Тип работы:
 Предмет:
 Язык работы:


Рекомендательная система для образовательного контента

Работа №72732

Тип работы

Бакалаврская работа

Предмет

информатика

Объем работы39
Год сдачи2016
Стоимость4760 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
100
Не подходит работа?

Узнай цену на написание


Введение 4
1. Существующие рекомендательные системы 6
2. Платформа stepic.org 9
2.1. Терминология 9
2.2. Возможности 10
3. Реализация рекомендательной системы 12
3.1. Информация о пользователе 12
3.2. Графы переходов 13
3.3. Хендлеры (способы рекомендации) 15
3.4. Оценка реакции пользователя 18
3.5. Формирование выдачи 18
3.5.1. Линейная регрессия 19
4. Адаптивная рекомендательная система 23
4.1. MathsGarden 24
4.1.1. Выбор наиболее подходящей задачи 24
4.1.2. Рейтинг Эло 25
4.1.3. Механика работы 26
4.1.4. Результаты работы 27
4.2. Адаптивность в stepic.org 28
5. Анализ результатов 30
5.1. Простые рекомендации 31
5.2. Контекстные рекомендации 32
5.3. Адаптивные рекомендации 33
6. Заключение 36
Список литературы


В современном мире онлайн-образование постепенно становится все более популярным. Возможность учиться у профессоров ведущих учебных заведений, изучать новые области, получать нужные в работе знания, не выходя из дома, привлекает большое количество людей.
Одной из наиболее распространенных форм онлайн-обучения являются массовые открытые онлайн-курсы (MOOC, massive open online course). Чаще всего они включают видео, слайды и текстовый контент, подготовленные преподавателем, а также задачи для проверки знаний, которые обычно проверяются автоматически, но также возможна проверка студентами работ своих товарищей. В качестве задач могут быть предложены самые разнообразные типы заданий: от простого выбора правильного ответа до задач на программирование и написания эссе.
У онлайн-образования есть свои особенности, отличающие его от обычного, офлайн-образования. Среди плюсов, во-первых, уже упомянутая выше доступность каждому, у кого есть доступ к интернету. Во-вторых, это почти неограниченная масштабируемость: благодаря автоматизированной проверке задач на курсе могут одновременно учиться тысячи человек, что не сопоставимо с обычными курсами в учебных аудиториях. В-третьих, каждый студент может выбирать удобное для себя время и темп для прохождения материала. В-четвертых, в распоряжении преподавателей оказывается большое число данных о том, как пользователи проходят его курсы, которые он может использовать для анализа и улучшения своих материалов.
В то же время в онлайн-обучении есть и минусы. В отличие от традиционного образования, где у студента всегда есть мотивация в виде оценки его академической успеваемости, в случае онлайн- курсов нет никаких штрафов за не пройденный курс. Из-за этого доля закончивших курс из записавшихся на него редко превышает 10%.

Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!
ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ
КУРСОВЫЕ СТАТЬИ ВКР

В рамках работы была реализована рекомендательная система для образовательного контента, которая теперь используется на платформе stepic.org. Эта система совмещает в себе фильтрацию контента и коллаборативную фильтрацию, а также имеет возможность прохождения материала в адаптивном режиме, по индивидуальному для каждого учащегося пути.
Структура системы позволяет дополнять ее новыми способами рекомендации, причем значимость каждого способа и его вклад в итоговые рекомендации будет определяться системой автоматически на основе реакции пользователей.
Также система предоставляет возможность получать рекомендации в разных ситуациях: как просто при входе на сайт, на домашней странице, так и в процессе обучения, сразу после прохождения урока. Помимо этого имеются также адаптивные рекомендации, подстраивающиеся под уровень знаний конкретного пользователя.
В качестве дальнейших путей развития системы можно указать, во-первых, создание новых правил фильтрации контента исходя из нужд пользователей, во-вторых, совершенствование рекомендательной системы: используя ручную разметку контента можно при рекомендациях использовать изученные и не изученные пользователем темы, предлагать пройти ему что-то, знаний о чем ему не хватает для изучения интересного ему материала. Также возможна работа над проблемой «холодного старта», ситуации, когда про пользователя и про материалы нет достаточного объема накопленных данных, что мешает с уверенностью давать рекомендации.



