【摘 要】
：
随着信息技术在教育中应用更加广泛,大规模在线开放课程作为信息时代一种新的教育形态,快速渗透到我们生活之中.在线学习不受时间、地域的限制,提升互动体验,实现在线学习的个性化学习.但是也面临着投入时间不足、缺少计划、突击浏览、随机终止、高辍学率、低通过率等问题.传统课堂的质量分析方法（专家主导、基于标准、阶段性）又很难适应于分析在线课程视频吸引力.需要提出新方式、新方法研究在线课程视频吸引力.从而加深
论文部分内容阅读
随着信息技术在教育中应用更加广泛,大规模在线开放课程作为信息时代一种新的教育形态,快速渗透到我们生活之中.在线学习不受时间、地域的限制,提升互动体验,实现在线学习的个性化学习.但是也面临着投入时间不足、缺少计划、突击浏览、随机终止、高辍学率、低通过率等问题.传统课堂的质量分析方法（专家主导、基于标准、阶段性）又很难适应于分析在线课程视频吸引力.需要提出新方式、新方法研究在线课程视频吸引力.从而加深对在线学习行为规律深层次、多维度的理解,更有助于提高在线课程质量的建设.在线学习平台在发展的过程中积累了海量的学习行为数据,挖掘在线学习行为数据价值,探索在线学习行为规律便是解决在线课程视频吸引力的有效途径与方法,对在线课程视频吸引力的研究在社会学以及教育学具有重大意义.本文切合在线课程的数据化特征,采取数据驱动式研究方法完成了以下工作:（1）分析在线课程视频吸引力.通过统计分析,建立单个视频吸引力因子R,基于多元回归算法研究单个视频吸引力受到视频属性影响的数学机理.发现单个视频吸引力与视频时长和视频发布时间都是负线性相关的.比较相关系数的绝对值,发现视频时长与R的线性相关性比视频编号更强.在此基础之上,通过统计最受欢迎的视频,估计了最优视频时长的区间,使用Bootstrap方法验证了可靠性.最后给出了视频时长缩放因子以估计随发布时间变化的最优视频时长.研究结果可以帮助在线课程视频制作者改进视频设计,以提高其课程吸引力.（2）量化在线课程视频吸引力.通过识别全程需求学习者,建立一个二部网络,其中节点集合分别为学习者节点集合和课程视频节点集合.在二部网络中,每一个学习者节点都有一个反映其学习效能的L-value,每一个课程视频节点都有一个反映其对课程视频吸引力贡献的V-value,这在两个集合中存在相互加强的关系.为了量化在线课程视频吸引力,提出二部网络互相加强算法.这个算法评估每一个学习者节点的学习效能.有趣的是,学习者的学习效能能够被分为两个集合,并且每个集合内的节点的学习效能都服从正态分布.因此,提出一个方法在全程需求学习者中识别深度学习者.最后,定义指数P来量化在线课程视频吸引力.并且发现以项目驱动式教学的课程更受欢迎.同时,二部网络互相加强算法适用于二部网络的节点重要性评价的工作.
