资料下载
×
自适应流媒体点播系统的设计
消耗积分:1 |
格式:rar |
大小:0.3 MB |
2017-10-26
分享资料个
随着基于Web的现代远程教育的发展，模拟教师的智能，按学习者的学习行为和学习状态动态导航学习内容，提供个性化教学服务，已成为开发远程教育系统的需求。
目前，国内外研究人员已开展了学习系统的自适应性研究，并取得了一定的成果。系统自适应性的关键是实现对学习者学习情况的诊断和资源推荐，通常采用分析学习者的学习特征与资源特征间关系的方式。Brusilovsky［1］开发的自适应学习系统，根据学习者的学习能力进行学习情况诊断和资源推荐。CHEN C M等［2］开发的自适应学习系统，根据学习者能力和学习资料的难度推荐资源。WANG H C等［3］开发的自适应学习系统，根据学习者特征和学习资源特征的最大相似度匹配策略进行学习者情况的诊断和资源推荐。知识是分层次的，以知识点来推进整个学习过程，更符合认知规律。但上述系统未考虑某一知识点对整个单元知识体系的影响，忽略了从流媒体对象的角度考察学习者交互式请求的学习特征，不能充分反映学习者的学习适应性。此外，由客观题测试得到的测试结果并不能充分反映学习者的学习情况。因此，本文从学习者学习特征、知识点类别和测试结果出发，预测学习者的学习情况和知识水平，并根据学习者的学习情况与学习者的知识水平最大匹配策略推荐学习资源。
1 学习者流媒体点播自适应性诊断
对于学习者学习某一单元的流媒体课件后是否能进入下一单元的预测属于数据挖掘和人工智能的范畴。
1.1 自适应点播实现过程
自适应点播系统模型如图1所示。系统定期或触发式地检查服务器日志，从服务器向用户流化数据时产生的流化日志条目和用户对流化到缓存的数据进行访问时产生的播放日志条目中了解用户访问流媒体课件的情况，如用户的IP地址、访问ID、访问的视频名称、起始时间、观看视频的时间以及前跳、暂停、后跳交互请求等［4］。经过一个单元的学习后，得到一张学习过程记录表，其形式如表1所示。系统根据学习特征自动诊断学习者学习情况，即内容容易、内容较难、内容难。
学习者学习一个单元后进入单元测试，并自动生成单元成绩测试表，如表2所示。系统根据各类知识点成绩预测学习者拥有该单元的知识水平，即水平高、水平一般、水平较低、水平极低。
系统自适应地设置视频点播导航及相关资源的调整策略如下：
R1：IF学习者感觉学习内容难and（学习者当前的知识水平极低or低）THEN点播导航为前驱视频单元及提供相应学习资源链接。
R2：IF学习者感觉学习内容难and（学习者当前的知识水平一般or高）THEN导航为当前单元练习测试及提供相应学习资源链接。
R3：IF（学习者感觉学习内容较难or容易）and（学习者当前的知识水平极低）THEN点播导航为当前视频单元及提供相应学习资源链接。
R4：IF（学习者感觉学习内容较难or容易）and（学习者当前的知识水平较低）THEN导航为当前单元练习测试及提供相应学习资源链接。
R5：IF（学习者感觉学习内容较难or容易）and（学习者当前的知识水平一般or高）THEN点播导航为后继视频单元及提供相应学习资源链接。
1.2 朴素贝叶斯分类器
对学习者学习情况和知识水平分类诊断需要进行数据挖掘。常用的分类预测方法很多，贝叶斯分类法因简单易行、分类效果较好而被广泛应用。
目前，国内外研究人员已开展了学习系统的自适应性研究，并取得了一定的成果。系统自适应性的关键是实现对学习者学习情况的诊断和资源推荐，通常采用分析学习者的学习特征与资源特征间关系的方式。Brusilovsky［1］开发的自适应学习系统，根据学习者的学习能力进行学习情况诊断和资源推荐。CHEN C M等［2］开发的自适应学习系统，根据学习者能力和学习资料的难度推荐资源。WANG H C等［3］开发的自适应学习系统，根据学习者特征和学习资源特征的最大相似度匹配策略进行学习者情况的诊断和资源推荐。知识是分层次的，以知识点来推进整个学习过程，更符合认知规律。但上述系统未考虑某一知识点对整个单元知识体系的影响，忽略了从流媒体对象的角度考察学习者交互式请求的学习特征，不能充分反映学习者的学习适应性。此外，由客观题测试得到的测试结果并不能充分反映学习者的学习情况。因此，本文从学习者学习特征、知识点类别和测试结果出发，预测学习者的学习情况和知识水平，并根据学习者的学习情况与学习者的知识水平最大匹配策略推荐学习资源。
1 学习者流媒体点播自适应性诊断
对于学习者学习某一单元的流媒体课件后是否能进入下一单元的预测属于数据挖掘和人工智能的范畴。
1.1 自适应点播实现过程
自适应点播系统模型如图1所示。系统定期或触发式地检查服务器日志，从服务器向用户流化数据时产生的流化日志条目和用户对流化到缓存的数据进行访问时产生的播放日志条目中了解用户访问流媒体课件的情况，如用户的IP地址、访问ID、访问的视频名称、起始时间、观看视频的时间以及前跳、暂停、后跳交互请求等［4］。经过一个单元的学习后，得到一张学习过程记录表，其形式如表1所示。系统根据学习特征自动诊断学习者学习情况，即内容容易、内容较难、内容难。
学习者学习一个单元后进入单元测试，并自动生成单元成绩测试表，如表2所示。系统根据各类知识点成绩预测学习者拥有该单元的知识水平，即水平高、水平一般、水平较低、水平极低。
系统自适应地设置视频点播导航及相关资源的调整策略如下：
R1：IF学习者感觉学习内容难and（学习者当前的知识水平极低or低）THEN点播导航为前驱视频单元及提供相应学习资源链接。
R2：IF学习者感觉学习内容难and（学习者当前的知识水平一般or高）THEN导航为当前单元练习测试及提供相应学习资源链接。
R3：IF（学习者感觉学习内容较难or容易）and（学习者当前的知识水平极低）THEN点播导航为当前视频单元及提供相应学习资源链接。
R4：IF（学习者感觉学习内容较难or容易）and（学习者当前的知识水平较低）THEN导航为当前单元练习测试及提供相应学习资源链接。
R5：IF（学习者感觉学习内容较难or容易）and（学习者当前的知识水平一般or高）THEN点播导航为后继视频单元及提供相应学习资源链接。
1.2 朴素贝叶斯分类器
对学习者学习情况和知识水平分类诊断需要进行数据挖掘。常用的分类预测方法很多，贝叶斯分类法因简单易行、分类效果较好而被广泛应用。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
