文摘

分化教育学是一个灵活和组织适应的教学和学习,因为它认为,学生,即使是那些相同的年龄,有不同的学习准备,利益,学习风格,经验,和生活环境。这些差异是重要的测定要求学习和有效的学习方式。此外,有效的基础学习是课堂内的社区意识,使用教育设备的真实的学习机会,和连接的教训与学生的经历和兴趣。从本质上讲,教师的支持引导学生学会自己工作期间下降指导政策,提高他们的能力和技能。因此,教师被要求修改他们的教学方法,而不是运用类似的方式为所有学生的教学。修改后的教学风格应该满足学生的不同水平的准备,他们学习的方式不同,和他们的不同的利益。支持这个特定任务的教师,当前工作提出了一种基于混合智能推荐个性化的教育体系。具体来说,混合框架提出了人工智能,专注于提供有针对性的建议的方法实施集成标准教案,将创建灵活的差异化教学的主要工具程序将完全满足个人需要和每个学生的特质。

1。介绍

分化的适应是教育学教学,教师应对学生在混合能力的不同需求类考虑学生的兴趣的差异,他们的学习方式和程度的准备。每个学生都被视为一个独特的实体。提供机会来证明他/她的技能以认识他/她的优点。选择一个老师,关于分化的形式,取决于学生,他地址。换句话说,它取决于上下文处理,每一次(1]。此外,差异化的教学不是一个配方应用但一个方法,把学生当作传记和满足每个学生的需要。老师修改他的教学方法以及学习活动最大限度地在教室里学习的机会。

分化教育学关注学习过程,即。,the way children learn, but does not focus on the results. The teacher aims to form a flexible framework where each student follows his learning path, which provides him with a margin of autonomy, while the goal is common to all [2]。学生积极参与学习过程,参与任何方式,增强他们的自信心。他们在团体工作,每个人都根据自己的水平和兴趣。然而,允许错误没有惩罚的事实提供了学生可接受的感觉,会使他们尝试新事物。同时,老师他区分教学利用学生的经历和兴趣,鼓励他们独立工作,但所有这些增强它们之间的交互。他相信所有的学生的潜力和作用。同时,他作为一个主持人,中介在教室里。同样,在这种情况下学生觉得老师信任他们,宽容他们的选择和错误,发现动机和学习兴趣2]。

老师还应该考虑异质性的来源他的阶级,即。,the socio-economic level and cultural background of the parents and the attitude of the children toward the school. In addition, the teacher attempts to create good and strong relationships with his students. He also makes efforts to treat them as individuals and not only as students. He should also be aware that the need of students beyond the learning part is transferred to their emotional need for social interaction and the development of real relationships both with him and with each other. Finally, it is necessary to provide opportunities for meaningful dialogue and discussion. It is also important to strive to develop the feelings of belonging to a group that is governed by meritocracy and transparency [3]。此外,实质是强调学习计划作为一个方法让老师做出决策等更多细节设计序列的过程中学习和教学活动教学法上面向,并适当使用各自的教育资源和可用的技术。支持教师作为学习规划师是一个问题的研究社区发展的领域,因为它被认为是成功的关键,提高教育过程的质量(4]。这样,差异化的教育学知识的创始石头,最大化动机机制发展的个人技能和兴趣,促进自动和主动,个人的全面发展,加强合作和社会学习。差异化教学,学生测试的想法在实践中,看到部分和整体之间的相关性,并研究主题相关经验和其他科目,当他被允许参与在这个过程中体验到的乐趣的愿望和学习(5]。老师,在这样一个过程,确保每一个学生,他的发展,与自己竞争,而不是与他的同学在进行连续评估和更新的教育过程。此外,学生们开会时发现学校有趣学习的野心。提及这一事实是很重要的,在差异化教学的背景下,需要认识到不同文化背景的学生,提供促销、平等相待的孩子从不同文化背景是必不可少的6]。

近几十年来,分化教育学一再提升的相关研究文献。除此之外,它还指导教学方法的框架和实践发表在国际或国家组织和机构。相比之下,基于技术的方法将新方法在多元化的背景下教育学实现国际文献中最小的。

