文摘

教育产业正在逐步提高,信息技术的快速发展。学习者利用网络和计算机基于教育信息技术改变传统的教学框架,实现个性化学习。这种教学方法强调每个学习者的身份和自主权。然而,由于大量的学习资源在互联网上,学生缺乏相关课程,明确学习任务,和各种知识之间的联系,导致不能令人满意影响学习过程。知识地图创建不同类型的学习者使用历史学习者的概念知识和大数据的分割和相关技术知识地图。使用大数据方法在这个过程中会自动生成一组弱概念学习的途径。对于这个问题,在大数据时代,人们提出了知识地图的概念和使用该算法基于大数据的知识地图研究大学法语的个性化学习路径。内容、结构和关系大学法语知识的点可以使用这种方法,准确地表达了大学生青睐的管理员和教师。本文旨在调查大学法语的个性化学习路径使用大数据知识地图,从一个大学法语的研究领域的特点。本研究提供技术支持,建立大数据知识地图基于学习路径的建议框架。 So, after the performance of several commonly used learning path recommendation algorithms, three French students have been selected at random for learning path planning. The results show that personalized learning path planning can be realized based on a knowledge map pre-repair relationship and objective attributes. In the analysis, not only the proposed technique is compared with the conventional optimization approach, but also a comparison study on the benefits of several learning effect prediction models is also performed. The results of this study suggest that this algorithm has a high learning efficiency and that the effective implementation of recommendations produced using our proposed strategy has a significant advantage.

1。介绍

教育是人类记忆中记忆的过程信息,供以后使用提供重要的信息或心理过程的一部分完全理解一切。获取知识和技能的过程,可以用来改善意识和情报被称为学习。学习必须是有益的、相关的、有目的的、累积和执行在适当的阶段是有效的和成功的1]。反馈学习的一个重要学习行为产生的学习者的学习过程。历史响应记录可以用来确定学习者的概念性知识,学习过程和知识差距可以精确识别。学生的理解可能缺乏主题,如果出于比较目的,他们过去反应档案揭示一个更高的锻炼出错率的概念。因为思想是相互依赖的,一个学习路径必须计划确保学习者完全理解不足的概念(2]。在执行活动中,学习者有更多的困难理解他们的概念性知识,并判断其业务的功效。此外,他们可能很难分析和吸收重要的和有针对性的概念。因此,学习者的响应数据可能被利用来自动确定想法之间的联系,确定弱概念,并提供个性化学习路径援助在真实的环境中(3]。它可以使学生在知识和桥差距可能成长为重要的能力在困难的概念。推荐的基础路径是由基于学习者的反应数据,自动识别具有挑战性的主题为未来的学生提供一个成功的介绍相同的概念,决定什么时候概念相互作用为目标创建定制的弱概念学习途径学习者和产生预期的学习结果4]。根据以前的工作对个性化学习路径后,我们建立一个个性化学习路径大学法语基于大数据使用遗传算法知识地图。

大量的他们现在基于先前建立的知识库,,尽管偶尔有用,没有完全为每个学习者的独特的知识水平作出贡献。刘来解决这些问题,提出了一个知识框架结构改进学习方法。它接近路径推荐过程概率决策方法,保持查看所有学习者的个人变量和使用知识库作为框架。这表明当学习路径设计,标准的学习者被认为已经完成了材料,但事实并非如此。大多数学生难以理解他们刚刚学习的材料(5]。Cai映射和基于强化学习技术,设计开发了一个知识学习路径。该算法可以有效地预测学生的学习进步,模型学习者的知识水平随着时间的推移,并定义学生学习概念框架(6]。朱提出使用长期和短期虚拟内存(LSTM)来解决这个问题,选择一个独特的学习道路中建议的解决方案。使用遗传算法来设计学习路径是现在最激动人心的研究领域之一。秩序的一种改进遗传算法的基础上,技术的偏好相似,理想的解决方案(TOPSIS)为了方便寻找近乎完美的学习路线。指标值,类似于一个完美的解决方法,是用来找到大概最优学习路径解决方案(7]。建立一个学习路径的问题描述为一个多目标优化的声明。教学和学习资源的特点是用于生成主张使用遗传算法知识地图,和一个线性学习序列是由概念模型使用一个遍历的算法(8]。

