英语碎片化阅读中学习资源自适应推荐的研究与应用

发布时间：2020-05-04 17:31

【摘要】：随着移动互联网和信息技术的发展和普及,英语阅读学习资源越来越丰富,学习方式也越来越移动化、智能化。信息的急剧增长和无序分布给英语学习者随时随地自主的个性化学习带来了挑战。在移动碎片化学习情境中,如何快速地从海量数据信息中挖掘出学习者在英语阅读学习过程中的薄弱环节,并根据学习者特征与资源特征的联系将适当的资源推荐给他们,针对学习者在学习中的薄弱环节能给予适当性的训练,对提高学习者的学习效率与学习效果具有现实意义。本研究主要完成了以下几方面的工作:(1)构建了英语碎片化阅读中学习资源自适应推荐模型。本文首先通过文献研究,设计了碎片化学习环境中学习者的五维特征模型(学习者的英语阅读能力、认知风格、学习目标、学习情境及学习效果)和英语阅读资源三维特征模型(资源的题型、题材及难度)。同时,为了使学习资源符合碎片化学习时空零碎、离散的特点,对英语四级阅读资源进行合理的设计与分割,使其适应学习者移动碎片化学习的需要。再结合机器学习算法ID3(Iterative Dichotomiser 3),构建了英语碎片化阅读中学习资源自适应推荐模型。(2)设计了基于ID3算法的英语碎片化阅读资源自适应推荐算法。资源自适应推送时,把信息增益最高的属性作为当前结点的分类属性,依次进行分类,以生成决策树。根据生成的决策树析取表达式规则,以此实现资源自适应推送。(3)设计和实现了英语碎片化阅读中学习资源自适应推荐系统。依据软件工程原理对系统进行了需求、目标用户、可行性的分析和系统架构、功能模块、数据库的设计,并运用Android Studio、Visual Studio、SQL Server等工具对系统进行开发,实现移动端英语碎片化阅读中学习资源自适应推荐App,以辅助学习者进行英语四级的仔细阅读模块的练习。(4)分析了英语碎片化阅读中学习资源自适应推荐系统的应用效果。选取准备报考英语四级的学习者作为测试样本,让他们使用该App进行英语阅读学习一个月。通过App自动收集学习者在学习过程中的数据,使用spss中的相关分析、多因素方差分析、回归分析、聚类分析等统计分析方法,对学习者模型、资源模型、资源自适应推荐模型及学习效果进行分析。发现,○1在移动碎片化学习情境中,所提出的英语阅读资源自适应推送策略是有效的,使用移动端进行英语碎片化阅读是可行性的。○2资源模型中的题型维度,学习者模型中的阅读能力、认知风格和学习目标维度的选取及取值范围的设定较为合理。○3资源模型中的题材和难度维度取值范围的设定,以及学习者模型中学习情境音量维度数据的获取方式有待进一步研究。本研究结果表明,英语碎片化阅读中的学习资源自适应推荐可以帮助教师通过有效的数据集合来制定未来的资源推荐策略,以自适应推送贴近学习者个性化需求的资源。英语学习者使用移动端在碎片化学习情境中学习阅读,能使英语阅读薄弱环节得到针对性的训练,从而提升学习者阅读能力的不同方面,提高大学英语四级的通过率。
【图文】：

构建英语碎片化阅读中学化学习情境中，为符合碎片化对英语阅读理解的篇章进行合理程原理，基于对学习者需求的习资源自适应推荐系统并加以设计，，以期推送符合学习者个性学习系统的研究意义主要有以下化学习需求，解决因材施教问题性化的发展，教育理念普遍比面[32]。本研究提出的英语碎片提供可能以及弥补教育中个性学习的环境，影响着人们的学

本章结合英语碎片化阅读学习的特点及学习需要对学习者模型和英语源模型进行构建，同时对适用于移动碎片化学习情境中的英语阅读资源理设计，并以此为基础，结合 ID3 算法，构建英语碎片化阅读中学习资应推荐模型。3.1 学习者模型构建在梳理文献的基础上发现，碎片化学习环境中，可以依据学习者在英阅读学习过程中的阅读能力、认知风格、学习目标、学习情境、学习效息建立学习者模型。学习者模型表明，为了实现资源的自适应推送，系理解：学习者基于什么水平、要达到什么目标，在哪里、以什么方式学于资源推送学习的效果如何。其中，由于移动学习中经常变换场地的特殊得学习情境的信息对碎片化学习效果的影响比对其他环境的影响更重要 3.1 所示。
【学位授予单位】：云南师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：H319.3;G434

【参考文献】

相关期刊论文 前10条

1 赵学孔;徐晓东;龙世荣;;B/S模式下自适应学习系统个性化推荐服务研究[J];中国远程教育;2015年10期

2 刘小丹;胡小红;;自适应学习系统中基于情绪感知的学生模型设计[J];中国教育信息化;2015年19期

3 王承博;李小平;赵丰年;张琳;;大数据时代碎片化学习研究[J];电化教育研究;2015年10期

4 张克永;李宇佳;杨雪;;网络碎片化学习中的认知障碍问题研究[J];现代教育技术;2015年02期

5 朱新顺;孙逸敏;;碎片化背景下开放与远程教育微型学习研究[J];中国教育信息化;2014年17期

6 窦菊花;;基于碎片化应用的大学英语移动微型学习实证研究[J];宁夏大学学报(人文社会科学版);2014年04期

7 刘宇;解月光;;大学生深层学习的过程研究及思考[J];中国电化教育;2014年07期

8 昝廷全;高亢;;手机“碎片时间”价值的“长尾理论”分析[J];现代传播(中国传媒大学学报);2013年11期

9 黄宇达;范太华;;决策树ID3算法的分析与优化[J];计算机工程与设计;2012年08期

10 黄宇达;王迤冉;;基于朴素贝叶斯与ID3算法的决策树分类[J];计算机工程;2012年14期

相关博士学位论文 前4条

1 王觅;面向碎片化学习时代微视频课程的内容设计[D];华东师范大学;2013年

2 姜强;自适应学习系统支持模型与实现机制研究[D];东北师范大学;2012年

3 张磊;个性化推荐和搜索中若干关键问题的研究[D];北京邮电大学;2009年

4 陈品德;基于Web的适应性学习支持系统研究[D];华南师范大学;2003年

相关硕士学位论文 前9条

1 赵璨;基于学习行为分析的自适应学习平台研究[D];东北石油大学;2018年

2 朱琳;基于分类算法的用户推荐方法研究及应用[D];北京邮电大学;2017年

3 于灏媛;微信公众平台上基于情境感知的个性化学习系统设计[D];云南师范大学;2017年

4 魏珍珍;小学生体育学习动机、光照、噪音对技术动作学习影响规律的研究[D];陕西师范大学;2015年

5 林士杰;ID3算法、朴素贝叶斯算法和BP神经网络算法的比较和分析研究[D];内蒙古大学;2013年

6 盛东方;移动学习资源开发与管理方法研究[D];南京大学;2013年

7 贾冰;自适应学习系统中学习者模型的表示及特征值获取方法研究[D];东北师范大学;2010年

8 刘秀琴;基于语义网的自适应学习系统中领域本体的创建研究[D];东北师范大学;2008年

9 高晓红;基于网络的自适应学习系统研究[D];上海师范大学;2003年

本文编号：2648748