论文教育大数据下个性化资源推送服务框架设计是适合个性化论文写作的大学硕士及相关本科毕业论文，相关个性化主题下载开题报告范文和学术职称论文参考文献下载。
【摘 要】
从学习者角度出发,立足于学习者个体的静态数据和学习中产生的动态学习行为数据,采用动态数据为主、静态数据为辅的获取方式确立学习者特征模型.参照Hadoop中的数据处理技术,从数据收集层、数据存储层、数据分析层和呈现层构建学习者个性化学习资源推送框架.最后,结合个性化资源推送框架,对个性化资源推送服務的实现途径进行分析,提出基于资源最邻近、基于相似用户矩阵库、基于特征匹配、基于学习者反馈和基于内容等混合推荐方法实现个性化学习资源的推送,以期对个性化学习资源推送的研究提供指导.
【关键词】 教育大数据；个性化学习；学习者特征；Hadoop；个性化资源推送
【中图分类号】 G434 【文献标识码】 B 【文章编号】 1009-458x（2017）09-0062-08
一、引言
随着新兴技术和媒体的快速发展及应用,技术俨然已经在教育信息化中扮演着重要的角色.近年来,教育大数据、学习分析、自适应学习等概念出现,高等教育、继续教育等学习方式在移动学习、泛在学习等基础上有了改变,逐步衍生出新型的学习方式——个性化学习.《2017年新媒体联盟中国高等教育技术展望：地平线项目区域报告》中提到：个性化学习和教育大数据的管理问题对于中国高等教育中影响教育技术应用来说是富有难度的挑战（金慧, 等, 2017）.个性化学习指的是在学习中要满足不同学习者的需求,其中自然要考虑不同学习者的个体差异.学习分析恰恰为获取学习者个体差异提供了解决方案,学习分析主要是运用学习者在学习过程中产生的教育数据及分析模型来发现信息和社会联系并预测和建议学习的技术（Siemens, 2012）.因此,学习者个体特征的构建是个性化学习的前提.个性化学习资源推送的实现需要依靠学习分析技术从海量的教育大数据中挖掘有价值的数据,从而分析出学习者的特征,为个性化资源推送提供依据.如何从教育大数据中分析或构建出学习者特征,如何依据学习者特征进行推送,已经成为个性化学习资源推送领域的重要议题.
二、文献回溯
从教育大数据的文献整理发现,近年来教育大数据下的研究逐步倾向于学习分析、个性化学习、自适应学习等.如杨现民（2016）提到,教育研究者已经在探讨大数据时代背景下教育模式的转变、学习方式的变革等,甚至逐步开始探讨学习分析、数据挖掘等；孙洪涛和郑勤华（2016）通过教育领域大数据的构成和特征分析,对教育大数据技术在国际范围内的典型案例实践进行探讨,主要聚焦于适应性教学、精准管理支持等方面；裴莹和付世秋（2017）通过整理国内教育大数据的研究热点,发现2015-2016年教学决策等问题受到关注,要求教师能够结合学习分析结果制定针对学习者的个性化教学路径；贺超凯和吴蒙（2016）结合edX平台上学习者学习分析行为记录来归纳学习行为特征,结合学习行为分析结果来判定学习者是否可以完成学习任务及获取证书.综合教育大数据研究现状来看,目前个性化学习是热点问题,但重点针对教育大数据下个性化学习资源推送服务的研究一直处于探索阶段.
