下载文档原格式
基于XML的教育资源元数据描述摘要：教育资源建设是教育信息化的重要主题，本文首先阐述了教育资源建设的现状、国内外教育资源建设标准，在介绍国内资源标准化规范的基础上提出了基于LOM规范的教育资源标准化问题。
其次，从整体上叙述了学习对象元数据的描述方法和描述工具。
关键词：教育资源；学习对象元数据；描述方法；描述工具一、学习对象元数据及分层描述机制学习对象，指的是在任何学习行为中可以被使用、重用或是引用的任何的实体。
所谓元数据就是描述数据的数据，是对数据本身的描述。
LOM学习对象元数据，主要用于描述学习对象的属性，如学习对象的名称、格式、教学目的等。
在LOM规范中，为了资源的共享和互操作性，学习对象元数据格式应该是一致的，有相同的语义模型和绑定方法。
可以描述学习对象元数据的工具——扩展标记语言XML （Extensible Markup Language）与HTML一样，是SGML（Standard Generalised Markup Language——标准通用型标记语言），1996年由W3C XML工作组开发成功，1998年10月成为XML 1.0版。
XML的目标是使通用SGML在网上可以通过HTML 来实现。
因为XML是一种半结构化的语言，且具有良好的扩展性和结构化的数据形式，现在已成为各个领域数据、描述信息的载体。
LOM定义了一个层次结构的概念模型，层次结构的模型可以方便的表示包含许多元素和子元素的数据。
XML文档就是层次结构的，它由元素组成，元素也可以有自身的内容和属性。
因此，XML成为远程教学中描述学习对象元数据及其内容结构的一个很好的语言。
在CELTS-32标准中就制定了XML绑定子规范。
规范提供了对教育资源属性进行XML标记的格式约束，提供编写相应DTD文档或Schema文档的依据。
综合LOM规范和教育资源建设技术规范可以发现，在LOM规范中，所有的数据元素被分为两类：必需数据元素和可选数据元素。
现代远程教育资源建设技术规范（试行）教育部现代远程教育资源建设委员会二ＯＯＯ年五月目录关于规范的说明1. 前言*2. 国外研究资源建设标准的现状*1．LOM模型*2．Dublin core *3. 现代远程教育资源系统体系结构*现代远程教育资源建设技术规范1. 术语定义*1.1媒体素材*1.2题库*1.3案例*1.4课件与网络课件*1.5网络课程*2. 媒体素材*2.1总则*2.2文本素材*2.3 图形（图像）素材* 2.4 音频素材*2.5 视频素材*2.6 动画素材*3. 题库*3.1 理论模型*3.2 试题组织*3.3 试题的分布结构* 3.4 试题质量要求* 3.5 试题的参数标注* 3.6 试题的抽样测试* 3.7 网络题库基本功能*3.8 题库运行环境要求*4. 网络课件库* 4.1体系*4.2 软件的功能要求* 4.3 设计原则*4.4 输入／输出标准* 4.5 运行的平台要求* 4.6 开发的要求*4.7 提交的产品要求*4.8 软件的属性标准*5. 案例库*5.1编写要求*5.2 案例组成*5.3属性标注*6. 文献资料库*6.1入选的文献资料必须符合如下要求之一*6.2属性标注*7. 网络课程*7.1基本要求*7.2 课程教学内容*7.3 课程导航*7.4 教学活动设计*7.5 教学设计原则与开发要求*7.6 基本教学环境设计*7.7 网络课程的属性描述*8. 教学支持系统功能要求*8.1授课系统*8.2 适应性学习系统*8.3 辅导答疑系统*8.4作业发布、批阅系统*8.5 网络题库系统*8.6 远程考试及评价系统*8.7师生交流工具*8.8虚拟实验环境*8.9 远程教学管理系统*8.10 教育科研搜索引擎*8.11 教学资源编辑制作工具及管理系统*8.12 远程教学评价系统*9. 管理系统功能要求*9.1 系统设计原则*9.2 教学资源库的管理*9.3 远程教育的系统管理*10．数据结构说明*10.１结构类型*10.2编码类型*关于规范的说明1. 前言实施现代远程教育工程形成开放式教育网络，构建终身学习体系，是充分利用和优化我国教育资源，普及与提高全民素质，降低教育成本与让全民享有充分受教育权利的一次重大工程。
《3D打印技术》课程标准一、课程说明二、课程定位本课程是应用电子技术专业无人机应用技术方向的核心课程、专业必修课程。
