下载文档原格式
第43卷湖北师范大学学报(自然科学版)Vol.43第1期Journal of Hubei Normal University(Natural Science)No.1,2023基于联邦学习的智能学习推荐系统模型的构建与应用余亚烽1,刘兴红1,徐 琦2,张 涵1,陈 雪1,陶胜阳1(1.湖北师范大学计算机与信息工程学院,湖北黄石 435002;(2.华中师范大学人工智能教育学部,湖北武汉 430079)摘要:传统的机器学习方法尚未解决学习推荐系统中存在的用户隐私、数据孤岛、系统“冷启动”和法律约束等问题,而联邦学习不仅能解决以上问题,而且是一个极具发展潜力且有待深入探索的新方向。
基于此,将联邦学习和学习推荐系统相结合,建立了基于联邦学习的智能学习推荐系统模型。
首先,重点阐述了联邦学习的概念和分类。
其次,系统分析了当前学习推荐系统中亟待解决的关键问题。
最后,构建了基于联邦学习的智能学习推荐系统模型,并将横向联邦学习推荐系统模型应用于同学科、同学龄的教育场景中,将纵向联邦学习推荐系统模型应用于跨学科、跨学龄的教育场景中,并分别介绍了这两种推荐系统模型的训练过程。
关键词:联邦学习;学习推荐系统;智能学习推荐系统;个性化学习推荐中图分类号:G64 文献标志码:A 文章编号:2096-3149(2023)01-0064-07doi:10.3969/j.issn.2096-3149.2023.01.0100 引言在“互联网+”时代,MOOC、超星学习通等学习系统为师生提供了丰富的网络学习资源,为学习者带来了巨大的便利。
然而,学习者在海量的学习资源中难以迅速找到适合自己的学习资源[1]。
要实现这种个性化的资源推荐服务,对学习推荐系统的智能性要求很高。
随着人工智能技术的发展和教育大数据的不断累积,学习推荐服务的准确性和智能性已有较大进步,但仍面临数据隐私、数据孤岛、系统“冷启动”和法律约束等问题。
为此,本研究引入“联邦学习”的概念,联邦学习能在保护数据隐私的基础上,使各参与方协同训练机器学习模型,能最大程度地提高模型精确度。
第 22卷第 6期2023年 6月Vol.22 No.6Jun.2023软件导刊Software Guide基于ENA的学习者测评数据分析——以C语言实验课程为例刘放，赵希武，徐行健，孟繁军（内蒙古师范大学计算机科学技术学院，内蒙古呼和浩特 010022）摘要：教育信息化时代，教育理论和信息化手段的融合对传统教育评价提出了新挑战。
引入一种定量分析方法，即认知网络分析法，对采集的43名大学生C语言实验课程的随堂测验数据进行可视化分析和统计分析，分别生成不同组别和性别的认知网络图。
分析结果表明，不同绩效组在认知结构上有明显差异，不同性别学生在认知结构上各有所长，同时基于研究结果提出建议和改进策略，为一线教师开展信息化教学和评价提供借鉴。
关键词：认知网络分析；测评数据；可视化分析；教学评价DOI：10.11907/rjdk.221826开放科学（资源服务）标识码（OSID）：中图分类号：G642 文献标识码：A文章编号：1672-7800（2023）006-0280-06Analysis of Learner Evaluation Data Based on ENA——Taking C Language Experiment Course as an ExampleLIU Fang， ZHAO Xi-wu， XU Xing-jian， MENG Fan-jun（School of Computer Science and Technology， Inner Mongolia Normal University， Hohhot 010022，China）Abstract：In the age of educational information， the integration of educational theory and information means poses new challenges to the tradi‐tional educational