一、个性化教学设计可视化建模的研究与实现（论文文献综述）
邓晶艳[1]（2021）在《基于大数据的大学生日常思想政治教育创新研究》文中研究表明中国特色社会主义进入新时代,标定了大学生日常思想政治教育的新方位。面对新时代提出的新任务与新要求,大学生日常思想政治教育要不断探索新思路、新路径与新方法,进一步增强工作的针对性与实效性,以满足大学生成长成才需求以及党和国家事业发展需要。当前,随着移动互联网、物联网、云计算、人工智能等为代表的新一代网络信息技术的迅猛发展、全面集成与广泛应用,人类逐步迈入大规模数据挖掘、运用与创新的“大数据时代”。在此时代背景下,如何运用新媒体、新技术加强和创新高校思想政治教育工作,使之富有时代性、增强针对性、彰显实效性,是新时期高校面临的一个重要而现实的课题。作为当代信息技术发展的前沿,大数据广域的信息资源、先进的信息处理技术以及全新的思维范式,为大学生日常思想政治教育带来了即时性、精准性、前瞻性与个性化等创新发展的新动力与新空间。将大数据思维、技术与方法全方位嵌入大学生日常思想政治教育各要素、各环节与全过程,促进大学生日常思想政治教育革新思维、优化供给、改进方法、重构范式,建构科学化、数字化与智能化的大学生日常思想政治教育体系,推进大学生日常思想政治教育向“精准思政”“智慧思政”转型升级,是大学生日常思想政治教育顺应时代发展的现实需要,也是其进一步提质增效、焕发新机的重要生长点与强劲推动力。阐释大数据内涵、价值、特征与功能,阐释大学生日常思想政治教育内涵并且辨析其与大学生思想政治理论教育的关系,有利于进一步探讨两者的深度融合。基于此,大学生日常思想政治教育大数据概念得以提出。从大学生日常思想政治教育大数据资源、大学生日常思想政治教育大数据技术、大学生日常思想政治教育大数据思维三个维度全面阐述大学生日常思想政治教育大数据的内涵与外延,同时运用马克思主义哲学基本原理和方法论论析大学生日常思想政治教育大数据的生成逻辑、发展动因、方法论基础与价值取向,可以明确大数据与大学生日常思想政治教育需求的契合点,理清大数据对大学生日常思想政治教育的作用机理。面对新时代提出的新任务与新要求,大学生日常思想政治教育仍然面临一些困境、存在一些短板和弱环。运用文献资料法、大数据文本挖掘方法与访谈调研法审视大学生日常思想政治教育现状,总结当前大学生日常思想政治教育存在的问题与困境并作原因剖析,同时探讨新时代大学生日常思想政治教育新要求,指出新时代大学生日常思想政治教育面临的新课题以及新时代大学生日常思想政治教育的指导思想与原则、教育内容体系以及教育工作的主体转型,有利于为新时期大学生日常思想政治教育发展创新提供现实依据。通过分析大数据在大学生日常思想政治教育中应用的技术优势以及可能性,进一步探讨大数据在大学生日常思想政治教育中“精准画像”“规律探寻”与“超前感知”三个应用呈现。以之为基础,基于当前大学生日常思想政治教育存在的理念滞后、模式粗放、知行脱节、供需错位等难题,提出利用大数据推进大学生日常思想政治教育由线性思维向系统思维、由普适教育向个性化培育、由认知培育向实践养成、由需求侧适应向供给侧发力四大发展转向并详细阐述四大发展转向的实现路径。基于大数据推进大学生日常思想政治教育不仅要遵循学科规律、注重理论深化,还要坚持实践导向,致力推动大数据应用,促进理论与实践的双向转化。由之,宏观上,探索大学生日常思想政治教育大数据的数据采集、数据预处理与存储、数据挖掘与分析、数据应用与可视化、数据解释与反馈五大工作模块与应用流程;微观上,对大数据在大学生日常思想政治教育典型场域中的“数据画像”“精准资助”“失联告警”三个应用进行数据模型构建,从而为大学生日常思想政治教育利用大数据提供切实可行的实现路径。大数据为大学生日常思想政治教育创新发展带来了前所未有的机遇,然而,当前大学生日常思想政治教育利用大数据还存在观念性、路径性与机制性瓶颈,同时,大数据是一柄双刃剑,对数据的不当应用会带来诸如“数据垄断”“数据滥用”“数据侵害”“数据冰冷”等一些可能的风险与挑战。高校尚须在思维理念、技术开发、政策支持、制度完善、机制建设、校园环境建设等方面对大数据应用作出回应与调试。不仅如此,在基于大数据创新大学生日常思想政治教育过程中,高校要注重发挥教育工作者的主体性与能动性,始终坚持数字技术与人文精神、数据智能与教育智慧相结合。
王楚威[2]（2021）在《混合式教育环境下课后复习支持服务平台的设计与实现》文中指出近年来,随着工程教育理念的逐步推广以及国家持续推进教育信息化,在线教育平台发展趋势迅猛,混合式教学模式已在越来越多的高校中盛行。本课题的目标便是针对混合式教学模式下,学生在课后复习阶段容易遇到的问题,设计并实现一个能够在课后复习阶段为学生提供学习支持服务的在线学习支持服务平台。主要研究内容如下:首先,本文基于学习支持服务的理念,设计了一种“线上”结合“线下”的提供学习支持服务的模式。模式如下:一方面平台通过提供核心功能模块直接向学生用户提供学习支持服务。另一方面,平台的核心功能模块也向教师提供数据支持,教师利用平台提供的数据支持在线下帮助学生进行课后复习指导。该模式充分发挥了混合式教学环境的优势。其次,基于上述模式和面向的实际场景问题,本文分析了教师和学生的用户需求,明确了系统的业务需求以及提炼出了功能需求,并根据功能需求完成了课后复习支持服务平台的设计与开发。核心功能模块包括:数据处理模块,用于解决多数据源带来的数据“混杂性”问题,并且通过建立不同的量化模型将多渠道数据源中的原始数据转化为一级数据指标。同时,基于层次分析法（AHP）构建了二级主题指标的量化模型,深入挖掘了用户的隐式特征。该模块产出的一二级数据指标为整个平台的实现和后续个性化智能推荐算法的实现提供了数据支撑;学情报告模块,该模块用于帮助不同身份用户快速了解与自身最相关的阶段性学习情况分析信息;手动分析模块,帮助用户灵活查询具体的数据指标和深入分析特定指标间的关联性。再次,本文研究了学习者画像和主流智能推荐算法,设计并实现了一种基于学习者画像的个性化智能推荐算法,并以此算法为基础设计并实现了平台的另一个核心模块个性化智能推荐模块。本文中算法的设计与实现过程充分考虑了传统的基于用户的协同过滤算法中单一评分造成的用户相似性计算不准确的问题。通过结合学习者画像提升了用户相似性的计算。同时,对学习者画像中的聚类算法进行了研究,设计并实现了一种优化初始质心选择的K-means算法,提升了画像的准确度,从而提升了群体画像的效果。最终推荐的学习资源,在一定程度上对学生用户在课后复习的自主学习阶段进行了个性化指导,也向其提供了拓展的学习资源。本文的最后使用本校大一信通导论课新生的真实数据结合实际应用场景,对平台的核心功能进行了测试和效果验证,结果证明了系统的稳定性及可行性,并设计对比实验验证了所设计的基于学习者画像的个性化智能推荐算法的有效性。
魏千程[3]（2021）在《基于教师画像的教学活动辅助设计系统》文中提出教学活动设计是教学过程中的重要环节,基于教师画像设计出的符合个人风格的教学活动能够让教师最大限度地发挥教学能力。目前用户在使用传统的教学活动设计系统中面临着许多问题,诸如:教学活动序列如何进行个性化设计、如何获得较为合理的个性化资源等等。教师画像通过挖掘用户的风格属性和资源偏好,赋能于教学设计,提供了个性化的教学活动设计方案和资源。因此本文的研究具有一定的实用性和创新性。针对上述问题,本文设计并实现了一种基于教师画像的教学活动辅助设计原型系统,具体阐述如下:首先,从业务和性能两方面进行需求分析,进行了系统的体系结构设计和功能模块划分,设计了数据库表的字段和表间关系。其次,设计了教师画像模型、教学情境模型和教学活动序列模型,其中基于数据分析构建了教师画像模型,在传统情境的基础上结合网络直播教学情境构建了教学情境模型,通过对教学活动的分类与编码构建了教学活动序列模型。再次,根据改进的推荐算法为教师推送相关的教学活动序列和资源,并通过仿真实验验证了该算法的有效性。最后,基于Spring Boot+Vue+ECharts的架构完成了原型系统的研发,实现了教学活动设计、教师画像可视化、教学资源推送和教师论坛交流等功能,并制定了一系列的测试计划,测试结果表明该系统达到了预期目标,且功能模块完整,性能稳定。
