论文部分内容阅读
当前在线学习已成为一种普遍的学习方式,学习者不必受限于实体课堂,而可以突破传统的时空自由选择学习。在慕课大发展的这几年里,支持在线学习的平台层出不穷,为人们带来了很大的便利。但我们也应注意到,在海量的学习内容面前,却出现了知识冗余加剧的新情况。在线学习环境中,知识供给量空前充足的表面之下,不可回避地出现了学习迷航、知识过载等现象,造成了学习者学习成本飙升的实际难题。为此,论文提出了一种基于微信的个性化在线学习系统模型,力图从知识结构组织模型、学习资源推荐算法和微信平台开发技术等3个层次形成合力,给出解决上述问题的技术方案。论文的主要工作包括:(1)提出了具有热力特征的知识地图模型。针对学习迷航现象,论文依据关联主义学习理论、知识地图理论和热力图理论等,充分挖掘知识点间的联系并将热力图思想引入知识地图,构建了具有热力特征的知识地图模型。该模型注重知识框架的整体性,明确知识点间的联系。尤其是通过增加学习路径的热度信息,表达知识点间关联的强度,帮助学习者解决了学习迷航问题。(2)提出了采用多层感知机(Multi-Layer Perceptron,MLP)改进的深度神经网络学习资源推荐算法。针对知识过载现象,论文依据个性化推荐策略,引入个性化推荐机制,通过研究深度神经网络的推荐算法,利用MLP改进了模型中评分预测的方式。实验表明,改进后的模型具有更好地拟合评分能力,增强了推荐性能,避免了知识过载。(3)设计并实现了基于微信的个性化在线学习系统。充分依托微信所拥有的10亿量级用户的生态特性,遵循面向对象的软件工程方法,前端子系统利用微信小程序技术开发,后端子系统采用B/S架构、Java语言实现。考虑到系统的完整性,论文在创新功能——知识地图和资源推荐的基础上,设计了在线测评的功能模块用于优化教学设计。综上所述,论文构建的基于微信的个性化在线学习系统,通过具有热力特征的知识地图模型为学习者增加了导航要素,克服学习迷航。采用MLP改进的深度神经网络学习资源推荐算法实现了满足学习者个性化需求的推荐服务,解决了知识过载问题。根据该系统的初步应用反馈表明:知识获取的靶向性大为增加,有效提高了学习效率,降低了学习成本。