evaluation.This paper introduces a quantitative analysis method， cognitive network analysis， to visually analyze and statisti‐cally analyze the in-class test data of 43 college students′ C language experimental courses， and generate cognitive network diagrams of differ‐ent groups and genders respectively. The results show that there are obvious differences in cognitive structure among different performance groups； Students of different genders have their own strengths in cognitive structure. Based on the research results， this paper puts forward meaningful suggestions and improvement strategies， which provides a reference for front-line teachers to carry out information-based teaching and evaluation.Key Words：epistemic network analysis； evaluation data； visual analysis； teaching evaluation0 引言教育部印发的《教育信息化2.0行动计划》提出，持续推进信息技术和智能技术深度融入教育教学全过程，推动改进教学、优化管理、提升绩效［1］。
基于智能终端的个性化学习资源推送系统设计与实现课题报告：一、引言随着信息技术的快速发展和智能终端的普及，个性化学习资源推送系统已经成为现代教育中的关键技术和研究热点。
本报告旨在分析当前个性化学习资源推送系统的现状，探讨存在的问题，并提出相应的对策和建议，以设计和实现一套高效、个性化的学习资源推送系统。
二、现状分析1. 智能终端在教育领域的应用趋势随着智能手机和平板电脑等智能终端设备的普及，越来越多的学生和教师开始借助智能终端进行学习和教学活动。
智能终端提供了便捷的学习工具和资源，为学生和教师创造了更自由、灵活的学习环境。
2. 个性化学习在教育中的重要性个性化学习是根据学生的兴趣、能力和学习目标，精确地推送适合他们的学习资源和学习活动，以满足每个学生的个性化需求。
个性化学习可以提高学生的学习效果和学习动机，促进他们的自主学习和深度学习。
3. 现有个性化学习资源推送系统的特点目前已经有一些个性化学习资源推送系统被开发和应用于教育领域，这些系统通常采用了推荐算法和个性化学习模型，根据学生的特征和学习历史为其推荐相关的学习资源。
然而，这些系统仍然存在一些问题和挑战，需要进一步完善和改进。
三、存在问题1. 数据收集和分析不完备个性化学习资源推送系统需要实时、准确地收集和分析学生的学习数据，包括学习行为、学习兴趣、学习历史等。
然而，目前的系统中存在着数据收集不完备、数据分析不准确的问题，导致推荐结果的效果不佳。
2. 推荐算法不够准确和个性化针对个性化学习资源推送系统中的推荐算法，目前的研究主要集中在基于协同过滤和内容过滤的算法上，但是这些算法往往只能推荐与学生过去学习相似的资源，无法准确预测学生的学习需求和兴趣。
3. 学习资源的质量和多样性不足个性化学习资源推送系统的推荐结果受到学习资源的质量和多样性的限制。
目前的系统往往只能推送少数热门的学习资源，无法满足学生的多样化学习需求。
四、对策建议为了解决上述存在的问题，设计和实现一套高效、个性化的学习资源推送系统，需要采取以下对策和建议。
