Разработка способа ранжирования онлайн-курсов на основании психологической модели обучаемого - Дипломная работа

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ «НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ «ВЫСШАЯ ШКОЛА ЭКОНОМИКИ»Каждый день миллиарды пользователей общаются в социальных сетях, совершают покупки в онлайн-магазинах, смотрят фильмы и, конечно же, занимаются тем, для чего изначально создавался Интернет - обмениваются научными знаниями. В начале обучение по сети, ограничивалось обычным обменом файлами и простыми HTML-страницами. Однако современные технологии дистанционного обучения, или кратко e-learning, совершили огромный скачок вперед, предоставляя студентам возможность получать высококачественное образование независимо от времени и местоположения. Стоит отметить, что основная задача дистанционного обучения заключается не в том, чтобы заменить традиционное, а дополнить его и предоставить студентам дополнительные возможности. Одновременно с этим возникает другая проблема, связанная с огромным многообразием электронных курсов, - студенту порой действительно тяжело определиться с выбором правильного обучающего материала.Рекомендательные системы уже давно глубоко внедрились в большинство веб-сервисов. Каждый день пользователи интернета по нескольку раз сталкиваются с советами в выборе фильма или товара в онлайн-магазине, а иногда даже не замечают, как информация предоставляется специально для них, как например, в социальных сетях или при проигрывании музыки. В связи с гигантскими и катастрофически быстро увеличивающимися объемами информации в интернете проблема предоставления пользователю правильного контента стала одной из наиболее острых и интересных. Он служит для предоставления дополнительной и потенциально полезной информации пользователям, основываясь на некоторых знаниях о них самих [1]. Она так же основывается на знаниях о самом пользователе, однако в свою очередь данный подход является «фильтрующим»: из большого объема информации система показывает именно ту, которая будет интересна данному пользователю.При выборе конкретной реализации обычно отталкиваются от специфики самого сервиса: в некоторых системах важна точность и качество рекомендаций, в других необходимо обеспечить скорость работы и поддержку огромного числа пользователей и так далее. Рекомендательные системы можно классифицировать по следующим критериям [2]: · Предметная область Существует два метода сбора данных о пользователях: · Явный: пользователь сам рассказывает о себе. Например, система просит его оценить некоторые приобретенные товары или указать любимые фильмы/жанры. Обычно такой метод реализуется в виде выбора из списка объектов нескольких наиболее привлекательных (Apple Music) или просит оценить предмет по дифференцированной шкале (IMDB).Такой подход широко применяется в случаях небольшого более-менее постоянного ассортимента объектов, когда проще каждому товару подобрать сопутствующий чем строить сложные рекомендации, основываясь на многих факторах.Пользователю предоставляются рекомендации, основанные на критериях и свойствах предметов, которые ему понравились.В отличии от контентной фильтрации, коллаборативная - строит рекомендации как на основе оценок самого пользователя, так и на основе оценок других пользователей. Данный подход реализуют множество алгоритмов, но самые распространенные из них следующие: · User/User (User-based) · Item/Item (Item-based)Алгоритм гибридной фильтрации помогает частично избежать проблемы «холодного старта». Данный подход основан на объединении алгоритмов контентной и коллаборативной фильтрации для улучшения качества предоставления рекомендаций. Например, можно построить рекомендательный сервис, который будет использовать два алгоритма: Победители конкурса «Netflix Prize» - команда «BELLKOR’s Pragmatic Chaos» в 2008 году использовали гибридную фильтрацию из 27ми алгоритмов [5].Процесс обучения студента проходит по некоторой программе, а преподаватель только отслеживает степень усвоения материала слушателем и иногда может корректировать обучающую программу. Во время обучения студент получает положительную стимуляцию в качестве награды за правильные ответы. Ученый создал так называемый «ящик Скиннера» [7], смысл работы которого заключался в следующем: подопытная крыса получала еду, когда она опустит на рычаг. Основные принципы подхода: o Принцип дозирования: Учебный материал должен быть разделен на небольшие порции o Уровень трудности каждой порции должен быть достаточно низкий, чтобы студент отвечал правильно на большинство вопросов (не менее 95% согласно Скиннеру), тем самым получая положительную стимуляцию при работе с обучающим материалом o Каждый учащийся работает в собственном темпе o Принцип обратной связи: Все учащиеся в результате должны получить одни и те же знания, независимо от способностей и интересов учащегося. Различия между ними заключается лишь в том, сколько времени каждый затратит на обучение. o Принцип операционности: Вопросы следует делать открытыми (без выбора из нескольких вариантов), чтобы студент сам вписывал правильный ответ.

Содержание

Введение

1. Предметная область и постановка задачи

1.1 Рекомендательные системы

1.1.1 Персонализация: основные задачи и области применения

1.1.2 Типы и классификация рекомендательных систем

1.1.3 Рекомендации, подобранные вручную

1.1.4 Контентная фильтрация

1.1.5 Коллаборативная фильтрация

1.1.6 Гибридная фильтрация

1.2 Дистанционное обучение

1.2.1 Классификация систем e-learning

1.2.2 Анализ нескольких популярных онлайн-платформ

1.2.3 Структура курсов на платформе Stepic.org

1.2.4 Stepic REST API

1.3 Рекомендательные сервисы e-learning

1.3.1 Анализ рекомендательных подходов

1.4 Психологическая модель стилей обучения

1.4.1 Психологическая модель Фелдера-Сильверман

2. Теоретическая часть

2.1 Анализ модели стилей обучения Фелдера-Сильверман

2.1.1 Сенсорно-интуитивная шкала

2.1.2 Визуально-вербальная

2.1.3 Активно-размышляющая

2.1.4 Последовательно-глобальная

2.1.5 Индекс стилей обучения

2.2 Рекомендательные системы

2.2.1 Метрики схожести

2.2.2 Базовые принципы построения рекомендаций

3. Детали реализации

3.1 Предлагаемый алгоритм

3.1.1 Построение когнитивного профиля

3.1.2 Первый вариант метрики

3.1.3 Второй вариант метрики

3.1.4 Использование критериев поиска платформы MOOC List

Заключение

Список источников