其他文献
海洋具有丰富的物质资源,是各国经济和军事发展所必须的战略领域。水下传感器网络、海底光缆、水下机器人、水下无人潜航器（AUV）、蛙人等平台之间的通信需要更高的传输速率以及更高的可靠性。电磁波应用于水下,具有信息速率高、抗干扰能力强、截获概率低的特点。但是由于水介质的固有特性,导致水下电磁波通信面临一定困难,因此进行水下电磁波通信系统设计时急需解决的问题。本文从数学计算和仿真两方面进行了研究,使得水下
近些年来,随着智能移动终端的广泛普及,在线社交网络已经成为人们日常生活中不可缺少的一部分。人们通过在线社交网络浏览感兴趣的信息,并与兴趣相投的各种人交友,这些行为都是对用户兴趣爱好和性格特点等的刻画。通过收集这些信息可以实现对特定用户及其社交关系的画像,从而为人物分析等应用提供支撑。但对于公众人物,他们不仅出现在在线社交网络中,在公众的新闻媒体中也包含有与其相关的大量资料和相关人物,这些构成了他们
由于自然语言文本的抽象语义与内容多样等特征,文本生成方法面临两方面的挑战:一方面,自然语言文本在表达上形式多样、上下文内容动态变化,需要能准确理解并在线建模大规模文本上下文内容的方法。另一方面,基于模型的文本生成方法其生成的内容在语义上容易出现上下文主题不一致的情况;针对以上问题本文开展了基于主题模型的文本生成方法研究,旨在基于动态主题模型对文本的上下文内容进行动态建模,并且提供在线处理大规模数据
随着经济、科技和生产的飞速发展,航天器系统的结构设计日趋复杂,功能愈发全面,呈现出规模庞大、综合集成、深度智能等特征,伴随着航天器复杂程度的增高,其在轨故障发生率明显提升,遥测数据是地面管理人员或用户判断和了解航天器状态的主要途径,采用数据驱动方法高效、准确、及时实现航天器遥测数据的异常检测具有非常重要的现实意义和应用价值。论文针对航天器遥测数据,开展了单元和多元异常检测研究,主要工作和创新如下:
面部微表情（Micro-Expressions,MEs）是一种自发的,不自主的面部运动,一般当人因某种情感故意或无意识地试图隐瞒他或她的真实情绪时发生。最近,微表情识别由于其在临床诊断,商务谈判,审讯和安全等方面的潜在应用而引起了越来越多的关注。然而,构建大尺度微表情数据集的成本很高,主要是由于自发微表情难以诱导。这限制了深度学习方法的应用,因为其需要大量的训练数据。本课题围绕微表情图像和视频序列
随着战场信息化、智能化的演变趋势,当前战争节奏快、机动性高、物资消耗大,对相应后勤保障的要求越来越高,特别是装备物资运输方面。但是传统地面战场的物资配送多采用车辆配送,成本高、机动性差、易产生人员伤亡,无法满足当前战争的要求,很容易出现衔接不紧、保障不及时等现象。相比之下,无人机作为一种新兴的运输技术,具有成本低、机动性高、操作方便、能有效避免人员伤亡等优点,应用于战场配送已经成为了一种不可避免的
从大量军事文本中快速、准确地获取需要的有效数据信息,并转化为人和机器能够共同理解与使用的结构化形式,是当前军事信息处理领域迫切需要解决的问题。信息抽取是解决这一问题行之有效的方法,事件抽取是实现信息抽取的关键。军事想定事件抽取,是指从自然语言表示的军事想定文本中抽取出用户所需要的事件信息并以结构化形式呈现的过程,是信息抽取、事件抽取、数据识别等技术在军事想定领域的应用,能够帮助军事人员准确高效地理
随着脑影像技术的快速发展,可利用的数据量与日俱增,对多数据集的组分析发展成为大脑成像数据分析中的一个重要课题。组分析主要关注于从多个数据集中提取群体的共性特征和差异特征,其优势在于利用大数据得到可靠的分析结果。目前组分析技术存在两个问题:一是多次数据降维导致的定阶问题,二是先验信息利用不充分的问题。本文分别针对这两个问题给出了改进思路,并提出了优化的组分析方法,主要工作总结如下:提出维度优化概念并
大数据时代迫切需要性能强劲的计算基础设施为企业和个人提供服务,构建分布式系统是一种比较合适的方案。随着分布式软件基础架构越来越复杂,新的复杂问题陆续显现。其中,性能和可靠性对于分布式系统非常重要,缓慢低效和不可靠的分布式系统容易让用户遭受到经济损失。虽然近十年分布式软件发展非常迅速,其性能也得到了明显的提高,但是性能缺陷仍然危及分布式系统的可靠性。虽然对于单机系统中的性能缺陷已经有了不少的研究,但
目标识别基准图制备是飞行器目标识别的关键技术之一,该技术为景象匹配提供基础的数据保障。高精度高时效性的基准图像制备技术对于提高识别的精度至关重要,基准图像中的像素定位误差直接影响识别的精度。近年随着惯导相关传感器精度的提升、无人机控制技术成熟,利用无人机拍摄的航空影像数据已成为制备识别地面目标所需基准图的趋势。本文利用基于带成像平台的无人机拍摄图像接开展基准图制备方法的研究。在制备完成基准图后深入