基于在线评论的学习资源推荐方法设计与实证

广泛、便利地传播优质的学习资源本是在线教育的重要教育价值所在,然而在线课程数量的迅猛增长对在线学习者形成了“资源过载”压力和优质课程选择难题.另一方面,学习者在学习过程中对在线学习资源留下了丰富的在线评论信息.由此,为提高在线学习者在海量的同类学习资源中选择恰当的优质课程的效率,在充分挖掘在线评论数据价值的基础上,设计提出了相应的学习资源画像与推荐方法:基于Apriori算法和文本情感分析法等对在线评论信息所隐含的词语频繁项集、课程特征、使用者情感倾向、在线学习平台服务质量等信息进行挖掘、建立学习资源多维度特征体系,进而采用Topsis方法对备选课程进行多指标综合分析,探寻各对象与最优理想解的接近程度和与最劣理想解的远离程度,最终完成课程的排序与推荐.基于中国大学MOOC平台七门英语口语相关课程在线评论信息的实证研究验证了这一基于在线评论的学习资源推荐方法的有效性.