陈茫[4]（2021）在《面向高校科研创新的图书馆智能服务研究》文中指出在国家创新体系中高校科研创新地位举足轻重,随着互联网的飞速发展,高校科研创新过程变得更具复杂性和时效性,科研人员对于科研所需的知识需求也日益强烈,而从图书馆获取所需的科研知识资源和专业的科研服务支持,是实现科研创新的有效手段与重要途径之一。当前,智能服务的需求和情境正成形成,并将成为未来发展的新方向。面向高校科研创新,目前国内外一些着名的高校图书馆正开展智能服务的理论探索与实践应用;然而,在图书馆智能服务的开展过程中,却存在着服务联系松散、服务推进缓慢、服务效果不佳等诸多问题。那么,面向高校科研创新的图书馆智能服务过程具体是什么,是什么推动着图书馆智能服务的有序推进?有哪些关键影响因素,相关影响因素之间如何相互作用?能否对其过程进行有效的模拟仿真?这些研究问题亟待深入的展开研究。本文围绕图书馆智能服务展开相关理论研究,对于完善图书馆知识服务理论,提升图书馆智能服务效果,促进高校科研创新等具有重要的理论价值与实践意义。首先,运用多案例研究的分析方法,构建了面向高校科研创新图书馆智能服务过程机理模型,从人的智力支持、智能服务技术支持、知识交互等方面,揭示了图书馆智能服务各要素间的作用机理。研究发现:该图书馆智能服务过程可划分为四个阶段,各阶段过程中有其核心的服务需求与服务内容,并构建了该图书馆智能服务过程机理模型;其中,人的智力支持、智能服务技术支持、知识交互等方面各要素间存在紧密的内在关联性和规律性,且彼此关联和相互作用,共同推动着该服务的有序进行。其次,运用扎根理论的质性分析方法,构建了该图书馆智能服务的关键影响因素模型,识别并揭示了该图书馆智能服务的关键因素构成与作用路径。研究发现:通过深度访谈分析共获得27个概念范畴,并汇总形成了知识服务资源、科研服务参与、智能服务感知、科研服务需求、服务应用动机、智能技术体验、服务科研效果等主范畴;其中,智能服务感知和智能技术体验等是新变量。该模型中的关键影响因素识别为后续实证分析奠定理论基础。接下来,运用结构方程的定量分析方法,基于上文识别的关键影响因素,构建了相关的研究假设与结构方程模型,验证并揭示了各关键影响因素对于服务科研效果的作用影响。研究发现:知识服务资源、科研服务参与、智能服务感知、科研服务需求、服务应用动机、智能技术体验等,对服务科研效果存在显着正向影响;而服务应用动机和智能技术体验等是重要的中介变量。该模型的实证分析为揭示关键影响因素的复杂作用关系提供了证据支持。最后,运用系统动力学的模拟仿真方法,构建了面向高校科研创新的图书馆智能服务过程的系统动力学模型,刻画和揭示了该服务系统内部的动态结构、运行趋势与反馈回路等。研究发现:该服务系统有其特有的系统构成、系统特性、建模目的、模型边界和因果反馈回路等;在服务开展初期,服务主体位于较高的知识位势,利用智能服务技术支持提升服务科研效果;而服务主体的知识存量、科研人员的知识存量、智能服务技术支持等是系统运行的关键变量。本论文探究了面向高校科研创新的图书馆智能服务这一具有重要理论与实践价值的新课题。揭示了面向高校科研创新的图书馆智能服务过程机理;构建了面向高校科研创新的图书馆智能服务关键影响因素模型,识别、揭示并验证了各关键影响因素对服务科研效果的作用影响;构建了面向高校科研创新的图书馆智能服务系统动力学模型,模拟了面向高校科研创新的图书馆智能服务过程中知识交互,为图书馆智能服务开展提供了重要的实践借鉴。
杨娟[5]（2020）在《在线学习环境下学习成效预测研究》文中指出在信息技术与教育融合的新型在线学习环境下,理解在线学习者的学习规律进而预测其学习成效,对于提升在线学习者的学习效果、效率及体验具有重要意义。本文首先探究在线学习行为时空分布规律及其与学习成效的关系;研究在线学习过程中学习认知参与深度相关因素,构建认知参与深度的自动评测模型;进而,提出基于学习过程序列数据图像化处理方法及学习成效预测模型;更进一步,为了提高学习成效预测模型对风险学生的识别精度,提出了基于堆叠策略的两级增强集成模型及算法以解决单边预测模型效果较差的问题,并提出了基于潜在特性变分自动编码的整合预测框架以改善不平衡教育数据集对学习成效预测的影响。本文的主要研究工作具体如下:首先,为了刻画在线学习行为的时空分布规律,本文提出基于学习时间熵与学习位置熵的时空分布特性分析方法,并探究不同类型学习者的时空行为分布特征,揭示不同时空行为模式与学习成效的关系。实验结果证实了熵分析是研究在线学习行为时空分布规律的一种合适方法,并发现频繁的学习位置变化不利于好的学习成效。其次,为了理解在线学习者的认知参与深度,本文基于论坛交互数据识别在线讨论过程中的认知参与深度与认知规律。鉴于认知参与深度不仅与讨论内容的语义相关还与思考和表达的方式有关,因此提出了多特征融合的学习者认知参与深度自动评测算法,以准确便捷地了解在线学习思考过程和交互深度。实验结果表明,多特征融合的高阶认知评测方法能有效地识别各类认知参与深度的讨论帖子,且不同类型的文本特征有着不同的评测优势。第三,基于在线学习过程数据蕴含着学习过程中学习规律与状态差异等信息,本文提出一种学习过程序列数据图像化的处理方法,进而提出基于卷积神经网络识别学习图像差异以预测学习成效的方法。它将学习者的学习过程序列数据转换为单通道或多通道学习图片,再基于卷积神经网络架构识别学习规律与状态的差异,进而预测学习成效。实验结果证实了该预测方法可以较准确地识别风险学生,并能较直观、准确地反馈学习者在学习过程中存在的问题与不足,以支持个性化教育干预的实施。最后,为了进一步提高学习成效预测模型对风险学生的识别精度,本文针对教育数据集的类别不平衡现状,分别从算法层面和数据层面提出了学习成效预测的优化改进算法及模型,包括（1）提出一种基于堆叠策略的两级增强集成算法,即次级模型融合了初级阶段不同预测模型的预测优势以实现最终的预测。实验结果证实了两级增强预测模型具有高的预测准确度、高的召回率,以及低的假阳性识别率。（2）提出了基于潜在特性变分自动编码的预测算法,即潜在特性变分自动编码方法通过学习风险学生的潜在特征分布,生成与真实风险学生类似的样本以改善训练数据的类别不平衡分布,再由深度神经网络进行最后的学习成效预测。实验结果表明所提出的采样方法相比于传统采样策略能更好地适用于教育情境,且基于该采样方法的整合预测框架具有高的预测准确度、高的召回率和较好的鲁棒性。
黄振亚[6]（2020）在《面向个性化学习的数据挖掘方法与应用研究》文中指出个性化学习旨在根据学习者个体的认知水平、学习能力等,选择合适的学习资源与学习方式,使其弥补知识不足,获得最佳发展。近年来,在线学习系统的快速发展,不仅打破了传统课堂学习的时空约束,还提供了丰富的学习资源,吸引了越来越多的学习者,留下了大量的学习数据。这些学习数据蕴含着巨大的科学及市场价值,为实现数据驱动的个性化学习服务,提供了有力的支撑。因此,如何利用数据挖掘等技术对学习者学习数据进行理解、分析,实践个性化学习,已经成为计算机及相关交叉学科的研究热点。现阶段,尽管基于认知心理学等理论的相关方法已取得了一定的成效,但在线场景中的个性化学习研究人面临着学习资源表征苦难、学习过程复杂易变以及学习策略难以量化等挑战。为此,本文系统性地开展了面向个性化学习的数据挖掘方法及应用的探索性研究工作。具体地,针对练习题对象,提出了练习资源的深度表征方法,并在语言类和逻辑类两类典型练习题目的应用中进行验证;针对学生对象,分别提出了融合学习因素的知识跟踪方法和融合题目语义的知识跟踪模型;针对学习策略对象,提出了基于多目标学习的个性化推荐方法,提高学生学习效率。本文的研究工作依托于科大讯飞开发的国内领先的在线学习平台系统“智学网”,研究问题和研究数据均来源于实际应用场景,且研究方案均在真实平台中验证,具有实际应用价值。本文主要的工作与贡献可以概括如下:首先,本文研究练习题深度表征方法。一方面,本文针对语言类练习,提出了基于语义理解的练习题表征方法。语义理解是语言类练习表征的基础,传统方法基于固定的规则匹配,忽略了题目文本的语义丰富和依赖等特点。