn)變 |
| 一、需求側(cè)適應(yīng) |
| 二、供給側(cè)發(fā)力 |
| 三、需求側(cè)適應(yīng)向供給側(cè)發(fā)力轉(zhuǎn)變的精準(zhǔn)性與有效性 |
| 第四章 基于大數(shù)據(jù)創(chuàng)新大學(xué)生日常思想政治教育的實施路徑 |
| 第一節(jié) 基于大數(shù)據(jù)創(chuàng)新大學(xué)生日常思想政治教育的原則 |
| 一、以人為本原則 |
| 二、守正創(chuàng)新原則 |
| 三、趨利避害原則 |
| 四、循序漸進原則 |
| 五、理論與實踐相結(jié)合原則 |
| 第二節(jié) 大學(xué)生日常思想政治教育大數(shù)據(jù)資源庫建設(shè)與運行 |
| 一、大學(xué)生日常思想政治教育大數(shù)據(jù)采集 |
| 二、大學(xué)生日常思想政治教育大數(shù)據(jù)預(yù)處理與存儲 |
| 三、大學(xué)生日常思想政治教育大數(shù)據(jù)挖掘與建模分析 |
| 四、大學(xué)生日常思想政治教育大數(shù)據(jù)可視化與應(yīng)用 |
| 五、大學(xué)生日常思想政治教育大數(shù)據(jù)解釋與反饋 |
| 第三節(jié) 利用大數(shù)據(jù)推進大學(xué)生日常思想政治教育實踐應(yīng)用 |
| 一、數(shù)據(jù)畫像 |
| 二、精準(zhǔn)資助 |
| 三、異常告警 |
| 第五章 基于大數(shù)據(jù)創(chuàng)新大學(xué)生日常思想政治教育的條件保障 |
| 第一節(jié) 個體主觀條件 |
| 一、培育大數(shù)據(jù)意識與大數(shù)據(jù)思維 |
| 二、掌握大數(shù)據(jù)知識與大數(shù)據(jù)技能 |
| 三、提升大數(shù)據(jù)倫理與管理理性 |
| 四、把握大數(shù)據(jù)應(yīng)用的價值導(dǎo)向 |
| 第二節(jié) 技術(shù)條件保障 |
| 一、開發(fā)和搭建高校思想政治教育大數(shù)據(jù)技術(shù)平臺 |
| 二、培育大學(xué)生思想政治教育大數(shù)據(jù)核心技術(shù)團隊 |
| 第三節(jié) 組織與制度保障 |
| 一、加強組織領(lǐng)導(dǎo) |
| 二、推進教育政策實施與制度建設(shè) |
| 三、加強體制機制建設(shè) |
| 第四節(jié) 文化環(huán)境保障 |
| 一、優(yōu)化校園網(wǎng)絡(luò)環(huán)境 |
| 二、培育校園數(shù)據(jù)文化 |
| 三、優(yōu)化校園人文環(huán)境 |
| 結(jié)語:數(shù)據(jù)智能與教育智慧結(jié)合 |
| 參考文獻 |
| 致謝 |
| 攻讀博士學(xué)位期間主要研究成果 |
（2）混合式教育環(huán)境下課后復(fù)習(xí)支持服務(wù)平臺的設(shè)計與實現(xiàn)（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 研究背景 |
| 1.2 研究現(xiàn)狀 |
| 1.3 研究內(nèi)容與意義 |
| 1.4 論文結(jié)構(gòu) |
| 第二章 相關(guān)理論與技術(shù)研究 |
| 2.1 學(xué)習(xí)支持服務(wù) |
| 2.2 學(xué)習(xí)者畫像與相關(guān)技術(shù) |
| 2.2.1 學(xué)習(xí)者畫像 |
| 2.2.2 聚類算法 |
| 2.3 推薦算法 |
| 2.3.1 主流推薦算法介紹 |
| 2.3.2 協(xié)同過濾推薦算法 |
| 2.4 本章小節(jié) |
| 第三章 課后復(fù)習(xí)支持服務(wù)平臺的系統(tǒng)設(shè)計 |
| 3.1 課后復(fù)習(xí)支持服務(wù)方式設(shè)計 |
| 3.2 需求分析 |
| 3.2.1 用戶需求分析 |
| 3.2.2 系統(tǒng)業(yè)務(wù)需求分析 |
| 3.2.3 系統(tǒng)功能需求分析 |
| 3.3 系統(tǒng)架構(gòu)設(shè)計 |
| 3.4 系統(tǒng)功能模塊設(shè)計 |
| 3.4.1 用戶身份管理模塊 |
| 3.4.2 數(shù)據(jù)處理模塊 |
| 3.4.3 學(xué)情報告模塊 |
| 3.4.4 手動分析模塊 |
| 3.5 系統(tǒng)個性化智能推薦模塊設(shè)計 |
| 3.6 數(shù)據(jù)庫結(jié)構(gòu)設(shè)計 |
| 3.7 本章小結(jié) |
| 第四章 課后復(fù)習(xí)支持服務(wù)平臺的系統(tǒng)實現(xiàn) |
| 4.1 開發(fā)環(huán)境介紹 |
| 4.2 系統(tǒng)環(huán)境部署 |
| 4.3 系統(tǒng)功能模塊實現(xiàn)過程 |
| 4.3.1 用戶身份管理模塊 |
| 4.3.2 數(shù)據(jù)處理模塊 |
| 4.3.3 學(xué)情報告模塊 |
| 4.3.4 手動分析模塊 |
| 4.4 個性化智能推薦模塊實現(xiàn)過程 |
| 4.4.1 數(shù)據(jù)獲取 |
| 4.4.2 群體學(xué)習(xí)者畫像的生成與存儲 |
| 4.4.3 學(xué)習(xí)資源推薦 |
| 4.4.4 推薦內(nèi)容可視化 |
| 4.5 本章小結(jié) |
| 第五章 測試與驗證 |
| 5.1 測試用例設(shè)計與實際結(jié)果展示 |
| 5.1.1 測試用例設(shè)計 |
| 5.1.2 系統(tǒng)功能驗證與實際案例可行性檢驗 |
| 5.2 個性化智能推薦效果驗證 |
| 5.3 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 參考文獻 |
| 致謝 |
