湖南省大學生研究性學習和創(chuàng)新性實驗計劃_第1頁
湖南省大學生研究性學習和創(chuàng)新性實驗計劃_第2頁
湖南省大學生研究性學習和創(chuàng)新性實驗計劃_第3頁
湖南省大學生研究性學習和創(chuàng)新性實驗計劃_第4頁
湖南省大學生研究性學習和創(chuàng)新性實驗計劃_第5頁
已閱讀5頁,還剩4頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

項目申報表項目名稱:學習型微群中的學習資源推薦方法研究學校名稱湖南第一師范學院學生姓名學號專業(yè)性別入學年份陽小12403080108教育技術學女2012孫小涵12403080105教育技術學女2012羅馨12403080106教育技術學女2012郝月12403080107教育技術學女2012指導教師肖升職稱副教授項目所屬一級學科教育學學生曾經參與科研的情況1)申報省級大學生研究性學習和創(chuàng)新性實驗計劃項目“基于微群的專業(yè)學習平臺建構的研究2012473)”,并已結題。2)獲挑戰(zhàn)杯省3等獎,院1等獎。3)獲?!皠?chuàng)新之星”。4)申報“創(chuàng)青春”湖南省大學生創(chuàng)業(yè)項目“你型我塑工作室”,獲院2等獎。5)大學生公益創(chuàng)業(yè)策劃項目“夢想之翼”獲系二等獎。指導教師承擔科研課題情況主持各級各類課題5項;參與各級各類課題7項;發(fā)表各級各類論文21篇。與本項目密切相關的主要成果有:1)微群及其在微學習中的應用,電化教育研究,2013.6(CSSCI來源刊);2)社會學視域下微博與微群學習功能的對比研究,現(xiàn)代教育技術,2014.4(CSSCI來源刊);3)指導大學生研究性學習和創(chuàng)新性實驗計劃項目“基于微群的專業(yè)學習平臺建構的研究”(項目編號:2012473,省級,已結題)項目研究和實驗的目的、內容和要解決的主要問題1.項目研究的目的和要解決的主要問題:學習型微群是以學習為目的,以博文為學習資源和知識載體的微博用戶群組。作為一種跨時空、高度共享的虛擬學習共同體,學習型微群中所有學習活動的開展都離不開學習資源的支撐。沒有學習資源,學習型微群中的學習者不僅無法順暢完成交流、探究和協(xié)作,更不可能實現(xiàn)預期的學習目標。與傳統(tǒng)平臺(如主頁、論壇、社區(qū)、博客等)相比,學習型微群在聚集學習資源方面具有如下3點優(yōu)勢:博文篇幅短小,信息量大,以博文為知識載體的學習型微群更易生成海量學習資源。通過對多種移動終端(如手機、ipad、TabletPC、PDA、Laptop等)和多媒體技術(如語音、視頻等)的支持,學習型微群更易生成和傳播形式多樣的學習資源。由于用戶更具自媒體特性,學習型微群更方便以共建共享方式來聚集學習資源,在跟隨機制的驅動下,學習資源也更有可能在學習群體中產生爆炸式傳播效應[1-2]。學習型微群中迅速聚集和擴充的學習資源,一方面使學習者具備更多的選擇,但另一方面也會使其在海量學習資源面前出現(xiàn)選擇迷航現(xiàn)象。為滿足學習者不同背景和偏好的個性化需求,提高學習資源的使用效率,學習資源推薦技術成為了研究熱點[3]。通過對研究現(xiàn)狀的分析[3-10],本項目提出一種基于學習話題相似度的學習資源推薦方法。該方法首先用基于聚集策略的LDA(LatentDirichletAllocation)算法分別對成員和的博文進行話題分類;然后從分類結果中挑出與學習相關的話題,并用LDA所得的加權詞袋(由特征詞項及其權值組成)生成相應學習話題的向量空間模型(VectorSpaceModel,VSM);最后用基于VSM的余弦相似度算法對成員和的學習話題相似度進行計算,并據(jù)此完成兩者間的學習資源推薦。2.項目研究的內容:本項目的主要研究內容是基于學習話題相似度的學習資源推薦方法,此方法的步驟如下:1)用爬蟲工具爬取相關成員在某時間區(qū)間內所發(fā)的博文。2)對爬取的博文進行規(guī)范化和預處理。3)用基于聚集策略的LDA算法分別對成員和的博文進行話題分類?;诰奂呗缘腖DA算法是一種能將多個離散數(shù)據(jù)(如多條博文)聚集為一個長文檔,并對此長文檔進行主題建模的方法[11]。該方法的假設基礎是:一個長文檔由若干個隱含主題構成,而這些主題則由一個相關詞項集(即詞袋)表達。已有成果表明,該方法不僅能避免單條博文造成的數(shù)據(jù)稀疏問題,而且可以在一定程度上克服網絡語言不規(guī)范性引發(fā)的相關度計算障礙[12]。