Linguistic cohesion Новая адаптивная модель электронного обучения, основанная на больших данных с использованием знаний, основанных на компетенциях, и социальных действий учащихся
жүктеу/скачать 34,63 Kb.
|
ЧЕРНОВИК по обзорам[1]
- Бұл бет үшін навигация:
- Показать больше Добавить в Менделей Делиться Цитировать https://doi.org/10.1016/j.asoc.2018.04.030Получить права и контент Особенности
| Linguistic cohesion Новая адаптивная модель электронного обучения, основанная на больших данных с использованием знаний, основанных на компетенциях, и социальных действий учащихся. Ссылки на авторов открывают панель оверлеяМаруан Бирджали ,Абдеррахим Бени-Хсане , МохаммедЭрритали и др. Показать больше Добавить в Менделей Делиться Цитировать https://doi.org/10.1016/j.asoc.2018.04.030Получить права и контент Особенности • Предлагается новая адаптивная модель электронного обучения в среде больших данных для повышения качества учебного процесса. • Предоставляется эффективный метод электронной оценки учащихся для определения предпосылок учащихся к целям образовательных ресурсов. • Мы предлагаем GA на основе MapReduce для получения FEO на основе предпосылок учащегося и целей образовательных ресурсов. • Имитируя поведение муравьев на FEO, адаптивный PLP содержит адекватный обучающий контент, построенный с использованием предложенного ACO на основе MapReduce . • Мы представляем, как большие данные и SNA трансформируют парадигму электронного обучения. Предлагаемая SNA на основе MapReduce определяет социальные показатели учащегося, которые обеспечивают соответствующий ритм обучения. Абстрактный Парадигма электронного обучения становится одним из наиболее важных методов обучения, что является решающим фактором для обучения и для того, чтобы сделать обучение актуальным. Тем не менее, большинство существующих платформ электронного обучения предлагают традиционную систему электронного обучения, чтобы учащиеся имели доступ к одному и тому же оценочному и учебному контенту. В ответ технология больших данных в предлагаемой модели адаптивного 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 два этапа: определение соответствующих будущих образовательных целей 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 учащегося и социальной продуктивности, чтобы назначить каждому учащемуся определенный ритм обучения. Наконец, экспериментальные результаты показывают, что представленные алгоритмы, реализованные в среде больших данных, сходятся гораздо лучше, чем реализации с традиционными параллельными работами. Кроме того, эта работа дает основное преимущество, поскольку описывает, как технология больших данных трансформирует парадигму электронного обучения. мы предлагаем анализ социальных сетей на основе MapReduce для определения мотивации учащихся и социальной продуктивности, чтобы назначить каждому учащемуся определенный ритм обучения. жүктеу/скачать 34,63 Kb. Достарыңызбен бөлісу:
|