导读:本文包含了在线学习模型论文开题报告文献综述及选题提纲参考文献，主要关键词:在线学习,学习率,梯度下降,情感分类
在线学习模型论文文献综述
邱宁佳,沈卓睿,胡小娟,王鹏,高奇[1]（2019）在《在线学习情感分类模型研究》一文中研究指出本文结合Adadelta算法学习率自适应调整和Adam算法避免了训练后期频繁抖动的特点,提出了Adamdelta算法,解决了传统FTRL-Proximal在线学习算法学习率随着训练次数增加逐渐消失的问题。使用一阶和二阶矩估计进行偏差修正调整FTRL-Proximal算法学习率,再使用梯度下降求解模型权重参数,进而得到LR模型,并以此模型完成在线学习情感分类工作。为了验证改进算法的优越性,利用IMDB电影评论文本做实验数据,与5种模型进行对比分析。实验表明,改进算法具有更好的分类效果,有效的提高了分类器的准确率和召回率。(本文来源于《长春理工大学学报(自然科学版)》期刊2019年05期）
舒莹,姜强,赵蔚[2]（2019）在《在线学习危机精准预警及干预:模型与实证研究》一文中研究指出对学生学习行为进行全面的定量化描述、学业诊断、精准预警、处方干预,有助于准确识别学习危机学生,提供精准教学服务。本研究利用数据挖掘和学习分析技术,跟踪分析在线学习中非干预行为数据,包括过程性结构化外显信息(如学习状态、学习交互、学业水平等)和非结构化内隐信息(如学习者情绪),确定在线学习危机预警因素。本研究采用朴素贝叶斯构建精准预警模型,利用准实验设计对处于学习危机的学生进行聚类分组,并提出采用邮件通知人工干预和在线学习支持环境自动干预两种策略,同时通过信誉积分和预警指标干预制度加以保障。研究结果表明,模型能够准确识别学习者学习状态与趋势,发现学习异常者;干预策略能够有效引导学生学习,化解学习危机,促进个性化教学和学生管理。(本文来源于《中国远程教育》期刊2019年08期）
沈欣忆,吴健伟,张艳霞,李营,马昱春[3]（2019）在《MOOCAP学习者在线学习行为和学习效果评价模型研究》一文中研究指出中国慕课大学先修课(MOOCAP)是采用大规模开放在线课程(Massive Open Online Course,MOOC)和中国大学先修课程(Chinese Advanced Placement, CAP)相融合的方式,借助高等教育领域和基础教育领域的学科专家、资深教师,根据高中生的特点将大学课程进行重新设计的在线课程,是慕课大学先修课。本研究充分利用学习者在MOOCAP中的在线学习行为数据,采用德尔菲法、专家排序法、专家工作坊等多种研究方法,构建MOOCAP在线学习行为和学习评价模型,对MOOCAP课程的学习评价工作具有较强的指导性和可操作性,弥补了以往单凭学习成绩进行评价,或者仅依靠单一学习行为得出一些描述性结论的弊端,更具有全面性和系统性,为学生个性化的发展提供充分的过程评价数据依据,挖掘出学习者各自的学习特性,实现有针对性的"因材施教"。(本文来源于《中国远程教育》期刊2019年07期）
卓荣庆,柏忠贤[4]（2019）在《基于数据挖掘的学习者在线学习行为分析模型构建》一文中研究指出在线学习作为一种新型的学习方式及教育模式,提高了人们的学习效率和认知方式,但也面临着许多挑战,目前高校在线学习平台存在学习课程完成率低、学生学习兴趣低和学习效果无法保障等问题,如何监督和干预学习过程,构建学习者在线学习行为分析模型是解决问题的关键。本论文从数据挖掘的角度出发,通过在线学习行为数据采集、数据处理、数据分析以及反馈预测评价等手段,对学习者在线学习行为进行分析与建模,从而提高学习者在线学习的效果。(本文来源于《计算机产品与流通》期刊2019年03期）
