E-Learning中情绪认知个性化学生模型的研究

为了提高E-Learning情绪教学的适应性和教学效果,针对传统学生模型的不足,引入人格、学习情绪及学习风格。通过OCC三维情绪空间描述学习情绪和丹尼尔.沙博人格划分理论进行情绪调节,通过美国心理学家布鲁姆的认知理论描述学生的认知能力,通过Felder-Silverman学习风格并结合支持向量机技术描述学习偏好的个性化特征。将情绪、认知、学习风格相结合构建一个完善的适合E-Learning教学的学生模型。通过将此学生模型应用到E-Learning教学中,不仅可以解决网络教学系统的情感缺失,而且大大提高了实用性、智能性和个性化。

基于Felder-Silverman学习风格模型的网络学习风格研究

结合学习风格的在线教育平台能提供给学习者与其学习风格相符合的教学资源,因此关于在线学习风格的研究也成为了重点。基于Felder-Silverman学习风格模型,首先通过所罗门风格量表显式得到学习者的线下学习风格,并对量表进行修正,随后应用J48、逻辑回归以及贝叶斯网络算法对学习者的线上学习风格进行研究,从而得到3种方法的结果,并对其进行比对。

TRANSFORMATION AND TRANSITION OF TEACHING MODEL AND STUDENTS' LEARNING STYLES AT THE NEWLY-ESTABLISHED LOCAL COLLEGES

Attention should be given to the transformation in English teaching at the newly-established colleges during the transition stage. This paper attempts to deal with the teaching models and learning styles at the newly-established colleges in the hope that such colleges promote the teaching according to the New College English Teaching Curriculum Requirements(For Trial Implementation).

过程控制工程课程混合式教学中学生学习风格模型的构建及应用实践

大学生线上线下混合式教学中存在问题产生原因之一是缺乏对网络环境下学生行为数据的分析,从而无法判断学生的学习风格。因而基于数据挖掘技术,利用网络学习平台收集过程控制工程课程学习行为数据,建立基于灰狼算法优化支持向量机构建多维度的学习风格模型,处理和预测其可能的学习风格。有助于教师及时掌握学生动态,调整线上线下混合式教学方案,实现因材施教的个性化教学模式。

在线学习个性化推荐中多维度学习者模型研究

随着在线学习平台的广泛使用,在线学习资源快速增长,“信息迷航”问题亟待解决。针对在线学习个性化推荐中以单一特征为主,多维度学习者模型研究较少的问题,文中以CELTS-11学习者模型规范为基础,以教育学相关理论为指导,对学习者的学习风格、知识状态、认知能力、兴趣偏好等多维度的个性化特征进行细化分类研究。利用教育数据挖掘等技术获得学习者特征项,进而构建出个性化的多维度学习者模型。该模型为后续在线学习个性化的推送服务提供有力的依据。

基于Felder-Silverman学习风格模型的背单词APP交互设计研究

文章以研究学习风格在软件交互设计任务中的运用和创新为目的,首先对Felder-Silverman学习风格进行概括,挑选维度进行分析;接着分析背单词APP的使用现状与优缺点,对用户进行需求的调查和分析,根据其结果提出假设;最后文章提供了设计思路与APP交互流程的改良方案,为未来可能的设计提供参考。

融合迁移学习和集成学习的服装风格图像分类方法

针对服装风格人工分类受主观性、地域等因素影响而造成的分类错误问题,研究了一种基于人工智能的服装风格图像分类方法。首先,在FashionStyle14数据集基础上筛除重复或无效图像,构建服装风格图像数据集;然后,采用迁移学习方法,对EfficientNet V2、RegNet Y 16GF和ViT Large 16等模型进行微调训练,生成新模型,实现基于单个深度学习的服装风格图像分类;最后,为进一步提高图像分类的准确性、可靠性和鲁棒性,分别采用基于投票、加权平均和堆叠的集成学习方法对上述单个模型进行组合预测。迁移学习实验结果表明,基于ViT Large 16的深度学习模型在测试集上表现最佳,平均准确率为77.024%;集成学习方法实验结果显示,基于投票的集成学习方法在相同测试集上平均准确率可达78.833%。研究结果为解决服装风格分类问题提供了新的思路。

数据驱动的电气工程因材施教育人模式研究

大数据正在成为推动教学创新的关键力量,提出数据驱动的电气工程因材施教育人模式。首先以终为始制定新工科下创新型电气工程师的培养目标;课前采用Kolb学习风格量表建立学生的学习风格模型,开展五阶段混合式教学和分组分层教学,促进学生全员进步;采用基于关系的迁移学习智能算法,将大数据挖掘的优势领域中的逻辑知识和能力关系迁移到薄弱领域,教师给予个性化指导,最终实现以数据驱动的大规模因材施教。