（3）基于教師畫像的教學(xué)活動輔助設(shè)計系統(tǒng)（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 信息化的教學(xué)活動設(shè)計研究現(xiàn)狀 |
| 1.2.2 教師畫像研究現(xiàn)狀 |
| 1.3 本文研究思路 |
| 第二章 系統(tǒng)總體設(shè)計 |
| 2.1 系統(tǒng)需求分析與設(shè)計 |
| 2.1.1 業(yè)務(wù)需求分析 |
| 2.1.2 性能需求分析 |
| 2.2 系統(tǒng)體系結(jié)構(gòu) |
| 2.3 系統(tǒng)功能模塊劃分 |
| 2.4 數(shù)據(jù)庫表設(shè)計 |
| 2.5 本章小結(jié) |
| 第三章 關(guān)鍵技術(shù)研究 |
| 3.1 教師畫像建模 |
| 3.1.1 教師畫像的構(gòu)建 |
| 3.1.2 教師畫像標(biāo)簽體系的建立 |
| 3.1.3 數(shù)據(jù)采集與預(yù)處理 |
| 3.1.4 教師畫像的生成 |
| 3.2 教學(xué)情境建模 |
| 3.2.1 傳統(tǒng)情境模型 |
| 3.2.2 教學(xué)情境模型的構(gòu)建 |
| 3.2.3 教學(xué)情景信息的獲取 |
| 3.3 教學(xué)活動序列建模 |
| 3.3.1 教學(xué)活動的分類和編碼 |
| 3.3.2 教學(xué)活動的序列化建模 |
| 3.4 教學(xué)活動設(shè)計相關(guān)推薦算法 |
| 3.4.1 基于教師畫像的教學(xué)活動序列的推薦算法 |
| 3.4.2 基于教師畫像的教學(xué)資源推薦算法 |
| 3.5 算法驗證 |
| 3.5.1 數(shù)據(jù)集的選擇 |
| 3.5.2 評價指標(biāo) |
| 3.5.3 實驗結(jié)果與分析 |
| 3.6 本章小結(jié) |
| 第四章 系統(tǒng)相關(guān)技術(shù)實現(xiàn) |
| 4.1 原型系統(tǒng)搭建 |
| 4.1.1 平臺軟硬件配置 |
| 4.1.2 前后臺框架的搭建 |
| 4.1.3 數(shù)據(jù)庫配置鏈接 |
| 4.2 核心功能模塊實現(xiàn) |
| 4.2.1 教學(xué)設(shè)計生成模塊的實現(xiàn) |
| 4.2.2 教師畫像可視化模塊的實現(xiàn) |
| 4.2.3 資源推送的實現(xiàn) |
| 4.3 其他功能實現(xiàn) |
| 4.3.1 相似用戶匹配的實現(xiàn) |
| 4.3.2 教案文件生成的實現(xiàn) |
| 4.3.3 即時通訊的實現(xiàn) |
| 4.3.4 用戶權(quán)限控制的實現(xiàn) |
| 4.4 本章小結(jié) |
| 第五章 系統(tǒng)原型測試 |
| 5.1 系統(tǒng)測試計劃 |
| 5.2 主要功能模塊測試 |
| 5.2.1 教師個人畫像模塊 |
| 5.2.2 教師個人畫像模塊 |
| 5.2.3 教學(xué)資源模塊 |
| 5.3 其他功能模塊測試 |
| 5.3.1 教學(xué)論壇模塊 |
| 5.3.2 管理員模塊 |
| 5.3.3 登錄界面 |
| 5.4 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 工作總結(jié) |
| 6.2 研究展望 |
| 參考文獻 |
| 致謝 |
（4）面向高?？蒲袆?chuàng)新的圖書館智能服務(wù)研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第1章 緒論 |
| 1.1 研究背景與問題提出 |
| 1.1.1 研究背景 |
| 1.1.2 問題提出 |
| 1.2 研究目的與意義 |
| 1.2.1 研究目的 |
| 1.2.2 研究意義 |
| 1.3 國內(nèi)外研究現(xiàn)狀與評述 |
| 1.3.1 基于知識圖譜的研究現(xiàn)狀分析 |
| 1.3.2 高?？蒲袆?chuàng)新的研究綜述 |
| 1.3.3 圖書館智能服務(wù)的研究綜述 |
| 1.3.4 面向科研創(chuàng)新的圖書館服務(wù)研究綜述 |
| 1.3.5 國內(nèi)外相關(guān)研究的現(xiàn)狀評述 |
| 1.4 研究內(nèi)容與論文結(jié)構(gòu) |
| 1.4.1 研究內(nèi)容 |
| 1.4.2 論文結(jié)構(gòu) |
| 1.5 研究方法與技術(shù)路線 |
| 1.5.1 研究方法 |
| 1.5.2 技術(shù)路線 |
| 第2章 相關(guān)理論基礎(chǔ)與概念界定 |
| 2.1 相關(guān)理論基礎(chǔ) |
| 2.1.1 知識服務(wù)理論 |
| 2.1.2 復(fù)雜系統(tǒng)理論 |
| 2.1.3 系統(tǒng)動力學(xué)理論 |
| 2.2 高?？蒲袆?chuàng)新概念及內(nèi)涵 |
| 2.3 智能服務(wù)情境概念及內(nèi)涵 |
| 2.4 圖書館智能服務(wù)概念及內(nèi)涵 |
| 2.5 本文研究的整體邏輯與框架 |
| 2.5.1 研究的整體框架 |
| 2.5.2 研究的子框架 |
| 2.6 本章小結(jié) |
| 第3章 面向高?？蒲袆?chuàng)新的圖書館智能服務(wù)過程及機理分析 |
| 3.1 智能服務(wù)過程的分析框架 |
| 3.2 智能服務(wù)的過程階段分析 |
| 3.2.1 智能服務(wù)創(chuàng)建階段 |
| 3.2.2 智能服務(wù)實施階段 |
| 3.2.3 智能服務(wù)收尾階段 |
| 3.2.4 智能服務(wù)歸檔階段 |
| 3.3 智能服務(wù)過程機理的多案例研究 |
| 3.3.1 機理分析步驟 |
| 3.3.2 案例研究設(shè)計 |
| 3.3.3 案例簡要介紹 |
| 3.3.4 過程機理分析 |