[1] Anand Sarabjot Singh, Mobasher Bamshad. Intelligent Techniques for Web Personalization // Proceedings of the 2003 International Conference on Intelligent Techniques for Web Personalization. — ITWP’03. - Berlin, Heidelberg : Springer-Verlag, 2005. - P. 1-36.
[2] Coursera. — https://www.coursera.org/about/.
[3] Creative Commons. — http://creativecommons.org/.
[4] Elo A.E. The rating of chessplayers, past and present. — Arco Pub., 1978.
[5] Ericsson K Anders et al. The influence of experience and deliberate practice on the development of superior expert performance.
[6] Glickman Mark E. A comprehensive guide to chess ratings // American Chess Journal. — 1995. — Vol. 3. — P. 59-102.
[7] Harasim Linda Marie. Learning networks: A field guide to teaching and learning online. — MIT press, 1995.
[8] Hastie T., Tibshirani R., Friedman J.H. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer series in statistics. — Springer, 2001.
[9] IMDb. — http://www.imdb.com/.
[10] Klinkenberg S, Straatemeier M, Van der Maas HLJ. Computer adaptive practice of maths ability using a new item response model for on the fly ability and difficulty estimation // Computers & Education. — 2011. — Vol. 57, no. 2. — P. 1813-1824.
[11] Knewton Adaptive Learning. — https://www.knewton.com/ wp-content/uploads/knewton-adaptive-learning-whitepaper. pdf.
[12] Lord F.M. Applications of Item Response Theory to Practical Testing Problems. — Erlbaum Associates, 1980.
[13] Mahmood Tariq, Ricci Francesco. Improving Recommender Systems with Adaptive Conversational Strategies // Proceedings of the 20th ACM Conference on Hypertext and Hypermedia. — HT ’09. — New York, NY, USA : ACM, 2009. - P. 73-82.
[14] Maris Gunter, Maas Han. Speed-Accuracy Response Models: Scoring Rules based on Response Time and Accuracy // Psychometrika. — 2012. — Vol. 77, no. 4. — P. 615-633.
[15] MovieLens. — https://movielens.org/.
[16] Netflix. — https://www.netflix.com.
[17] Ng Andrew Y. Feature selection, l1 vs. l2 regularization, and rotational invariance //In ICML. — 2004.
[18] Rasch G. Probabilistic Models for Some Intelligence and Attainment Tests. / Ed. by M. E. S. A. Press. — MESA Press, 1960.
[19] Recommender Systems Handbook / Francesco Ricci, Lior Rokach, Bracha Shapira, Paul B. Kantor. — 1st edition. — New York, NY, USA : Springer-Verlag New York, Inc., 2010.
[20] Jones Eric, Oliphant Travis, Peterson Pearu et al. SciPy: Open source scientific tools for Python. — 2001-.— [Online; accessed 2015-12-06]. URL: http://www.scipy.org/.
[21] Shani Guy, Gunawardana Asela. Evaluating Recommendation Systems // Recommender Systems Handbook. — Springer, 2011.
[22] Stepic, an educational engine. — https://stepic.org.
[23] Tang T., McCalla G. Smart Recommendation for an Evolving e¬Learning System: Architecture and Experiment // International Journal on e-Learning. — 2005. — Vol. 4, no. 1. — P. 105-129.
[24] Tibshirani Robert. Regression Shrinkage and Selection Via the Lasso // Journal of the Royal Statistical Society, Series B. — 1994. — Vol. 58. — P. 267-288.
[25] Tikhonov A. N. Solution of incorrectly formulated problems and the regularization method // Soviet Math. Dokl.— 1963.— Vol. 4.— P. 1035-1038.
[26] Udacity. — https://www.udacity.com/.
[27] Using collaborative filtering to weave an information tapestry / David Goldberg, David Nichols, Brian M Oki, Douglas Terry // Communications of the ACM. — 1992. — Vol. 35, no. 12. — P. 61-70.

Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2025 Cервис помощи студентам в выполнении работ
.