Linguistic cohesion Новая адаптивная модель электронного обучения, основанная на больших данных с использованием знаний, основанных на компетенциях, и социальных действий учащихся
Новая адаптивная модель электронного обучения, основанная на Больших данных, с использованием компетентностных знаний и социальной активности учащихся
жүктеу/скачать 34,63 Kb.
|
ЧЕРНОВИК по обзорам[1]
| Новая адаптивная модель электронного обучения, основанная на Больших данных, с использованием компетентностных знаний и социальной активности учащихся
Маруан Бирджали а,=, Абдеррахим Бени-Хссан а, Мохаммед Эрритали В этой статье представлена новая адаптивная модель электронного обучения для обеспечения адекватного PLP надлежащим образом. Модель основана на двух уровнях адаптации с использованием технологии больших данных. На первом уровне используется GA на основе MapReduce для получения необходимого FEO на основе предварительных требований учащегося с помощью метода адекватной электронной оценки. Этот уровень также конструирует адаптивный PLP на основе адекватного содержания обучения, формируемого FEO. ACO на основе MapReduce используется для создания адаптивного PLP, который содержит учебный контент, необходимый учащемуся. Второй уровень позволяет определить социальные показатели из социальных сетей, которые соотносятся с их учебной деятельностью с помощью СНС, которая предлагает ритмы обучения, соответствующие потребностям учащегося. СНС, основанная на MapReduce, показывает, что социальные показатели являются решающими факторами для представления учащимся адаптивного PLP. Предлагаемая адаптивная модель электронного обучения демонстрирует высокую производительность благодаря нескольким тестам. В ходе сравнений и анализа результатов вычислений представленные алгоритмы были признаны более эффективными, чем параллельные алгоритмы. Наконец, эта статья демонстрирует, что адаптивность модели электронного обучения в среде больших данных является преимуществом и трансформирует парадигму электронного обучения для принятия новых стратегических решений в области обучения. Парадигма электронного обучения становится одним из наиболее важных методов обучения, который является решающим фактором для обучения и для придания ему актуальности. Тем не менее, большинство существующих платформ электронного обучения предлагают традиционную систему электронного обучения, чтобы учащиеся имели доступ к одному и тому же контенту оценки и обучения. В ответ технология больших данных в предложенной адаптивной модели электронного обучения позволила рассмотреть новые подходы и новые стратегии обучения. В этой статье мы предлагаем адаптивную модель электронного обучения для предоставления наиболее подходящего учебного контента для каждого учащегося. Эта модель основана на двух уровнях адаптивного электронного обучения. Первый уровень включает в себя два этапа: (1) определение соответствующего будущего образовательного цели с помощью адекватного метода электронной оценки учащихся с использованием генетического алгоритма на основе MapReduce, (2) создание адаптивного пути обучения для каждого учащегося с использованием алгоритма оптимизации муравьиной колонии на основе MapReduce. На втором уровне мы предлагаем анализ социальных сетей на основе MapReduce для определения мотивации учащихся и социальной продуктивности, чтобы назначить каждому учащемуся определенный ритм обучения. Наконец, экспериментальные результаты показывают, что представленные алгоритмы, реализованные в среде больших данных, сходятся намного лучше, чем те реализации, которые используются при традиционных параллельных работах. Кроме того, эта работа приносит основную пользу, поскольку в ней описывается, как технология больших данных трансформирует парадигму электронного обучения. жүктеу/скачать 34,63 Kb. Достарыңызбен бөлісу:
|