近年来,随着万维网上的学习资源数量显著上升,越来越多的用户开始使用网络资源进行在线学习。在线学习资源的利用率大幅提升所带来的信息过载问题使得用户在检索相关的学习资源时更为困难。作为一种软件工具,推荐系统被广泛用于缓解信息过载问题。推荐系统在E-Learning中扮演着重要的角色,它帮助学习者获取与他们学习需求相匹配的学习资源。传统的推荐方法,如基于内容的推荐、协同过滤推荐在包括电子商务、音乐、电影等许多领域均取得巨大的成功。但是在E-Learning中,推荐系统在为用户进行准确和个性化的推荐时却遇到一些困难,这主要是由于学习者个体在特征、上下文和顺序存取模式上的差异性所导致的。学习者在背景知识、学习风格、技能和学习水平等诸多方面具有显著的差异,而这些因素对用户定义和个性化资源的推荐起着至关重要的作用。另外,学习者的知识水平、学习目标和学习经验会随时间和情境而变化,这些上下文信息的变化对学习者的资源偏好产生了较大的影响。此外,不同的学习者有不同的顺序存取模式,文化背景,文化习惯,比如,发达国家与发展中国家学习者用的风格是有区别的,这在很大程度上决定应该将什么样的资源推荐给什么国家的用户或推送到世界的什么区域。考虑到这些附加的学习者信息,即学习特征、学习情境和顺序存取模式对用户学习资源的偏好有一定的影响,因此在推荐过程中应该获取这些信息,将其纳入推荐的考虑因素中。在现有对E-Learning的研究中,协同过滤推荐方法的原理是将与目标用户的偏好相似的其他用户所喜欢的资源推荐给目标学习者。目标学习者和其他学习者的评分被用作衡量用户或学习资源的相似性的标准。评分信息用于衡量资源对用户学习的重要性,通过评分信息计算用户之间以及资源之间的相似性。基于内容的推荐则是将与学习者之前喜欢的内容相似的学习资源推荐给用户。除了评分和资源内容之外,传统的推荐方法尚未使用其他学习者信息进行资源推荐,如学习者的特性,上下文和序列存取模式等等。此外,传统的推荐方法易遇到冷启动和数据稀疏问题,这使得它们在E-Learning中的推荐效果受到限制。值得注意的是,由于没有考虑学习者的其他信息,目前的许多推荐方法在相似性计算上也遇到挑战。比如,大多数推荐给发展中国家(尤其是撒哈拉以南非洲地区)的推荐内容都不是最合适的内容。由于不同国家社会经济差异、文化差异、数字鸿沟、技术水平不高、学习兴趣不同等因素,学习者没有必备的信息与通信技术(ICT)知识和设备来获取与发达国家类似的内容。因此,在E-Learning推荐中,大多数现有的推荐方法的推荐准确度不高,用户个性化实现上不太理想。为了克服这一问题,需要进一步研究考虑用户其他信息的推荐方法。在向发展中国家推荐学习资源时,必须进行计算分析以研究ICT流畅性和数字鸿沟,然后将它们与学习资源推荐方法相关联。本文主要研究发展中国家ICT的在线学习资源推荐方法其应用,主要贡献点包括:1.提出了基于多元线性回归的ICT态度预测模型,该模型应用计算机态度量表(CAS)来探讨发展中国家对计算机态度的影响因素,此模型有助于了解发展中国家学习者的技术兴趣及计算机利用模式,并对东非共同体国家(EAC)的大学生进行了评估,该模型增加了学习者对计算机态度的影响因素预测的准确率;2.提出了应用集中度指标和基于逻辑回归的在线学习模型,此模型提出了两种测量方式:一种基于集中度指标,用于测量数字鸿沟的演变,该模型的作用是将学习者的外部和内部特征关联到一个模型中,从而增加了测量的优化程度;另一个模型是基于逻辑回归的方法,该回归模型是基于教育数据挖掘技术来衡量发展中国家(包括东非和南非)ICT流畅度的决定因素,此模型在衡量影响学习者信息通信技术流畅度的因素时,提高了测量的准确性;3.提出了增加外部变量来扩展技术接收模型(TAM)的方法,此模型在普通技术接受模型(TAM)中添加了其他9个变量,用于测量学习者的面向技术的感知有用性、态度、感知易用性、行为意图水平。此扩展模型增强了测试发展中国家(尤其是东非国家)学习者对所采用技术的行为意图的有效性;4.提出了基于用户ICT能力的混合模糊推荐系统(RS),该推荐系统在充分考虑了学习者特征、学习者行为条件和学习者世界区域条件等额外的学习者信息的基础上,提出了适用于东非和南非国家的老师和学生的两种推荐方法。第一种为基于知识和信息提取混合技术的学生推荐方法;第二种为基于模糊逻辑和信息提取技术的老师推荐方法。这两种推荐方法提高了基于ICT能力的E-Learning系统资源在学生和老师推荐个性化上的准确性。