学好的十大学习资源推荐

如何学好高中数学

陕西洋县中学（723300） 刘大鸣

1 提高听课的效率是关键

听课过程中的科学性。 听课要全身关注，全身关注就是全身心地投入课堂的学习，耳到、眼到、心到、口到、手到。若能做到上述“五到”，精力便会高度集中，课堂所学的一切内容便会在自己头脑中留下深刻的印象。

要认真把握好思维逻辑，分析问题的思路和解决问题的思想方法，坚持下去，就一定能举一反三，提高思维和解决问题的能力，此外还要特别注意老师讲课中的提示。最后一点是做好笔记，笔记不是抄板书而是将听课中的要点，思维方法等作出简单扼要的记录，以便思考、消化、复习。

2 做好复习和总结工作

（1）做好及时的复习。

复习的有效方法不是一遍遍地看书或笔记，而是采用回忆式的复习：先把书、笔记合起来回忆上课老师讲的内容，例如分析问题的思路、方法等（也可边想边在草稿纸上写一写）尽可能想得完整些。然后打开笔记本与书本，对照一下还有哪些没记清的，把它补起来，使当天上课的内容巩固下来，同时也检查了当天课堂听课的效果如何，为改进听课方法及提高听课效果提出了必要的改进措施。

（2）做好单元小结。

单元小结内容应包括以下部分内容 ：本单元（章）的知识网络；本章的基本思想方法（应以典型例题的形式将其表达出来）；自我体会：对本章内，自己做错的典型问题应有记载，分析其原因及正确答案，应记录下来本章你觉得最有价值的思想方法或例题，以及你还存在的未解决的问题，以便今后将其补上。

3 关于做练习题的问题

做题的目的在于检查你所学的知识、方法是否掌握得很好。如果你掌握得不准，甚至有偏差，那么多做题的结果，反而巩固了你的缺欠。因此在准确地把握住基本知识和方法的基础上做一定量的练习题才是必要的。而对于中档题，尤其要讲究做题的效益，即做题后有多大的收获，这就需要在做题后进行一定的“反思”，思考一下本题所用的基础知识，数学思想方法是什么，为什么这样想，是否有别的想法和解法，在解其它问题时，是否也用到过，把他们联系起来。

龙源期刊网

基于组合推荐技术的学习资源个性化推荐研究

作者：陈桃利 杨贯中

来源：《计算机光盘软件与应用》2013年第03期

摘要：通过调查发现，E-learning支持系统无法有效地向学习者个性化地推荐学习资源。为了进一步提高推荐系统的性能，本文尝试将协同过滤推荐技术引入学习资源的个性化推荐研究中。协同过滤推荐技术是一种应用最为广泛的个性化推荐技术，然而其面临着冷启动、数据稀疏性问题、规模可扩展性等问题。本文通过介绍协同过滤推荐技术的工作原理、实现方法及存在问题，提出了一个优化的基于协同过滤技术的学习资源个性化推荐系统的理论模型，重点讨论了隐式评分机制和算法的实现，以提升推荐系统的实时响应和推荐精度。

关键词：协同过滤；组合推荐技术；学习资源；个性化推荐

中图分类号：TP311.52 文献标识码：A 文章编号：1007-9599 （2013） 03-0000-03

1 引言

E-Learning已经成为一种新颖的学习方式。这种学习方式使得任何学习者在任何地点任何时间都可以开展学习活动，适应了灵活的开放式学习环境[1]。然而由于它忽略学习者的个性化特征，使得学习者对E-learning课程的满意度持续下降，学习者的数量快速减少[2，3]。为了解决这一问题，学习资源推荐系统应运而生。推荐系统将根据用户的个性化特征主动地为他们提供可能感兴趣的或者需要的学习资源[4]，从而提高推荐系统的推荐精度和推荐效率。目前的研究主要集中在对推荐技术如协同过滤技术、基于内容过滤技术、混合推荐技术的研究上[5-8]，随着学习者和信息量的激增，推荐精度和速度就成为推荐系统能否留住用户的两个首要的因素。