本文将该类练习题表征分解成语句理解和语义关联两个部分,首先使用卷积神经网络提取句子级别特征,然后,基于注意力机制,量化练习文本对于题目的语义依赖。最后,针对于题目难度预测任务,提出一种基于偏序学习的模型训练方法,消除不同测试范围带来的难度误差。该方法在高考英语阅读理解难度预测任务中进行了大量实验验证,其结果表明该方法能够有效提高难度预测的准确性和稳定性。另一方面,针对逻辑类练习,提出了基于结构理解的练习表征方法。区别于语言类练习,逻辑类练习通常含有特定结构的元素（如公式）。然而,传统方法直接将其视为文本序列进行表征,忽略了其结构特性。本文首先设计辅助工具,构建练习层面的公式依赖图,然后提出基于点注意和边注意两种策略的图网络学习其结构表征。最后,提出嵌套序列模型,融合练习的文本语义和公式结构关联。在数学简答题自动解答任务中验证了该方法能够有效挖掘数学练习中的公式结构,提高解题精度。其次,针对于学生用户,本文研究动态认知诊断方法。一方面,考虑到知识关联因素和人脑记忆/遗忘因素对于学习活动的影响,提出一种融合学习因素的知识跟踪模型EKPT。该模型首先基于练习-知识关联信息,将学生和练习映射到具有明确含义的知识空间中。然后,融合教育学经典的学习曲线和遗忘曲线理论,在知识空间中量化建模了学生知识学习的演化过程。实验结果表明该方法提高了认知诊断的精度。另一方面,考虑到学习过程中的题目语义（知识共性语义和文本个性语义）的影响,本文提出一种融合题目语义的知识跟踪框架。该模型首先设计动态增强记忆网络存储知识共性信息,刻画了学生对于知识的动态掌握情况。其次,提出题目特征提取器,挖掘文本个性信息,且将其融入到学生的知识变化建模过程中。最后,本文分别基于马尔科夫性质和注意力机制两种策略,提出两种实例化模型。实验在大量学生练习记录上进行,结果验证了具有精准的预测性能和知识跟踪可解释性。最后,在学习策略设计方面,本文提出一种基于多目标学习的个性化推荐算法。区别于传统推荐系统,在线学习推荐任务具有更大的挑战。传统方法通常遵从“推荐未掌握的练习”的单一推荐策略,为考虑复杂学习目标（如复习与探索平衡性、难度平滑性、参与度等）的影响。为了解决此问题,本文设计了不同的回报函数量化三种学习因素,然后提出一种深度强化学习方法,在学生交互学习中协同优化多个因素,从而找到最优推荐结果。本文在离线和在线两类场景中进行实验,结果均充分显示了该推荐算法的有效性。
教育部[7]（2020）在《教育部关于印发普通高中课程方案和语文等学科课程标准（2017年版2020年修订）的通知》文中研究指明教材[2020]3号各省、自治区、直辖市教育厅（教委）,新疆生产建设兵团教育局:为深入贯彻党的十九届四中全会精神和全国教育大会精神,落实立德树人根本任务,完善中小学课程体系,我部组织对普通高中课程方案和语文等学科课程标准（2017年版）进行了修订。普通高中课程方案以及思想政治、语文、
王冬冬[8]（2020）在《教师研修社区学习者模型构建及应用研究 ——以“A”教师培训平台为个案》文中提出伴随我国教育事业发展得如火如荼,帮助教师队伍建立过硬的职业素养与全面的行业素质,将是未来教育事业发展的重要趋向。建立健全即符合教师实际需求又具备先进理论支撑的教师培训体系是教师队伍综合素质提升的关键。教育兴国,科技助教,互联网技术以广泛的适用范围与卓越的实际效果,已然渗透至行业的方方面面。网络研修社区作为近期一经兴起便立刻成为讨论焦点的教师研修新思路,如今已在试点城市推行过程中成效显着,具有可观的实际成效。“A”教师培训平台是当前教师网络研修社区平台中,具有一定影响力的主流平台的代表。与诸多教师网络研修社区类似,其立足于远程培训与网络研修两大支柱功能,同时为教师进行集体研学交流,分组教研探讨,交流教学心得,交互经典案例提供平台支撑。再者,伴随多年运营以及使用经验,平台对于各成员自身个人信息以及相关学习行为加以统计,纳入大数据库。借助海量多维数据对其进行综合性归纳整合,进一步勾画出更具针对性与实践性的学习者画像,能够将学习者信息以及特点进行直观表现,对于教师培训平台优化培训效率,优化培训体系具有重大意义,能够为最大化地满足求学者以及教学者所需,为全面提高培训质量夯实根基。因此,本研究以网络研修社区支持科学决策和高效管理为大方向,选择“A”平台为实验平台,通过对“A”平台的改造,将以近期大家关心的重要命题——网络研修社区的学习者画像为目标,以网络研修社区学习者模型建构为研究主题。首先,对于平台数据进行归纳整理,并对其进行预处理,立足于业务实际需求,建立更具全面性的数据汇聚表,从而,进一步设计数据资产评估报告;其次,选用主成分分析法,围绕学员实际情况设计综合评价体系,随后,邀请专家对于该体系精确度与待优化部分进行微调;再次,笔者尝试选择k-means算法,以平台学员为对象进行聚类分析,对于各学员维度具体情况进行针对性剖析,依据学员平台学习实践过程中暴露出的缺陷,提出切实可行的优化举措;最后,采用协同过滤算法,进一步做好平台对口教学资源以及教培课程的自动推荐,为用户推荐关联度较高的学习伙伴,并及时推荐研修活动信息,依据其最终数据验证推荐成效。研究成果主要在于:其一,进一步为教师网络研修社区平台大数据埋点与收集提供理论指导,构设较为先进科学的数据汇聚表,建立更具针对性与全面性的数据仓库;其二,打造立体化、多元化能够完美契合学习行为逻辑与步骤的评价模型;其三,帮助平台教师以及管理负责人更直观地了解学习者自身实际情况,进一步为学员自动推荐对口学习服务以及学习伙伴,真正确保课程快速推进,捕捉大众需求热点,给予学员更具针对性与实践性的课程学习体系;其四,借助本研究成果,能够为同类型数据挖掘实证调研以及相近领域优化模式贡献一些思路。
许其鑫[9]（2020）在《远程学习风险预测模型构建及预警反馈设计研究》文中研究指明随着远程教育的普及,远程教育质量的监测和提升成为焦点。远程学习者人数众多,教学者或其教学团队却只有几人,师生比非常低,加之时空分离的教学方式,研究如何在时空分离的情况下,降低学习挂科风险、激发学习动机、助力教学者实现个性化教学愈发重要。有效的预测与及时提供反馈是改善教与学的重要保障,总结前人在学习风险预测建模和预警反馈方面的研究,场景集中于网络MOOC、混合学习等,且存在研究课程单一、研究样本数量少、构建的预测模型可移植性差、预警干预反馈有效性不足等问题。基于此,本研究采集重庆某高校网络与继续教育学院四门不同学科的14448名远程学习者背景信息和在线学习行为数据作为研究样本,应用数据挖掘算法构建远程学习风险预测模型,并采用以用户为中心的设计理论、参与式设计的方法设计预警反馈,主要研究内容包括:第一,利用数据挖掘技术构建远程学习风险预测模型,研究是否能构建基于教育大数据的跨学科远程学习风险预测模型。其中,在数据预处理阶段选取了 Sm ote采样和Costsensitive两种算法解决学习者风险类别数据样本分布不均问题,并将构建的远程学习风险预测模型效果进行比较。第二,利用卡方检验、相关性分析和多元线性回归分析三种方法分析在不同的学科中,学习者背景信息和在线学习行为特征与期末学习成绩之间的相关性,并将分析结果结合远程教育教学环境进行解释,提出有助于远程教育教学的建议。第三,采用以用户为中心的设计理论、参与式设计的方法设计预警反馈,提出了一组应用于学习分析领域的参与式设计工具来获取用户的期望和需求,包括焦点小组、用户画像、知识地图、学习者旅程、预警反馈原型构建。最后,将设计的预警反馈原型采用调查问卷和访谈法进行可用性评价。研究结果表明:（1）随机森林算法构建的综合课程远程学习风险预测模型移植性高,其Kappa值为0.5863、F值为0.782,可跨学科使用。Smote采样处理学习者风险类别数据样本分布不均问题能更大幅度提高训练的预测模型性能;（2）不同学科中预测特征的表现不完全相同。远程学习者年龄、平时作业成绩和性别*学历在不同学科中都是影响学习成绩的重要特征,作业提交总次数只在文科课程中是影响学习成绩的重要特征,在线学习总次数和在线提问总次数只在理科课程中是影响学习成绩的重要特征。合成特征（性别*学历）有助于预测模型的训练和预测特征的分析,预测特征分析的结果为预警反馈的设计提供了指导,虽然远程学习风险预测模型可以跨学科使用,但预警反馈设计需要将不同的学科分开考虑。（3）采用参与式设计的预警反馈得到了用户较高的评价。根据分析调查问卷的数据显示,学习者对设计的预警反馈原型在感知有用性、认知负荷、用户满意度和自我到导向性四个维度上的评价均为非常满意,整体评价满意度高;根据分析访谈内容的数据显示:学习预警个性化报告极大的满足了教学者和学习中心管理员的预警需求,主要体现在反馈界面认知负荷低,预警板块设计合理,反馈信息丰富和数据指标全面等方面,可为远程学习预警干预提供有效的证据支撑。