| 3.3.5 案例研究結(jié)論 |
| 3.4 管理啟示 |
| 3.5 本章小結(jié) |
| 第4章 面向高?？蒲袆?chuàng)新的圖書館智能服務(wù)關(guān)鍵因素識別 |
| 4.1 扎根理論方法及流程 |
| 4.1.1 扎根理論方法 |
| 4.1.2 具體操作流程 |
| 4.2 訪談設(shè)計與資料收集 |
| 4.2.1 樣本對象的選擇 |
| 4.2.2 研究問題的設(shè)計 |
| 4.2.3 訪談資料的處理 |
| 4.3 扎根編碼與范疇提煉 |
| 4.3.1 編碼有效性 |
| 4.3.2 開放式編碼 |
| 4.3.3 主軸編碼 |
| 4.3.4 選擇性編碼 |
| 4.3.5 理論飽和度檢驗 |
| 4.4 模型闡釋與分析 |
| 4.5 本章小結(jié) |
| 第5章 面向高校科研創(chuàng)新的圖書館智能服務(wù)影響因素實證 |
| 5.1 研究假設(shè)與實證模型 |
| 5.1.1 知識服務(wù)資源的影響 |
| 5.1.2 科研服務(wù)參與的影響 |
| 5.1.3 智能服務(wù)感知的影響 |
| 5.1.4 科研服務(wù)需求的影響 |
| 5.1.5 服務(wù)應(yīng)用動機的影響 |
| 5.1.6 智能技術(shù)體驗的影響 |
| 5.1.7 研究假設(shè)與概念模型 |
| 5.2 調(diào)查問卷與實證方法 |
| 5.2.1 調(diào)研目的與調(diào)查對象 |
| 5.2.2 問卷設(shè)計與數(shù)據(jù)收集 |
| 5.2.3 調(diào)查問卷的變量測量 |
| 5.2.4 結(jié)構(gòu)方程模型及流程 |
| 5.3 實證研究的數(shù)據(jù)分析 |
| 5.3.1 描述性統(tǒng)計 |
| 5.3.2 量表的信度 |
| 5.3.3 量表的效度 |
| 5.4 假設(shè)驗證與模型擬合 |
| 5.4.1 研究假設(shè)檢驗驗證 |
| 5.4.2 結(jié)構(gòu)方程模型擬合 |
| 5.4.3 研究結(jié)果實證分析 |
| 5.5 管理啟示 |
| 5.6 本章小結(jié) |
| 第6章 面向高?？蒲袆?chuàng)新的圖書館智能服務(wù)系統(tǒng)動力學(xué)仿真 |
| 6.1 系統(tǒng)動力學(xué)模型的原理及應(yīng)用 |
| 6.1.1 模型應(yīng)用原理 |
| 6.1.2 模型構(gòu)建步驟 |
| 6.1.3 模型應(yīng)用意義 |
| 6.2 系統(tǒng)分析 |
| 6.2.1 系統(tǒng)分析與構(gòu)成 |
| 6.2.2 系統(tǒng)建模的目的 |
| 6.2.3 系統(tǒng)模型的邊界 |
| 6.3 系統(tǒng)建模 |
| 6.3.1 系統(tǒng)邊界的限定 |
| 6.3.2 因果關(guān)系與反饋 |
| 6.3.3 模型的系統(tǒng)流圖 |
| 6.3.4 系統(tǒng)動力學(xué)方程 |
| 6.3.5 初始參數(shù)的設(shè)置 |
| 6.3.6 模型有效性檢驗 |
| 6.4 系統(tǒng)模型仿真與結(jié)果應(yīng)用討論 |
| 6.4.1 運行趨勢及應(yīng)用 |
| 6.4.2 關(guān)鍵變量及應(yīng)用 |
| 6.4.3 主導(dǎo)回路及應(yīng)用 |
| 6.5 管理啟示 |
| 6.6 本章小結(jié) |
| 結(jié)論 |
| 參考文獻 |
| 附錄1 面向高校科研創(chuàng)新的圖書館智能服務(wù)調(diào)查問卷 |
| 附錄2 |
| 攻讀博士學(xué)位期間發(fā)表的論文及其它成果 |
| 致謝 |
| 個人簡歷 |
（5）在線學(xué)習(xí)環(huán)境下學(xué)習(xí)成效預(yù)測研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 研究背景 |
| 1.1.1 教育大數(shù)據(jù) |
| 1.1.2 學(xué)習(xí)分析與教育數(shù)據(jù)挖掘 |
| 1.1.3 存在的問題 |
| 1.2 研究意義 |
| 1.3 本文的主要工作 |
| 1.3.1 研究目標(biāo)和研究思路 |
| 1.3.2 研究內(nèi)容 |
| 1.3.3 本文的創(chuàng)新點 |
| 1.4 本文的組織結(jié)構(gòu) |
| 第2章 相關(guān)研究工作概述 |
| 2.1 引言 |
| 2.2 教育大數(shù)據(jù)相關(guān)研究概述 |
| 2.2.1 學(xué)習(xí)分析 |
| 2.2.2 教育數(shù)據(jù)挖掘 |
| 2.2.3 機器學(xué)習(xí)與深度學(xué)習(xí)算法 |
| 2.3 在線學(xué)習(xí)行為模式研究概述 |
| 2.3.1 基于聚類或統(tǒng)計分析的學(xué)習(xí)行為模式研究 |
| 2.3.2 基于序列規(guī)則挖掘的學(xué)習(xí)行為模式研究 |
| 2.3.3 本節(jié)述評 |
| 2.4 在線學(xué)習(xí)交互中認知參與深度研究概述 |
| 2.4.1 高階認知思維理論框架概述 |
| 2.4.2 學(xué)習(xí)者認知參與深度評測的相關(guān)研究 |
| 2.4.3 本節(jié)述評 |
| 2.5 學(xué)習(xí)成效預(yù)測研究概述 |
| 2.5.1 學(xué)習(xí)成效預(yù)測研究的輸入變量概述 |
| 2.5.2 學(xué)習(xí)成效預(yù)測研究的輸出變量概述 |
| 2.5.3 學(xué)習(xí)成效預(yù)測研究的數(shù)據(jù)預(yù)處理方法 |
| 2.5.4 學(xué)習(xí)成效預(yù)測研究的建模算法及結(jié)果解釋 |
| 2.5.5 本節(jié)述評 |
| 2.6 本章小結(jié) |