先修课程是无人机概论、机械基础、无人机构造与制作、无人机装调实训等课程。
本课程通过项目式任务驱动方式，采取一体化教学方法，培养学生从事无人机生产、调试、维护的能力、具备上岗的基本综合专业能力以及可持续发展的社会能力。
三、设计思路本课程是应用电子技术专业无人机应用技术方向的核心课程，是一门实践性强的理论结合实践的课程，要求学生学习本课程之前掌握机械基础、电工基础、电子技术基础、无人机构造与制作等理论知识，且有一定的动手能力即理论联系实践解决实际问题的能力。
本课程重点讲解了3D打印机的产生与发展历史，简述了打印原理以及材质的分类；通过生动案例展示3D打印的具体流程，分析了主流打印技术，包括光固化成型技术，激光烧结技术等，介绍了当前主要3D打印机的类型，阐述了打印机保养维护的方法，最后介绍3D打印机在各行业特别是无人机行业的应用。
本课程的学习按照工学结合的学习模式，以任务为载体，贯彻“做、学、教”的一体化项目教学模式的指导思想，运用项目教学法编制教学项目，通过模块化编写方式，力求体现趣味性、易学性的特点，教学中加入了丰富的案例和图片，结合职业院校学生的学习特点，使学生“一教就懂，一学就会，一做就成”，符合高职学生的知识水平、能力水平以及职业岗位的需求，充分运用互联网+教育信息化，在网络中开设网络课程，在实训室多做多练，真正掌握3D打印技术基本设计、编程、工艺、操作等关键技能，为从事无人机行业打下良好基础。
四、课程培养目标1.专业能力（1）了解各种3D打印机基本构造，了解国内外3D打印技术的发展技术，了解3D打印机的型号、类型；（2）了解3D打印机的工作原理，懂得3D打印技术的应用，熟练操作机器。
具有维护、保养3D打印机的能力；（3）能够掌握设计软件的安装、应用，打印切片软件的安装及应用；（4）掌握3D打印机操作能力，能够设计制造打印出无人机相关配件。
杭州3D打印分享：3D打印技术之LOM技术1.分层实体制造。
箔材叠层实体制作（Laminated Object Manufacturing）快速原型技术是薄片材料叠加工艺，简称LOM。
1）、由美国Helisys公司的Michael Feygin于1986年养发成功，该公司推出了LOM-1050和LOM-2030两种型号的成型机。
除了美国Helisys公司以外，还有日本Kira 公司、瑞典Sparx公司、新加坡Kinersys精技私人公司、清华大学、华中理工大学等！2）、LOM原理：箔材叠层实体制作是根据三维CAD模型每个截面的轮廓线，在计算机控制下，发出控制激光切割系统的指令，使切割头作X和Y方向的移动。
供料机构将地面涂有热溶胶的箔材（如涂覆纸、涂覆陶瓷箔、金属箔、塑料箔材）一段段的送至工作台的上方。
激光切割系统按照计算机提取的横截面轮廓用二氧化碳激光束对箔材沿轮廓线将工作台上的纸割出轮廓线，并将纸的无轮廓区切割成小碎片。
然后，由热压机构将一层层纸压紧并粘合在一起。
可升降工作台支撑正在成型的工件，并在每层成型之后，降低一个纸厚，以便送进、粘合和切割新的一层纸。
最后形成由许多小废料块包围的三维原型零件。
然后取出，将多余的废料小块剔除，最终获得三维产品。
3）、适用领域：由于分层实体制造在制作中多适用纸材，成本低。
而且制造出来的木质原型具有外在的没感性和一些特殊的品质，所以该技术在产品概念设计可视化、造型设计评估、装配检验、熔模铸造型芯。
砂型铸造木模、快速制模母模以及直接制模等方面得到广泛的应用！4）、LOM优缺点：优点在于：A、成型速度快，由于只要使激光束沿着物体的轮廓进行切割，不用扫描整个断面，所以成型速度很快，因此常用于加工内部结构简单的大型零件，制作成本低。
B、不需要设计和构建支撑结构。
C、原型精度高，翘曲变形小。
D、原型能承受高达200摄氏度的温度，有较高的硬度和较好的力学性能。
E、可以切削加工。
LOM快速原型技术与应用发表时间：2008-4-3 郭启全来源：CADesigner关键字：快速成型LOM技术应用原理信息化应用调查在线投稿加入收藏发表评论好文推荐打印文本LOM快速原型系统是所有快速原型系统中，效率最的一种快速原型系统，LOM快速原型系统可以制作大型、复杂与体积大原型件。
本文转载自台湾《CADesiner》杂志第239期，在此致谢！著作权与出版权属于作者所有, 所有未经同意的任何转载的行为都属于非法使用本文,须负法律责任。
