Research on Personalized Learning Resource Recommendation Method for Students Supported by Artificial Intelligence
Notice bibliographique
Résumé
With the rapid development of artificial intelligence technology, the education sector is undergoing unprecedented changes.Personalized learning has become a key method to enhance teaching quality and learning outcomes.This paper aims to explore the application of artificial intelligence technology in personalized learning resource recommendation for students, by constructing user profiles, multidimensional models, and personalized recommendation algorithms, in order to provide precise learning resource recommendations for students.This paper proposes a personalized learning resource recommendation algorithm based on a one-dimensional convolutional neural network (1D-CNN).The algorithm first extracts local features of the sequence through convolutional operations, then uses pooling operations to extract long-term features of the sequence, and combines the two features through weighted addition to obtain the user feature information, which allows for the comprehensive extraction of both local and long-term features.Subsequently, the user feature information is multiplied by the linearly transformed sequence information to introduce temporal information.Additionally, student learning records, class performance, and incorrect question records are collected and integrated as user feature information.These user features are passed through a feedforward network to achieve nonlinear transformation and cross-dimensional interaction enhancement.Finally, the user feature vector and item feature vector are computed to obtain their relevance, which is then used for recommendations.Experimental evaluations validate the effectiveness and feasibility of the proposed method, with the aim of providing valuable insights for educational reform and development.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».