本研究旨在创建一个算法,可以自动生成个性化学习路径根据学习者的当前学习阶段。类似于前面的分析,这一分析和理解行为作为重要的因素在决定学习者的知识水平。这项研究比以往的研究更全面,这要求教师手动评估知识的困难点。知识的复杂性点更大的类是自动确定在本研究中使用的信息处理平台。这种策略能减少压力,时间由导师与知识地图在网上学习资源(2]。个性化的学习已成为广泛应用领域的学习由于互联网的快速发展,网络技术,近年来和电脑,使人们分享网络学习资源(9]。然而,有大量的数据在网上学习资源,有过载问题失去了知识和知识。人工智能技术的出现有效地提高学习者获取学习资源的方式,但学生仍无法迅速获得大量的知识在网络资源环境。大学生学习法语的时候,他们面临的问题,很多网络上的教学资源不能有效地使用。知识地图的算法解决了这个问题通过结合知识地图和个性化学习路径。大学生能够充分掌握每个知识点在法国个性化学习过程和发展个性化学习路径大学法语基于大数据知识地图。首先,基于实体识别和知识地图的链接,建立实体和关系之间的知识地图和地图数据库用于存储,实现数据可视化(10,11]。然后构建个性化学习路径模型基于学习路径推荐算法来确定每个知识在知识地图的重要性,让每个知识点评估的重要性。

本文的主要创新研究过程如下:(我)本文在分析的基本概念,知识地图的存储模式和基本架构算法(2)我们建立一个个性化学习路径大学法语基于大数据知识地图通过文本相似度计算,建立个性化学习路径模型(3)使用个性化学习路径模型,大学法语学生随机选择测试学习路径规划结果,它被添加到地图和客观前提关系(iv)大学生属性个性化学习路径规划基于大数据知识地图可以获得最佳个性化学习路径,学习效率高

本文的其余部分组织如下:部分2提出了论文的相关工作;部分3提出了知识映射算法对于大数据;部分4介绍了个性化学习路径大学法国基于大数据映射;部分5提出了个性化学习路径的分析应用程序的结果大学法语;最后,部分6总结了研究工作。

2。相关工作

由于网络技术的快速发展,电子学习资源将继续迭代,被更新。目前,推荐学生的最佳学习路径是电子教育的未来发展趋势。与此同时,越来越多的国内外专家开始研究个性化学习是基于知识地图(12]。广域网等人代表了数据采集层、信息可视化层、行为层和知识本体层,然后结合层形成一个知识地图的学习模式13]。Golpardaz等人提出了条件随机场(CRF)模式,这是最典型的实体识别统计模型,可以将实体识别问题转换为序列标注问题[14]。LV产生知识地图的医学领域知识领域的数据进行统计分析医学教育为了增加学生对学习的热情医学知识(15]。Lissa et al .,这项研究的作者使用“知识地图”的概念在传统教育的形式来表达知识地图和显示知识直观地,有力地提高学生的学习效率16]。你使用科学知识在知识地图来显示各种知识之间的关系点的地图。所以,学生们可以想象不同知识的困难点在地图上,清楚地理解掌握知识的弱点,和更好的处理问题17]。张和马提议建立一个教育知识地图系统基于知识地图来显示教育知识地图的形式(18]。Bazhukova的本质和Afonina指出,教育领域应用知识地图是澄清知识点之间的关系,形成一个完整的知识地图19]。Mohsin等人使用蚁群算法来优化学习路径和制定最好的适应学习算法(20.]。斋藤和Watanobe说增强学习路径推荐与协作推荐机制和使用这种新方法在学习路径推荐(21]。王等人用实验方法来验证知识排名和选择。他们安排的知识分学习路径基于知识地图的知识结构和参考指数(22]。张你们启动之间的相似与不同的学习风格和分析不同的学习者使用学习风格量表的数据。它首先创建一个群体智慧学习推荐模型,然后采用改进的蚁群算法添加的参数影响学习风格,因为学习者可以呈现一个常见的学习路径和实现他们的目标23]。邹,解决学习者的情况问题,然后标记分类图的节点和复杂的问题。生产使用的最小生成树算法的学习路径和修改它根据当前学习状况(24]。Aladwan建议首先设计学习者模型,然后挖掘学习者偏好的关联规则,获得相应的交互式数据和学习结果,最终不得不喂数据转化为蚁群算法完成路径推荐(25]。