通过对个性化学习资源推送服务的文献梳理,目前的研究主要集中于利用静态数据、动态数据或者静态和动态相结合的方式完成个性化学习资源推送.其中,利用静态数据完成个性化资源推送服务的研究主要依靠调查学习者受教育程度、感知技术易用性、自我效能感等个体差异的数据或者利用学习风格量表的测量来完成.如Rishi D. Ruttun（2012）重点从认知差异、计算机领域知识和学习绩效、导航和学习态度等考虑个体差异性；Raymond A. Noe（2013）从五大个体特征维度（随和、责任、情绪稳定、外向性、经验开放）、自我效能感、热情等考虑个体差异性；Uros Ocepek等（2013）通过学习者学习风格的调查结果和学习资源的类型之间进行匹配,依据不同学习风格学习者对于资源的偏好来实现个性化资源推送.研究中利用动态数据搜集完成个性化资源推送主要集中于根据学习者学习行为、学习偏好、学习习惯自动调整以满足学习者个性化学习的需求.如Xu Jia-Liang等（2012）在对传统向量空间方法的基础上进行修改,采用递归算法获取学习者的兴趣；Wang Shu-Lin和 Wu Chun-Yi （2011）通过知识内容规范、建立学习者档案袋、学习行为监测等建立自适应泛在学习系统,应用语义感知和协同过滤实现个性化资源推送；Sergio Gomez和Panagiotis Zervas（2014）利用语义感知系统UoLmP实现自适应和个性化移动学习；牟智佳和武法提（2016）提出通过个人信息、学业信息、关系信息、偏好信息、绩效信息等构建电子书包学习系统的学习者模型,以学习者模型作为资源推送的依据；Seo Young-Duk和 Kim Young-Gab（2017）通过给相似学习者推送同一主题或者利用数据分析将学习中利益相关的学习者进行相互推送.近年来,研究者更加偏向于静态数据和动态数据相结合方式来实现个性化学习资源的推送.如吴青和罗儒国（2014）提出了在显式获取学习者学习风格的基础上,运用J48算法挖掘学习者学习过程中的行为特征,建立学习者学习风格模型；李宝和张文兰（2015）通过Felder-Silverman量表等前测静态数据和对学习者学习中的行为进行挖掘分析相结合的方式构建学习者特征模型,并采用协同过滤和相似度匹配实现个性化资源推送.
从三种实现个性化学习资源推送的方式来看,利用动态数据构建学习者特征模型的前提必须是有大量的学习行为发生,有了教育中的行为数据才可以分析出学生的个体特征.显然,该方法对于刚进入平台的学习者不太容易实现,会产生“冷启动”的现象；而利用静态数据的调查结果分析学习者特征,往往会由于问卷填写不准确造成结果的模糊或不明晰,同样无法有效地实现个性化资源推送.鉴于此,本研究立足于静态数据和动态数据相结合的方法来分析学习者特征,对刚刚进入平台学习的学习者,首先进行学习风格的调查,之后结合学习过程中的行为数据分析来构建学习者特征模型,最后采用学习者特征和资源库特征相互匹配的方法实现学习资源的个性化推送.
总结:本文是一篇关于个性化论文范文，可作为相关选题参考,和写作参考文献。
参考文献：
1、 基于大数据的人力资源管理 摘 要：随着信息技术的普及，大数据时代已经到来。我国经济不断发展，市场经济日趋完善，企业的竞争也更加激烈，对企业发展和市场竞争来说，有效的人力资。
2、 edx平台教育大数据的学习行为分析和预测 【摘 要】 教育数据挖掘是一门新兴学科，通过分析学习行为记录归纳学习者的行为特点以提高教育质量，大规模在线开放课程学习者的学习行为记录为此提供充。
3、 基于大数据高校信息资源共享库构建 【摘 要】本文阐述高校信息资源共享的历程与现状，分析大数据时代高校信息资源共享的必要性和可能性，以及高校信息资源共享库建设所需的条件和制约因素，。
4、 基于易班高校网络思想政治教育大数据平台 摘 要 教育大数据为高校网络思想政治工作提供了全新的方法和视角，通过数据挖掘技术和人工智能分析技术，我们可以实现网络思想政治教育内容“千人千面”。
5、 大数据驱动人力资源管理迭代 摘要：如何及时转变视角和角色，充分利用大量的实际经营数据分析，提高人力资源策略的制定前瞻性，配合企业顺利完成战略转型？对此，本文从大数据时代人力。
6、 大数据时代人力资源管理 【摘 要】随着国家经济的不断发展与提高，科学技术的不断研究与创新，大数据下的人力资源管理创新成了企业发展以及媒体关注的首要内容。大数据时代所涉及。