网络环境下学习者策略性特征群体差异研究——基于Felder-Silverman学习风格的群体划分

本研究以陕西师范大学"现代教育技术"网络课程为依托,首先以Felder-Silverman学习风格模型为依据对参与该课程学习的2936名学习者进行聚类,其次通过单因素方差分析法对具有不同学习风格的学习群体的策略性特征进行差异分析,最后从相似性特征与差异性特征两方面对不同学习群体策略性特征进行归纳总结,以期为网络环境下学习者模型的构建提供参考价值。

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。

网络学习焦虑与空间定位感间作用关系研究——基于Felder-Silverman学习风格的群体差异分析

网络学习焦虑、空间定位感是影响学习者网络学习情感体验的重要心理特征。文章在综述已有研究现状的基础上,以Felder-Silverman学习风格划分为依据,将2467名参与网络学习的在校大学生分为感悟型/直觉型、视觉型/言语型、综合型/序列型、活跃型/沉思型等学习风格,在此基础上对不同学习风格的学习群体的网络学习焦虑、空间定位感的现状及其相互作用关系进行了较为深入的分析,研究结果表明:被试者的网络学习焦虑水平普遍偏高,网络学习空间定位感普遍偏弱;网络学习焦虑与网络学习空间定位感在不同学习风格的学习群体中均呈现显著性负相关,且相关程度在感悟型/直觉型、综合型/序列型、活跃型/沉思型学习群体间均存在显著性差异。

基于Felder-Silverman学习风格的自适应e-learning系统

传统e-learning系统缺乏学生个性化特征的定制功能,学习风格是学习过程中较为稳定的学习策略倾向个性特征。将Felder-Silverman学习风格引入e-learning系统,给出了基于Solomon量化表的学习风格生成算法,然后搭建基于.NET分层架构的自适应性e-learning系统。实验结果表明,该系统能够根据学生的学习风格进行个性化的内容呈现和知识导航,具有自适应的特征。

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。

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。

临床医学博士后Kolb学习风格调查分析

目的通过评价临床医学博士后的学习风格特征,提升学习者对自我学习风格的认知,提高学习灵活性,以指导教学实践。方法选取50名参与内科规范化培训的临床医学博士后,采用Kolb学习风格量表4.0版开展问卷调查,分析临床医学博士后学习风格特点,比较不同特征被调查者学习风格的分布情况、学习环节得分差异及学习弹性差异。结果临床医学博士后学习风格分布:思考型占20.0%,分析型占20.0%,平衡型占16.0%,经验型占14.0%,回顾型占10%,行动型占8.0%,决定型占8.0%,想象型占4.0%,无被调查者归属创始型。在女性博士后中,平衡型最多,其次是思考型、分析型和经验型,男性博士后则以思考型、分析型为主,平衡型显著少于女性博士后。8年制项目毕业博士后以思考型、分析型为主。在未来专业方向为内科的博士后中,思考型占比最多,其次为分析型和经验型,未来专业非内科的博士后以平衡型和分析型为主。毕业后第1年的被调查者具体经验(CE)得分显著低于其他毕业后年限组(P<0.05),其他学习环节得分及学习弹性在各类型分组中的差异均无统计学意义。结论临床医学博士后的学习风格以思考型和分析型为主,擅长抽象概念与反思观察。可以根据博士后学习风格来调整教学模式,以期提高教学质量。

考虑驾驶风格的混合动力汽车强化学习能量管理策略

为了提升混合动力汽车能量管理策略对不同风格驾驶员的适应性,基于深度强化学习和等效燃油消耗最小策略(equivalent consumption minimization strategy,ECMS),提出一种考虑驾驶风格的混合动力汽车能量管理策略。通过实车试验采集驾驶员行驶数据,基于采集数据进行驾驶员驾驶风格的聚类分析,建立驾驶风格识别模型;构建基于强化学习和ECMS的能量管理策略,将驾驶风格系数作为强化学习状态变量,利用多种驾驶风格的组合工况训练深度确定性策略梯度智能体,获取不同工况和驾驶风格下ECMS等效因子,采用ECMS求解最优发动机、电机转矩分配以及变速箱挡位;搭建硬件在环测试平台,并基于实际采集的不同驾驶员驾驶数据构建测试工况,验证所提出控制策略的有效性。研究结果表明,相较于基于规则策略、基于等效因子比例修正的自适应ECMS以及DRL-SAC策略,提出的考虑驾驶风格的强化学习能量管理策略使整车能量消耗分别降低16.35%、11.11%和7.56%,所提控制策略的有效性得到了验证。