基于DDL的“微讲座”词汇学习模式态度感知和学习风格关系研究

以同义词辨析为学习目标,采用引导型归纳教学方法设计以学习者为中心、基于DDL的“微讲座”学习模式,该学习模式持续18周,包含任务前引导、任务中展示和任务后练习及反馈三个阶段。为了考察在这一数据驱动探索过程中,学习者对“微讲座”、语料库使用的态度感知以及学习风格和学习者态度感知的相关性,通过问卷调查及访谈结果发现,学习者对“微讲座”和语料库辅助词汇学习总体持积极态度,学习者的困难感知源于网站本身的稳定性、时间消耗和检索结果的分析等方面。学习风格与态度感知并不显著相关;反思型、感知型、言语型和序列型的学习者数据驱动学习更加敏感,序列型学习者明显感知语料库辅助词汇学习的困难,但仍然对DDL保持开放态度。研究结果表明,引导型数据驱动词汇学习模式作为外语课堂教学的有力补充,有助于提升学习者的学习自主能力。

高校计算机类专业“导学思政”育人创新模式构建

在高校将“立德树人”作为根本任务的背景下,充分发挥高校教师的三全育人功能,以“导师引领、朋辈共进”为导向,实现导师与研究生群体素质双向提升。将思政教育像“撒盐”一样融入研究生多元化培养过程中,构建“导学思政”指导下的平等、交互、共生的良性交互场景,探索高校计算机类专业的“导学思政”育人创新模式。

基于多奖励强化学习的半监督文本风格迁移方法

文本风格迁移是自然语言处理中的一项重要任务,其主要目的在于改变文本的风格属性,同时保留必要的语义信息。然而,在许多任务缺乏大规模平行语料库的情况下,现有的无监督方法存在文本多样性不足和语义一致性较差的问题。针对这些问题,文中提出了一种半监督的多阶段训练框架。该框架首先利用风格标注模型和掩码语言模型构造伪平行语料库,以有监督的方式引导模型学习多样性的迁移方式。其次,设计了对抗性相似奖励、Mis奖励和风格奖励,从未标记的数据中进行强化学习以增强模型的语义一致性、逻辑一致性和风格准确性。在基于YELP数据集的情感极性转换任务中,该方法的BLEURT分数提升了3.1%,Mis分数提升了2.5%,BLEU分数提升了9.5%;在基于GYAFC数据集的正式文体转换实验中,该方法的BLEURT分数提高了6.2%,BLEU分数提高了3%。

以“产品研发技能需求”为导向的产教研融合教学模式实践探索

“以产带教,以教促产,产教融合”教学模式是实现高校向社会输送适应产业与市场需求的高素质创新型人才的高效途径之一,是“OBE”型教学理念在应用型人才培养及实现与产业、行业技能需求有效衔接的主要方法。通过对电子材料课程的教学内容体系、教学方法和学习方式三方面进行改革,构建产品研发的实际需求与专业理论知识映射对接,用有效专业理论知识支撑人才的创新性思维和研发技能的训练与培养;重点强调“产教融合,按需学习”的教学理念,倡导以需求为导向,自主、自发的学习方式;着重人才技能、创新能力及在新体系、新环境下的再学习能力的培养,满足社会对应用型人才需求标准。

基于StarGAN-VC的语音风格转换技术

文章基于星型生成式对抗网络-语音转换(Star Generative Adversarial Networks-Voice Conversion,StarGAN-VC)模型,研究了一种先进的语音风格转换技术,旨在实现对语音信号的高效转换。首先,详细阐述了基于StarGAN-VC的语音转换方法的基本原理。其次,深入研究特征提取和基频转换方法,以及StarGAN-VC模型的数学原理。最后,通过在VCC2018数据集上的实验,验证了该方法的性能。实验结果表明,该方法在频谱包络相似度和基频准确度等指标上均取得了令人满意的效果。

中国远程学习者学习风格特征的三维模型

测量远程学习者的学习风格,可以帮助学生选择适合自身学习风格的学习策略,进而提高远程学 习的质量。该文的研究目的在于建构符合我国远程学习者学习风格特征的三维模型,以此作为测量和鉴别我国 远程学习者学习风格特征的理论基础。该研究以学习的信息加工理论、科尔布的经验学习理论、荣格的人格特 征类型理论等三大学习风格理论模型为基础,综合了生理、社会、心理三层面上的学习风格特征。研究结果形成 了中国远程学习者学习风格的三维模型。该模型分三个维度:1)生理维度:从视觉、听觉、动觉三个角度描述远 程学习者在感觉通道偏好上的学习风格特征;2)经验维度:描述远程学习者与其社会性有关的四种学习方式偏 好,即原理型、经验型、实践型、思考型;3)心理维度:主要涵盖了与远程学习风格相关的人格心理特征类型,即内 向与外向、现实与幻想、理性与感性、计划与随意。作者希望该模型能全面概括我国远程学习者的学习风格类型 特点,并能作为我国远程学习者学习风格测量工具开发的理论基础。

