基于认知本体的E-Learning研究

来源 :华中师范大学 | 被引量 : 0次 | 上传用户:xaly001
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
当今迅速发展的知识爆炸,使得人们不得不即时的“充电”来适应这个快节奏的新时代,随着而来的新的学习软件环境的出现以及多功能的教学系统的实施,人们依靠网络软件来学习的机率大大提高,然而目前大多数的系统没有完全充分的功能去服务各式各样人的需求。在这个知识爆炸式增长的时代,如何快速有效的学习已成为当今大多数人的追求,快节奏的生活使得人们寻求可以在任何地方、任何时间、任何场景下都能有效的学习,于是就出现了E-Learning的研究,目前的一些关于研究有基于本体语义的、有基于认知情感方面的研究等,上述研究都有各自的优缺点,为了更好的满足学习者的需要,本文设计一种综合语义和认知的一种新的模型,提出了利用本体技术,语义Web和认知理论并根据学习者的需求,设计相应的功能模块,可以解决目前缺乏以学习者为本来设计相关的功能的一些不足。本文以本体技术及认知理论为基础,研究E-Learning系统中课程知识本体的文本模型及图像语义标注模型,具体工作如下:根据认知相关理论以程序设计课程为例构建相关知识本体模型,探讨了教学文档中图像的语义标注本体的构建,以骨骼系统这一图像系统作为具体的标准来建立本体,根据图像的高层语义标注可以有效地提高教学资料中图像的检索效率,最后给出了基于认知本体的E-Learning系统模型COELSM框架结构,并对系统功能进行分析,并对这一系统做出理论分析和评价。
其他文献
随着计算机计算能力的迅速增长,网格计算已经成为分布式计算的重要研究内容。目前,以网格为基础架构的e-Science协同环境下已经集成了大量的计算资源和数据资源,这些资源大多
近年来,P2P技术随互联网技术的发展而兴起,成为网络技术研究的热点。而基于P2P网络构建的存储系统,相比传统存储系统具有如下优势:不依赖中心节点、高容错、高扩展、高效率、低成
数据分类是一种重要的数据挖掘技术,常用的数据分类方法有决策树归纳分类、贝叶斯分类、神经网络分类和K最邻近分类等,采用的理论及算法有决策树(Decision Tree)、粗糙集(Rough
随着互联网的发展,Web不仅实现了全球的信息交换和资源共享,而且Web上的信息量也成指数级的增长。一方面,海量的Web信息为用户提供了获取信息的源泉;另一方面,如何高效的从海
连续属性的离散化一般是做为机器学习、数据挖掘的一项重要的预处理步骤,针对离散化问题,研究者们提出了诸多方法,例如早期的等宽等频算法及后来的利用遗传算法进行离散化等
近年来,计算机技术已经有效地应用于部队的设备管理工作中。随着部队设备综合信息管理系统的广泛使用,各分区系统的数据量将越来越大,同时军区数据中心也积累了大量的设备维修数
人类社会发展到现在已经进入到一个知识大爆炸的时代。为了应对知识的迅速累计,将知识信息化成为了必然的趋势。信息化的一个重要的特征就是强大的知识检索功能。在各种检索工
由于高性能计算和大规模分布式数据应用需要对输入/输出数据集进行大量共享式并发访问,本文提出并实现了LDDSS(Large-scaled Dataset DistributedStorage System)模型,以通过改
随着计算机处理能力的不断增强和网络通信技术的迅速发展,越来越多的计算机连接到了Internet上,在传统的客户机╱服务器管理模式中,服务器端承受着巨大的负载,而客户端基本上
数学公式图像的自动识别与理解,是文档图像处理与模式识别领域的世界级难题。数学公式是非常复杂的一种文档结构,难以被计算机进行自动处理。对数学公式文档图像进行精确地识别