多模态学习分析：理解与评价真实学习的新路向作者：汪维富毛美娟来源：《电化教育研究》2021年第02期[摘要] 随着物联网、可穿戴传感设备、人工智能的快速发展，多种模态数据的连续抓取与融合分析成为可能，促成了多模态学习分析研究的诞生，并成为学习分析领域的一个重要新兴分支。
多模态学习分析关注真实的学习情境与本真的学习交流方式，“返璞归真”地聚焦更普遍的物理学习情境，克服了主流学习分析过度关注数字化学习环境的局限。
研究主要采用文献归纳法，阐述了多模态学习分析的发展动因、概念理解，重点从身体、生理视角概述了多模态的数据类型，并对多模态学习分析的过程模型进行了详细描述。
研究认为，未来要充分借助人工智能处理多模态数据，借鉴认知带理论融合不同模态数据的意义，借力学习理论来理解真实的多模态学习交互过程，以进一步完善基于多模态数据的学习评价方法。
[关键词] 多模态学习分析; 物理学习环境; 可穿戴设备; 生理数据; 数据融合; 学习评价; 认知带[中图分类号] G434 [文献标志码] A[作者简介] 汪维富（1986—），男，江西鄱阳人。
博士研究生，主要从事远程开放教育、教师教育信息化研究。
E-mail：*****************。
一、引言转向建构主义学习范式是当下课程改革的主流方向，但是仍有不少学者对建构性学习的有效性提出质疑[1]，其潜在原因是建構性学习支持的高阶学习结果是极难衡量的，在学校情境中难以实现规模化评估，特别是在小组协作、任务复杂的开放学习环境中，传统纸笔支持的标准化测量方法往往无法展现其积极的学习影响。
《深化新时代教育评价改革总体方案》提出，要“充分利用信息技术，提高教育评价的科学性、专业性、客观性”[2]，寻求新技术支持的学习评价方法正成为教育评价改革的重要方向之一。
二、多模态学习分析的发展动因基于大数据的教育评价是教育现代化的重要特征。
近年来，大数据驱动的学习分析方法拓展了传统标准化学习评估方法，如使用来自学习管理系统、MOOC、社交媒体环境、教育游戏等的大数据，对学习过程与结果有了更细致全面的刻画方法。
教育大数据背景下学习结果预测研究的内容解析与设计取向作者：牟智佳武法提来源：《中国电化教育》2017年第07期摘要：基于数据集的学习分析和人工智能技术的深入发展，使得以优化学习过程、缩短学习改善周期为目标的学习结果预测得到研究者的广泛关注和实践探索。
文章首先对数字化学习环境下的学习预测研究探索进行梳理，辨析其研究特性，之后纵向解析了学习结果预测研究中的内容，并横向剖析了研究中存在的问题；在此基础上，从情境、理论、数据、方法和结果五个层面对未来学习结果预测研究的设计取向进行讨论；最后，对以学习者为中心的数据的预测设计原理进行阐释，并设计个性化学习结果预测研究框架，以明晰其系统化分析流程与结果。
关键词：学习结果预测；学习分析；人工智能；个性化学习；设计取向中图分类号：G434 文献标识码：A一、数据集驱动学习预测研究的发展契机计算机和数据科学的进步使得基于新类型证据的决策得到前所未有的发展。
尽管数据科学已经在商业、工程、技术、科学等领域建立了良好的应用基础，但对教育领域的影响和渗透还尚未全面展开。
近年来，移动技术的逐渐普及和网络学习资源的指数性增长使得数字化学习逐渐成为常态，而增强现实技术和可穿戴技术的兴起则进一步丰富了数字化学习方式和学习环境。
大数据技术和数据科学给教育带来的冲击使得研究者、管理者、教育企业、教师等不同角色人员开始重视对不同学习情境和学习方式下生成的数据进行整合与分析，并逐步形成了基于不同类型数据集进行学习测量与计算的学习评价新生态。
与此同时，学习分析探索已走过初期对分析模型、应用价值、发展方向等理论方面的研究，正转向基于数据集的可视化分析和学习行动，以将其理论分析的价值转化成实际应用效能。
在教育大数据和学习分析的背景下，以优化学习过程和改善学习成效为目标的学习预测研究迅速得到研究者的广泛关注和实践探索。
而以模式识别、计算感知、神经网络、机器学习等为代表的人工智能技术的深入发展则为学习预测研究提供了分析技术上的有力支撑，从而使学习预测有了实现实时动态监测和智能化分析的可能。