前言快速成型系统技术其结合了计算机信息、机械设计、自动控制、高能光束学、材料科学等领域的知识而成。
快速成型系统特色为可整合设计与制造，即在产品设计时间便以模型测试设计之可行性、可制造性、外观、功能等，并可缩短设计时间。
产品外形可很复杂，中空状工件不需模心，适合制造小尺寸工件。
此外，工件可用多种材质、颜色来建构组成。
劲度、密度、热传导性等机械性质可由制程中予以优化控制至所需要条件。
不需发展特殊刀具、模具，可节省制作模具之成本，而且不需要设计到制造间之转换过程或定义复杂之加工程序。
由于LOM 快速原型系统所使用之CO2雷射仅对原型件外形轮廓(outline of shape)进行切割，此过程如与SLA(Stereo lithography Apparatus)快速原型系统相较，LOM快速原型系统是所有快速原型系统中，效率最高(the most efficient process)的一种快速原型系统，LOM快速原型系统可以制作大型(large)、复杂(complex)与体积大(voluminous)原型件。
因此，本文针对LOM快速原型系统原理进行简介，接续介绍LOM快速原型系统应用。
快速原型技术概述快速原型系统(Rapid Prototyping System ,RP)乃是使用计算机辅助设计(Computer Aided Design, CAD)之产品数据或其他数字数据藉由快速高自动化的制程而可直接制作三维的立体对象(physical model)。
AI人工智能教育应用领域 -个性化学习30例AI 人工智能教育应用领域个性化学习 30 例在当今数字化的时代，AI 人工智能正在以惊人的速度改变着教育领域。
个性化学习作为其中的一个重要方面，为学习者提供了更加贴合自身需求和特点的教育体验。
以下将为您呈现 30 个 AI 人工智能在教育中实现个性化学习的实例。
1、自适应学习系统许多在线学习平台利用 AI 技术开发了自适应学习系统。
例如，Khan Academy（可汗学院）通过分析学生的学习行为和表现，为每个学生定制个性化的学习路径，推荐最适合他们当前水平和进度的课程内容。
2、智能辅导软件像松鼠 AI 这样的智能辅导软件，能够实时解答学生的问题，并根据学生的困惑点提供针对性的讲解和练习。
3、个性化阅读推荐一些阅读类的教育应用，如 ReadTheory，会根据学生的阅读水平、兴趣爱好为他们推荐合适的文章和书籍，提高阅读兴趣和能力。
4、语言学习应用Duolingo（多邻国）运用 AI 评估学生的语言能力，制定个性化的学习计划，包括单词、语法、听力和口语等方面的练习。
5、数学学习平台IXL Math 可以根据学生的数学成绩和薄弱环节，生成个性化的数学练习题，帮助学生巩固知识、提高解题能力。
6、虚拟学习伙伴某些教育产品中引入了虚拟学习伙伴，如微软小冰。
它可以与学生交流，了解他们的学习心情和困难，提供鼓励和支持。
7、智能写作助手比如 Grammarly，不仅能检查语法错误，还能根据学生的写作水平和风格提供改进建议，帮助学生提高写作能力。
8、个性化课程生成一些在线教育平台能够根据学生的学科偏好、未来规划等因素，生成专属的课程组合。
9、学习进度跟踪与提醒AI 可以实时跟踪学生的学习进度，当学生进度落后时，及时发送提醒和鼓励的消息，帮助他们保持学习的动力。
10、智能错题本作业帮等应用通过 AI 技术分析学生的作业和考试错题，整理出个性化的错题本，并提供相应的错题讲解和同类题练习。
【作者简介】荆永君,东北师范大学理想信息技术研究院博士研究生;钟绍春,东北师范大学理想信息技术研究院教授、博士生导师。
教育资源研究热点述评荆永君,钟绍春(东北师范大学 吉林 长春 130024) 【摘 要】教育资源作为教育信息化建设的核心,其相关问题研究越来越受到人们的关注。
鉴于教育资源的研究工作将对今后教育信息化发展的影响,笔者对教育资源建设的规范和途径、资源的存储、搜索、共享、配送和评价等问题进行了分析和总结,讨论了教育资源相关问题研究的未来发展方向。
【关键词】教育资源;建设规范;建设途径;存储;搜索;共享;配送;评价【中图分类号】G 40-057 【文献标识码】B 【文章编号】1001-8700(2008)02-0026-04 教育信息化将信息作为教育系统的一种基本构成要素,在教育领域全面深入地运用现代化信息技术来促进教育改革和教育发展过程。