田雅慧[10]（2020）在《基于学习者画像的MOOC学情预警研究》文中进行了进一步梳理在线教育学习是非传统教育学习的过程中非常重要的一种学习方式,随着教育信息化的不断推进和发展,我国的教育质量和信息化教育水平的提升为在线学习的发展提供了强大的支持,学习者跨平台、跨终端、跨时空地开展在线学习,在不同在线教育平台上产生了大量的学习行为数据。MOOC是在线教育的重要平台,MOOC目前存在用户数据量庞大,难以根据用户数据把握学习者学情的问题,在线学习者画像能够有助于解决这类问题。各类在线平台数据与学习者画像和学情预警的研究不断更新,将画像技术和学情预警相结合,为MOOC平台的学情预警研究提供新的路径。基于以上的背景,本研究以在线MOOC平台中的各类学习者数据为研究对象,通过分析和利用14门课的MOOC数据进行学习者画像构建以及学情预警,通过画像进行学情分析,通过学情分析进行学情预警,最终形成学情预警策略。首先,本研究通过文献分析,对学习者画像和学情预警的概念进行界定,阐述了画像刻画和学情预警涉及的理论和技术基础,确定了在线学习者画像三个维度的分类。并根据在线MOOC平台的数据字段,构建学习者画像的标签体系,为学习者画像的标签体系提供衡量指标,为应用画像技术实现学情预警奠定基础。其次,根据学习者在线学习行为的数据和基本信息,进行在线学习数据分析,采用数据挖掘和分析方法,划分不同类型学习者的群体,输出学习者画像,进行基于画像的五个维度的学情分析,掌握学习者的学情信息。最后,借助五个维度的学情分析结果,利用关联规则和序列分析模型等技术手段进行四个维度的学情预警。根据画像的分类,提供学情预警策略。并在此基础上通过问卷调查进行了基于画像的学情预警的效果检验。本研究基于真实MOOC数据构建画像,将数据可视化,使用了多种研究方法和技术手段进行基于画像的学情预警,帮助教师和学习者掌握学习者情况以及提供学情预警策略,为在线MOOC平台的教学干预提供了新思路。
二、个性化教学设计可视化建模的研究与实现（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、个性化教学设计可视化建模的研究与实现（论文提纲范文）
（1）基于大数据的大学生日常思想政治教育创新研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 绪论 大数据让大学生日常思想政治教育智能化 |
| 第一节 选题缘由及研究意义 |
| 一、选题缘由 |
| 二、研究意义 |
| 第二节 国内外研究综述 |
| 一、国内研究现状 |
| 二、国外大数据与教育交叉研究综述 |
| 三、研究评析 |
| 第三节 逻辑结构 |
| 一、研究思路 |
| 二、研究方法 |
| 三、内容框架 |
| 第四节 重点、难点及预期创新点 |
| 一、研究重点 |
| 二、研究难点 |
| 三、研究创新点 |
| 第一章 基于大数据创新大学生日常思想政治教育的理论基础 |
| 第一节 核心概念解读 |
| 一、大数据 |
| 二、大学生日常思想政治教育 |
| 三、大学生日常思想政治教育大数据 |
| 第二节 大学生日常思想政治教育大数据之马克思主义哲学审视 |
| 一、感性对象性活动之数据生成逻辑 |
| 二、实践的社会历史性之数据发展动因 |
| 三、辩证唯物主义认识论之数据应用的方法论基础 |
| 四、人的全面自由发展之数据应用的价值取向 |
| 第三节 大学生日常思想政治教育大数据自组织系统阐释 |
| 一、大学生日常思想政治教育之复杂自组织系统特征 |
| 二、大学生日常思想政治教育大数据之数据转化 |
| 三、大学生日常思想政治教育大数据之数据转换 |
| 四、大学生日常思想政治教育之数据工作机制 |
| 第二章 基于大数据创新大学生日常思想政治教育的现实依据 |
| 第一节 大学生日常思想政治教育存在的现实困境 |
| 一、基于大数据文本挖掘方法的大学生日常思想政治教育现实困境分析 |
| 二、大学生日常思想政治教育者访谈 |
| 三、大学生日常思想政治教育存在的问题及原因剖析 |
| 第二节 新时代大学生日常思想政治教育新要求 |
| 一、新时代大学生日常思想政治教育面临的新课题 |
| 二、新时代大学生日常思想政治教育指导思想与原则 |
| 三、新时代大学生日常思想政治教育教育内容体系 |
| 四、新时代大学生日常思想政治教育的主体转型 |
| 第三节 基于大数据创新大学生日常思想政治教育技术优势 |
| 一、大数据关键技术之大学生日常思想政治教育应用 |
| 二、教育主体与教育客体的数据交互 |
| 三、教育管理平台载体的数据智能 |
| 四、教育管理实践数据的跨域应用 |
| 第四节 基于大数据创新大学生日常思想政治教育可能性分析 |
| 一、基于数据技术的效率提升 |
| 二、基于证据的日常教育管理 |
| 三、基于数据评价的工作改进 |
| 第三章 基于大数据促进大学生日常思想政治教育发展转向 |
| 第一节 大学生日常思想政治教育大数据应用呈现 |
| 一、精准画像:大数据精确反映学生行为状态 |
| 二、规律探寻:大数据有效呈现学生活动规律 |
| 三、超前感知:大数据准确研判学生活动趋向 |
| 第二节 基于大数据之由线性思维向系统思维转变 |
| 一、线性思维 |
| 二、系统思维 |
| 三、线性思维向系统思维转变的全面性与准确性 |
| 第三节 基于大数据之由普适教育向个性化培育转变 |
| 一、普适教育 |
| 二、个性化培育 |
| 三、普适教育向个性化培育转变的适应性与有效性 |
| 第四节 基于大数据之由认知培育向实践养成转变 |
| 一、认知培育 |
| 二、实践养成 |
| 三、认知培育向实践养成转变的实效性与长效性 |
| 第五节 基于大数据之由需求侧适应向供给侧发力转变 |
| 一、需求侧适应 |
| 二、供给侧发力 |
| 三、需求侧适应向供给侧发力转变的精准性与有效性 |
| 第四章 基于大数据创新大学生日常思想政治教育的实施路径 |
| 第一节 基于大数据创新大学生日常思想政治教育的原则 |
| 一、以人为本原则 |
| 二、守正创新原则 |
| 三、趋利避害原则 |
| 四、循序渐进原则 |
| 五、理论与实践相结合原则 |
| 第二节 大学生日常思想政治教育大数据资源库建设与运行 |
| 一、大学生日常思想政治教育大数据采集 |
| 二、大学生日常思想政治教育大数据预处理与存储 |
| 三、大学生日常思想政治教育大数据挖掘与建模分析 |
| 四、大学生日常思想政治教育大数据可视化与应用 |
| 五、大学生日常思想政治教育大数据解释与反馈 |
| 第三节 利用大数据推进大学生日常思想政治教育实践应用 |
| 一、数据画像 |
| 二、精准资助 |
| 三、异常告警 |
| 第五章 基于大数据创新大学生日常思想政治教育的条件保障 |
| 第一节 个体主观条件 |
| 一、培育大数据意识与大数据思维 |
| 二、掌握大数据知识与大数据技能 |
| 三、提升大数据伦理与管理理性 |
| 四、把握大数据应用的价值导向 |
| 第二节 技术条件保障 |
| 一、开发和搭建高校思想政治教育大数据技术平台 |
| 二、培育大学生思想政治教育大数据核心技术团队 |
| 第三节 组织与制度保障 |
| 一、加强组织领导 |
| 二、推进教育政策实施与制度建设 |
| 三、加强体制机制建设 |
| 第四节 文化环境保障 |
| 一、优化校园网络环境 |