蒋志辉,赵呈领,李红霞,黄琰,疏凤芳[5]（2018）在《在线学习者感知的教师支持行为模型构建》一文中研究指出在线学习中学习者表现自学能力差、浅层学习、辍学率高等问题频发不止,让其发展前景迷雾重重。如何拨雾见云?研究着力于在线学习中学习者感知的教师支持行为模型构建,设计了"维度构成研究——问卷设计与检验——模型构建"等叁个部分的整体研究思路,层层递进,逻辑严谨。即从质性研究的视角分析了教师支持行为的维度构成,从量化分析的视角验证了各维度间的逻辑关系,运用结构方程模型从系统论的视角构建了学习者感知的教师支持行为模型。研究发现:学习者感知教师支持行为分为情感性支持、社交性支持、知识性支持及工具性支持四个维度。通过对修正后结构模型的路径分析效应发现,知识性支持受社交性支持和工具性支持的影响;情感性支持和工具性支持受社交性支持的正向影响。社交性支持对知识性支持具有直接的影响,又存在通过工具性支持的间接影响。基于结论可得几点启示建议。(1)桥梁与纽带:情感性支持和社交性支持是开展在线学习的重要因素;(2)保障与引领:知识性支持与工具性支持是发展在线学习的前置因素。(本文来源于《中国电化教育》期刊2018年11期）
冯晓英,刘月,吴怡君[6]（2018）在《学习者在线学习水平的学习分析模型研究——临场感学习分析模型构建与方法探索》一文中研究指出文章从学习分析的视角,旨在构建在线学习者临场感水平的学习分析模型,同时探索有效构建学习者模型的方法路径。文章选取了两个典型的在线课程作为研究案例,采用内容分析、社会网络分析、相关分析、岭回归、多元线性回归等方法分别对两个案例进行建模,并对两组模型和数据进行相互验证与比对。研究发现:(1)两组学习分析模型均具有较高的解释度和通用性,能够较好地综合表征学习者的在线学习水平;(2)A组模型适合我国典型的以"自主学习+教师辅导(师生互动)为主、生生交互为辅"的在线课程,B组模型则适用于以"自主学习+生生交互为主、师生交互为辅"的在线课程;(3)"相关分析+岭回归+多元线性回归"的建模方法有助于提高模型的解释度,利用多组数据建模并验证模型通用性的思路具有可行性。(本文来源于《电化教育研究》期刊2018年07期）
张杜娟[7]（2018）在《在线学习环境下学习者特征模型研究》一文中研究指出随着大数据、学习分析、计算科学等技术的迅速发展,个性化学习、适应性学习等技术是在线学习环境中的重要研究问题,其中学习者模型研究是实现个性化学习的核心和基础,针对当前大部分研究将学习者学习风格、认知水平乃至行为风格等进行分割研究的现状,论文围绕在线学习环境下的学习者特征展开进一步的综合研究。论文的主要工作体现在叁个方面。首先,在分析国内外在线学习学习者建模研究的基础上,采用文献分析法,提出了一种在线学习环境下的学习者特征综合模型。该模型分别从学习者基础信息、认知水平、学习风格、交互行为特征和在线学习社交特征等五个方面刻画学习者在线学习特征,以便于从不同的维度对学习者进行画像。其次,在所提出的学习者模型基础上,研究了在线学习环境下的学习者特征分析技术。其中,采用相关分析法和回归分析法分析认知水平;采用K-Means算法分析学习风格;采用层次分析法分析交互行为特征;采用社会网络分析法分析在线学习社交特征。最后,利用实际应用系统提供的数据对所提出的模型和分析技术进行了实证研究。包括基于行为数据的认知水平相关分析和回归分析、基于聚类的学习者信息加工风格分析、基于行为数据的学习者忠诚度和投入度分析、基于社会网络的声望和中心度分析。实际数据分析表明了所提出的模型和分析方法的有效性,从而可以为在线学习环境下个性化服务提供理论和实践指导。(本文来源于《华中师范大学》期刊2018-05-01）
兰国帅[8]（2018）在《探究社区理论模型:在线学习和混合学习研究范式》一文中研究指出本研究采用知识图谱可视化分析法,挖掘国外探究社区研究的学术期刊、研究热点和前沿文献的知识图谱,以期解读探究社区模型的多维内涵,审视国外探究社区的研究现状,明确未来研究方向,为国内在线和混合学习研究者的学术批判与研究范式的转变提供参考。研究结果表明,探究社区理论模型是由认知存在、社会存在和教学存在叁个相互依存要素构成,以协作建构主义为理论基础,以协作建构学习与批判性反思对话为实施理念,以批判性探究迈向有意义学习和深度学习为实施路径,以培养学生的批判性思维、反思性思维和高阶思维为终极目标,包含在线学习和混合学习在内的动态、过程导向的有效教学理论模型。