-
题名面向动态学习环境的自适应学习路径推荐模型
被引量：6
- 1
-
-
作者
范云霞
杜佳慧
张杰
庄自超
龙陶陶
童名文
-
机构
华中师范大学人工智能教育学部
山西应用科技学院信息工程学院
湖南信息学院计算机科学与工程学院
-
出处
《电化教育研究》
CSSCI
北大核心
2024年第6期89-96,105,共9页
-
基金
国家自然科学基金2023年青年项目“基于认知过程挖掘的教师实践性知识演进机制研究”(项目编号:62307017)
2021年华中师范大学国家教师发展协同创新实验基地建设研究项目“自适应教师培训资源设计与开发”(项目编号:CCNUTEIII 2021-04)。
-
文摘
自适应学习路径作为实现个性化学习的一项关键技术,受到研究者广泛关注。近年来,强化学习成为自适应学习路径推荐的主流方法,但在动态学习环境表征的完整性和学习路径的适应性方面仍存在不足。基于此,文章提出了融合领域知识特征的自适应学习路径推荐模型。首先,模型将知识点概念覆盖和难度两个特征引入动态学习环境中,使对动态学习环境的表征更完整。其次,采用深度强化学习算法实现学习路径的推荐,提升学习路径的适应性。最后,开展技术对比实验和应用实验。技术对比实验表明,该模型提高了学习路径的有效性和适应性。应用实验表明,该模型可以准确地判断学习者的薄弱知识点概念,并能为学习者推荐适合其认知特征的自适应学习路径。
-
关键词
自适应学习路径
强化学习
领域知识特征
知识点概念覆盖
个性化学习
-
Keywords
Adaptive Learning Path
Reinforcement Learning
Domain Knowledge Characteristics
Coverage of Knowledge Concepts
Personalized Learning
-
分类号
G434
[文化科学—教育技术学]
-
-
题名面向智慧教育的自适应学习路径生成方法探究
被引量：5
- 2
-
-
作者
张晗
赵润哲
芦培龙
张亚洲
姬莉霞
-
机构
郑州大学网络空间安全学院
郑州市区块链与数据智能重点实验室
-
出处
《郑州大学学报（理学版）》
CAS
北大核心
2022年第6期59-65,共7页
-
基金
河南省重大科技专项(201300210500)
郑州市重大科技创新专项(2020CXZX0053)。
-
文摘
针对当前基于知识图谱的学习路径推荐算法仅使用单一的关系将学习对象连接起来,不能生成不同的学习路径来满足不同学习者的学习需求等问题,提出一种知识图谱与深度强化学习相结合的自适应学习路径生成方法。首先,构建出将细粒度知识元与学生认知能力相结合的知识图谱模型,并对知识单元之间的多种相互关系进行了预定义。然后,使用基于动态强化学习的路径生成方法,将DQN和DDQN通过不同权重整合入深度强化学习框架。最后,通过实验验证所提出的模型能够生成符合要求的个性化学习路径。
-
关键词
自适应学习路径
知识图谱
智慧教育
深度强化学习
-
Keywords
adaptive learning path
knowledge graph
intelligent education
deep reinforcement learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名人工智能支持下自适应学习路径构建
被引量：40
- 3
-
-
作者
孔维梁
韩淑云
张昭理
-
机构
河南师范大学教育信息技术学院
华中师范大学国家数字化学习工程技术研究中心
-
出处
《现代远程教育研究》
CSSCI
北大核心
2020年第3期94-103,共10页
-
基金
教育部人文社会科学研究项目“网络学习共同体意见领袖的形成机制及优化策略研究”(19YJC880049)
河南师范大学博士启动课题“面向学科领域的自适应学习模型构建及应用研究”(qd14191)。
-
文摘
"互联网+教育"时代的来临使得e-Learning学习模式被广泛接受,如何为e-Learning学习者提供个性化学习支持服务成为学界关注的焦点。自适应学习路径能够根据学习者特征,为其推荐个性化的学习资源与学习活动序列,是实现个性化学习的重要手段。为提升自适应学习路径构建的智能化程度,提出了包含学习者模型库、学习过程数据库、自适应学习路径构建引擎等核心功能模块的人工智能支持下的自适应学习路径构建模型。在该模型的实现过程中,首先,从认知风格及知识水平两个维度对学习者特征进行向量化描述和相似度计算;而后,提取相似学习者群体的历史学习路径和测试成绩构建学习路径图谱;最后,采用改进的蚁群算法从学习路径图谱中挖掘出最优学习路径推荐给目标学习者。实验结果表明:该方法可以从繁复的学习资源和活动中生成简洁、精准的自适应学习路径,既能有效解决学习者的学习迷航与认知过载问题,还能促进学习资源的高效利用;通过该方法构建的自适应学习路径可有效提升学习者的学习效率、学习成绩和学习满意度,有利于学习者对知识的主动建构、内化及迁移。
-
关键词
人工智能
自适应学习路径
个性化学习
学习风格
知识水平
改进蚁群算法
-
Keywords
Artificial Intelligence
Adaptive Learning Path
Personalized Learning
Learning Style
Knowledge Level
Improved Ant Colony Algorithm
-
分类号
G434
[文化科学—教育技术学]
-
-
题名双路径合作的原型矫正小样本分类模型
被引量：3
- 4
-
-
作者
吕佳
曾梦瑶
董保森
-
机构
重庆师范大学计算机与信息科学学院
重庆市数字农业服务工程技术研究中心
-
出处
《计算机科学与探索》
CSCD
北大核心
2024年第3期693-706,共14页
-
基金
国家自然科学基金重大项目(11991024)
重庆市教委“成渝地区双城经济圈建设”科技创新项目(KJCX2020024)
+1 种基金
重庆市教委科研项目重点项目(KJZD-K202200511)
重庆市高校创新研究群体资助项目(CXQT20015)。
-
文摘
基于度量的元学习在学习过程中存在由于稀缺数据分布导致习得的先验知识不足、从样本中提取到的单一视图特征易受弱相关或无关特征的干扰以及因分类造成的代表性特征偏差的问题。针对这些问题,提出了一种双路径合作的原型矫正小样本分类模型。首先,通过双路径合作模块从多视图角度自适应地突出关键特征和弱化弱相关特征,充分利用特征信息获得先验知识来提升特征的表达能力;其次,通过基于查询集样本特征信息的原型矫正分类策略来解决类内原型的偏差问题;最后,通过损失函数反向更新模型参数,模型分类准确率得以提升。在五个公开的数据集上进行了5-way 1-shot和5-way 5-shot对比实验,较基准模型而言,在miniImageNet数据集上,准确率提升了5.57个百分点和3.90个百分点;在tieredImageNet数据集上,准确率提升了5.68个百分点和3.93个百分点;在CUB数据集上,准确率提升了6.93个百分点和3.13个百分点;在CIFAR-FS数据集上,准确率提升了8.03个百分点和1.65个百分点;在FC-100数据集上,准确率提升了4.25个百分点和4.89个百分点。实验结果表明,提出的双路径合作的原型矫正小样本分类模型能在小样本学习领域有良好的性能,且模型中的模块可迁移到其他模型中使用。
-
关键词
小样本学习
元学习
度量学习
自适应双路径合作学习
原型矫正
-
Keywords
few-shot learning
meta-learning
metric learning
adaptive dual-path cooperation learning
prototype rectification
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