| 二、培育校园数据文化 |
| 三、优化校园人文环境 |
| 结语:数据智能与教育智慧结合 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间主要研究成果 |
（2）混合式教育环境下课后复习支持服务平台的设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.3 研究内容与意义 |
| 1.4 论文结构 |
| 第二章 相关理论与技术研究 |
| 2.1 学习支持服务 |
| 2.2 学习者画像与相关技术 |
| 2.2.1 学习者画像 |
| 2.2.2 聚类算法 |
| 2.3 推荐算法 |
| 2.3.1 主流推荐算法介绍 |
| 2.3.2 协同过滤推荐算法 |
| 2.4 本章小节 |
| 第三章 课后复习支持服务平台的系统设计 |
| 3.1 课后复习支持服务方式设计 |
| 3.2 需求分析 |
| 3.2.1 用户需求分析 |
| 3.2.2 系统业务需求分析 |
| 3.2.3 系统功能需求分析 |
| 3.3 系统架构设计 |
| 3.4 系统功能模块设计 |
| 3.4.1 用户身份管理模块 |
| 3.4.2 数据处理模块 |
| 3.4.3 学情报告模块 |
| 3.4.4 手动分析模块 |
| 3.5 系统个性化智能推荐模块设计 |
| 3.6 数据库结构设计 |
| 3.7 本章小结 |
| 第四章 课后复习支持服务平台的系统实现 |
| 4.1 开发环境介绍 |
| 4.2 系统环境部署 |
| 4.3 系统功能模块实现过程 |
| 4.3.1 用户身份管理模块 |
| 4.3.2 数据处理模块 |
| 4.3.3 学情报告模块 |
| 4.3.4 手动分析模块 |
| 4.4 个性化智能推荐模块实现过程 |
| 4.4.1 数据获取 |
| 4.4.2 群体学习者画像的生成与存储 |
| 4.4.3 学习资源推荐 |
| 4.4.4 推荐内容可视化 |
| 4.5 本章小结 |
| 第五章 测试与验证 |
| 5.1 测试用例设计与实际结果展示 |
| 5.1.1 测试用例设计 |
| 5.1.2 系统功能验证与实际案例可行性检验 |
| 5.2 个性化智能推荐效果验证 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
（3）基于教师画像的教学活动辅助设计系统（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 信息化的教学活动设计研究现状 |
| 1.2.2 教师画像研究现状 |
| 1.3 本文研究思路 |
| 第二章 系统总体设计 |
| 2.1 系统需求分析与设计 |
| 2.1.1 业务需求分析 |
| 2.1.2 性能需求分析 |
| 2.2 系统体系结构 |
| 2.3 系统功能模块划分 |
| 2.4 数据库表设计 |
| 2.5 本章小结 |
| 第三章 关键技术研究 |
| 3.1 教师画像建模 |
| 3.1.1 教师画像的构建 |
| 3.1.2 教师画像标签体系的建立 |
| 3.1.3 数据采集与预处理 |
| 3.1.4 教师画像的生成 |
| 3.2 教学情境建模 |
| 3.2.1 传统情境模型 |
| 3.2.2 教学情境模型的构建 |
| 3.2.3 教学情景信息的获取 |
| 3.3 教学活动序列建模 |
| 3.3.1 教学活动的分类和编码 |
| 3.3.2 教学活动的序列化建模 |
| 3.4 教学活动设计相关推荐算法 |
| 3.4.1 基于教师画像的教学活动序列的推荐算法 |
| 3.4.2 基于教师画像的教学资源推荐算法 |
| 3.5 算法验证 |
| 3.5.1 数据集的选择 |
| 3.5.2 评价指标 |
| 3.5.3 实验结果与分析 |
| 3.6 本章小结 |
| 第四章 系统相关技术实现 |
| 4.1 原型系统搭建 |
| 4.1.1 平台软硬件配置 |
| 4.1.2 前后台框架的搭建 |
| 4.1.3 数据库配置链接 |
| 4.2 核心功能模块实现 |
| 4.2.1 教学设计生成模块的实现 |
| 4.2.2 教师画像可视化模块的实现 |
| 4.2.3 资源推送的实现 |
| 4.3 其他功能实现 |
| 4.3.1 相似用户匹配的实现 |
| 4.3.2 教案文件生成的实现 |
| 4.3.3 即时通讯的实现 |
| 4.3.4 用户权限控制的实现 |
| 4.4 本章小结 |
| 第五章 系统原型测试 |
| 5.1 系统测试计划 |
| 5.2 主要功能模块测试 |
| 5.2.1 教师个人画像模块 |
| 5.2.2 教师个人画像模块 |
| 5.2.3 教学资源模块 |
| 5.3 其他功能模块测试 |
| 5.3.1 教学论坛模块 |
| 5.3.2 管理员模块 |
| 5.3.3 登录界面 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
（4）面向高校科研创新的图书馆智能服务研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与问题提出 |
| 1.1.1 研究背景 |
| 1.1.2 问题提出 |
| 1.2 研究目的与意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状与评述 |
| 1.3.1 基于知识图谱的研究现状分析 |
| 1.3.2 高校科研创新的研究综述 |
| 1.3.3 图书馆智能服务的研究综述 |
| 1.3.4 面向科研创新的图书馆服务研究综述 |
| 1.3.5 国内外相关研究的现状评述 |
| 1.4 研究内容与论文结构 |
| 1.4.1 研究内容 |
| 1.4.2 论文结构 |
| 1.5 研究方法与技术路线 |
| 1.5.1 研究方法 |
| 1.5.2 技术路线 |
| 第2章 相关理论基础与概念界定 |
| 2.1 相关理论基础 |
| 2.1.1 知识服务理论 |
| 2.1.2 复杂系统理论 |
| 2.1.3 系统动力学理论 |
| 2.2 高校科研创新概念及内涵 |
| 2.3 智能服务情境概念及内涵 |
| 2.4 图书馆智能服务概念及内涵 |
| 2.5 本文研究的整体逻辑与框架 |
| 2.5.1 研究的整体框架 |
| 2.5.2 研究的子框架 |
| 2.6 本章小结 |
| 第3章 面向高校科研创新的图书馆智能服务过程及机理分析 |
| 3.1 智能服务过程的分析框架 |
| 3.2 智能服务的过程阶段分析 |
| 3.2.1 智能服务创建阶段 |
| 3.2.2 智能服务实施阶段 |
| 3.2.3 智能服务收尾阶段 |
| 3.2.4 智能服务归档阶段 |
| 3.3 智能服务过程机理的多案例研究 |
| 3.3.1 机理分析步骤 |
| 3.3.2 案例研究设计 |
| 3.3.3 案例简要介绍 |
| 3.3.4 过程机理分析 |
| 3.3.5 案例研究结论 |
| 3.4 管理启示 |
| 3.5 本章小结 |
| 第4章 面向高校科研创新的图书馆智能服务关键因素识别 |
| 4.1 扎根理论方法及流程 |
| 4.1.1 扎根理论方法 |
| 4.1.2 具体操作流程 |
| 4.2 访谈设计与资料收集 |
| 4.2.1 样本对象的选择 |
| 4.2.2 研究问题的设计 |
| 4.2.3 访谈资料的处理 |
| 4.3 扎根编码与范畴提炼 |
| 4.3.1 编码有效性 |
| 4.3.2 开放式编码 |
| 4.3.3 主轴编码 |
| 4.3.4 选择性编码 |
| 4.3.5 理论饱和度检验 |
| 4.4 模型阐释与分析 |
| 4.5 本章小结 |
| 第5章 面向高校科研创新的图书馆智能服务影响因素实证 |
| 5.1 研究假设与实证模型 |
| 5.1.1 知识服务资源的影响 |
| 5.1.2 科研服务参与的影响 |
| 5.1.3 智能服务感知的影响 |