学习资源个性化推荐系统的学习者模型构建随着互联网的发展，各类学习资源呈现爆发式增长，学习者在获取知识的过程中面临着信息过载和资源分散的问题。
个性化推荐系统成为了解决学习者获取有效知识的重要手段之一。
本文将会围绕学习者模型构建，探讨学习资源个性化推荐系统的相关内容。
一、学习者模型构建的意义学习者模型构建是个性化推荐系统的基础，它主要包括用户建模和学习资源建模两个方面。
用户建模是根据学习者的个性化需求和行为习惯，利用数据挖掘和机器学习技术构建学习者的模型，包括兴趣、偏好、知识水平等方面的描述。
学习资源建模是将学习资源进行结构化和标注，以便于系统能够从中挖掘出与用户需求匹配的资源。
学习者模型构建的意义在于通过建立模型，能够更好地理解学习者和学习资源之间的关系，从而为个性化推荐系统提供更准确的推荐结果。
1. 数据采集学习者模型构建的第一步是进行数据采集，主要包括学习者的行为数据和学习资源的元数据。
学习者的行为数据可以通过学习平台、社交网络、搜索引擎等渠道进行采集，包括学习历史、点击行为、评分行为等。
学习资源的元数据包括资源的标题、标签、内容、作者等信息，可以通过资源发布平台、网页抓取等方式进行采集。
2. 数据预处理一般来说，原始的行为数据和元数据存在着噪音和冗余，需要进行清洗和整合。
在数据预处理阶段，需要对数据进行去重、过滤、归一化等操作，以使数据能够被系统更好地理解和处理。
3. 特征提取学习者模型构建的关键之一是特征提取，即从原始数据中挖掘出能够描述学习者和学习资源的特征。
学习者特征可以包括年龄、性别、学历、兴趣爱好等，而学习资源特征可以包括主题、内容类型、难易程度等。
特征提取的方法包括基于规则的特征提取、基于统计的特征提取和基于机器学习的特征提取。
4. 模型训练在完成特征提取之后，就可以利用机器学习技术构建学习者模型和学习资源模型了。
学习者模型可以采用协同过滤、内容推荐、标签推荐等方法进行训练，而学习资源模型可以采用主题挖掘、内容分析、关联规则挖掘等方法进行训练。
电子书包支持下的个性化学习研究电子书包是一种支持个性化研究的工具。
个性化研究是指根据学生的兴趣、需求、认知水平等个体差异，提供最佳的研究方法和策略，以促进个性和能力的最大化发展。
个性化研究以学生自身的特征和实际需求为导向，以多样的策略和研究路径为关键，以多元发展性评价为落脚点。
在教育信息化“十三五”规划中，教育部明确提出，数字教育资源服务要基本满足信息化研究需求和个性化研究需求。
因此，探索以“个性化”为核心的电子书包课堂教学改革，不仅能够促进学生的个性化发展，还有助于推动教育理念和方法的进步。
电子书包对个性化研究的支持主要体现在五个方面：大数据分析与学情诊断、云资源生成与推送、多维协作与互动支持、研究监督与“一对一”指导、多元发展性评价。
其中，大数据分析与学情诊断是指应用电子书包对学生的行为数据进行分析，从而诊断研究问题。
电子书包支持云资源生成与推送，可以根据学生的研究需求，选择相应的资源进行推送，学生可以寻求个性化的研究指导。
多维协作与互动支持包括师生交互、生生交互、生机（学生与电子书包）交互，主要以资源传输、问题讨论、评价反馈为主。
例如，在课堂上，学生可以使用电子书包在互动空间中进行专题讨论活动，可以小组协作完成一个研究作品，并进行共享评价。
电子书包还支持研究监督与“一对一”指导，以及多元发展性评价，为个性化研究提供数据支撑和方向指引。
研究监督和“一对一”指导是电子书包的重要功能。
通过电子书包，学生可以实现研究进度监督和行为监督，同时获得来自教师或人工智能的“一对一”指导服务。
此外，电子书包还可以监督研究结果，帮助学生调整研究策略，克服研究问题。
在课堂中，学生可以利用电子书包获得练检测的结果，并得到来自教师或智能软件的指导和帮助。
这种多元发展性评价方式可以支持学生形成错题集，建立档案袋，存放研究作品，记录研究行为，动态生成学生成长簿，并形成电子量规，促进学生调整研究策略。
基于教学设计的基本原理和方法，结合个性化研究的内涵，电子书包支持的个性化教学设计可以分为6个环节。