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。

基于学习风格的个性化自适应资源推荐算法研究

个性化自适应资源推荐是以学习者为中心、以人工智能和大数据技术为基础,模拟人类思维进行学习资源推荐的过程。论文在分析学习者和资源学习风格的基础上,分别构建学习者模型和资源模型,运用基于学习风格过滤推荐算法、协同过滤推荐算法、关联规则推荐算法,展开个性化自适应资源推荐研究。研究结果表明,以学习风格为基础的混合式自适应推荐的结果,更贴合学习者的个性化学习需求。

基于新农慕课在线学习的少数民族学生风格差异研究

该研究以选修新疆农业大学基于SPOC的Python交互式程序设计导论必修课程的1016名学生为调查对象,基于Felder-Silverman学习风格模型,对参与该课程的学生进行学习风格测量,通过分析学习风格的差异得出如下研究结论。不同生源地和不同语言学习环境是影响学习风格的主要因素,其影响作用是显著的。通过对由生源地、语言、生源地和语言交互影响导致的学习风格差异性进行归纳总结,以期为基于SPOC的网络课程教学,尤其是少数民族学生教学的研究提供一定的参考和依据。

针对不同学习风格的差异化教学设计

教育帮助每位学生成长,学生在学习中以偏爱的方式形成了学习风格。教学设计既要保证教学目标的达成,又要保护学生学习积极性,切实提高教学质量。本文基于学习风格不同进行教学设计,包括创造支持差异化教学环境,分析不同学习风格特点,合理化分组,课前差异化任务、课中连续性评价、课后追踪改进,多维度的考核评价方式等。

基于机器学习与眼动追踪的认知风格模型构建

认知风格反映了学生接近、获取、组织、处理和解释信息的模式,可用来解释和指导学生的行为。将认知风格集成到智能系统中,有助于开发个性化的用户模型,推动智能教育发展。当前有关认知风格自动分类的研究较为匮乏,尚未将机器学习与眼动追踪技术联合起来进行应用。基于机器学习与眼动追踪的认知风格模型,选取注视时长、注视点数量、扫视时长、眼跳次数、眼跳距离与瞳孔直径等6个与认知有着密切关系的眼动指标,归一化处理后借助机器学习算法进行认知风格自动分类。实验结果表明:在进行同样时长的视频学习时,不同场认知风格的学习者表现出不同的视觉行为模式;场依存型学习者注视点较为分散,表现出有较多的扫视行为、较少的注视行为、较长的眼跳距离与较大的瞳孔直径变化,信息搜索效率较低;而场独立型学习者有着较为密集与定向的视觉注意模式,信息搜索效率更高。对5种机器学习算法进行性能对比后发现,逻辑回归算法的分类效果最好,准确率达到89.01%,Kappa值达到0.774。该认知风格自动化分类模型既可用于智能学习系统的课程资源优化设计,也可用于个性化学习路径的推荐。未来可整合更多生理数据,通过不同模态数据之间的信息互补,提升数据分析的准确性以及对学习者认知能力评估的可靠性。

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。

基于多模态数据的在线学习认知风格智能识别

在人工智能技术迅速发展的背景下,多模态数据分析在教育领域的重要性日益凸显。本研究通过提取学习者在线学习中产生的脑电数据、表情数据和眼动数据等,构建了基于多模态数据的认知风格智能识别框架,并运用六种机器学习模型验证其有效性。研究结果显示,四种机器学习模型的识别准确率超过80%,且最佳模型的准确率达89.17%,F1分数达0.9241。此外,与基于单模态数据的模型相比,基于多模态数据的认知风格模型识别表现更佳。这表明,多模态数据融合策略具有优越性,有助于加强在线学习平台的适应性和个性化。