| 第3章 在線學(xué)習(xí)行為時空分布規(guī)律研究 |
| 3.1 引言 |
| 3.2 基于熵分析的在線學(xué)習(xí)行為時空分布刻畫方法 |
| 3.3 實驗過程及結(jié)果分析 |
| 3.3.1 實驗數(shù)據(jù)收集與預(yù)處理 |
| 3.3.2 基于熵分析的不同時空行為模式識別 |
| 3.3.3 不同時空行為模式群體的特征分析 |
| 3.3.4 時空行為模式與學(xué)習(xí)成效關(guān)系分析 |
| 3.4 實驗結(jié)果討論 |
| 3.4.1 隨時隨地學(xué)習(xí)趨勢 |
| 3.4.2 高時間熵對學(xué)習(xí)成效的影響 |
| 3.4.3 高位置熵對學(xué)習(xí)成效的影響 |
| 3.4.4 性別對時空行為分布規(guī)律的影響 |
| 3.4.5 研究發(fā)現(xiàn)對教育實踐的意義 |
| 3.5 本章小結(jié) |
| 第4章 在線學(xué)習(xí)交互中認知參與深度研究 |
| 4.1 引言 |
| 4.2 學(xué)習(xí)者認知參與深度研究的問題剖析 |
| 4.2.1 自動評測認知參與深度的教學(xué)必要性 |
| 4.2.2 文本分類研究的現(xiàn)狀概述 |
| 4.3 基于多特征融合的學(xué)習(xí)者認知參與深度評測方法 |
| 4.3.1 文本數(shù)據(jù)預(yù)處理 |
| 4.3.2 文本特征提取與多特征融合 |
| 4.3.3 學(xué)習(xí)者認知參與深度預(yù)測算法 |
| 4.4 實驗過程與結(jié)果分析 |
| 4.4.1 實驗數(shù)據(jù)介紹 |
| 4.4.2 預(yù)測性能評估指標(biāo) |
| 4.4.3 基于論壇交互數(shù)據(jù)的認知參與深度評測效果 |
| 4.5 實驗結(jié)果討論 |
| 4.6 本章小結(jié) |
| 第5章 基于在線學(xué)習(xí)過程序列數(shù)據(jù)的學(xué)習(xí)成效預(yù)測 |
| 5.1 引言 |
| 5.2 深度學(xué)習(xí)算法在教育中的應(yīng)用 |
| 5.3 基于學(xué)習(xí)過程序列數(shù)據(jù)圖像化的學(xué)習(xí)成效預(yù)測 |
| 5.3.1 多側(cè)面提取學(xué)習(xí)參與信息的數(shù)據(jù)預(yù)處理方法 |
| 5.3.2 學(xué)習(xí)過程序列數(shù)據(jù)圖像化處理方法 |
| 5.3.3 基于學(xué)習(xí)圖片識別的學(xué)習(xí)成效預(yù)測方法 |
| 5.3.4 學(xué)習(xí)成效預(yù)測的評估指標(biāo) |
| 5.4 實驗過程與結(jié)果分析 |
| 5.4.1 實驗數(shù)據(jù)收集與預(yù)處理 |
| 5.4.2 基于學(xué)習(xí)圖片識別的學(xué)習(xí)成效預(yù)測效果 |
| 5.4.3 基于可視化學(xué)習(xí)圖片的學(xué)習(xí)規(guī)律與狀態(tài)的差異識別 |
| 5.5 實驗結(jié)果討論 |
| 5.5.1 基于單通道學(xué)習(xí)圖片識別的學(xué)習(xí)成效預(yù)測結(jié)果討論 |
| 5.5.2 基于多通道學(xué)習(xí)圖片識別的學(xué)習(xí)成效預(yù)測結(jié)果討論 |
| 5.5.3 學(xué)習(xí)過程序列數(shù)據(jù)圖像化對教學(xué)實踐的指導(dǎo)意義 |
| 5.6 本章小結(jié) |
| 第6章 基于堆疊策略的兩級增強集成預(yù)測模型及算法 |
| 6.1 引言 |
| 6.2 基于堆疊策略的兩級增強集成算法 |
| 6.2.1 數(shù)據(jù)預(yù)處理 |
| 6.2.2 基于堆疊策略的兩級增強學(xué)習(xí)成效預(yù)測模型構(gòu)建 |
| 6.2.3 預(yù)測性能評估指標(biāo) |
| 6.3 實驗過程與結(jié)果分析 |
| 6.3.1 實驗數(shù)據(jù)收集與預(yù)處理 |
| 6.3.2 基線預(yù)測方法 |
| 6.3.3 基于堆疊策略的兩級增強模型的預(yù)測效果 |
| 6.4 實驗結(jié)果討論 |
| 6.4.1 絕對參與頻次轉(zhuǎn)換為相對指標(biāo)的優(yōu)勢 |
| 6.4.2 兩級增強預(yù)測模型對風(fēng)險學(xué)生的識別優(yōu)勢 |
| 6.4.3 關(guān)鍵影響因子的實際教學(xué)意義 |
| 6.5 本章小結(jié) |
| 第7章 基于潛在特性變分自動編碼的學(xué)習(xí)成效預(yù)測框架 |
| 7.1 引言 |
| 7.2 類別不平衡分類問題 |
| 7.3 基于潛在特性變分自動編碼的學(xué)習(xí)成效預(yù)測框架 |
| 7.3.1 數(shù)據(jù)預(yù)處理 |
| 7.3.2 潛在特性變分自動編碼的采樣機理 |
| 7.3.3 整合預(yù)測框架中的預(yù)測算法 |
| 7.4 實驗過程與結(jié)果分析 |
| 7.4.1 基線預(yù)測方法 |
| 7.4.2 預(yù)測性能評估指標(biāo) |
| 7.4.3 實驗數(shù)據(jù)描述 |
| 7.4.4 實驗結(jié)果與討論 |
| 7.5 本章小結(jié) |
| 第8章 總結(jié)與展望 |
| 8.1 研究總結(jié) |
| 8.2 研究展望 |
| 參考文獻 |
| 攻讀博士期間科研成果及項目經(jīng)歷 |
| 致謝 |
（6）面向個性化學(xué)習(xí)的數(shù)據(jù)挖掘方法與應(yīng)用研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第1章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 研究工作面臨的主要挑戰(zhàn) |
| 1.3 研究內(nèi)容與主要貢獻 |