2000年起,《互联网和高等教育》等期刊成为国际探究社区研究成果交流的重要载体,研究主题聚焦探究社区模型的整体架构,尤其关注探究社区叁要素之间,及与其他促进深度在线学习相关变量(批评性思维、学习社区感、学习满意度、学习效果和学习持久性)之间关系的研究;探究社区中认知存在的实践探究模型与元认知,社会存在的情感反应、交互式响应和凝聚力反应叁者之间的关系,来自参与者的教学存在,方法论方面的测量量表及元认知测量量表的开发等研究受到重视。研究热点涉及基于文本的异步学习网络与教学存在、认知负荷研究及基于设计的研究;探究学习社区与深度学习、批判性思维、学习策略研究、教育支持;虚拟学习社区与元认知研究;教学存在与学习效果研究;元认知与学习效果研究;社会存在与学习绩效研究等。兰迪·加里森等学者及其前沿文献颇具影响力,形成了国际探究学习社区研究的高影响力学术共同体派系。(本文来源于《开放教育研究》期刊2018年01期）
钱研[9]（2017）在《基于BCLRHK模型的大学生个性化在线学习资源推送研究》一文中研究指出“互联网+”在教育中的应用引发了教育界的重大变革。学习的个性化是教育变革的重要内容。个性化学习能有效激发学习者的个人能力,与高校的人才培养目标相吻合。利用互联网和数字化的创新技术,为每位学生定制属于自己的个性化学习资源,这正是信息化时代在线教育的使命。但是,大学生在资源的获取和利用方面并没有真正实现个性化[1]。海量的在线资源与大学生无针对性的盲目检索之间的矛盾;未能高效地利用这些资源,造成资源浪费;并未真正实现定制化、个性化、交互性学习的愿景等等[2]。基于相关的理论基础,本论文构建了面向大学生的个性化在线学习资源推送模型——BCLRHK模型。本论文由六章构成。第一章是绪论,阐述研究背景和问题的提出;国内外研究现状;研究内容、框架及研究方法;研究意义及创新之处等;第二章为核心概念界定及理论基础,主要对个性化学习、在线资源,推送模型等核心概念进行解释,并阐述了多元智能、个性化学习、联通主义、人本主义等这些理论对本研究的启示作用。第叁章为面向大学生的在线学习资源推送现状与需求调查分析,主要介绍了调查设计;问卷编制及信效度分析;调查过程;调查结果分析等内容。调查对象包括:大学生、高校授课教师、高校在线资源管理教师、资源推送教师、教务处信息化科、网络管理中心、教育技术中心的相关教师等。运用SPSS对调查结果进行了详细的统计分析,总结出面向大学生的个性化在线学习资源推送现状及需求情况,为模型的构建奠定基础。第四章为面向大学生的个性化在线学习资源推送模型建构,包含模型的设计理念、构建依据、设计原则、模型的构建、模型的各个要素分析等内容。对学习者特征、动态资源数据库、个性化在线学习环境、资源组织形式、资源推送策略、资源推送平台、资源推送策略、资源推送技术、保障机制等九大要素进行了详细分析。第五章为面向大学生的个性化在线学习资源推送模型的应用分析,通过行动研究进一步论证模型的适用性及合理性。最后对BCLRHK模型的构成要素和应用等进行了总结,并指出应用BCLRHK模型进行大学生个性化资源推送的后续研究。本论文主要的研究意义如下:1. .BCLRHK模型的构建旨在为大学生学习提供真正所需的资源。本文深入探讨了如何构建面向大学生的个性化在线学习资源推送模型,并对模型的应用进行了详细分析。2.解决大学生面临丰富的网络资源所产生的信息迷航。解决海量网络资源与大学生高效和个性化学习之间的矛盾。本文以海量网络资源与大学生高效和个性化学习之间的矛盾为出发点,深入探究了网络资源的推送形式,利用BCLRHK模型推送在线学习资源,使大学生的个性化学习有效开展。3.为高等学校解决资源推送问题提供可参考的模型和应用方法。开展了行动研究—在高校的叁个学院、八个专业、323名大学生的《大学物理》课程中进行了应用实验研究,对构建的模型进行详细的应用分析,为高等学校实现大学生的个性化资源推送提供借鉴意义。(本文来源于《东北师范大学》期刊2017-05-01）