| 5.1.4 科研服务需求的影响 |
| 5.1.5 服务应用动机的影响 |
| 5.1.6 智能技术体验的影响 |
| 5.1.7 研究假设与概念模型 |
| 5.2 调查问卷与实证方法 |
| 5.2.1 调研目的与调查对象 |
| 5.2.2 问卷设计与数据收集 |
| 5.2.3 调查问卷的变量测量 |
| 5.2.4 结构方程模型及流程 |
| 5.3 实证研究的数据分析 |
| 5.3.1 描述性统计 |
| 5.3.2 量表的信度 |
| 5.3.3 量表的效度 |
| 5.4 假设验证与模型拟合 |
| 5.4.1 研究假设检验验证 |
| 5.4.2 结构方程模型拟合 |
| 5.4.3 研究结果实证分析 |
| 5.5 管理启示 |
| 5.6 本章小结 |
| 第6章 面向高校科研创新的图书馆智能服务系统动力学仿真 |
| 6.1 系统动力学模型的原理及应用 |
| 6.1.1 模型应用原理 |
| 6.1.2 模型构建步骤 |
| 6.1.3 模型应用意义 |
| 6.2 系统分析 |
| 6.2.1 系统分析与构成 |
| 6.2.2 系统建模的目的 |
| 6.2.3 系统模型的边界 |
| 6.3 系统建模 |
| 6.3.1 系统边界的限定 |
| 6.3.2 因果关系与反馈 |
| 6.3.3 模型的系统流图 |
| 6.3.4 系统动力学方程 |
| 6.3.5 初始参数的设置 |
| 6.3.6 模型有效性检验 |
| 6.4 系统模型仿真与结果应用讨论 |
| 6.4.1 运行趋势及应用 |
| 6.4.2 关键变量及应用 |
| 6.4.3 主导回路及应用 |
| 6.5 管理启示 |
| 6.6 本章小结 |
| 结论 |
| 参考文献 |
| 附录1 面向高校科研创新的图书馆智能服务调查问卷 |
| 附录2 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（5）在线学习环境下学习成效预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 教育大数据 |
| 1.1.2 学习分析与教育数据挖掘 |
| 1.1.3 存在的问题 |
| 1.2 研究意义 |
| 1.3 本文的主要工作 |
| 1.3.1 研究目标和研究思路 |
| 1.3.2 研究内容 |
| 1.3.3 本文的创新点 |
| 1.4 本文的组织结构 |
| 第2章 相关研究工作概述 |
| 2.1 引言 |
| 2.2 教育大数据相关研究概述 |
| 2.2.1 学习分析 |
| 2.2.2 教育数据挖掘 |
| 2.2.3 机器学习与深度学习算法 |
| 2.3 在线学习行为模式研究概述 |
| 2.3.1 基于聚类或统计分析的学习行为模式研究 |
| 2.3.2 基于序列规则挖掘的学习行为模式研究 |
| 2.3.3 本节述评 |
| 2.4 在线学习交互中认知参与深度研究概述 |
| 2.4.1 高阶认知思维理论框架概述 |
| 2.4.2 学习者认知参与深度评测的相关研究 |
| 2.4.3 本节述评 |
| 2.5 学习成效预测研究概述 |
| 2.5.1 学习成效预测研究的输入变量概述 |
| 2.5.2 学习成效预测研究的输出变量概述 |
| 2.5.3 学习成效预测研究的数据预处理方法 |
| 2.5.4 学习成效预测研究的建模算法及结果解释 |
| 2.5.5 本节述评 |
| 2.6 本章小结 |
| 第3章 在线学习行为时空分布规律研究 |
| 3.1 引言 |
| 3.2 基于熵分析的在线学习行为时空分布刻画方法 |
| 3.3 实验过程及结果分析 |
| 3.3.1 实验数据收集与预处理 |
| 3.3.2 基于熵分析的不同时空行为模式识别 |
| 3.3.3 不同时空行为模式群体的特征分析 |
| 3.3.4 时空行为模式与学习成效关系分析 |
| 3.4 实验结果讨论 |
| 3.4.1 随时随地学习趋势 |
| 3.4.2 高时间熵对学习成效的影响 |
| 3.4.3 高位置熵对学习成效的影响 |
| 3.4.4 性别对时空行为分布规律的影响 |
| 3.4.5 研究发现对教育实践的意义 |
| 3.5 本章小结 |
| 第4章 在线学习交互中认知参与深度研究 |
| 4.1 引言 |
| 4.2 学习者认知参与深度研究的问题剖析 |
| 4.2.1 自动评测认知参与深度的教学必要性 |
| 4.2.2 文本分类研究的现状概述 |
| 4.3 基于多特征融合的学习者认知参与深度评测方法 |
| 4.3.1 文本数据预处理 |
| 4.3.2 文本特征提取与多特征融合 |
| 4.3.3 学习者认知参与深度预测算法 |
| 4.4 实验过程与结果分析 |
| 4.4.1 实验数据介绍 |
| 4.4.2 预测性能评估指标 |
| 4.4.3 基于论坛交互数据的认知参与深度评测效果 |
| 4.5 实验结果讨论 |
| 4.6 本章小结 |
| 第5章 基于在线学习过程序列数据的学习成效预测 |
| 5.1 引言 |
| 5.2 深度学习算法在教育中的应用 |
| 5.3 基于学习过程序列数据图像化的学习成效预测 |
| 5.3.1 多侧面提取学习参与信息的数据预处理方法 |
| 5.3.2 学习过程序列数据图像化处理方法 |
| 5.3.3 基于学习图片识别的学习成效预测方法 |
| 5.3.4 学习成效预测的评估指标 |
| 5.4 实验过程与结果分析 |
| 5.4.1 实验数据收集与预处理 |
| 5.4.2 基于学习图片识别的学习成效预测效果 |
| 5.4.3 基于可视化学习图片的学习规律与状态的差异识别 |
| 5.5 实验结果讨论 |
| 5.5.1 基于单通道学习图片识别的学习成效预测结果讨论 |
| 5.5.2 基于多通道学习图片识别的学习成效预测结果讨论 |
| 5.5.3 学习过程序列数据图像化对教学实践的指导意义 |
| 5.6 本章小结 |
| 第6章 基于堆叠策略的两级增强集成预测模型及算法 |
| 6.1 引言 |
| 6.2 基于堆叠策略的两级增强集成算法 |
| 6.2.1 数据预处理 |
| 6.2.2 基于堆叠策略的两级增强学习成效预测模型构建 |
| 6.2.3 预测性能评估指标 |
| 6.3 实验过程与结果分析 |
| 6.3.1 实验数据收集与预处理 |
| 6.3.2 基线预测方法 |
| 6.3.3 基于堆叠策略的两级增强模型的预测效果 |
| 6.4 实验结果讨论 |
| 6.4.1 绝对参与频次转换为相对指标的优势 |
| 6.4.2 两级增强预测模型对风险学生的识别优势 |
| 6.4.3 关键影响因子的实际教学意义 |
| 6.5 本章小结 |
| 第7章 基于潜在特性变分自动编码的学习成效预测框架 |
| 7.1 引言 |
| 7.2 类别不平衡分类问题 |
| 7.3 基于潜在特性变分自动编码的学习成效预测框架 |
| 7.3.1 数据预处理 |
| 7.3.2 潜在特性变分自动编码的采样机理 |
| 7.3.3 整合预测框架中的预测算法 |
| 7.4 实验过程与结果分析 |
| 7.4.1 基线预测方法 |
| 7.4.2 预测性能评估指标 |
| 7.4.3 实验数据描述 |
| 7.4.4 实验结果与讨论 |
| 7.5 本章小结 |
| 第8章 总结与展望 |
| 8.1 研究总结 |
| 8.2 研究展望 |
| 参考文献 |
| 攻读博士期间科研成果及项目经历 |
| 致谢 |
（6）面向个性化学习的数据挖掘方法与应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究工作面临的主要挑战 |
| 1.3 研究内容与主要贡献 |
| 1.4 组织结构 |
| 第2章 研究现状与基础知识 |
| 2.1 引言 |
| 2.2 练习题题目建模方法及应用 |
| 2.2.1 练习资源建模方法 |
| 2.2.2 基于练习的相关应用 |
| 2.3 学习者学习活动建模 |