| 1.4 組織結(jié)構(gòu) |
| 第2章 研究現(xiàn)狀與基礎(chǔ)知識 |
| 2.1 引言 |
| 2.2 練習(xí)題題目建模方法及應(yīng)用 |
| 2.2.1 練習(xí)資源建模方法 |
| 2.2.2 基于練習(xí)的相關(guān)應(yīng)用 |
| 2.3 學(xué)習(xí)者學(xué)習(xí)活動建模 |
| 2.3.1 項目反應(yīng)理論 |
| 2.3.2 認知診斷分析 |
| 2.3.3 知識跟蹤任務(wù) |
| 2.4 推薦技術(shù)研究 |
| 2.4.1 傳統(tǒng)推薦技術(shù) |
| 2.4.2 深度推薦技術(shù) |
| 2.4.3 教育領(lǐng)域的個性化推薦 |
| 2.5 本章小節(jié) |
| 第3章 練習(xí)資源深度表征及應(yīng)用 |
| 3.1 基于語義理解的練習(xí)表征及屬性預(yù)測 |
| 3.1.1 引言 |
| 3.1.2 相關(guān)工作 |
| 3.1.3 問題定義及方案描述 |
| 3.1.4 基于語義注意力機制的卷積神經(jīng)網(wǎng)絡(luò)模型 |
| 3.1.5 難度屬性預(yù)測應(yīng)用 |
| 3.2 基于結(jié)構(gòu)理解的練習(xí)表征及自動解題 |
| 3.2.1 引言 |
| 3.2.2 相關(guān)工作 |
| 3.2.3 問題定義及框架描述 |
| 3.2.4 數(shù)學(xué)公式語法結(jié)構(gòu)圖構(gòu)造 |
| 3.2.5 基于圖網(wǎng)絡(luò)的神經(jīng)解題模型 |
| 3.3 實驗分析 |
| 3.3.1 基于語義理解的練習(xí)表征難度預(yù)測效果評估 |
| 3.3.2 基于結(jié)構(gòu)理解的練習(xí)表征自動解題效果評估 |
| 3.4 本章小結(jié) |
| 第4章 學(xué)習(xí)過程中的動態(tài)認知診斷分析 |
| 4.1 融合學(xué)習(xí)因素的知識跟蹤模型 |
| 4.1.1 引言 |
| 4.1.2 相關(guān)工作 |
| 4.1.3 問題定義及框架描述 |
| 4.1.4 融合學(xué)習(xí)因素的知識跟蹤模型EKPT |
| 4.1.5 基于EKPT模型的教育學(xué)應(yīng)用 |
| 4.2 融合題目語義的知識跟蹤模型 |
| 4.2.1 引言 |
| 4.2.2 相關(guān)工作 |
| 4.2.3 問題定義及框架描述 |
| 4.2.4 融合題目語義的知識追蹤模型EKT |
| 4.2.5 基于EKT的教育學(xué)應(yīng)用 |
| 4.3 實驗分析 |
| 4.3.1 融合學(xué)習(xí)因素的知識跟蹤模型效果評估 |
| 4.3.2 融合題目語義的知識追蹤模型效果評估 |
| 4.4 本章小結(jié) |
| 第5章 在線學(xué)習(xí)平臺中的個性化推薦方法 |
| 5.1 引言 |
| 5.2 相關(guān)工作 |
| 5.3 問題定義及框架描述 |
| 5.4 基于多學(xué)習(xí)目標(biāo)的個性化推薦方法 |
| 5.4.1 優(yōu)化目標(biāo) |
| 5.4.2 題目估值Q網(wǎng)絡(luò) |
| 5.4.3 學(xué)習(xí)目標(biāo)定義 |
| 5.4.4 算法與參數(shù)優(yōu)化過程 |
| 5.5 實驗分析 |
| 5.5.1 數(shù)據(jù)介紹與分析 |
| 5.5.2 模型與實驗參數(shù)設(shè)置 |
| 5.5.3 離線場景下的推薦實驗分析 |
| 5.5.4 在線場景下的推薦實驗分析 |
| 5.6 本章小結(jié) |
| 第6章 總結(jié)與展望 |
| 6.1 工作總結(jié) |
| 6.2 未來展望 |
| 參考文獻 |
| 致謝 |
| 在讀期間發(fā)表的學(xué)術(shù)論文與取得的研究成果 |
（8）教師研修社區(qū)學(xué)習(xí)者模型構(gòu)建及應(yīng)用研究 ——以“A”教師培訓(xùn)平臺為個案（論文提綱范文）
| 摘要 |
| Abstract |
| 引言 |
| 一、研究背景 |
| (一) 教師網(wǎng)絡(luò)研修成為教師培訓(xùn)的新型方式 |
| (二) 以促進學(xué)員個性化發(fā)展為核心訴求的在線教育進入新階段 |
| (三) 新技術(shù)的迅猛發(fā)展為我國教師教育信息化開創(chuàng)了新天地 |
| 二、問題提出 |
| (一) 傳統(tǒng)教師網(wǎng)絡(luò)研修社區(qū)難以實現(xiàn)針對學(xué)習(xí)者的個性化教學(xué)與管理 |
| (二) 研發(fā)個性化智能教學(xué)系統(tǒng)是解決教師網(wǎng)絡(luò)研修社區(qū)學(xué)習(xí)缺乏個性化的關(guān)鍵 |
| (三) 學(xué)習(xí)者模型建立是個性化智能教學(xué)系統(tǒng)研究的核心基礎(chǔ)環(huán)節(jié) |
| (四) 基于“A”平臺的學(xué)習(xí)者行為建模實證研究 |
| 三、概念界定 |
| (一) 教師專業(yè)發(fā)展 |
| (二) 教師網(wǎng)絡(luò)研修 |
| (三) 教師網(wǎng)絡(luò)研修社區(qū) |
| (四) 教師工作坊 |
| (五) 學(xué)習(xí)者模型 |
| 四、研究意義 |
| (一) 理論意義 |
| (二) 實踐意義 |
| 五、研究創(chuàng)新點 |
| (一) 首次在中小學(xué)教師網(wǎng)絡(luò)研修社區(qū)中引入學(xué)習(xí)者模型 |
| (二) 利用聚類分析構(gòu)建網(wǎng)絡(luò)研修社區(qū)的學(xué)習(xí)者模型 |
| 六、研究目標(biāo)與內(nèi)容 |
| (一) 研究目標(biāo) |
| (二) 研究內(nèi)容 |