3所示。对于大型数据知识映射算法

3.1。知识地图算法的概念

知识地图技术包括两个部分,即建设知识映射和应用技术。目前,主要目标是变换的知识可以通过计算机在互联网上理解和计算形成的知识可以被人理解。因此,迫切需要构建一个不同行业的知识地图,因为不同的行业需要不同的数据集成能力垂直行业(26]。近年来,知识映射组织和显示知识发挥了优势,从教育领域开始,建立个性化学习路径的理想效果基于大数据的大学法语知识。在本文中,我们提供了一个个性化学习路径根据每个学生的学习速度,通过分析知识地图和兴趣,和目标来自法国大学生学习行为的数据。

一个实体在知识地图是一项重要的单位,和实体识别的本质是命名实体识别的文本。实体连接的目的是解决这个问题的多样性和模糊性的实体。如果MAC的意义是不同的在不同的领域,“MAC”最近推出了一个红色的口号。在这种情况下,实体链接系统应该对应于相应的文本中提到的“苹果”,不是MAC的三层体系结构在计算机领域。因为在大量数据对象可以用很多不同的方式表达,大数据的复杂性非常高在分析大量的文本。因此,有必要确定实体和链接首先减少信息过载。知识的技术架构映射如图1。

3.2。知识地图的存储

目前,有两种方法来存储知识地图包含关系数据库和图形数据库。然而,不断增长的数据量随着信息技术的进步,和关系数据库造成数据冗余,促使一些人们使用图形数据库(27]。图形数据库是一个新的NoSQL数据库,使用电脑图论分析的内部关系数据更直观和有效的。与关系数据库相比,图形数据库是适合这个知识地图的存储。大多数数据类型是一种或结构化,图形数据库数据信息存储在一个图结构。用户需要大量的时间和精力来处理数据,但它们也会很容易的找到,修改、添加和删除数据。可以使用图形数据库如果大自然的三个属性,概念,发展教育知识要点。这些关系都是定向的,而且可以在一个简单的表单显示知识点之间的联系。如图2、图形数据库启用有效地处理复杂的实体之间的关系。

本文选择Neo4j图数据库中的数据并保存网络代替传统的本地数据库。下面是图的显著的优势对传统数据库:数据库步骤1:Neo4j高度兼容,支持Ruby和Python等流行的编程语言步骤2:密码数据库查询语言对应于大多数人的思维模式步骤3:Neo4j更快地处理数据和有一个非常简单的存储结构步骤4:使用import工具,它可以导入关系和实体数据同时,以及支持大容量数据存储更少的延迟和重要的实时性能步骤5:数据显示页面操作很简单

3.3。文本相似度计算

在个性化学习路径为大学法语基于大数据地图,更多的算法用于相似度计算,这也是一个基本的技术在自然语言处理(NLP)。本文计算不同的点之间的相似性的知识在大学法语课程,建立它们之间的连接基于文本相似度的结果,并促进学习者实现的快速传输和掌握知识。

下面的细节描述几个类似的当前使用的计算方法。

3.3.1。欧氏距离

当计算文本相似度,欧几里得距离可以用来判断的绝对距离两个不同知识之间的多维空间点。例如,代表所有词的词频在两个文本知识的观点 。当计算这个词频率点知识 ,得到以下结果:

3.3.2。余弦相似度

通过余弦角计算公式,两个知识的相似点向量空间是判断两个向量之间的余弦角点一个和B。

3.3.3。Jaccard相似的因素

Jaccard相似性系数比较两种不同的知识的相似点。基于知识的点的数量一个和B相交,两个知识之间的相似点是由知识分的比例计算一个和B在联盟。公式如下:

4所示。个性化学习路径大学法国基于大数据的映射

4.1。推荐算法的学习路径

本文研究个性化学习大学法语基于大数据的知识地图。在这里,两种学习路径算法,即遗传算法和蚁群算法,详细描述了。

以下4.4.1。遗传算法

遗传算法不需要计算所有可能的路径的解决方案,但需要选择路径上的全局最优解。在学习路径推荐算法,遗传算法参数编码的染色体健身价值,然后, 是随机选择的。最优学习路径交叉重复继承过程,选择编译等等,直到找到最理想的学习路径。图3说明了遗传算法学习路径推荐原则。

4.1.2。蚁群算法

蚁群算法使用的法语学习者的知识网络上留下印记,后来学习路径信息素选择的基于信息素的浓度。因此,信息素是一个关键的公式和蚁群算法的路径选择概率:

上的形式照亮的数据的信息节点1和其他节点之间的信息素可以提供在给定的时间。代表传输节点的期望值,代表了信息素发挥的因素。

4.2。学习路径推荐算法是基于知识地图

基于知识地图,图形化神经网络可以传播和骨料不同知识的特征点知识地图形成高精度点嵌入到向量知识。模型建立了一个可靠的基于知识地图序列推断知识各级分的重要性。点向量矩阵的知识然后结合作为图形的输入神经网络后,相应的知识点向量知识地图的第一。选择相关系数得到每个节点使用封闭的图形化神经网络。之后,使用SoftMax来确定它的中心向量处理。大量的数据集用于测试该算法完成后的效果,和概率判断选择下面的知识一点。对知识的框架使用地图的学习路径推荐方法如图4。

4.3。构建个性化学习路径模型

规划一个个性化学习路径的本质为大学语法是安排的学习对象组候选人在订货内容,然后显示排序结构的学习者参考。系统自动推荐在前面列出的学习者,他们的下一个选择。具体的路径规划如图5。

作为学习者进入系统,他们可以推荐他们所需要的学习资料根据一定的规则,或者他们可以推荐的结果发送到学习者对自己的选择。因此,最重要的事情是确定候选人学习集和计算权重。

假设是一个粗粒度的学习对象细粒度的学习对象和需要学习, ,学习对象被定义为下面的公式:

基于知识地图,有一个先发制人的学习对象之间的关系,先发制人的关系被定义为下面的公式:

学习者只能获取和掌握学习对象后完全掌握学习对象的全部或大部分prelearning材料。意味着学习者掌握了所有点的前提 。通常,此阈值设置为0.6,这导致的定义 ,必备的学习对象的集合学习队列,如下:

根据计算,下一组建议学习者可以实现。

主题意味着学习者已经完成了所有的学习目标或最初的学习是空的。当学习者完成学习对象 ,一个新的被添加到 。

根据上面的公式,学习对象都是prelearning学习者已经掌握的对象。然而,一些学习对象并不满足学习需求。他们还需要进一步审查prelearning对象。这是公式回顾学习对象的集合:

候选人学习对象的集合,学习对象的总数正在等待审核。审查后的学习材料,必须保留维护设置。该算法安排候选人学习对象在一个指定的序列根据预定义的规则,然后学习者自己决定是否要学习下。这里的课程和知识定义点权重不同的公式,和知识点权重是由这些公式:

显示标题的困难 ,和显示的困难知识要点。该算法计算的平均每个知识的困难点 。 表示的好处学习序列学习者从学习中获得知识要点。代表的重要性知识要点。 ,W_米代表的重量米知识分在规划路线。高值表示这些知识是更适合学习者作为学习对象。

澄清后,没有课程的物化,其中一个是选择学习。点之间的差异之前安排法语课程的比较,分析了学习者的限制。下面的公式定义了重量法国的课程 。

前表示,学习者将收到好处 。法语课程,表示数量的学生广泛的课程,学习者将收到 。基于课程的重量,一个学习者学习的次数组研究表明学习者课程从课程学习获得高回报。因此,在这种语言将倾向于其他学习者。