接下来的部分将回顾相关的文献。节3,该系统以逐步的方式全面解释。进行实验评估部分4。部分5介绍了讨论,部分6总结了研究。

2。相关文献

教学策略的实施的典型例子是适应真正的个人技能的学生适应教育系统(AES),其教学内容适应学生的教育需求和技能。Demertzi et al。7)提出了一种新的自适应教育在线学习系统(AEeLS)可以从学习收集和分析数据存储库,从而适应课程根据学生的技能和经验。这是一个新的混合机器学习系统相结合的半监督分类方法教育本体匹配和推荐机制,使用混合的方法,基于内容的过滤技术来为每个学生提供个性化的学习环境。Urdaneta-Ponte et al。3)在2021年进行了一项系统回顾学术研究的推荐系统,支持教育实践来了解更多关于教育的类型和地区解决,发展的方法使用,推荐和元素,以及确定未来研究领域中的任何差距。审查包括98篇文章,其中决定,大多数都面向教育资源为用户推荐的正规教育,对于协作方法,基于内容的方法,和混合方法推荐系统中最常用的方法,强调利用机器学习在过去的两年。Bourkoukou et al。8)提出了一个定制的电子学习系统基于镶嵌地块和所罗门的心理模型和适当的协同过滤算法。他们想要创建一个自适应课程,适当的学习场景中使用以满足每个学习者的独特需求。他们使用的想法预测学习者的偏好或口味偏好的基础上一群相似的学习者。

系统显示初始学习技术在确定学习方式使用一个问卷调查。这发生在缺乏信息的学习者和他们的偏好,使其无法提供适当的建议。古尔扎et al。9演示了一个推荐系统,提出并领导一个学习者为他们的需要选择合适的课程。本研究的目的是建立和构建一个混合推荐系统可以整合改善任何电子学习系统的有效性,使材料更容易,让学习者更个性化的体验。

获取重要信息,生成正确的建议,混合动力技术与本体相结合。学习者可能受益于这种方法如果他们想改善他们的表现和幸福。本研究的实验结果表明,利用RS选择课程是有效的。Bourkoukou和Bachari10LearnFitII描述),一个自适应学习系统,可以自动适应学习者偏好的变化。这个项目的目标是提出一个个性化的框架,使用一个混合型的建议提供合适的建议和应对策略本身的问题,这发生在缺乏新知识的学习者。通过测试学习者的心理模型和挖掘他们的服务器日志,系统识别不同模式的学习方式和习惯。首先使用镶嵌地块和西尔弗曼模型,设备提供了一个个性化的学习场景来解决本身的问题,然后挖掘学习者的活动和交互信息来评估学习者的习惯和偏好。

最后,使用混合推荐系统基于再邻居和关联规则挖掘方法,学习情况是检查和修改。在真实生活环境系统的研究结果表明,考虑学习者的偏好提高学习质量和满足学习者。Bhaskaran et al。11)开发出一种分裂和征服策略集群创建一个智能推荐系统能够适应学习者的需要、利益和自动水平的专业知识。推荐系统会自动检查和学习者的学习风格和特征。分裂和征服策略集群用于处理不同的学习风格。提取学习者的功能模式,提出了基于集群的采矿方法是使用线性模式。然后系统使智能推荐评级的基础上频繁发生的序列。

实验进行各种团体的学习者和数据集,和该模型推荐必要的学习活动,学习者根据自己的学习风格,兴趣分类,和人才特征。相比,学习者no-recommender集群中的一类,它是发现,基于集群的推荐建议提高推荐性能导致更多的课完成。基于漏洞的方式实现集成的标准课程计划,本文提出了一种先进的混合人工智能系统,优化学习开发流程实施差异化的教学计划。混合人工智能机制,关注如何提供有针对性的建议实施综合标准的课程计划,这将是主要的工具用于创建灵活多样化的教学程序,将最好地满足个人需要和每个学生的特质。

3所示。提出了系统

提出系统推荐老师综合教案模板的形式,在某种意义上,他/她可以使用一个模板来干预它来创建他的教案,这将完全满足他的能力,考虑到每个学生的个人需求和学习能力(3]。提出的操作系统,它是基于交互,完成初始化的老师指示性偏好的调查问卷,其中包括基于主题相关数据,教学方法,主题领域,水平,评价模型的分布模式,和持续时间。具体的标准,因为它已被证明在文献中,被认为是最重要的功能,文档的学习系统和法官的适当性重用框架。建议的体系结构的最优结合多种技术创新的混合动力系统,这是一步一步介绍如下:

步骤1。确定主题的教案是相关的主题设定的老师,词法分析的执行是基于关键字相关的主题领域的问题。出于这个原因,聪明的使用自然语言处理技术(7]。复杂性的一个关键特性的过程中,将文字转换成所需的有关概念重组的单词创建概念表达原句。这个过程来确定keywords_matching参数首先需要提取条目创建一个列表(l_指出)。
分析了句子,只考虑单词,一个条目都包含在第一个列表,第二个列表(l_问)被创建,它包含了单词在句子中出现的顺序。
同时,副本的谓词被拆下,只考虑其第一次出现。的谓词l_指出列表,未找到的句子,删除,确保有相同数量的离散元素在两个列表。中的每个单词l_指出,它不同于它的顺序出现的l_问列表计算。如果一个词在位置n₁在l_指出列表和位置n₂在l_问,那么这个职位的区别是定义为|n₁−n₂|。Keywords_matching绝对值之和的所有单词的位置差异(12,13]: 在哪里n是单词的数量在列表和吗和函数返回的位置吗n₁和n₂的元素x在l_指出和l_问分别列出。

步骤2。评价模型和分布方式为每个教案从拟议的系统会自动推断,,考虑到差异化的教学要求,标识的所有课程计划实施具体教学方法基于一个评估措施。间接反馈模型,使用杰弗里的适应规则是用于查找一个教训的可能性计划相关的数据收集从老师的互动14]。该方法考虑了不确定性的间接兴趣的迹象和使用各种措施来描述元素的值或值的表示。杰弗里的模型是以相对论路径的存在一组互斥条件在信息空间。这个相对论路径被认为是新更新的信息来源的可能性。
下面的函数是用来更新概率根据这个新数据(14- - - - - -16]: 相对论的概率的教案沿整个长度N的路径Ρ来标示_N和给出的函数17,18]: 步中代表在哪里我在路径p表示为p_我。相信用的值表示 ,和的信息值表示。一旦有更新,他们保持不变,直到下一个版本(即。感兴趣的,接下来的路线)。

步骤3。接下来,该系统识别组类似的课程计划的相似性的序列活动包括。具体来说,最近邻算法用来计算相似性和产生估计考虑所有评分的加权平均(11,12]。最多的组中创建这种方式揭示了教师的倾向来实现特定的教学与学习活动的特定序列。在每个人口更加稠密的团体,提出系统试图识别最满足的教案偏好表示的老师在最初的偏好形式同时聚集的一个最高的教育社会偏好。

步骤4。确定的课程计划是老师推荐的。每个提议伴随着评论解释了为什么它背后的基本原理提出了相关研究证明提供的解释提供的建议可以用这些系统改善用户体验。老师可以评估建议他使用一个简单的投票系统(19]。评估由教师影响未来的建议。更具体地说,教学计划,认为用更少的选票,以及像,被排除在未来的建议列表。这个建议的方法考虑老师的互动过程推荐一系列的交互。
问题的过程是定义如下9,19,20.]: 在哪里p每个节点之间的路径吗和节点n,考虑的方向连接。N是路径长度,距离小于最大长度 。最后,是一个长度换算系数,确定实验的价值。上述过程流程图的图解概述类型呈现在图1。

4所示。实验和评价

调查方法,电子邀请她自愿参与的问卷调查方法,最后的487名教师的参与。的李克特5点评分方法(21使用((我)我不同意,(2)我同意,(iii)我同意适度,(iv)我强烈同意,和(v)我强烈同意)。

如前所述,包括10个问题的调查问卷和相关数据的基础上的话题,教育方法,主题区,水平,评价模型、分布的方法,和持续时间。反应的一个指示性统计分析,提出了表使用的数据集1。

建立课程计划的推荐机制实现考虑间接相关的反馈问卷的收集与权重组成实现老师的答案,这样每个人的档案更新通过新功能从而使配置文件动态反映行为和偏好的变化,可能需要。具体来说,老师对他的个人喜好提供的信息由分配实现固定加权梯度值 , 分别为所有连接。让也是偏好由老师的水平(例如,它可以是0或1,也可以把值从一个有限集)。然后,执行初始化权重值的链接(21,22]:

那么重量值这表达的总和计算相对论反馈如下(21- - - - - -23]: 在哪里是附加意义/重量和间接反馈模式。同样的,代表意义的类型的教学方法,的意义是反馈,是浓缩的意义,最后,这个词吗表示的含义明确的反馈。最后,相似度计算如下(21,23]: 在哪里组条目得分和吗是x用户的评级项目我。项目最终评分根据上述相似性在降序排列。因为r范围从0到1,协作执行基于内容的过滤(推荐)。

评估上述过程,因为有可以提供的反馈阶段,每次迭代的计算误差。目标是最小化所有迭代的累积误差,并利用平方损失函数(SLF),目标是最小化经验误差计算的函数(24,25]: 在哪里 ,和 和Χ 是一种数据表和Υ吗 表的目标值后第一次的到来吗我数据点是假设。假设关联表 是可逆的,最佳的解决方案吗 给出了线性最小二乘问题的函数(17,18,24,25]:

也,根均方误差(RMSE)被用来计算推荐值的平均误差相对于实际的偏好,用以下公式(17,25]: 在哪里是推荐值我一个简单的假设j和的目标值是简单的假设j。成功的推荐模型需要非常小的值,在最好的情况下,这意味着绝对的提议和偏好之间的相关性,因此绝对的成功模式,实现时 。

根相对平方误差(RRSE)相应的使用,这是计算如下(17,26]: 在哪里预测的值我一个简单的假设j,的目标值是简单的假设j,计算从下面的关系18]:

完美的建议和实际偏好之间的相关性达到当= 0。表2提出了过程的结果作为一个三级问题哪里有一个完整的相关性(a类),偏相关(B类),和绝对的分歧(丙级)。确切的错误表现为性能指标在同一表2。

分别显示了图解表示数据2- - - - - -6。数据2- - - - - -6显示模型的性能,提供可视化的迹象的质量模型。

基于上面的结果,详细介绍中,很明显,利用该算法可以找到一个可靠的解决方案创建和共享教案的极其困难的问题实施个性化的课程。方法证明,通过智能方法的广泛使用,重要的教育工具可以出现,这样老师可以轻松地管理班级的学生潜力,知道每组的具体特点,因此通过分化提供高质量的教育方法考虑每个实习生的特殊的教育需求。毫无疑问,这是一个可靠的模型,模型的问题分化与高精度教育学。

5。讨论

如上所示,在几个因素影响的背景下,教育政策的指导,教学实践的转换根据差异化教学的原则是在许多情况下,一个公平的期望响应密切相关学生的异质性。具体教学实践,开发的差异化教学,常常宣称能够促进教学一体化的原则。的背景下讨论教学实践的发展,属于逻辑包容性的教育是很重要的考虑,一方面,风险,在某些情况下,不同的解释的区别与不同的趋势和相关教育政策的价值,另一方面,这是一个困惑和矛盾的背景下,这样的解释常常可以结合,因此主要在相反的方向,即。延续教育歧视和排斥。大流行的紧要关头,改变了教育的方式,与现代社会、经济、和政治现实支持的应用创新教育政策在国际层面上,全球教育领域正不断引入改革努力专注于教育系统的变换根据市场的规则和学生和学校之间的竞争。此外,晋升的歧视和不平等的访问学生的知识。此外,它通常是强调,如果有一个地方差异化教学在当前的社会政治背景下,它可以保证通过所有那些参与的“政治透明度”接近和学生的分析问题的多样性。说到该方法的优势,最重要的好处是不同的应用程序来克服巨大困难源自于制度化的标准和程序。支持另一个假设是,是没有限制的数据可以被接受为定量数据,也可评价的因素产生多方面的和整体评价的课程。

6。结论

提出的算法给现实主义和超越的物理限制可能出现的功能水平。从技术的角度,本研究首次提出了一个算法在文献中显示更高程度的收敛性,证明的结果实现的建议和实验证实。进一步的研究问题的提案包括完整的推荐系统的建模系统的自动化,以更大的准确性和效率。此外,它还包含了系统的演化与自动优化的调查问卷与感兴趣的领域的智能分类的方法。最后,进一步发展的一个重要步骤是模糊逻辑技术的扩张方法。

数据可用性

数据共享并不适用于本文中没有生成数据集或在当前的研究分析。

的利益冲突

作者宣称没有利益冲突有关的出版研究文章。