Spark平台下教育资源个性化推荐研究

在面对海量教育数据处理情况时,传统的协同过滤算法在单机上训练和测试效率低下,针对该问题,提出了基于Hadoop分布式平台和Spark并行计算模型的无中间结果输出改进型教育资源推荐策略,该策略较好地发挥了Spark的迭代计算能力优势,在应用于教育资源推荐时,比较了传统算法与改进算法在分布式情况和非分布式情况下的推荐效率和推荐质量的情况。实验结果表明,利用Spark计算模型实现协同过滤算法能够有效地提高教育资源个性化推荐的推荐质量以及推荐效率。

基于知识图谱的教育资源推荐系统设计

阐述在教育资源推荐中,按应用需要、通过科学构建课程推荐知识图谱,探讨融合联合子图过滤模型、充分利用在线系统设计知识图谱在线资源推荐系统,从而适应现代化教育资源应用的需求。

知识图谱的教育资源推荐模型设计

阐述基于知识图谱的教育资源推荐系统,包括学习者模型的构建、教育资源知识图谱的构建、个性化推荐模型。通过课程、模块、任务、知识技能元的层次节点,以可视化的形式展示知识之间的前后逻辑顺序、认知依赖关系。依据学习者模型和教育资源模型,确定学习者的目标,生成个性化学习方法,形成推荐资源列表。结果表明,该模型能够做出有效的教育资源推荐。

智慧教育视域下的知识追踪:现状、框架及趋势

知识追踪是通过跟踪历史学习轨迹,对学习者与学习资源间的学习交互过程进行建模,深入分析、挖掘、追踪学习者的动态知识掌握水平与认知结构,并准确预测学习者未来学习表现的一项智能技术,可以实现人机协同优化教学过程、助力学习者美好发展的智慧教育愿景。为此,首先基于169篇国内外文献的分析,采用大数据建模、深度学习、多模态分析等方法,以智慧教育视域界定知识追踪的核心概念,从基于概率图的知识追踪、基于深度学习的知识追踪、基于参数估计的知识追踪这三个维度,探究其最新研究进展及面临的挑战;进而基于数据建模视角,从数据层、模型层、决策层、应用层这四个层面探讨知识追踪存在的问题,提出了相应的解决思路及应对策略;最后提出了智慧教育视域下的知识追踪框架,并探讨了知识追踪在智慧教育中的应用路径及未来发展趋势。研究显示,智慧教育视域下的知识追踪能够更好地表征学习者复杂的学习状态。对其研究,可为智慧教育实践提供技术支撑。