本文的组织结构如下：首先，简单概述了协同过滤技术的工作原理、实现方法及存在问题；其次，提出了一种解决方案和框架；最后，强调了该种方法的优势。

基于组合推荐技术的学习资源个性化推荐研究

摘要：通过调查发现，e-learning支持系统无法有效地向学习者个性化地推荐学习资源。为了进一步提高推荐系统的性能，本文尝试将协同过滤推荐技术引入学习资源的个性化推荐研究中。协同过滤推荐技术是一种应用最为广泛的个性化推荐技术，然而其面临着冷启动、数据稀疏性问题、规模可扩展性等问题。本文通过介绍协同过滤推荐技术的工作原理、实现方法及存在问题，提出了一个优化的基于协同过滤技术的学习资源个性化推荐系统的理论模型，重点讨论了隐式评分机制和算法的实现，以提升推荐系统的实时响应和推荐精度。

关键词：协同过滤；组合推荐技术；学习资源；个性化推荐

中图分类号：tp311.52 文献标识码：a 文章编号：1007-9599

（2013） 03-0000-03

1 引言

e-learning已经成为一种新颖的学习方式。这种学习方式使得任何学习者在任何地点任何时间都可以开展学习活动，适应了灵活的开放式学习环境[1]。然而由于它忽略学习者的个性化特征，使得学习者对e-learning课程的满意度持续下降，学习者的数量快速减少[2，3]。为了解决这一问题，学习资源推荐系统应运而生。推荐系统将根据用户的个性化特征主动地为他们提供可能感兴趣的或者需要的学习资源[4]，从而提高推荐系统的推荐精度和推荐

效率。目前的研究主要集中在对推荐技术如协同过滤技术、基于内容过滤技术、混合推荐技术的研究上[5-8]，随着学习者和信息量的激增，推荐精度和速度就成为推荐系统能否留住用户的两个首要的因素。

本文的组织结构如下：首先，简单概述了协同过滤技术的工作原理、实现方法及存在问题；其次，提出了一种解决方案和框架；最后，强调了该种方法的优势。

2 预备知识

龙源期刊网

基于学习效率的学习资源推荐算法

作者：林凌

来源：《电脑知识与技术》2014年第36期

摘要：针对目前网络学习系统学习资源推荐的不足，提出了一种基于学习效率的学习资源推荐算法。我们利用逻辑回归模型，以学习者学习前的测试结果作为输入，计算输出测验得分提高的最高期望值。该算法通过测验得分提高的期望值来量化学习效率，并通过推荐资源以最大化这个期望值。

关键词：网络学习；学习资源推荐；逻辑回归

中图分类号：G424 文献标识码：A 文章编号：1009-3044（2014）36-8653-01

我们使用的传统教材中的资料和练习的先后顺序是固定的，这会使得学习非常低效，因为一些学习者会发现他们做的练习对他们来说太简单了，或是有的学习资料在目标测试中并没有涉及。我们提出一种可以直接提高学习效率的学习资源推荐算法。它可以使学习效率被测验得分提高的期望值所量化，以实现提高期望值的最大化。换句话说，我们的资源推荐算法使得学习者可以得出问题的正确答案，而这些问题在他们使用我们推荐的学习资源学习之前是无法正确作答的。

逻辑回归模型以学习者在学习之前不能正确作答的问题作为输入，就可以估算测验得分提高的期望值。利用学习日志数据和学习者测验结果来培养我们的逻辑回归模型，我们可以自动获取有利于测验成绩提高的学习资源信息。

1 推荐算法

1.1 准备工作

xi=1/-1，表示学习前问题i是/否被正确作答；yi=1/-1，表示学习后问题i是/否被正确作答。那么，学习前后的一系列测验问题V的结果分别用矩阵表示：

X=（xi）i∈V，Y=（yi）i∈V

zi是变量，zj=1表示资源j在学习期间被推荐，否则

zj =0 （1）

我们用Z矩阵表示推荐的资源，Z=（zj）j∈M，这里的M表示一系列的学习资源。