学习内容管理系统及其个性化推荐技术研究与实现

摘要

当今社会是一个高速发展的信息时代，网络在人们的生活中应用越来越广泛，互联网信息技术已经成为当今社会的主流技术。网络教学作为传统教学的延伸和补充，已经成为高校教学的重要组成部分。　　本文基于国内外研究机构对于网络教学系统的研究现状，针对目前网络教学存在的问题，结合学校CBL(Computer Based Learning)网络教学平台现有的课程设计、消息协作、资源共享等功能，运用SharePoint内容管理技术设计并实现了INE(IndividualNetwork Education)学习内容管理系统。此系统现已具备用户管理、多媒体课件制作、作业制作、发布学习内容、分配作业、访问教学内容等功能。学习内容制作者不仅可以利用INE系统开发设计结合文本、图片、视频、音频等素材的多媒体教学课件，而且可以将制作好的学习内容在CBL平台中发布，以供学习者在线访问。另外，INE的作业制作功能在保留传统作业多种题型特点的同时，也方便制作者在作业中加入大量的多媒体素材，让作业内容更丰富，并且可以灵活地为每个学习者定制不同的学习任务。由于CBL平台支持符合SCORM(Sharable Content Object Reference Model)标准的学习资源在线运行，所以系统制作的多媒体课件内容和作业内容均符合此标准。　　随着教学资源的不断丰富，CBL平台中包含了大量的学习内容。为完成学习目标，学习者需要在短时间内从一系列有先后次序的学习对象中挑选出一条最适合自己的学习路径。这样的难题对于学习者来说几乎就是不可能完成的任务，也是INE学习内容管理系统重点解决的问题。INE不仅实现了教学资源的整合，为资源的制作者和学习者提供工具和交互环境，而且能满足学习者的个性化学习需求，根据学习者的特点主动推荐合适的学习资源，使学习者能够使用最短的时间达到最好的学习效果，大大提高了网络学习的服务水平。　　本文选择蚁群算法解决学习路径推荐问题，是因为蚁群算法不仅具有高度并行性、正反馈性、鲁棒性以及协同性等优点，而且能够智能搜索，全局优化。蚁群算法现已广泛应用于很多学科，如:组合优化、通讯领域、集成电路线网布局、函数优化等。但是蚁群算法在运行过程中容易出现早熟现象，由于初期信息素的匮乏导致搜索时间较长，算法参数选择缺乏理论依据等问题仍需要解决。因此，本文针对基本蚁群算法应用中的问题提出了改进的扩展蚁群算法。　　本文在查阅大量国内外参考文献的基础上，提出的扩展蚁群算法核心思想是:为学习者找到最适合的学习路径，即从大量学习内容构建成的多条学习路径中，选择出与学习者知识水平和学习风格匹配度高、学习效果评价好的路径进行推荐。扩展蚁群算法以对学习者和学习对象特征的量化设计为基础，确定了与学习者特征相似的群体。并依据相似学习者对学习对象的评价以及与学习对象的匹配关系来指导学习路径的选择，加强了有价值信息素的正反馈作用，可以使算法在初期就能快速的收敛到较优解。由于蚁群算法参数选择对算法性能影响很大而且各参数之间紧密耦合，所以本文利用仿真实验研究探讨了各参数与扩展蚁群算法性能的关系，并且利用遗传算法优化了参数组合，保证扩展蚁群算法能够获得较优的运行性能。最后，为验证本文提出的扩展蚁群算法具有可行性和有效性，进行了模拟仿真实验。实验结果表明，该算法在加快蚁群算法收敛速度的同时，得到了较为理想的解。因此，运用本文提出的扩展蚁群算法进行学习路径推荐，能够很好地满足学习者的个性化学习需求。

目录

声明

摘要

第1章 绪论

1．1 研究背景及研究目标

1．1．1 研究背景

1．1．2 研究目标

1．2 研究现状

1．2．1 国外研究现状

1．2．2 国内研究现状

1．3 个性化学习路径推荐技术

1．4 论文组织结构

1．5 本章小结

第2章 基于CBL平台的学习内容管理系统INE

2．1 INE的系统架构

2．2 INE系统平台

2．2．1 CBL平台功能

2．2．2 CBL平台特色

2．3 INE系统主要功能

2．3．1 系统总体功能

2．3．2 用户管理功能

2．3．3 课件制作功能

2．3．4 作业制作功能

2．3．5 发布学习内容和分配作业功能

2．3．6 访问教学内容功能

2．4 与现有系统的比较分析

2．4．1 LMS、CMS、LCMS的联系与区别

2．4．2 LCMS的共同特点

2．5 本章小结

第3章 INE的个性化学习路径推荐策略

3．1 学习路径的推荐问题

3．2 INE系统的个性化学习模型

3．3 INE系统的个性化分析

3．3．1 学习者特征的定量描述

3．3．2 学习对象特征的定量描述

3．3．3 学习路径的生成

3．4 基本蚁群算法

3．4．1 蚁群算法原理及特点

3．4．2 基本蚁群算法数学模型

3．4．3 基本蚁群算法描述

3．5 基于扩展蚁群算法的学习路径推荐

3．5．1 相似学习者的定义

3．5．2 启发信息与信息素更新

3．5．3 学习对象的选择

3．5．4 学习对象推荐算法的实现步骤

3．6 本章小结

第4章 参数优化与分析

4．1 参数选择对扩展蚁群算法性能影响分析

4．1．1 启发因子对扩展蚁群算法的影响

4．1．2 期望启发因子对扩展蚁群算法的影响

4．1．3 信息素挥发因子对扩展蚁群算法的影响

4．1．4 学习效果评价对扩展蚁群算法的影响

4．1．5 随机抽取相似学习者数目对扩展蚁群算法的影响

4．2 扩展蚁群算法参数值的较优区间

4．3 利用遗传算法优化参数

4．3．1 遗传算法的基本原理

4．3．2 扩展蚁群算法的参数优化

4．4 学习路径推荐的仿真实验

4．5 参数优化效果分析

4．6 本章小结

第5章 总结与展望

5．1 全文总结

5．2 不足和展望

参考文献

致谢