5。分析应用程序的结果大学法语的个性化学习路径

本文构建的模型为大学法语个性化学习路径基于大数据的地图,因为它研究大学法语最好的个性化学习路径。从XuetangX数据集,基于数据的知识地图构建大学法语。有19个节点,19边缘,和70年练习在这个知识地图。他们三个是随机选择计划的个性化学习路径大学法语使用知识地图算法基于大型数据,和三个学习路径表中列出1得到:

根据表中的数据1学习知识的顺序点的三个学生是不同的。收入从计算获得的结果的学习知识的三个学生也不同,三个学生之间的差异并不重要的即使他们最初的学习行为是不同的。首先,知识序列之前计划从学习者的学习行为。在规划期内,没有新的学习行为发生。因此,学生只能在一个固定的预测序列学习风格在回答。因为数据的因素干扰,没有建立完整的知识地图,培训是非常小的数量,和记录课程视频很小,使得此参数无效。

5.1。分析学习的准确性

在这项研究中,为大学法语个性化学习路径的准确性基于大数据的映射进行了研究。根据表中的数据1,每个学习路径的推荐精度为1.0,0.947,和0.842计算替换成上面的公式中,这表明学习规划路径有更高的准确性(28,29日]。从当前数据集包含一个完整的法语课程的学习者,知识的时间点的列表建议将涉及学习者的学习。

点知识模型中的参数调整来突出个性化学习路径,添加和另外两组实验来比较,也就是说,学习路径规划与每个参数包括知识的利益点。这项研究的结果发表在表2和3。

表2显示相应的学习路径规划没有考虑的好处学习点知识。三个学生得到相同的学习路径规划因为知识点是相同的重要性和难度的学习者和不显示不同学生的个性化特征。表3是最初的学习路径。它不使用本文中提到的知识点参数和不考虑前提关系在知识地图。它是开放的配置点在指令由大学教授知识。从观察的结果,可以得出结论,计划的唯一方法路径不同于最初的学习路径是考虑知识地图的目标属性和关系约束的先决条件。每个学习者的学习好处可以加在一起来创建一个个人学习路径。

5.2。学习效率的分析

当证明该算法基于大数据的效率知识地图,本文从法国学院随机抽取10点知识学习者和他们比较。该算法的学习效率是通过个人学习基于蚁群算法的路径。结果如图6。

该算法基于知识的学习效率明显高于大地图数据,如线图如图所示6。个人学习路径是基于传统的蚁群算法,然后为每一个知识点类似的学习效率。这表明一个个性化的大学法语学习路径基于大数据的地图更有效率,可以充分利用每个学生的个性,提高学生的法语学习效率。

6。结论

个性化学习是当前一个热门话题的分析在教育大数据的时代和互联网。当大数据和互联网扮演着重要的角色在教育成就,系统设计显著扩大。在线学习网站的爆炸为教育部门提供了各种各样的新的学习数据。因此,它可以识别学习者的知识我点和内隐学习之间的关系。它旨在鼓励不同类型的学生使用适当的教学方法来最大化他们的好处。然而,在大数据时代,数据量的快速增长使学生无法找到一个合适的学习路径,面对丰富的教学资源,导致学习效率低,失去动力。本文以个性化学习路径为对象,建立大学法语大学法语的个性化学习路径模型基于大数据的知识地图。基于知识地图,它标识了学习路径算法在细节和开发个性化学习路径。三个法国学生从学院和大学随机比较不同的学习路径的学习成果。根据研究结果,最好的结果个性化学习路径基于大数据知识地图是那些可以为学生个性化课程计划。 When compared to students who follow a personalized learning path based on the ant colony algorithm, the algorithm mentioned in this paper has a higher learning efficiency. Several large college education datasets can be used to confirm the future, and more in-depth analyses can be performed in combination with learner behavioral aspects such as time spent answering questionnaires and frequency of reminders.

数据可用性

和/或使用的数据集分析在当前研究可从相应的作者以合理的要求。

的利益冲突

作者宣称他们没有利益冲突有关的出版。