平行图像:图像生成的一个新型理论框架

为了提高计算机视觉系统的泛化能力,要求利用大规模、多样化、带标注的图像数据集,对视觉模型进行充分的学习与评估.由于从实际场景中获取图像具有局限性,文中提出一种图像生成理论框架,称为平行图像.平行图像的核心单元是软件定义的人工图像系统.从实际场景中获取特定的图像"小数据",输入人工图像系统,生成大量新的人工图像数据.文中总结平行图像的实现方法,包括图形渲染、图像风格迁移、生成式模型等,并且对比分析人工图像和实际图像的特点,讨论领域适应策略.

自适应学习系统中双向适应交互评价实证研究

随着信息技术的快速发展,网络学习已经成为人们生活中不可或缺的一种学习方式。以实现网络个性化学习为目标的自适应学习系统成为提高网络学习质量的重要研究课题。然而目前大多数自适应学习系统仅具有单向适应能力,即实现了系统根据用户特性适应性向学习者呈现学习资源、过程和策略的功能。尽管这种功能有助于解决学习者认知超载和网络迷航问题,一定程度上提高了学习效率,但学习者在此系统中是一种被动学习,不利于培养学习者自主学习能力和创新能力,也不利于促进学习者对知识的主动建构,还容易使学习者产生惰性。因此,应该充分考虑学习者和系统之间的主客体关系,在自适应学习系统中建立双向适应交互,即用户主动选择资源的适应性交互和系统主动推送资源的自适应交互。双向适应交互最为关键的是用户模型,而认知风格是用户模型中影响学习者个体差异的一个重要元素。从学习效率和使用感受两个层面实证评价双向适应交互性,以及认知风格对其的影响发现:采用自适应学习方式,学习者具有更积极的学习态度,能够取得更好的学习绩效;但认知风格会影响到自适应学习和适应性学习的绩效。

中国远程学习者学习风格理论模型与验证

为帮助中国远程学习者了解自身的学习风格,选择相应的学习策略,进而提高远程学习质量,根据学习风格的信息加工理论、Kolb的经验学习理论以及荣格的人格特征类型理论,从生理、社会、心理三个维度,构建了我国远程学习者学习风格的理论模型,通过编制量表和实际测量,对该模型进行验证分析和修订完善。结果表明,最初提出的理论模型假设得到验证,修订后的量表具有良好的效度和信度,可以用来测量我国远程学习者的学习风格。

康复治疗学专业学生学习风格调查

目的调查康复治疗学专业学生的学习风格。方法采用VARK学习风格模型问卷对四个年级265名在校学生进行调查。结果和结论各年级最大值分布均以K值占比最多;以多重学习风格为主,而单一学习风格以一般倾向为主;单一学习风格倾向中以K倾向为主导;四个年级学习风格改变不明显。在倾向重数方面,从一年级到四年级,学生有从四重学习风格倾向逐渐向单一学习风格转变的趋势(P<0.05)。

学习风格用户模型分类及其自适应策略

学习风格作为主要的认知模型,是在线学习系统中常用的用户建模依据。基于此,文章首先基于被使用频率最高的学习风格模型——Kolb模型、VARK模型、Felder-Silverman模型和FDI模型,对学习风格用户模型进行了分类,并解析了其可能提供的自适应服务;随后,文章从在线学习系统中用户建模的角度,分析了整合不同学习风格用户模型的自适应策略;最后,文章总结了影响在线学习系统自适应性能的关键问题,以更好地发挥在线学习系统的自适应性能。文章对学习风格用户模型的解读及其自适应策略的分析,将有助于在线学习系统对学习者进行更准确的描述和诊断,从而提供更适合的学习资源和学习建议。

融入学习者模型在线学习资源协同过滤推荐方法

在线教育存在"信息迷航"问题,而传统的信息推荐方法往往忽视教育的主体—学习者的特征。本文依据教育教学理论,根据在线教育平台中的学习者相关数据,研究构建了适用于在线学习资源个性化推荐的学习者模型。以协同过滤推荐方法为切入点,融合学习者模型中的静态特征和动态特征对协同过滤方法进行改进,建立融入学习者模型的在线学习资源协同过滤推荐方法。以2020年3~7月时间段的东北石油大学"C程序设计"课程学生的真实学习数据和行为数据为数据集,对本文提出的方法进行验证和对比,最后证明本文提出的方法在性能上均优于对比方法。