教育信息化的结果必然形成一种全新教育形态:信息化教育。
信息化教育具有教材多媒体化、资源全球化、教学个性化、学习自主化、活动合作化、管理自动化、环境虚拟化等显著特点,其中教育资源是所有应用的核心[1]。
教育信息资源作为教育信息化建设的核心,在提高教育教学质量,挖掘教育发展潜力上发挥着重要的作用。
《教育大词典》对教育资源涵义的解释是:“(1)通常指为保证教育活动正常进行而使用的人力、财力、物力的总和。
(2)教育的历史经验或有关教育信息资料。
”[2]教育资源是以保证教学活动正常进行为基本功能,具有支持教学和提高教育效果的功能。
从资源的本质角度出发,有人把教育资源定义为:“教育资源是指支持、促进、教育的物质、能量、信息等方面的内外因素和条件。
”[3]随着远程教育的出现和发展教育资源并不局限于人力、物力和财力三个方面,教育资源的外延变得更为宽泛和丰富。
本文所探讨的教育资源是指以数字信号在互联网上进行传输的教育信息。
一、教育资源建设规范的研究教育资源建设是教育信息化的基础,是需要长期建设与维护的系统工程。
叠成分层实体制造（Laminated Object Manufacturing：LOM）一、概念LOM工艺将单面涂有热溶胶的纸片通过加热辊加热粘接在一起。
位于上方的激光器按照C AD分层模型所获数据，用激光束将纸切割成所制零件的内外轮廓，然后新的一层纸再叠加在上面通过热压装置和下面已切割层粘合在一起，激光束再次切割，这样反复逐层切割、粘合、切割，直至整个零件模型制作完成。
LOM原理：将CAD模型输入成型系统，通过切片软件进行切片处理。
系统组成：计算机、原材料存储及送进机构、热粘压机构、激光切割系统、可升降工作台和数控系统、模型去除装置和机架。
控制系统与控制软件控制对象：材料送进、热压辊、扫描与切割、工作台、温度控制、激光能量控制。
控制软件：STL格式文件的纠错和修补软件。
三维模型的切片软件激光切割速度与切割功率的自动匹配软件激光束宽度的自动补偿软件材料处理系统制造过程：1、原材料存储及送进机构将存于其中的原材料，按照每层所需材料的送进量将材料送至工作台上方。
2、热粘压机构将一层层材料粘结在一起。
3、激光切割系统按照计算机提取的横截面轮廓线，逐一在工作台上方的材料上切割出轮廓线，并将无轮廓区切割成小方网格，为了在成型之后能剔除废料。
4、可升降工作台由伺服电动机经精密滚珠丝杠驱动，用精密直线滚珠导轨导向，从而能在高度方向做快速、精密往复运动。
分层实体特点：优点：◎原材料价格便宜，原型制作成本低◎制件尺寸大◎无须后固化处理◎无须设计和制作支撑结构◎废料易剥离◎能承受高达200℃的高温（热物性与机械性能好，可实现切削加工0◎原型精度高◎设备可靠性好，寿命长◎操作方便缺点：◎不能直接制作塑料工件◎工件的抗拉强度和弹性不够好◎工件易吸湿膨胀◎工件表面有台阶纹，需打磨层叠实体制造工艺的分层叠加过程（1）叠层实体制造工艺参数：1）激光切割速度2）加热辊温度与压力3）激光能量4）切碎网格尺寸（2）原型制造过程：1）基底制作2）原型制作层叠实体制造误差分析：1）CAD模型的前处理造成的误差2）设备精度误差3）成形过程中的误差4）成型之后环境变化引起的误差提高层叠实体制造精度的措施：1）在保证成型件形状完整平滑的情况下，在进行STL转换时，尽量避免过高的精度。
人工智能智能辅助学习个性化学习路径设计在当今信息时代，人工智能（Artificial Intelligence，AI）已经渗透到我们生活的方方面面，对教育领域的影响也愈发显著。
人工智能技术的快速发展和广泛应用，为学生提供了个性化学习路径的设计，使得教育变得更加智能化、高效化、满足学生的学习需求。
本文将就人工智能智能辅助学习，重点探讨个性化学习路径的设计。
一、人工智能智能辅助学习的定义与优势人工智能智能辅助学习是指通过教育科技和人工智能技术，对学生进行个性化学习支持和激励。
它的优势主要体现在以下几个方面：1.1 提供切实有效的学习辅助人工智能智能辅助学习可以基于学生的学习习惯、知识水平和学习进度，提供有针对性的学习资源和辅导，进一步激发学生的学习兴趣，帮助他们更好地掌握知识。
