论文摘要
作为早期计算机辅助教学系统(ITS)的衍生物,智能教学系统已经成为基于网络教学领域最热门的话题之一。大多数早期的教学系统在功能上非常简单,仅仅通过计算机以一定的顺序来呈现静态的教学内容,而没有考虑到学习者所具有的不同学习偏好和知识水平来自适应的引导学习。这一缺陷在ITS出现之后得到了很大的弥补。ITS最显著的特点是能够根据学生具有的不同知识水平来采取形式多样的教学策略,这一特点将教学系统提升到了一个崭新的高度。然而,教育的另一个方面却被忽略了:学生在吸收和消化知识的过程中表现出的能力和偏好是不同的,也就是说他们具有不同的学习风格。当在教学过程中学生具有的学习风格和教课老师,教学系统的教学风格有相当大的差异时,学生会觉得枯燥并分心,以至于辍学。本文阐述了解决此问题的方法并提出了一个基于B/S(服务器和客户端)结构的,并且结合了学习风格理论和贝叶斯网络的智能教学系统,称为ITLP(Intelligent Tutoring System Based on Learning Style and Probablistic Inference)。既然学生具有不同的学习风格,那么开发一个能够自动识别学生的学习风格,并且以此作为依据,来生成个性化的用户接口并呈现匹配的学习内容以便提高学生学习效率和积极性的教学系统是非常有价值的。除此之外,系统还集成了贝叶斯网络来跟踪和记录学生的知识状态,以此作为提供自适应教学策略的依据。通过集成如上所述的功能后,本系统在帮助学生更彻底和更有效率学习方面将非常有实际意义。文中讨论了如何利用学习风格工具来识别学生的学习风格,并且本文介绍了如何通过引入JavaBayes建模工具来构建贝叶斯网来推测学生的知识状态。而且,我详细介绍了ITLP的设计架构以及实现过程。为了测试系统在提高学生的学习效果的能力,对计算机系一年级的学生进行了实验,并且结果证实了我的设想:ITLP在某种程度上,是一个帮助计算机新生学习计算机编程语言的有效和实用的工具。
论文目录
摘要Abstract第一章 绪论1.1 问题描述1.2 本文的主要研究内容和创新1.3 本文的章节安排第二章 智能教学系统的背景2.1 智能教学系统介绍2.1.1 智能教学系统的构成2.1.2 智能教学系统的分类2.2 学生模型2.2.1 学生模型的任务2.2.2 学生模型与不确定性管理2.3 学习风格模型2.3.1 学习风格的定义2.3.2 MBTI 学习风格评估工具2.3.3 Kolb 学习风格模型2.3.4 Herrmann 全脑优势测评工具(HBDI)2.3.5 Felder-Silverman 学习风格模型2.4 智能教学系统研究现状2.4.1 国外研究现状2.4.2 国内研究现状2.4.3 ITLP 智能教学系统2.5 小结第三章 Felder and Silverman 学习风格模型3.1 学生差异的研究3.2 学习风格的维度(Dimensions)3.2.1 感官型(Sensing)与直觉型(Intuitive)3.2.2 视觉型(Visual)与语言型(Verbal)3.2.3 积极型(Active)与反思型(Reflective)3.2.4 循序型(Sequential)与全局型(Global)3.3 学习风格指数问卷(ILS)3.3.1 ILS 的组成3.3.2 学习风格ILS 的使用与须知3.3.3 ILS 的可靠性和合理性分析3.4 小结第四章 学生模型建模中的概率推理4.1 图模型理论4.2 贝叶斯网(BN)4.3 贝叶斯网推理4.4 联合树算法4.4.1 联合树算法概述4.4.2 贝叶斯网的教化4.4.3 图的三角化4.4.4 团的识别4.4.5 构建联合树4.4.6 联合树推理4.5 小结第五章 系统设计与实现5.1 系统总体设计5.1.1 ITLP 系统设计概述5.1.2 ITLP 多层结构5.2 学习风格模型在ITLP 中的应用5.2.1 学习风格识别法5.2.2 学习风格组件设计5.2.3 用户界面定制5.3 贝叶斯网络在ITLP 中的应用5.3.1 JavaBayes 介绍5.3.2 JavaBayes 贝叶斯网的设计与实现5.3.3 JavaBayes 的推理和更新5.3.4 辅助导航5.4 小结第六章 实验结果与分析6.1 实验目标6.2 实验细节6.2.1 实验方法论6.2.2 实验对象与实验材料6.2.3 步骤6.3 实验结果总结6.3.1 问卷第一部分6.3.2 问卷第二部分第七章 总结与展望7.1 总结7.2 研究展望参考文献攻读学位期间公开发表的论文致谢详细摘要
相关论文文献
标签:智能教学系统论文; 学习风格论文; 贝叶斯网论文; 学生学习模型论文; 概率推理论文;