基于情感分类与主题挖掘的MOOC课程评论研究

在线精品课程作为MOOC中的高质量教育资源,有效促进了教育公平和均衡发展。但在保持快速增长的态势时,仍存在质量参差不齐的困境。为促进教师深度反思,支持教学问题的诊断与改进,提升课程质量,构建在线精品课程评论情感分类与主题挖掘研究模型。首先,采用网络爬虫技术采集MOOC平台中25门“教育技术学”专业在线精品课程评论数据,并进行数据预处理和情感分类;其次,对负性课程评论进行词云分析、社会网络分析和主题挖掘。结果表明:教师教学能力、学习资源质量、课程内容设计、互动和反馈机制、课程考核评价是导致学生差评、影响课程学习体验和学习质量的主要因素。据此,提出促进在线教育中教师教学能力专业化提升、开发优质在线精品课程学习资源、打造实用生动的在线精品课程内容、优化互动和反馈机制、优化在线精品课程考核评价等课程优化建议。

基于数据挖掘的学业成绩分析与预测研究

利用大量教育数据进行分析是当前教育领域研究的热潮,但从海量的数据中提取关键信息进行分析,分析的结果却往往差强人意。文章主要利用Pycharm对学生数据进行可视化与数据挖掘分析,从学生基本情况、学习困难度、学生时间分配、学业成绩四个维度进行相关性分析,确定成绩预测模型的指标,利用BP神经网络算法构建成绩预测模型,通过Matlab进行实验与仿真,实现成绩分级预测,利用MSE进行预测模型评估,实验结果表明该模型预测能力与稳定性较好,具有一定的效用。

基于LDA模型的教育技术学研究主题挖掘及演化趋势分析

利用LDA模型对教育技术学领域核心期刊进行主题挖掘和演化趋势分析。结果显示:在2012—2021年间,教育技术学领域共有26个研究主题,其中有在线学习等8个热点主题;在线学习等10个主题呈上升趋势,远程教育等5个主题呈下降趋势,智慧教室、教学模式等11个主题演化趋势较为曲折。由此可见,将LDA模型引入到教育技术学领域中进行主题挖掘是行之有效的,希望能对后续研究者提供帮助和借鉴。

基于联邦学习的智能学习推荐系统模型的构建与应用

传统的机器学习方法尚未解决学习推荐系统中存在的用户隐私、数据孤岛、系统“冷启动”和法律约束等问题,而联邦学习不仅能解决以上问题,而且是一个极具发展潜力且有待深入探索的新方向。基于此,将联邦学习和学习推荐系统相结合,建立了基于联邦学习的智能学习推荐系统模型。首先,重点阐述了联邦学习的概念和分类。其次,系统分析了当前学习推荐系统中亟待解决的关键问题。最后,构建了基于联邦学习的智能学习推荐系统模型,并将横向联邦学习推荐系统模型应用于同学科、同学龄的教育场景中,将纵向联邦学习推荐系统模型应用于跨学科、跨学龄的教育场景中,并分别介绍了这两种推荐系统模型的训练过程。

基于学习者画像的个性化学习策略研究

学习者画像是为学习者提供精准个性化服务的核心,也为个性化学习提供了新的研究方向。从学习者画像的数据收集方法和画像的基本结构以及构建方法入手,并在此基础上探究可以推荐的个性化学习策略。最后指出学习者画像会随着外部因素的不同而产生变化的,因此同一个人在不同课程上的学习者画像是不同的,为后续探究影响学习者画像的因素做好铺垫。

混合学习环境下学习风格挖掘及群体差异研究

利用所罗门学习风格量表显式获取用户学习风格,并运用K-means聚类算法挖掘不同风格学习者的线上学习行为特征,依据精确度计算结果不断调整Felder-Silverman学习风格模型对应的线上学习行为属性分类,并最终构建学习风格挖掘模型。结果表明,利用该模型来预测学习者的学习风格具有一定有效性。对不同类别学习风格者的学习特点以及倾向进行差异分析,有利于教师与学生有的放矢地调整教学与学习策略。