Tiến hành cài đặt thử nghiệm hệ tư vấn E-Recommender sử dụng lọc cộng tác dựa trên mô hình quan hệ xác suất; trình bày kết quả thực nghiệm và hướng phát triển tiếp theo, đó là tích hợp[r]
(1)Tư vấn học tập giáo dục điện tử Lê Hoàn
Trường Đại học Công nghệ
Luận văn ThS ngành: Công nghệ thông tin; Mã số: 01 10 Người hướng dẫn: PGS.TS Trần Đình Quế
Năm bảo vệ: 2008
Abstract Tổng quan e-learning nhu cầu cần thiết phải xây dựng hệ thống e-learning có khả thích ứng cao Trình bày hệ tư vấn e-learning số kỹ thuật tư vấn cụ thể Nghiên cứu kỹ thuật tư vấn dựa lọc cộng tác, lọc cơng tác ngun thủy, lọc cộng tác dựa mạng Bayesian mô hình quan hệ xác suất Trình bày phần quan trọng hệ tư vấn đưa tư vấn tác vụ học cho sinh viên dựa liệu có sẵn q trình học tập sinh viên Trình bày mơ hình quan hệ xác suất dựa việc xác định phụ thuộc thuộc tính sinh viên, khoa học việc học tập Tiến hành cài đặt thử nghiệm hệ tư vấn E-Recommender sử dụng lọc cộng tác dựa mơ hình quan hệ xác suất; trình bày kết thực nghiệm hướng phát triển tiếp theo, tích hợp hệ tư vấn vào hệ thống giáo dục trực tuyến
Keywords Công nghệ thông tin; E-learning; Giáo dục điện tử; Hệ tư vấn
Content
Giáo dục điện tử (e-learning) trở nên gần gũi ngày đóng vai trị quan trọng việc nâng cao chất lượng đào tạo ngày E-learning hứa hẹn mang lại mặt khơng cho giáo dục trường học mà cịn đào tạo, huấn luyện nghiệp vụ doanh nghiệp Mặc dù hệ e-learning góp phần cải tiến đáng kể cho việc học tập giảng dạy, nhiều vấn đề cần tiếp tục nghiên cứu phát triển để nâng cao chất lượng dịch vụ tư vấn học tập, quản lý học viên Do khơng có người thầy hướng dẫn trực tiếp nên người học cần nhiều đến tư vấn kiến thức nên bổ sung, khóa học cần học cho ngành nghề Do đó, tự động hỗ trợ tư vấn học tập trở thành nhu cầu cần thiết cho hệ e-learning thu hút nhiều quan tâm nghiên cứu năm gần
(2)trên nhiệm vụ thiết kế cho người học, thành công họ dựa nhiệm vụ người học “tương tự” khác Hoặc hệ thống gợi ý số khóa học mà sinh viên yêu thích có khả đạt kết tốt
Có nhiều mơ hình đề xuất để thực sinh tư vấn lọc dựa nội dung, lọc demographic, lọc cộng tác lọc cộng tác sử dụng rộng rãi Nhiều mơ hình áp dụng vào lọc cộng tác mơ hình mạng Bayesian, mơ hình quan hệ xác suất mơ hình quan hệ xác suất tỏ có nhiều ưu điểm Mơ hình dựa mối quan hệ phụ thuộc thuộc tính xác suất thực thể để từ liệu quan sát được, phân tích tổng hợp sinh dự đoán cho tương lai
Mục đích luận văn nhằm trình bày kết nghiên cứu phát triển hệ tư vấn e-learning dựa kỹ thuật lọc cộng tác Hệ tư vấn phân tích các đánh giá xác ̣nh tính tương tự của những người ho ̣c với sau đó đưa dự đoán và tư vấn về khóa học cho người ho ̣c Luận văn cấu trúc sau
Chương Hệ tư vấn e-learning: Trình bày tổng quan e-learning nhu cầu cần thiết phải xây dựng hệ thống e-learning có khả thích ứng cao Hệ tư vấn đưa gợi ý tác vụ học cho sinh viên dựa tiểu sử sinh viên hoạt động sinh viên tương tự giải pháp cho vấn đề
Chương Kỹ thuật tư vấn dựa lọc cộng tác: Chương trình bày số kỹ thuật áp dụng cho lọc cộng tác sinh tư vấn kỹ thuật lọc cộng tác nguyên thủy, lọc dựa mạng Bayesian mơ hình quan hệ xác suất (PRM)…
