基于行为演化的学习模式识别及效果预测方法

在线学习为众多学习者提供了开放灵活的学习机会,却存在着学习者学习积极性不高、学习成绩不理想的问题。已有的在线学习效果预测工作着重从静态角度探究学习行为对成绩的影响,忽略了学习行为随时间的演化规律,缺少对行为背后学习模式和学习动机的深入探讨,而这两者正是影响学习效果的重要因素。为此,提出一种基于学习行为演化的学习模式识别及效果预测方法来建模学习行为与动机对学习效果的影响。首先,依据学习者的付出-收获量化学习效率,按时间构建学习效率动态演化序列;然后,使用高斯混合模型聚类真实学习数据并结合实际学习场景,识别4种典型学习模式;在此基础上,设计学习模式及动机预测模型,结合双向长短期记忆网络,构建学习效果预测模型。利用8门真实课程学习的公开数据,对每一种学习模式学习者的付出、收获演变规律进行细致分析。大量对比实验结果表明所提方法在多个性能指标上提升了6.9%~29.2%。本研究有助于在线学习者、教学者和平台准确理解学习者的学习状态,从而提升在线学习效果。

基于协议序列的车辆自组织网络信道接入控制算法

针对如何提高车辆自组织网络无线信道资源利用率问题,提出了一种分布式车辆间通信信道接入控制算法,该算法具体表示为利用中国余数定理设计一种用户保障协议序列,车辆节点(亦称用户)依据该协议序列决定其对通信信道的接入,无需基站或中心节点的协调,所设计的协议序列确保每个车辆节点在一个序列周期内至少成功发送一次数据.仿真结果表明,采用本文提出的协议序列控制算法比无反馈时隙ALOHA接入控制算法具有更小的传输时延,能够满足车辆自组织网络通信实时性的要求.

基于二分图的个性化学习任务分配

学习是一种复杂的事件。个体的学习效果受多方面因素的影响,且不同个体有不同的学习习惯,学生通常难以根据自身学习特点合理规划学习时间表。虽然目前有关任务管理方面的研究提出了一些具有通用性的理论管理策略,但其忽略了个体间的差异性;另外,现有研究不能提供一种计算方法来形成具体的任务管理方案。针对上述问题,文中通过数据分析找出学习效率与时间因素的关联性,从而理解学生的学习特征,量化出个性化的学习效率;使用二分图的方法构建学习任务分配场景,根据不同的学习目标设计自适应效用函数,并基于此提出了一种基于迁移学习的动态分配算法TLTA,用于为学生制定合理的任务分配方案。在真实的学生数据集上进行了大量实验,验证了所提方案的有效性及适用性。