運用該方法可以逆向生成一個包含博文集、話題、詞3個層面的貝葉斯模型,此生成模型如圖1所示:圖1中,表示詞;是詞數(shù);表示話題;是話題數(shù),其最優(yōu)值可由標準貝葉斯方法求得[13];是“博文集-話題”層面的概率分布,是的超參數(shù),其值通常取50/;是“話題-詞”層面的概率分布;是的超參數(shù),其值通常取0.01[14];是博文數(shù)。LDA模型的參數(shù)個數(shù)只與和相關,其建模過程中需要估計的最重要的兩組參數(shù)是和。在現(xiàn)有估計方法中,基于Gibbs抽樣的參數(shù)推理方法由于能簡單高效地應對大規(guī)模文本集,因此成為了基于聚集策略的LDA算法中估計和的主流方法,其公式如下[15]:(公式1)(公式2)公式1中,表示長文檔中賦予話題的詞的總數(shù)。公式2中,表示詞被賦予話題的總次數(shù)。LDA的結果可用加權詞袋表示,加權詞袋中包含了表征話題的詞項及其權重。表1展示了3個加權詞袋的部分結果。從表1可以比較明顯地看出,與加權詞袋1、2、3相關的話題分別是“教育信息技術”、“Basic程序設計”和“毒疫苗事件”。4)從步驟3)的分類結果中人工挑選出與學習相關的話題。5)用基于VSM的余弦相似度算法對成員和的學習話題相似度進行計算。此步驟用空間向量模型表示話題,并將加權詞袋中的詞項及其權重對應為空間向量模型中的特征項及其權重。話題空間向量模型,其中為的第個特征項,為該特征項的權重。以表1中的話題為例,若取權重大于0.04的詞(信息、程序、毒疫苗、疫苗)為的特征項,則話題1、2、3可分別表示為、、。對兩個話題空間向量模型和而言,可以通過余弦相似度算法計算兩者的相似度。余弦相似度算法的計算公式如下:(公式3)公式3中,、分別代表、第個特征項的權重。仍以表1中的話題為例,用余弦相似度算法任意計算、、兩者之間的相似度,結果均為0,這說明3個話題并無相似性(與人的直覺相符)。6)根據(jù)成員和的學習話題相似度進行學習資源推薦。設定閾值來劃分學習話題相似度(),若,說明兩成員間的學習話題相似度較低,不適合進行學習資源的相互推薦;反之,說明兩成員間的學習話題相似度較高,適合進行學習資源的相互推薦,且推薦的學習資源應與相似話題密切相關。國內外研究現(xiàn)狀和發(fā)展動態(tài)在已有成果中,文獻[3]借鑒信息過載處理思想,提出了學習資源個性化推薦的研究框架和工作流程。文獻[4]以用戶模型為依據(jù),實現(xiàn)了基于本體的個性化學習資源推薦。文獻[5]以虛擬研究社區(qū)中電子文獻的個性化推薦為例,建立了知識推薦系統(tǒng)的體系結構和推薦機制,并結合內容過濾和協(xié)同過濾的推薦策略,設計了虛擬研究社區(qū)中顯性與隱性知識的推薦過程。文獻[6]以泛在學習資源——“學習元”為例,提出了一種針對泛在學習的內容個性化推薦模型。文獻[7-10]實踐了基于多Agent的網絡學習智能推薦模型,其中,文獻[7]提出了一種基于多Agent的遠程協(xié)作學習資源推薦機制。文獻[8]在“網絡課件-概念圖-學習資源庫”3層模型的基礎上,提出基于知識的資源推薦,并通過多Agent系統(tǒng)實現(xiàn)了在WC-C-R模型上進行資源推薦;文獻[9]運用界面Agent實現(xiàn)了與學習者的交互,利用基于知識推薦的Agent提供了與學習者興趣相關的推薦,利用基于相似學習者推薦的Agent向特定學習者推薦了新的知識;文獻[10]則提出了多角色案例推理Agent間的合作框架。參考文獻[1]馮英健.微博營銷與博客營銷的本質區(qū)別[DB/OL]./blog/fyj/1096.html[2]馮永,韓楠,賈東風.云計算環(huán)境下基于代表點增量層次密度聚類的微博事件檢測及跟蹤[J].計算機應用,2013,33(12):3559-3562,3595.[3]楊麗娜,劉科成,顏志軍.面向虛擬學習社區(qū)的學習資源個性化推薦研究[J].電化教育研究,2010,(4):67-71.[4]姜強,趙蔚,杜欣等.基于用戶模型的個性化本體學習資源推薦研究[J].中國電化教育,2010,(5):106-111.[5]楊麗娜,劉科成,顏志軍.虛擬研究社區(qū)中的知識分享與個性化知識推薦[J].中國電化教育,2010,(6):108-112.[6]陳敏,余勝泉,楊現(xiàn)民等.泛在學習的內容個性化推薦模型設計——以“學習元”平臺為例[J].