基于大数据的个性化学习环境构建研究
摘要 | 第4-5页 |
abstract | 第5页 |
一、绪论 | 第12-19页 |
(一)选题背景与意义 | 第12页 |
1.选题背景 | 第12页 |
2.选题意义 | 第12页 |
(二)基于大数据个性化学习环境的研究现状 | 第12-17页 |
1.国外教育大数据的研究现状 | 第12-13页 |
2.国内教育大数据的研究现状 | 第13-14页 |
3.国外个性化学习研究现状 | 第14-15页 |
4.国内个性化学习研究现状 | 第15-16页 |
5.研究现状总结 | 第16-17页 |
(三)研究内容与思路 | 第17-19页 |
1.本文的研究内容 | 第17页 |
2.本文的研究方法 | 第17页 |
3.本文的研究思路 | 第17-18页 |
4.研究意义与创新之处 | 第18-19页 |
二、相关概念及理论 | 第19-26页 |
(一)大数据的概念及特征 | 第19页 |
(二)个性化学习的含义 | 第19-20页 |
(三)个性化学习环境的定义 | 第20页 |
(四)相关学习理论 | 第20-22页 |
1.建构主义学习理论 | 第20-21页 |
2.马斯洛需求层次理论 | 第21-22页 |
(五)协同过滤推荐算法 | 第22-25页 |
(六)皮尔逊相似度 | 第25-26页 |
三、基于大数据个性化学习环境的设计分析 | 第26-33页 |
(一)大数据对个性化学习环境的支持 | 第26-27页 |
1.大数据拓展了学习者的路径与空间 | 第26-27页 |
2.大数据支持更为高效的个性化交互 | 第27页 |
3.大数据可以实现更为人性化的学习评价与诊断 | 第27页 |
4.大数据可以达成更为精准的学习策略与方法定制 | 第27页 |
(二)基于大数据的个性化学习环境的设计原则 | 第27-28页 |
1.为学习者提供多样化的学习路径 | 第27-28页 |
2.促进学习者的自主建构 | 第28页 |
3.尊重学习者的自身发展 | 第28页 |
(三)基于大数据个性化学习环境的设计要素 | 第28-33页 |
1.学习策略的设计 | 第28-29页 |
2.学习工具的设计 | 第29-31页 |
3.学习资源的设计 | 第31-32页 |
4.学习活动的设计 | 第32-33页 |
四、基于大数据的个性化学习环境中资源整合机制 | 第33-41页 |
(一)前端数据收集 | 第34页 |
(二)过程数据挖掘 | 第34-35页 |
1.Web日志挖掘 | 第34-35页 |
2.Web数据预处理 | 第35页 |
(三)构建实时学习模型 | 第35-38页 |
1.实时模型信息的采集及处理 | 第35-36页 |
2.初始信息采集 | 第36-37页 |
3.初始信息处理 | 第37页 |
4.动态信息采集 | 第37-38页 |
5.动态信息处理 | 第38页 |
(四)情感体验调控 | 第38-39页 |
1.情感挖掘 | 第38页 |
2.学习进度 | 第38-39页 |
3.答题准确度 | 第39页 |
(五)个性化学习资源推荐算法 | 第39-41页 |
1.基于用户的协同过滤推荐算法 | 第39-40页 |
2.基于项目的协同过滤推荐算法 | 第40-41页 |
五、基于大数据个性化学习平台实现 | 第41-52页 |
(一)个性化学习平台的设计 | 第41-46页 |
1.功能结构 | 第41-43页 |
2.业务流程分析 | 第43页 |
3.数据库建立 | 第43-46页 |
(二)开发模式技术路线 | 第46-47页 |
1.MVC | 第46页 |
2.SpringMVC | 第46页 |
3.开发工具:eclipse、SQLServer | 第46页 |
4.Web服务器:ApacheTomcat | 第46-47页 |
(三)核心功能模块的实现 | 第47-52页 |
1.平台界面的实现 | 第47-48页 |
2.智能搜索模块的实现 | 第48-49页 |
3.学习进度调控模块的实现 | 第49-51页 |
4.学习资源推荐模块的实现 | 第51-52页 |
六、研究结论与展望 | 第52-54页 |
(一)本文工作总结 | 第52-53页 |
(二)未来工作展望 | 第53-54页 |
参考文献 | 第54-57页 |
作者攻读学位期间的学术成果 | 第57-58页 |
致谢 | 第58-59页 |