论文部分内容阅读
在网络教学平台中,面对大量的学习资源,学习者在认知过程中,容易出现迷失的现象。鉴于学习者自身知识结构和学习过程存在的差异,一个优秀的教学平台,应能按不同用户的需求,为其提供个性化的学习路径推荐服务。现有的研究仅主要针对学习环节,通过对学习者的特征分析进行学习路径的推荐,使得路径推荐的有效性不能得到保证。因此,结合学习者自身特征及学习的过程,研究更为个性化的学习路径推荐方法,具有重要的理论价值和现实意义。
网络教学过程中,不同学习特征之间存在着潜在的关联性,利用关联规则挖掘能够发现项目之间的相关性这一特点,来提取网络学习平台数据间隐含的关联关系,对学习路径推荐的智能化与个性化,不失为一种好的方法。对此,本文在系统地研究学习路径、知识点结构和关联规则的基础上,提出基于知识点关联规则的学习路径推荐方法。论文主要工作如下:
(1)对学习过程与学习情况进行量化分析:通过知识点兴趣度因子的定义对学习过程中知识点关注程度进行定量分析;利用知识点与测试题的量化关系,定义知识点出错频度因子,以此客观地分析学习者对知识点的掌握程度;计算两个因子间的相关度,从而定量的分析学习过程环节和测试诊断环节存在的关联。
(2)根据教学平台中知识点数据的分布特征,引入多支持度策略,并作出相应的改进。通过为每个知识点指定最小项支持度,进而挖掘频繁知识点集,以此解决“稀有项”问题。
(3)知识点存在概念层次的问题,然而单层关联规则挖掘方法并不能体现知识点的层次结构。因此,需结合本文所提出的基于知识点的多支持度策略,对已有的经典的多层次关联规则算法进行拓展,提出多支持度策略下的多层次关联规则。
(4)在上述工作的基础上,进行了系统原型设计和实现,通过数据结构课程学习过程的样例,验证了算法的有效性。