| 2.3.1 项目反应理论 |
| 2.3.2 认知诊断分析 |
| 2.3.3 知识跟踪任务 |
| 2.4 推荐技术研究 |
| 2.4.1 传统推荐技术 |
| 2.4.2 深度推荐技术 |
| 2.4.3 教育领域的个性化推荐 |
| 2.5 本章小节 |
| 第3章 练习资源深度表征及应用 |
| 3.1 基于语义理解的练习表征及属性预测 |
| 3.1.1 引言 |
| 3.1.2 相关工作 |
| 3.1.3 问题定义及方案描述 |
| 3.1.4 基于语义注意力机制的卷积神经网络模型 |
| 3.1.5 难度属性预测应用 |
| 3.2 基于结构理解的练习表征及自动解题 |
| 3.2.1 引言 |
| 3.2.2 相关工作 |
| 3.2.3 问题定义及框架描述 |
| 3.2.4 数学公式语法结构图构造 |
| 3.2.5 基于图网络的神经解题模型 |
| 3.3 实验分析 |
| 3.3.1 基于语义理解的练习表征难度预测效果评估 |
| 3.3.2 基于结构理解的练习表征自动解题效果评估 |
| 3.4 本章小结 |
| 第4章 学习过程中的动态认知诊断分析 |
| 4.1 融合学习因素的知识跟踪模型 |
| 4.1.1 引言 |
| 4.1.2 相关工作 |
| 4.1.3 问题定义及框架描述 |
| 4.1.4 融合学习因素的知识跟踪模型EKPT |
| 4.1.5 基于EKPT模型的教育学应用 |
| 4.2 融合题目语义的知识跟踪模型 |
| 4.2.1 引言 |
| 4.2.2 相关工作 |
| 4.2.3 问题定义及框架描述 |
| 4.2.4 融合题目语义的知识追踪模型EKT |
| 4.2.5 基于EKT的教育学应用 |
| 4.3 实验分析 |
| 4.3.1 融合学习因素的知识跟踪模型效果评估 |
| 4.3.2 融合题目语义的知识追踪模型效果评估 |
| 4.4 本章小结 |
| 第5章 在线学习平台中的个性化推荐方法 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.3 问题定义及框架描述 |
| 5.4 基于多学习目标的个性化推荐方法 |
| 5.4.1 优化目标 |
| 5.4.2 题目估值Q网络 |
| 5.4.3 学习目标定义 |
| 5.4.4 算法与参数优化过程 |
| 5.5 实验分析 |
| 5.5.1 数据介绍与分析 |
| 5.5.2 模型与实验参数设置 |
| 5.5.3 离线场景下的推荐实验分析 |
| 5.5.4 在线场景下的推荐实验分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（8）教师研修社区学习者模型构建及应用研究 ——以“A”教师培训平台为个案（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 一、研究背景 |
| (一) 教师网络研修成为教师培训的新型方式 |
| (二) 以促进学员个性化发展为核心诉求的在线教育进入新阶段 |
| (三) 新技术的迅猛发展为我国教师教育信息化开创了新天地 |
| 二、问题提出 |
| (一) 传统教师网络研修社区难以实现针对学习者的个性化教学与管理 |
| (二) 研发个性化智能教学系统是解决教师网络研修社区学习缺乏个性化的关键 |
| (三) 学习者模型建立是个性化智能教学系统研究的核心基础环节 |
| (四) 基于“A”平台的学习者行为建模实证研究 |
| 三、概念界定 |
| (一) 教师专业发展 |
| (二) 教师网络研修 |
| (三) 教师网络研修社区 |
| (四) 教师工作坊 |
| (五) 学习者模型 |
| 四、研究意义 |
| (一) 理论意义 |
| (二) 实践意义 |
| 五、研究创新点 |
| (一) 首次在中小学教师网络研修社区中引入学习者模型 |
| (二) 利用聚类分析构建网络研修社区的学习者模型 |
| 六、研究目标与内容 |
| (一) 研究目标 |
| (二) 研究内容 |
| 七、研究框架 |
| (一) 理论研究 |
| (二) 实践研究 |
| 八、研究方法 |
| (一) 问卷法 |
| (二) 个案研究法 |
| (三) 科学模型法 |
| (四) 文献研究法 |
| 九、本章小结 |
| 第一章 教师网络研修社区存在问题的研究 |
| 一、研究说明 |
| 二、问题调研的理论基础 |
| (一) 技术接受度理论与模型 |
| (二) 技术接受评价框架 |
| (三) 网络研修社区接受度评价框架 |
| 三、调研问卷的设计及调研结果 |
| (一) 教师网络研修社区情况调查问卷设计与开发 |
| (二) 教师网络研修社区调研结果 |
| (三) 教师使用网络研修社区接受度分析 |
| (四) 教师网络研修社区存在的问题分析 |
| 四、网络研修社区的改进发展分析 |
| (一) 依托数据分析将现有的网络研修社区进行智能化改造 |
| (二) 具备快速识别学习者需求与偏好的能力 |
| (三) 支持对学员的个性化教学 |
| 五、构建学习者模型是实现网络研修社区智能化改造的基础 |
| 六、本章小结 |
| 第二章 教师网络研修社区学习者建模的相关研究现状梳理 |
| 一、教师专业发展研究 |
| (一) 教师专业发展研究的起源 |
| (二) 国内外对教师专业发展的研究 |
| (三) 对教师专业发展研究的分析 |
| 二、教师网络研修社区的特点及其对学习者的评价 |
| (一) 教师网络研修社区的特点 |
| (二) 教师研修社区中的学习者评价 |
| (三) 教师网络研修社区及其学习者评价的文献分析与评价 |
| 三、学习者建模 |
| (一) 学习者模型的分类 |
| (二) 学习者建模的方法 |
| (三) 学习者建模研究文献分析与评价 |
| 四、本章小结 |
| 第三章 教师研修社区学习者模型构建的教育理论研究 |
| 一、教师专业发展理论 |
| (一) 教师专业发展阶段理论 |
| (二) 体验式学习理论 |
| 二、柯氏四级培训评估模型 |
| (一) 使用背景 |
| (二) 理论基础 |
| 三、成人学习自我导向理论 |
| (一) 成人学习理论 |
| (二) 成人学习自我导向学习理论 |
| (三) 成人学习自我导向学习理论在本研究中的应用 |
| 四、学习分析技术理论 |
| (一) 学习分析的概念 |
| (二) 学习分析的应用范围 |
| (三) 学习分析的构成与模型的理论基础 |
| 五、本章小结 |
| 第四章 教师研修社区学习者模型构建的技术理论研究 |
| 一、技术理论研究的思路与主要方法 |
| (一) 研究思路 |
| (二) 主要方法 |
| 二、关键技术研究 |
| (一) 建立数据仓库 |
| (二) 数据汇聚 |
| (三) 数据资产评估 |
| (四) 特征与指标计算 |
| 三、本章小结 |
| 第五章 教师网络研修社区学习者模型的实现与模型应用研究 |
| 一、数据说明 |
| 二、教师研修指标体系的构建 |
| (一) 明确目标,构建维度 |
| (二) 特征设计 |
| (三) 指标体系构建 |
| (四) 维度聚类 |
| 三、学习者分类 |
| (一) 学习者分类概述 |
| (二) 分类方法理解 |
| (三) 分类类别确定及计算 |
| 四、“A”教师网络研修社区学习者模型结果分析 |
| (一) 聚类结果分析 |
| (二) 对应分析不同类别学习者的特征 |
| (三) 对应分析不同类别学习者的行为特征 |
| 五、成果检验与应用 |
| (一) 通过真实培训项目验证学习模型的有效性 |
| (二) 基于学习者模型的个性化推荐功能的实现 |
| (三) 借助学习者模型提出“A”教师培训平台改善的规划 |
| (四) 应用学习者模型提升培训质量 |
| 六、本章小结 |
| 第六章 总结与讨论 |
| 一、研究创新 |
| (一) 教育理论层面 |
| (二) 建模方法层面 |
| (三) 技术算法层面 |
| 二、研究不足 |
| (一) 学习者模型的精准度不足 |