| 七、研究框架 |
| (一) 理論研究 |
| (二) 實踐研究 |
| 八、研究方法 |
| (一) 問卷法 |
| (二) 個案研究法 |
| (三) 科學(xué)模型法 |
| (四) 文獻研究法 |
| 九、本章小結(jié) |
| 第一章 教師網(wǎng)絡(luò)研修社區(qū)存在問題的研究 |
| 一、研究說明 |
| 二、問題調(diào)研的理論基礎(chǔ) |
| (一) 技術(shù)接受度理論與模型 |
| (二) 技術(shù)接受評價框架 |
| (三) 網(wǎng)絡(luò)研修社區(qū)接受度評價框架 |
| 三、調(diào)研問卷的設(shè)計及調(diào)研結(jié)果 |
| (一) 教師網(wǎng)絡(luò)研修社區(qū)情況調(diào)查問卷設(shè)計與開發(fā) |
| (二) 教師網(wǎng)絡(luò)研修社區(qū)調(diào)研結(jié)果 |
| (三) 教師使用網(wǎng)絡(luò)研修社區(qū)接受度分析 |
| (四) 教師網(wǎng)絡(luò)研修社區(qū)存在的問題分析 |
| 四、網(wǎng)絡(luò)研修社區(qū)的改進發(fā)展分析 |
| (一) 依托數(shù)據(jù)分析將現(xiàn)有的網(wǎng)絡(luò)研修社區(qū)進行智能化改造 |
| (二) 具備快速識別學(xué)習(xí)者需求與偏好的能力 |
| (三) 支持對學(xué)員的個性化教學(xué) |
| 五、構(gòu)建學(xué)習(xí)者模型是實現(xiàn)網(wǎng)絡(luò)研修社區(qū)智能化改造的基礎(chǔ) |
| 六、本章小結(jié) |
| 第二章 教師網(wǎng)絡(luò)研修社區(qū)學(xué)習(xí)者建模的相關(guān)研究現(xiàn)狀梳理 |
| 一、教師專業(yè)發(fā)展研究 |
| (一) 教師專業(yè)發(fā)展研究的起源 |
| (二) 國內(nèi)外對教師專業(yè)發(fā)展的研究 |
| (三) 對教師專業(yè)發(fā)展研究的分析 |
| 二、教師網(wǎng)絡(luò)研修社區(qū)的特點及其對學(xué)習(xí)者的評價 |
| (一) 教師網(wǎng)絡(luò)研修社區(qū)的特點 |
| (二) 教師研修社區(qū)中的學(xué)習(xí)者評價 |
| (三) 教師網(wǎng)絡(luò)研修社區(qū)及其學(xué)習(xí)者評價的文獻分析與評價 |
| 三、學(xué)習(xí)者建模 |
| (一) 學(xué)習(xí)者模型的分類 |
| (二) 學(xué)習(xí)者建模的方法 |
| (三) 學(xué)習(xí)者建模研究文獻分析與評價 |
| 四、本章小結(jié) |
| 第三章 教師研修社區(qū)學(xué)習(xí)者模型構(gòu)建的教育理論研究 |
| 一、教師專業(yè)發(fā)展理論 |
| (一) 教師專業(yè)發(fā)展階段理論 |
| (二) 體驗式學(xué)習(xí)理論 |
| 二、柯氏四級培訓(xùn)評估模型 |
| (一) 使用背景 |
| (二) 理論基礎(chǔ) |
| 三、成人學(xué)習(xí)自我導(dǎo)向理論 |
| (一) 成人學(xué)習(xí)理論 |
| (二) 成人學(xué)習(xí)自我導(dǎo)向?qū)W習(xí)理論 |
| (三) 成人學(xué)習(xí)自我導(dǎo)向?qū)W習(xí)理論在本研究中的應(yīng)用 |
| 四、學(xué)習(xí)分析技術(shù)理論 |
| (一) 學(xué)習(xí)分析的概念 |
| (二) 學(xué)習(xí)分析的應(yīng)用范圍 |
| (三) 學(xué)習(xí)分析的構(gòu)成與模型的理論基礎(chǔ) |
| 五、本章小結(jié) |
| 第四章 教師研修社區(qū)學(xué)習(xí)者模型構(gòu)建的技術(shù)理論研究 |
| 一、技術(shù)理論研究的思路與主要方法 |
| (一) 研究思路 |
| (二) 主要方法 |
| 二、關(guān)鍵技術(shù)研究 |
| (一) 建立數(shù)據(jù)倉庫 |
| (二) 數(shù)據(jù)匯聚 |
| (三) 數(shù)據(jù)資產(chǎn)評估 |
| (四) 特征與指標(biāo)計算 |
| 三、本章小結(jié) |
| 第五章 教師網(wǎng)絡(luò)研修社區(qū)學(xué)習(xí)者模型的實現(xiàn)與模型應(yīng)用研究 |
| 一、數(shù)據(jù)說明 |
| 二、教師研修指標(biāo)體系的構(gòu)建 |
| (一) 明確目標(biāo),構(gòu)建維度 |
| (二) 特征設(shè)計 |
| (三) 指標(biāo)體系構(gòu)建 |
| (四) 維度聚類 |
| 三、學(xué)習(xí)者分類 |
| (一) 學(xué)習(xí)者分類概述 |
| (二) 分類方法理解 |
| (三) 分類類別確定及計算 |
| 四、“A”教師網(wǎng)絡(luò)研修社區(qū)學(xué)習(xí)者模型結(jié)果分析 |
| (一) 聚類結(jié)果分析 |
| (二) 對應(yīng)分析不同類別學(xué)習(xí)者的特征 |
| (三) 對應(yīng)分析不同類別學(xué)習(xí)者的行為特征 |
| 五、成果檢驗與應(yīng)用 |
| (一) 通過真實培訓(xùn)項目驗證學(xué)習(xí)模型的有效性 |
| (二) 基于學(xué)習(xí)者模型的個性化推薦功能的實現(xiàn) |
| (三) 借助學(xué)習(xí)者模型提出“A”教師培訓(xùn)平臺改善的規(guī)劃 |
| (四) 應(yīng)用學(xué)習(xí)者模型提升培訓(xùn)質(zhì)量 |
| 六、本章小結(jié) |
| 第六章 總結(jié)與討論 |
| 一、研究創(chuàng)新 |
| (一) 教育理論層面 |