現(xiàn)代教育技術,2011,21(6):13-18.[7]王志梅,楊帆.基于相似學習者發(fā)現(xiàn)的資源推薦系統(tǒng)[J].浙江大學學報(工學版),2006,40(10):1688-1691.[8]盧修元,周竹榮,奚曉霞.基于WC-C-R學習資源推薦的研究[J].計算機工程與設計,2006,27(23):4461-4464.[9]李唯唯,黃繼平,劉智.基于多Agent的網絡學習智能推薦模型[J].計算機工程與設計,2009,30(4):1039-1041.[10]楊麗娜,劉科成,顏志軍.案例推理Agent合作框架下的個性化學習資源推薦研究[J].中國電化教育,2009,(12):105-109.[11]趙愛華,劉培玉,鄭燕.基于LDA的新聞話題子話題劃分方法[J].小型微型計算機系統(tǒng),2013,34(4):732-737.[12]張志飛,苗奪謙,高燦.基于LDA主題模型的短文本分類方法[J].計算機應用,2013,33(6):1587-1590.[13]SteyversM,GriffithsTL.Probabilistictopicmodels[A].In:LandauerT,McNamaraDS,DennisS,etal.HandbookofLatentSemanticAnalysis[M].Hillsdale,NJ:Erlbaum,2007.[14]BleiD,NgA,JordanM.Latentdirichletallocation[J].TheJournalofMachineLearningResearch,2003,3(1):993-1022.[15]GriffithsTL,SteyversM.Findingscientifictopics[J].ProceedingsoftheNationalAcademyofSciencesoftheUnitedStatesofAmerica,2004,101(S1):5228-5235.本項目學生有關的研究積累和已取得的成績1)申報省級大學生研究性學習和創(chuàng)新性實驗計劃項目“基于微群的專業(yè)學習平臺建構的研究2012473)”,并已結題。2)獲挑戰(zhàn)杯省3等獎,院1等獎。3)申報“創(chuàng)青春”湖南省大學生創(chuàng)業(yè)項目“你型我塑工作室”,獲院2等獎。4)大學生公益創(chuàng)業(yè)策劃項目“夢想之翼”獲系二等獎。5)獲國家勵志獎學金、校一等獎學金、校三好學生、優(yōu)秀學生干部、優(yōu)秀團員、創(chuàng)新之星等榮譽。項目的創(chuàng)新點和特色1)用基于聚集策略的LDA算法分別對成員和的博文進行話題分類。2)用基于VSM的余弦相似度算法對成員和的學習話題相似度進行計算。3)根據(jù)學習話題相似度與閾值的關系設定判別標準,并據(jù)此完成兩者間的學習資源推薦。項目的技術路線及預期成果1.項目的技術路線本項目首先用基于聚集策略的LDA算法分別對成員和的博文進行話題分類;然后從分類結果中挑出與學習相關的話題,并用LDA所得的加權詞袋(由特征詞項及其權值組成)生成相應學習話題的向量空間模型;最后用基于向量空間模型的余弦相似度算法對成員和的學習話題相似度進行計算,并據(jù)此完成兩者間的學習資源推薦。2.預期成果1)改進基于學習話題相似度的學習資源推薦算法,并提供相應研究報告。2)創(chuàng)建一個可支撐本項目研究的學習型微群。3)初步搭建一個與研究主題相關的實驗平臺。4)預計在國內外核心刊物上發(fā)表與課題相關的論文2-3篇。以上預期成果將隨著研究進程的開展陸續(xù)公布。年度目標和工作內容(分年度寫)1.2014.6-2015.6的主要工作包括:1)改進基于學習話題相似度的學習資源推薦算法,并對算法的可行性進行初步驗證。

2)創(chuàng)建一個可支撐本項目研究的學習型微群,并基于該群設計實驗方案。

2.2015.7-2016.6的主要工作包括:1)初步搭建一個與研究主題相關的實驗平臺,并按計劃開展預設實驗。

2)對實驗結果進行分析,提出改進方案。

3)總結研究成果,撰寫與研究主題相關的學術論文。指導教師意見學習型微群是虛擬學習社區(qū)近年來的研究熱點,與其相關的學習資源推薦是解決微群學習者在面對海量學習資源而出現(xiàn)選擇迷航問題時的關鍵,因此本項目的選題新穎且實用。

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論