Chương Tư vấn dựa PRM: Phần quan trọng hệ tư vấn đưa tư vấn tác vụ học cho sinh viên dựa liệu có sẵn q trình học sinh viên khác tiểu sử sinh viên Có nhiều phương pháp đề xuất, mơ hình quan hệ xác suất thu hút nhiều quan tâm ý Mơ hình quan hệ xác suất hoạt động dựa việc xác định phụ thuộc thuộc tính sinh viên, khóa học việc học sinh viên Chương trình bày minh họa việc áp dụng mơ hình quan hệ xác suất vào ngữ cảnh trường học
Chương 4: Hệ tư vấn E-Recommender: Chương trình bày cài đặt thử nghiệm hệ tư vấn sử dụng lọc cộng tác dựa mơ hình quan hệ xác suất để đưa tư vấn Chúng tơi trình bày số thuật tốn cài đặt chương trình số kết đạt đánh giá kết
Cuối cùng, phần kết luận trình bày số kết luận văn hướng phát triển tương lai
References
[1] P Dempster, N M Laird, and D B Rubin, Maximum likelihood from incomplete data via the EM algorithm, Journal of the Royal Statistical Society, B 39:1–39, 1977 [2] Engelhart and D Koller Personal communication, 1999
[3] Heckerman, D Geiger, and D M Chickering Learning Bayesian networks: The combination of knowledge and statistical data Machine Learning, 20:197–243, 1995
[4] T Hofmann and J Puzicha Latent class models for collaborative filtering In Proc IJCAI, 1999
[5] Kadie J Breese, D Heckerman Empirical analysis of predictive algorithms for collaborative filtering In UAI,1998
[6] Koller and A Pfeffer Probabilistic frame-based systems In Proc AAAI, 1998 [7] W Lam and F Bacchus Learning Bayesian belief networks: An approach based on
(3)[8] D Koller N Friedman, L Getoor and A Pfeffer Learning probabilistic relational models In Proc IJCAI, 1999
[9] P Resnick and M J Polanco Recommender systems Communications of the ACM, 40(3):56–58, 1997
[10] L Ungar and D Foster A formal statistical approach to collaborative filtering In CONALD’98, 1998
[11] J R Anderson, A T Corbett, K Koedinger, and R Pelletier Cognitive tutors: lessons learning The Journal of the Learning Sciences, 4(2):167-207, 1995
[12] T A Angelo The campus as learning community: Seven promising shifts and seven powerful levers AAHE Bulletin, 49(9):3-6, 1997
[13] L Barnett, J Kent, J Casp, and D Green Design and implementation of an interactive tutorial framework SIGCSE Bulletin, 30(1):87-91, March 1998
[14] M Bauer A Dempster-Shafer approach to modeling agent references for plan recognition User Modeling and User-Adapted Interaction, 5:317-348, 1996
[15] J E Beck and B P Woolf Using a learning agent with a Student model In B P Goettl, H M Halff, C L Redfield, and V J Shute, editors, Intellegence Tutoring System (Proc 4th Int'l Conf ITS'98), pages 6-15 Springer, 1998
[16] C Bonwell Building a supportive climate for active learning The National Giangdaying and Learning Forum, 6(1):4-7, 1996
[17] C Buron, M Grinder, and R Ross Tying it all together: Creating self-contained, animated, interactive, web-based resources for computer science education SIGCSE Bulletin, 31(1):7-11, March 1999
[18] C A Carver, R A Howard, and W D Lane Enhancing Student learning through hypermedia Khoahocware and incorporation of Student learning styles IEEE Trans on Education, 42(1):33-38, February 1999
[19] C Chou Developing hypertext-based learning Khoahocware for computer networks: The macro and micro stages IEEE Trans on Education, 42(1):39-44, February 1999