| (二) 建模方法層面 |
| (三) 技術(shù)算法層面 |
| 二、研究不足 |
| (一) 學(xué)習(xí)者模型的精準(zhǔn)度不足 |
| (二) 對學(xué)習(xí)者類別的識別結(jié)果進行實證測量的不足 |
| (三) 基于多時間階段、多項目的指標(biāo)體系試用的不足 |
| (四) 將學(xué)習(xí)者畫像與教學(xué)實踐相結(jié)合的不足 |
| 三、研究展望 |
| (一) 結(jié)合社交網(wǎng)絡(luò)分析 |
| (二) 結(jié)合語義分析 |
| (三) 探究自適應(yīng)學(xué)習(xí) |
| 四、本章小結(jié) |
| 參考文獻 |
| 附錄 |
| 附錄一 中國基礎(chǔ)教育教師網(wǎng)絡(luò)研修社區(qū)調(diào)查問卷 |
| 附錄二 中國基礎(chǔ)教育教師網(wǎng)絡(luò)研修社區(qū)調(diào)查問卷 |
| 附錄三 教師網(wǎng)絡(luò)研修社區(qū)調(diào)研結(jié)果 |
| 后記 |
| 在學(xué)期間公開發(fā)表論文及著作情況 |
（9）遠程學(xué)習(xí)風(fēng)險預(yù)測模型構(gòu)建及預(yù)警反饋設(shè)計研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 1 緒論 |
| 1.1 研究背景與意義 |
| 1.1.1 研究背景 |
| 1.1.2 研究意義 |
| 1.2 研究問題與內(nèi)容 |
| 1.2.1 研究問題 |
| 1.2.2 研究內(nèi)容 |
| 1.3 研究思路與方法 |
| 1.3.1 研究思路 |
| 1.3.2 研究方法 |
| 1.4 論文整體框架 |
| 2 文獻綜述 |
| 2.1 概念界定 |
| 2.1.1 學(xué)習(xí)風(fēng)險 |
| 2.1.2 學(xué)習(xí)預(yù)警 |
| 2.1.3 設(shè)計思維 |
| 2.1.4 參與式設(shè)計 |
| 2.1.5 教育數(shù)據(jù)講故事 |
| 2.2 國內(nèi)外研究現(xiàn)狀 |
| 2.2.1 學(xué)習(xí)風(fēng)險預(yù)測模型 |
| 2.2.2 預(yù)警反饋 |
| 2.2.3 預(yù)警干預(yù) |
| 2.3 研究創(chuàng)新 |
| 2.4 研究理論基礎(chǔ) |
| 2.4.1 人本主義學(xué)習(xí)理論及其啟示 |
| 2.4.2 以用戶為中心的設(shè)計理論及其啟示 |
| 2.4.3 認知負荷理論及其啟示 |
| 2.4.4 形成性評價理論及其啟示 |
| 2.4.5 自我調(diào)節(jié)學(xué)習(xí)理論及其啟示 |
| 2.5 本章小結(jié) |
| 3 遠程學(xué)習(xí)風(fēng)險預(yù)測模型構(gòu)建 |
| 3.1 數(shù)據(jù)采集 |
| 3.2 數(shù)據(jù)預(yù)處理 |
| 3.2.1 數(shù)據(jù)清理 |
| 3.2.2 數(shù)據(jù)集成 |
| 3.2.3 數(shù)據(jù)變換 |
| 3.2.4 學(xué)習(xí)者風(fēng)險分類 |
| 3.3 預(yù)測特征的選取 |
| 3.4 分類算法的選取 |
| 3.5 數(shù)據(jù)樣本分布不均問題的處理方法 |
| 3.5.1 人工合成少數(shù)類過抽樣技術(shù) |
| 3.5.2 代價敏感 |
| 3.6 遠程學(xué)習(xí)風(fēng)險預(yù)測模型的構(gòu)建 |
| 3.6.1 遠程學(xué)習(xí)風(fēng)險預(yù)測模型的評價指標(biāo) |
| 3.6.2 遠程學(xué)習(xí)風(fēng)險預(yù)測模型的構(gòu)建流程 |
| 3.6.3 遠程學(xué)習(xí)風(fēng)險預(yù)測模型的訓(xùn)練 |
| 3.7 遠程學(xué)習(xí)風(fēng)險預(yù)測特征的分析 |
| 3.7.1 卡方檢驗 |
| 3.7.2 相關(guān)性分析 |
| 3.7.3 多元線性回歸分析 |
| 3.8 本章小結(jié) |
| 4 以用戶為中心的預(yù)警反饋設(shè)計 |
| 4.1 理解階段 |
| 4.1.1 焦點小組 |
| 4.1.2 用戶畫像 |
| 4.1.3 知識地圖 |
| 4.2 創(chuàng)造階段 |
| 4.2.1 學(xué)習(xí)者旅程 |
| 4.3 交互階段 |
| 4.3.1 預(yù)警反饋原型構(gòu)建 |
| 4.3.2 預(yù)警反饋原型可用性評價 |
| 4.4 本章小結(jié) |
| 5 預(yù)測模型與預(yù)警反饋的應(yīng)用 |
| 5.1 研究結(jié)果與討論 |
| 5.2 預(yù)測模型和預(yù)警反饋在遠程學(xué)習(xí)預(yù)警中的應(yīng)用 |
| 5.3 本章小結(jié) |
| 6 研究總結(jié)與展望 |
| 6.1 研究總結(jié) |
| 6.2 研究展望 |
| 參考文獻 |
| 附錄一: 學(xué)習(xí)者對學(xué)習(xí)預(yù)警個性化報告可用性評價的問卷 |
| 附錄二: 學(xué)習(xí)中心管理員對學(xué)習(xí)預(yù)警個性化報告可用性評價的訪談提綱 |
| 附錄三: 教學(xué)者對學(xué)習(xí)預(yù)警個性化報告可用性評價的訪談提綱 |
| 附錄四: SMOTE采樣部分代碼 |
| 致謝 |
| 攻讀碩士學(xué)位期間公開發(fā)表論文及參與課題 |
（10）基于學(xué)習(xí)者畫像的MOOC學(xué)情預(yù)警研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第1章 緒論 |
| 1.1 研究背景 |
| 1.1.1 MOOC研究的發(fā)展 |