现代教育技术环境下文理科大学生英语感知学习风格对比研究

以多媒体和网络技术为核心的现代教育技术逐渐替代了传统的粉笔加黑板的教学模式。视觉、听觉等多感官刺激的全新课堂模式对大学生,特别是对具有不同学科特点的文理科大学生的感知学习风格是否有影响是一个值得研究的问题。从感知学习风格的角度出发,在现代教育技术背景下,对文理科学生感知学习风格的相似性和差异性进行了调查研究。结果表明,文理科学生均偏好体验型学习风格,最不喜欢小组型学习风格。而文理科学生在视觉型、动手操作型和个人型学习风格上存在显著差异。而大一、大二文理科学生的感知学习风格偏好倾向均无显著性差异变化。最后,针对这些差异,提出了教学建议。

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%。

基于改进ResNet网络和迁移学习的服装图像风格识别研究

传统的服装图像风格识别方法主要依赖于成功提取有效特征,这些方法在处理图像时不仅会消耗大量的时间和精力,识别精度也较低。为了提高服装图像风格识别的性能,提出了一种基于改进的ResNet152网络和迁移学习的服装图像风格识别方法。首先将ResNet152网络首层结构中的7×7卷积核替换成3个3×3卷积核组合层,其次把原始残差单元中的“卷积层(Conv)+批归一化层(BN)+非线性激活函数层(Relu)”的组合方式换成“批归一化层(BN)+非线性激活函数层(Relu)+卷积层(Conv)”的组合方式。这两个改进方法有效地提升了网络性能,使其能够更好地捕捉不同尺度的服装风格特征。然后把在ImageNet数据集上训练好的ResNet152网络模型参数迁移到改进的网络中,在此基础上,将女童服装数据集输入到网络中进行训练验证以及微调网络参数。结果表明,所提出的方法风格识别准确率达到了94.2%,训练效果好,识别精度、收敛速度等均优于其他风格识别网络,可以更好的完成女童服装风格识别任务。

依托多风格强化学习的车辆轨迹跟踪避撞控制

轨迹跟踪避撞是车辆智能性的重要体现,针对现有控制方法面对同一场景的控制风格单一问题,本文中提出了一种多风格型强化学习控制方法。为实现控制风格多样性,首次将风格指标引入值网络和策略网络,搭建了多风格跟踪避撞策略网络,并结合值分布强化学习理论构建了多风格策略迭代框架,依托该框架推导提出了多风格值分布强化学习算法。仿真和实车试验表明:所提出方法可以多种驾驶风格(激进、中性、保守)完成轨迹跟踪避撞任务,实车稳态轨迹跟踪误差小于5cm,具备较高的控制精度,实车平均单步决策耗时仅为6.07ms,满足实时性要求。

不同学习风格的住培生临床医师岗位胜任能力比较研究

目的通过对比不同学习风格住院医师规范化培训(简称“住培”)学员在临床医师岗位胜任力的不同,为开展更为有效且针对性的临床带教工作提供依据。方法对昆明医科大学第一附属医院的住培生进行Kolb学习风格和临床医师岗位胜任能力进行问卷调查,并比较各种学习风格住培生在临床医师岗位胜任能力的不同。结果住培生的学习风格以聚合型(46.1%)为主,调节型(23.2%)和发散型(17.1%)次之,吸收型(13.7%)最少。不同学习风格的临床医师岗位胜任力、临床基本技能、医患沟通能力、掌握与应用医学知识的能力、团队合作能力及学术研究能力差异有统计学意义(P<0.05)。其中,吸收型学习风格的住培生临床医师岗位胜任能力成绩最高(P<0.05)。结论带教老师通过对教学风格的认识,针对性地实施课程设计从而培养住培生的临床医师岗位胜任力。