[20] K P Cross Why learning communities? why now? About Campus, 3(3):4-11, 1998 [21] Davidovic and E Trichina Open learning environment and instruction system
(OLEIS) SIGCSE Bulletin, 30(3):69-72, September 1998
[22] V F Hartman Giangdaying and learning style preferences: Transitions through technology VCCA Journal, 9(2):18-20, 1995
[23] F Hattori, T Ohguro, M Yokoo, S Matsubara, and S Yoshida Socialware: Multiagent systems for supporting network communities Communications of the ACM, 42(3):55-61, March 1999
[24] L W Hawkes, S J Derry, and E A Rundensteiner Individualized tutoring using an intelligent fuzzy temporal relational database Int'l Journal of Man-Machine SVdies, 33:409-429, 1990
[25] E Freeman S Hupfer and K Arnold JavaSpaces Principles, Patterns, and Practice Addison-Wesley, 1999
[26] JATLite http://java.stanford.edu/java_agent/html
[27] N R Jennings and M J Wooldridge Agent technology: Foundations, applications, and Markets Springer, Berlin, 1998
[28] H.A Latchman, C Salzmann, D Giblet, and H Bouzekri Information technology enhanced learning in distance and conventional education IEEE Trans on Education, 42(4):247-254, November 1999
(4)[30] W R Murray A practical approach to Bayesian Student modeling In B P Goettl, H M Halff, C L Redfield, and V J Shute, editors, Intellegence Tutoring System (Proc 4th Int'l Conf ITS'98), pages 424-433 Springer, 1998 [31] V A Petrushin and K M Sinista Using probabilistic reasoning techniques for
learner modeling In World Conf on AI in Education, pages 418-425, Edinburgh, 1993
[32] L G Richards Promoting active learning with cases and instructional modules Journal of Engineering Education, 84(4):375-381, 1995
[33] L Rubin and C Hebert Model for active learning: Collaborative peer Giangdaying College Giangdaying, 46(1):26-30, 1998
[34] Y Shang, C Sapp, and H Shi An intelligent web representative.Information, 3(2):253-262, 2000
[35] Y Shang and H Shi A web-based multi-agent system for interpreting medical images World Wide Web, 2(4):209-218, 1999
[36] H Shi, Y Shang, A Joshi, and M Jurczyk Laboratory-oriented Giangdaying in web and distributed computing In Proc 2000 ASEE Annual Conference & Exposition, St Louis, June 2000
[37] M K Stern and B P Woolf Curriculum sequencing in a Web-based tutor In B P Goettl, H M Halff, C L Redfield, and V J Shute, editors, Intellegence Tutoring System (Proc 4th Int'l Conf ITS'98), pages 584-593 Springer, 1998 [38] V Tinto Universities as learning organizations About Campus, 1(6):2-4, 1997 [39] M Villano, Probabilistic Students models: Bayesian belief networks and knowledge
space theory In Intellegence Tutoring System (Proc 2nd Int'l Conf ITS'92), pages 491-498 Springer, Montreal, Canada, 1992
[40] G Weber Individual selection of examples in an intelligent learning environment Journal of Artificial Intellegence in Education, 7(1):3-31, 1996
[41] G Weiss, editor Multiagent Systems: A Modern Approach to Distributed Artificial Intellegence The MIT Press, Cambridge, MA, 1999
http://www.adastral.ucl.ac.uk/~junwang/CollaborativeFiltering.html#dataset http://eecs.oregonstate.edu/iis/CoFE//