| 1.1.2 學(xué)習(xí)分析研究的發(fā)展 |
| 1.1.3 在線教育對學(xué)情預(yù)警的需求 |
| 1.2 研究問題與內(nèi)容 |
| 1.2.1 研究問題 |
| 1.2.2 研究內(nèi)容 |
| 1.3 研究意義與方法 |
| 1.3.1 研究意義 |
| 1.3.2 研究方法 |
| 1.4 論文組織結(jié)構(gòu) |
| 第2章 概念界定和研究基礎(chǔ) |
| 2.1 概念界定 |
| 2.1.1 學(xué)習(xí)者畫像 |
| 2.1.2 學(xué)習(xí)行為分析 |
| 2.1.3 學(xué)情預(yù)警 |
| 2.2 理論基礎(chǔ) |
| 2.2.1 遠程開放教育理論 |
| 2.2.2 自我導(dǎo)向?qū)W習(xí)理論 |
| 2.3 數(shù)據(jù)分析方法 |
| 2.3.1 聚類分析法 |
| 2.3.2 關(guān)聯(lián)規(guī)則法 |
| 2.3.3 序列分析模型 |
| 2.4 研究現(xiàn)狀 |
| 2.4.1 學(xué)習(xí)者畫像的文獻研究 |
| 2.4.2 學(xué)習(xí)者畫像的研究發(fā)展 |
| 2.4.3 學(xué)習(xí)者畫像預(yù)警研究 |
| 2.4.4 小結(jié) |
| 第3章 學(xué)習(xí)者畫像構(gòu)建與學(xué)情預(yù)警設(shè)計框架 |
| 3.1 學(xué)習(xí)者畫像的構(gòu)建 |
| 3.1.1 數(shù)據(jù)集概述 |
| 3.1.2 畫像構(gòu)建流程 |
| 3.1.3 畫像建模 |
| 3.2 學(xué)習(xí)者畫像標(biāo)簽的構(gòu)建 |
| 3.2.1 畫像標(biāo)簽的處理過程 |
| 3.2.2 學(xué)習(xí)者畫像的標(biāo)簽體系 |
| 3.2.3 畫像標(biāo)簽的數(shù)據(jù)指標(biāo) |
| 3.3 基于學(xué)習(xí)者畫像的學(xué)情預(yù)警 |
| 3.3.1 基于畫像的學(xué)情預(yù)警框架設(shè)計 |
| 3.3.2 基于畫像的學(xué)情預(yù)警實現(xiàn)方案 |
| 第4章 學(xué)習(xí)者畫像及學(xué)情預(yù)警的實現(xiàn) |
| 4.1 數(shù)據(jù)處理 |
| 4.1.1 數(shù)據(jù)存儲與管理環(huán)境 |
| 4.1.2 數(shù)據(jù)處理與分析環(huán)境 |
| 4.2 學(xué)習(xí)者整體畫像分析 |
| 4.2.1 人口統(tǒng)計維度分析 |
| 4.2.2 學(xué)習(xí)者行為維度分析 |
| 4.2.3 學(xué)習(xí)結(jié)果維度分析 |
| 4.3 學(xué)習(xí)者整體畫像的學(xué)情分析 |
| 4.4 學(xué)習(xí)者分類畫像的可視化和學(xué)情預(yù)警 |
| 4.4.1 四類學(xué)習(xí)者畫像 |
| 4.4.2 課程畫像 |
| 4.4.3 學(xué)情預(yù)警及其策略 |
| 4.5 畫像效果評價 |
| 第5章 總結(jié)與展望 |
| 5.1 研究總結(jié) |
| 5.1.1 研究成果 |
| 5.1.2 研究創(chuàng)新點 |
| 5.2 研究不足與展望 |
| 參考文獻 |
| 附錄Ⅰ:原始數(shù)據(jù)導(dǎo)入數(shù)據(jù)庫python代碼 |
| 附錄Ⅱ:聚類分析結(jié)果匯總 |
| 附錄Ⅲ:關(guān)聯(lián)規(guī)則案例分析流程 |
| 附錄Ⅳ:序列分析案例分析流程 |
| 附錄Ⅴ:問卷調(diào)查 |
| 攻讀碩士期間的科研成果 |
| 致謝 |
四、個性化教學(xué)設(shè)計可視化建模的研究與實現(xiàn)（論文參考文獻）
- [1]基于大數(shù)據(jù)的大學(xué)生日常思想政治教育創(chuàng)新研究[D]. 鄧晶艷. 貴州師范大學(xué), 2021(09)
- [2]混合式教育環(huán)境下課后復(fù)習(xí)支持服務(wù)平臺的設(shè)計與實現(xiàn)[D]. 王楚威. 北京郵電大學(xué), 2021(01)
- [3]基于教師畫像的教學(xué)活動輔助設(shè)計系統(tǒng)[D]. 魏千程. 華中師范大學(xué), 2021(02)
- [4]面向高?？蒲袆?chuàng)新的圖書館智能服務(wù)研究[D]. 陳茫. 哈爾濱工業(yè)大學(xué), 2021(02)
- [5]在線學(xué)習(xí)環(huán)境下學(xué)習(xí)成效預(yù)測研究[D]. 楊娟. 華中師范大學(xué), 2020(02)
- [6]面向個性化學(xué)習(xí)的數(shù)據(jù)挖掘方法與應(yīng)用研究[D]. 黃振亞. 中國科學(xué)技術(shù)大學(xué), 2020(01)
- [7]教育部關(guān)于印發(fā)普通高中課程方案和語文等學(xué)科課程標(biāo)準(zhǔn)（2017年版2020年修訂）的通知[J]. 教育部. 中華人民共和國教育部公報, 2020(06)
- [8]教師研修社區(qū)學(xué)習(xí)者模型構(gòu)建及應(yīng)用研究 ——以“A”教師培訓(xùn)平臺為個案[D]. 王冬冬. 東北師范大學(xué), 2020(07)
- [9]遠程學(xué)習(xí)風(fēng)險預(yù)測模型構(gòu)建及預(yù)警反饋設(shè)計研究[D]. 許其鑫. 西南大學(xué), 2020(01)
- [10]基于學(xué)習(xí)者畫像的MOOC學(xué)情預(yù)警研究[D]. 田雅慧. 華東師范大學(xué), 2020(11)
標(biāo)簽：可視化技術(shù)論文; 教學(xué)理論論文; 服務(wù)創(chuàng)新論文; 用戶研究論文; 政治論文;