基于复合神经网络的学习风格动态分析与研究

被引：8

作者：

李超

周泓

机构：

[1] 北京航空航天大学经济管理学院

来源：

计算机工程与应用 | 2018年 / 54卷 / 06期

关键词：

学习风格; 机器学习; 门控循环单元(GRU); 学习管理系统; 大规模在线开放课程(MOOCs);

D O I：

暂无

中图分类号：

G434 [计算机化教学]; TP183 [人工神经网络与计算];

学科分类号：

040110 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

近年随着慕课(MOOC)等新兴教育教学手段的快速发展,大量的学习者学习行为可以被系统所记录和分析,从而为个性化教学奠定了重要基础。在Felder-Silverman学习风格模型的理论基础上,通过引入智能分析算法动态地分析和识别学习者学习风格,构建了一套融合了卷积神经网络和循环神经网络的"识别-推理"复合模型,通过学习者的线上学习行为、社区交互行为、学习内容浏览行为、点击拖动行为等学习过程识别其学习行为特征,并使用基于门控循环单元(Gated Recurrent Unit,GRU)的循环神经网络处理和预测其可能的学习风格及对学习内容形式的偏好,以更高效地为学习者提供适应于其学习风格的学习内容和路径,优化学习体验,为大规模、个性化和高质量的下一代学习平台提供技术支撑。

引用

页码：150 / 155

页数：6

共 8 条

[1] 基于模糊C均值的在线协作学习混合分组研究 [J].

罗凌 ;

杨有 ;

马燕 .

计算机工程与应用 , 2017, (16) :68-73

[2] 基于Felder-Silverman学习风格模型的网络学习风格研究 [J].

王晨煜 ;

管明辉 ;

殷传涛 ;

熊璋 .

重庆理工大学学报(自然科学), 2017, (02) :102-109

[3] 基于改进的卷积神经网络的中文情感分类 [J].

张绮琦 ;

张树群 ;

雷兆宜 .

计算机工程与应用, 2017, 53 (22) :111-115

[4] 学习风格对大学计算机课程MOOC学习的影响 [J].

王若宾 ;

付瑞平 ;

程楠楠 ;

肖彬 ;

杜春涛 .

计算机教育, 2016, (10) :106-108

[5]

Learning style Identifier: Improving the precision of learning style identification through computational intelligence algorithms[J] . Jason Bernard,Ting-Wen Chang,Elvira Popescu,Sabine Graf.Expert Systems With Applications . 2017

[6]

An inquiry into the learning-style and knowledge-building preferences of interior architecture students[J] . Halime Demirkan.Design Studies . 2016

[7] Measuring the success of scaleable open online courses [J].

Klobas, Jane E. .

PERFORMANCE MEASUREMENT AND METRICS, 2014, 15 (03) :145-162

[8]

Evaluating Bayesian networks’ precision for detecting students’ learning styles[J] . Patricio García,Analía Amandi,Silvia Schiaffino,Marcelo Campo.Computers & Education . 2005 (3)

← 1 →