1.2 个性化学习路径设计借助人工智能技术，教育平台可以根据学生的学习表现和特点，智能地制定个性化学习路径。
不同的学生有不同的学习风格和需求，个性化学习路径可以为每个学生量身打造适合他们的学习计划和资源，提高学习效果。
1.3 实时智能评估与调整人工智能智能辅助学习系统可以根据学生的学习情况以及做题和答题的准确性，进行实时评估并给出个性化反馈。
同时，它还可以根据评估结果调整学习内容和难度，使学生在逐渐掌握基础知识的同时，挑战更深层次的学习内容。
二、个性化学习路径设计的关键因素个性化学习路径的设计需要充分考虑以下几个关键因素：2.1 学生的学习表现和特点个性化学习路径应该基于学生的学习表现和特点进行设计。
通过分析学生的答题情况、学习时长、学习兴趣等数据，系统可以自动调整学习内容和推荐学习资源，确保学生可以高效、有针对性地提升学习水平。
2.2 学科内容和难度不同学科的学习内容和难度各异，个性化学习路径必须根据学科的特点进行设计。
例如，在数学学科中，系统可以根据学生的数学能力和知识水平，智能调整题目的难度和顺序，提供适合学生掌握的学习内容。
人工智能视域下个性化学习路径推荐：机理、演进、价值与趋势人工智能视域下个性化学习路径推荐：机理、演进、价值与趋势一、引言随着信息化时代的来临，个性化学习成为教育领域研究的热点之一。
个性化学习是指根据学习者的特点，通过科学的手段和方法，为每个学习者提供有针对性的学习内容和学习路径。
而在人工智能的快速发展下，个性化学习的机理、演进、价值与趋势也日益受到关注。
本文将通过对人工智能视域下的个性化学习路径推荐进行综合分析和探讨，以期揭示个性化学习在人工智能时代的新面貌和潜力。
二、机理探究1.数据驱动的学习模式。
在人工智能视域下，个性化学习路径推荐的机理主要基于学习者的数据分析与模式识别。
学习者通过学习活动产生的大数据被聚集和分析，从而形成学习者的特征向量。
通过对学习者个性化需求的预测和分析，可以实现对学习者个性化学习路径的推荐。
数据驱动的学习模式使个性化学习成为可能。
2.深度学习与模式识别技术的应用。
在个性化学习推荐中，深度学习和模式识别技术发挥着重要作用。
深度学习模型可以从海量的学习数据中自动提取和学习学习者的特征，实现对学习者个性化需求的准确预测。
模式识别技术可以帮助系统识别学习者的学习模式和偏好，从而更好地为学习者推荐合适的学习内容和学习路径。
三、演进过程1.基于知识推荐的个性化学习路径。
最早的个性化学习路径推荐主要是基于知识推荐的。
这种推荐方式主要根据学习者的学习目标和知识需求，为学习者推荐相关的学习资源和学习路径。
虽然这种方法可以较好地满足学习者的个性化需求，但是由于缺乏对学习者特征的深入挖掘，推荐效果常常不理想。
2.基于协同过滤的个性化学习路径。
协同过滤是一种常见的个性化推荐算法，在个性化学习路径推荐中也得到了广泛应用。
该方法通过分析学习者之间的相似性和共同行为，为学习者推荐与其兴趣相似的学习资源和学习路径。
这种方法可以较好地解决冷启动和数据稀疏等问题，提高了推荐的准确性和效果。
3.基于学习者模型的个性化学习路径。
基于LOM的人工智能教学资源整合与个性化学习导航摘要:学习对象元数据(LOM, Learning Object Metadata)是IEEE采用的一种表示学习对象(教学资源)信息的规范,本文采用LOM规范管理网络教学资源,通过LOM中的“关系”元素表示教学资源之间的依赖关系,构造从LOM到扩展知识结构图的转换接口,从而利用基于扩展知识结构图的教学规划方法为学习者提供个性化学习导航。
以人工智能教学资源整合和学习导航为例加以说明。
关键词:学习对象元数据;学习导航;资源整合随着无线互联网、“三网”融合等信息高速公路基础设施的逐步完善以及互联网教学资源的迅速增长,互联网作为一种信息与知识的传播手段正在改变教与学的关系。
同时,现代社会对人才的多元化需求也要求学生具备通过互联网进行自主学习与评价的能力。
互联网教学资源具有数量多、形式多样、分布式存储、不断变化且无统一规范等特点。
同时,教学资源与学习者及学科知识模型之间也没有统一的关联规范。
对于大多数学习者而言,在利用含有海量教学资源的互联网进行学习时通常会迷失方向。