| (二) 对学习者类别的识别结果进行实证测量的不足 |
| (三) 基于多时间阶段、多项目的指标体系试用的不足 |
| (四) 将学习者画像与教学实践相结合的不足 |
| 三、研究展望 |
| (一) 结合社交网络分析 |
| (二) 结合语义分析 |
| (三) 探究自适应学习 |
| 四、本章小结 |
| 参考文献 |
| 附录 |
| 附录一 中国基础教育教师网络研修社区调查问卷 |
| 附录二 中国基础教育教师网络研修社区调查问卷 |
| 附录三 教师网络研修社区调研结果 |
| 后记 |
| 在学期间公开发表论文及着作情况 |
（9）远程学习风险预测模型构建及预警反馈设计研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究问题与内容 |
| 1.2.1 研究问题 |
| 1.2.2 研究内容 |
| 1.3 研究思路与方法 |
| 1.3.1 研究思路 |
| 1.3.2 研究方法 |
| 1.4 论文整体框架 |
| 2 文献综述 |
| 2.1 概念界定 |
| 2.1.1 学习风险 |
| 2.1.2 学习预警 |
| 2.1.3 设计思维 |
| 2.1.4 参与式设计 |
| 2.1.5 教育数据讲故事 |
| 2.2 国内外研究现状 |
| 2.2.1 学习风险预测模型 |
| 2.2.2 预警反馈 |
| 2.2.3 预警干预 |
| 2.3 研究创新 |
| 2.4 研究理论基础 |
| 2.4.1 人本主义学习理论及其启示 |
| 2.4.2 以用户为中心的设计理论及其启示 |
| 2.4.3 认知负荷理论及其启示 |
| 2.4.4 形成性评价理论及其启示 |
| 2.4.5 自我调节学习理论及其启示 |
| 2.5 本章小结 |
| 3 远程学习风险预测模型构建 |
| 3.1 数据采集 |
| 3.2 数据预处理 |
| 3.2.1 数据清理 |
| 3.2.2 数据集成 |
| 3.2.3 数据变换 |
| 3.2.4 学习者风险分类 |
| 3.3 预测特征的选取 |
| 3.4 分类算法的选取 |
| 3.5 数据样本分布不均问题的处理方法 |
| 3.5.1 人工合成少数类过抽样技术 |
| 3.5.2 代价敏感 |
| 3.6 远程学习风险预测模型的构建 |
| 3.6.1 远程学习风险预测模型的评价指标 |
| 3.6.2 远程学习风险预测模型的构建流程 |
| 3.6.3 远程学习风险预测模型的训练 |
| 3.7 远程学习风险预测特征的分析 |
| 3.7.1 卡方检验 |
| 3.7.2 相关性分析 |
| 3.7.3 多元线性回归分析 |
| 3.8 本章小结 |
| 4 以用户为中心的预警反馈设计 |
| 4.1 理解阶段 |
| 4.1.1 焦点小组 |
| 4.1.2 用户画像 |
| 4.1.3 知识地图 |
| 4.2 创造阶段 |
| 4.2.1 学习者旅程 |
| 4.3 交互阶段 |
| 4.3.1 预警反馈原型构建 |
| 4.3.2 预警反馈原型可用性评价 |
| 4.4 本章小结 |
| 5 预测模型与预警反馈的应用 |
| 5.1 研究结果与讨论 |
| 5.2 预测模型和预警反馈在远程学习预警中的应用 |
| 5.3 本章小结 |
| 6 研究总结与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 参考文献 |
| 附录一: 学习者对学习预警个性化报告可用性评价的问卷 |
| 附录二: 学习中心管理员对学习预警个性化报告可用性评价的访谈提纲 |
| 附录三: 教学者对学习预警个性化报告可用性评价的访谈提纲 |
| 附录四: SMOTE采样部分代码 |
| 致谢 |
| 攻读硕士学位期间公开发表论文及参与课题 |
（10）基于学习者画像的MOOC学情预警研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 MOOC研究的发展 |
| 1.1.2 学习分析研究的发展 |
| 1.1.3 在线教育对学情预警的需求 |
| 1.2 研究问题与内容 |
| 1.2.1 研究问题 |
| 1.2.2 研究内容 |
| 1.3 研究意义与方法 |
| 1.3.1 研究意义 |
| 1.3.2 研究方法 |
| 1.4 论文组织结构 |
| 第2章 概念界定和研究基础 |
| 2.1 概念界定 |
| 2.1.1 学习者画像 |
| 2.1.2 学习行为分析 |
| 2.1.3 学情预警 |
| 2.2 理论基础 |
| 2.2.1 远程开放教育理论 |
| 2.2.2 自我导向学习理论 |
| 2.3 数据分析方法 |
| 2.3.1 聚类分析法 |
| 2.3.2 关联规则法 |
| 2.3.3 序列分析模型 |
| 2.4 研究现状 |
| 2.4.1 学习者画像的文献研究 |
| 2.4.2 学习者画像的研究发展 |
| 2.4.3 学习者画像预警研究 |
| 2.4.4 小结 |
| 第3章 学习者画像构建与学情预警设计框架 |
| 3.1 学习者画像的构建 |
| 3.1.1 数据集概述 |
| 3.1.2 画像构建流程 |
| 3.1.3 画像建模 |
| 3.2 学习者画像标签的构建 |
| 3.2.1 画像标签的处理过程 |
| 3.2.2 学习者画像的标签体系 |
| 3.2.3 画像标签的数据指标 |
| 3.3 基于学习者画像的学情预警 |
| 3.3.1 基于画像的学情预警框架设计 |
| 3.3.2 基于画像的学情预警实现方案 |
| 第4章 学习者画像及学情预警的实现 |
| 4.1 数据处理 |
| 4.1.1 数据存储与管理环境 |
| 4.1.2 数据处理与分析环境 |
| 4.2 学习者整体画像分析 |
| 4.2.1 人口统计维度分析 |
| 4.2.2 学习者行为维度分析 |
| 4.2.3 学习结果维度分析 |
| 4.3 学习者整体画像的学情分析 |
| 4.4 学习者分类画像的可视化和学情预警 |
| 4.4.1 四类学习者画像 |
| 4.4.2 课程画像 |
| 4.4.3 学情预警及其策略 |
| 4.5 画像效果评价 |
| 第5章 总结与展望 |
| 5.1 研究总结 |
| 5.1.1 研究成果 |
| 5.1.2 研究创新点 |
| 5.2 研究不足与展望 |
| 参考文献 |
| 附录Ⅰ:原始数据导入数据库python代码 |
| 附录Ⅱ:聚类分析结果汇总 |
| 附录Ⅲ:关联规则案例分析流程 |
| 附录Ⅳ:序列分析案例分析流程 |
| 附录Ⅴ:问卷调查 |
| 攻读硕士期间的科研成果 |
| 致谢 |
四、个性化教学设计可视化建模的研究与实现（论文参考文献）
- [1]基于大数据的大学生日常思想政治教育创新研究[D]. 邓晶艳. 贵州师范大学, 2021(09)
- [2]混合式教育环境下课后复习支持服务平台的设计与实现[D]. 王楚威. 北京邮电大学, 2021(01)
- [3]基于教师画像的教学活动辅助设计系统[D]. 魏千程. 华中师范大学, 2021(02)
- [4]面向高校科研创新的图书馆智能服务研究[D]. 陈茫. 哈尔滨工业大学, 2021(02)
- [5]在线学习环境下学习成效预测研究[D]. 杨娟. 华中师范大学, 2020(02)
- [6]面向个性化学习的数据挖掘方法与应用研究[D]. 黄振亚. 中国科学技术大学, 2020(01)
- [7]教育部关于印发普通高中课程方案和语文等学科课程标准（2017年版2020年修订）的通知[J]. 教育部. 中华人民共和国教育部公报, 2020(06)
- [8]教师研修社区学习者模型构建及应用研究 ——以“A”教师培训平台为个案[D]. 王冬冬. 东北师范大学, 2020(07)
- [9]远程学习风险预测模型构建及预警反馈设计研究[D]. 许其鑫. 西南大学, 2020(01)
- [10]基于学习者画像的MOOC学情预警研究[D]. 田雅慧. 华东师范大学, 2020(11)