李阳[10]（2017）在《大数据环境下在线学习行为分析模型研究》一文中研究指出互联网技术及教育信息化的快速发展加快了人们的学习、改变了思维及认知方式,在线学习模式迅速兴起并受到了广泛的认可。这种全新的学习方式及教育模式,必将会驱动教育信息化的变革与创新。在线学习在迅速发展的同时也面临着一些挑战,在线学习平台中较低的课程完成率和用户流失现象频繁发生,为找出形成此状况的原因,在大数据背景下分析在线学习平台中记录的大量用户学习行为数据,通过追踪用户在学习过程中产生的各种学习行为得出分析结果,可以为教师和平台管理者进行监督和干预学习者学习提供一定的指导建议。因此,本文在总结在线学习行为发展现状和相关理论研究的基础上,首先对在线学习行为的内涵进行了界定,将人工智能理论引入进来,从结构维度、功能维度及方式维度对在线学习行为进行了类别划分,在分析在线学习行为关联因素及驱动力的基础上,给出了大数据环境下在线学习行为分析模型的总体架构。其次依据分析模型的总体架构,自左向右、自上向下对大数据环境下在线学习行为分析模型进行了构建,先从多维度、多层次角度构建了在线学习行为数据模型,确定数据采集的来源、方法及过程,之后对在线学习行为分析模型的横向流程和纵向流程进行了设计。在此基础上,利用大数据处理技术对在线学习行为分析模型中的各个环节所涉及的具体算法进行了实现。最后选取哈尔滨理工大学在线学习平台进行实证分析,从基于K-means算法的学习行为聚类分析、基于Page Rank算法的个性化课程推荐分析、与学习效果的关联性分析叁个方面进行了深入研究,并依据分析结果给出应用效果与启示。本文丰富了行为科学与人工智能理论方法及应用,深入研究了在线学习行为分析模型,不仅可以为行为数据的采集与分析提供理论基础和数据标准,还方便教师及平台管理者进行细致化及专业化的教学管理,对推动我国教育信息化快速发展具有重要的指导意义。(本文来源于《哈尔滨理工大学》期刊2017-03-01）
在线学习模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
对学生学习行为进行全面的定量化描述、学业诊断、精准预警、处方干预,有助于准确识别学习危机学生,提供精准教学服务。本研究利用数据挖掘和学习分析技术,跟踪分析在线学习中非干预行为数据,包括过程性结构化外显信息(如学习状态、学习交互、学业水平等)和非结构化内隐信息(如学习者情绪),确定在线学习危机预警因素。本研究采用朴素贝叶斯构建精准预警模型,利用准实验设计对处于学习危机的学生进行聚类分组,并提出采用邮件通知人工干预和在线学习支持环境自动干预两种策略,同时通过信誉积分和预警指标干预制度加以保障。研究结果表明,模型能够准确识别学习者学习状态与趋势,发现学习异常者;干预策略能够有效引导学生学习,化解学习危机,促进个性化教学和学生管理。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
在线学习模型论文参考文献
[1].邱宁佳,沈卓睿,胡小娟,王鹏,高奇.在线学习情感分类模型研究[J].长春理工大学学报(自然科学版).2019
[2].舒莹,姜强,赵蔚.在线学习危机精准预警及干预:模型与实证研究[J].中国远程教育.2019
[3].沈欣忆,吴健伟,张艳霞,李营,马昱春.MOOCAP学习者在线学习行为和学习效果评价模型研究[J].中国远程教育.2019
[4].卓荣庆,柏忠贤.基于数据挖掘的学习者在线学习行为分析模型构建[J].计算机产品与流通.2019
[5].蒋志辉,赵呈领,李红霞,黄琰,疏凤芳.在线学习者感知的教师支持行为模型构建[J].中国电化教育.2018
[6].冯晓英,刘月,吴怡君.学习者在线学习水平的学习分析模型研究——临场感学习分析模型构建与方法探索[J].电化教育研究.2018
[7].张杜娟.在线学习环境下学习者特征模型研究[D].华中师范大学.2018
[8].兰国帅.探究社区理论模型:在线学习和混合学习研究范式[J].开放教育研究.2018
[9].钱研.基于BCLRHK模型的大学生个性化在线学习资源推送研究[D].东北师范大学.2017
[10].李阳.大数据环境下在线学习行为分析模型研究[D].哈尔滨理工大学.2017