为提高互联网优质教学资源的利用效率,迫切需要对互联网上不断增加的海量教学资源进行整合并为学习者提供个性化学习导航服务。
关于教学资源整合以及学习导航的方法得到了广泛地研究[1-4]。
学习对象元数据(LOM, Learning Object Metadata)规范是IEEE采用的一种表示学习对象(教学资源)信息的规范。
不但可以用于整合教学资源,还可以表示教学资源之间的依赖关系。
本文提出一种教学资源整合以及学习导航的框架,采用LOM表示教学资源元信息,利用XML表示LOM,并将LOM的XML数据转换为扩展知识结构图,并在扩展知识结构图的基础上实现教学规划与学习导航。
1基本框架1.1基于学习对象元数据(LOM)的资源整合全国信息技术标准化技术委员会(CELTS)教育技术分会制定了教育信息相关规范,CELTS将IEEE的学习对象元数据(LOM, Learning Object Metadata)规范封装在CELTS-3中,包括3个子规范,其中CELTS-3.1为信息模型规范,CELTS-3.2为元数据的XML绑定规范,CELTS-3.3为实践指南,CELTS-3.4为测试规范。
基于LOM的知识模型与个性化学习控制韩光辉;曾诚【期刊名称】《计算机与现代化》【年(卷),期】2012(0)5【摘要】As the core of expert model, knowledge representation is a key problem for intelligent teaching in ITS. Form representation of knowledge topics and their relation are discussed. A model of knowledge topics and learning control strategy based on LOM are presented. Knowledge topics are designed and packaged as learning objects, so reusability, manageability, customizability and interoperability of learning contents are improved. ITS itself has some knowledge understanding ability based on semantic description ability of LOM. Knowledge can be discovered and associated based on semantic computing ability of knowledge network whose nodes are LOM model. Personalized learning is realized by mapping dynamically expert knowledge network into the students knowledge network.%在智能教学系统中,知识模型是专家模型的核心,是实现智能教学的一个关键问题.本文讨论知识点及其相互关系的形式表示,提出基于LOM的知识点模型与学习控制策略.知识点被设计、封装为学习对象,提高了学习内容的可重用性、可管理性、可定制性与互操作性.LOM的语义描述能力,使得系统本身具有一定程度的知识理解能力.以知识点LOM模型为结点的知识网络是语义网络,其语义计算能力便于知识的发现与关联.将专家知识网络动态映射为学生知识网络,实现了个性化学习.【总页数】4页(P149-151,156)【作者】韩光辉;曾诚【作者单位】武汉商业服务学院信息工程系,湖北武汉430056;武汉大学软件工程国家重点实验室,湖北武汉430072【正文语种】中文【中图分类】G434【相关文献】1.基于SoLoMo的图书馆个性化信息推送服务研究 [J], 贺宜春2.基于云计算的个性化知识模型研究 [J], 王小军3.基于Web的智能教学系统知识模型与学习控制 [J], 刘寅;黄燕4.基于SoLoMo的智慧图书馆个性化服务研究 [J], 张晓霞5.基于KADS的个性化机电产品知识模型 [J], 陈洪军; 毛宁; 陈庆新因版权原因，仅展示原文概要，查看原文内容请购买。
