在线学习论文范文参考 在线学习毕业论文范文[精选]有关写作资料

目录

1. 第一篇在线学习论文范文参考：在线学习中学生参与度模型及应用研究
2. 第二篇在线学习论文样文：在线教育中的信息技术采纳与学习者保持研究
3. 第三篇在线学习论文范文模板：基于免疫系统的小样本在线学习异常检测与故障诊断方法
4. 第四篇在线学习论文范例：在线视频课程中教师对学习过程与效果的影响
5. 第五篇在线学习论文范文格式：基于选择性集成的在线机器学习关键技术研究

★100篇免费在线学习论文范文,可用于在线学习论文写作参考研究,为你的本科论文和硕士论文提供有价值的在线学习论文范例格式模板参考.【赶快阅读吧！】

第一篇在线学习论文范文参考：在线学习中学生参与度模型及应用研究

在线学习是随着网络技术、计算机技术等技术的发展而产生的,其强调学习过程中学习资源的开放性和学生间交流沟通的开放性.在线学习已成为主流的学习方式,大量的学习者参与到在线学习中.然而,由于师生间的联系、沟通、交流不够,学生在线学习的参与情况并不理想,学生参与的持续性及效率不佳.学生参与是学习发生的必要条件,学生的参与情况对在线学习有着重要影响.因此,有必要对在线学习中学生的参与情况进行分析与研究,帮助教师了解学生的参与情况以便进行及时干预,帮助学生反思自己的学习并促进其深入参与学习过程.学生参与度是对学生参与情况的量化,包括学生的行为参与、认知参与和情感参与,是一个复杂的问题.目前,已有研究主要关注学生参与的理论模型构建、外显行为统计、影响因素及效果分析,缺少对学生参与度精确度量的研究.因此,论文拟提出一个可信的、可度量的学生参与度模型,对学生的行为参与、认知参与、情感参与进行精确刻画分析.具体的研究工作主要体现在以下几个方面：(1)在线学习中学生参与度模型构建.针对已有模型中关注学生外显行为表现、缺乏对认知和情感综合考虑等问题,论文依据以学生为中心的建构主义学习理论、在线学习的要素及影响因素、学生参与的影响因素,提出S-TEC学生参与度模型,并结合在线学习中学生参与的特点,提出学生参与度模型的“三维四度”分析框架,并对该分析框架从行为参与、认知参与和情感参与三个维度展开,形成3+2+1分析模式.(2)基于综合权重的学生行为参与度分析.针对已有研究中较多地关注学生行为频度,缺乏对学生行为广度和行为深度的考虑等问题,论文从学生实际参与的学习活动出发,结合S-TEC学生参与度模型和分析框架,提出学生行为参与属性划分；针对学生参与行为属性权重设置问题,论文提出利用主观和客观相结合的权重计算方法,并结合属性权重利用线性加权法计算学生行为参与度；实验结果表明综合权重结果排名与最终成绩排名具有更高的一致性,行为参与度计算结果与最终成绩的相关性显著,验证了综合权重计算和行为参与度计算的有效性.(3)基于灰色偏相关的学生认知参与度分析.针对已有研究中较多地是对在线讨论内容的频次统计和描述性分析,缺乏对学生认知参与度的深入分析等问题,论文以布卢姆认知过程维度为基础,扩展学生认知参与广度,形成学生认知参与维度划分；针对认知参与各维度中低层次维度和高层次维度之间相互影响的特点,提出利用偏相关分析计算各维度的权重：针对学生认知参与度分析过程中部分信息明确、部分信息不明确定的特点,提出利用灰色综合评价对学生认知参与度进行分析；实验结果表明扩展认知广度后的灰色偏相关结果与学生的最终成绩更相关,更能反映出学生的实际认知参与情况.(4)云模型支持下的学生情感参与度分析.针对在线学习中学生情感体验数据获取和量化分析的问题,论文首先以Ekman的六种基本情绪为基础,结合在线学习中学生会出现的学业情绪,形成对学生情感体验的划分,再采用自我报告量表测量学生的情感体验,得到学生情感体验的量化数据；针对云模型的不足,提出利用改进后的学生情感体验云模型对学生情感体验进行分析,通过学生情感体验云模型的相关参数精确刻画学生在学习过程中的情感体验；实验结果表明利用学生情感体验云模型计算学生的情感体验度结果与学生的最终成绩相关,能够反映出学生的情感参与情况.(5)在前文所做研究工作的基础上,论文将学生参与度模型应用于华中师范大学云课堂平台中,选取其中一个班级为分析对象,从整体、个体、不同维度等多个角度进行具体分析,帮助教师了解学生的学习情况,以便进行教学策略和学习内容的调整.论文的创新之处主要体现在：1)构建S-TEC学生参与度模型,为学生参与度分析提供理论支撑与量化依据；2)提出基于综合权重的学生行为参与度分析方法,从行为参与的频度、广度、深度对学生行为参与度进行深入分析；3)提出基于灰色偏相关的学生认知参与度分析方法,从认知参与深度与广度对学生认知参与度进行深入分析；4)提出云模型支持下的学生情感体验度分析方法,从学生情感体验的角度实现对学生情感参与度的量化分析.

第二篇在线学习论文样文：在线教育中的信息技术采纳与学习者保持研究

近年来,在信息技术进步的带动下,随着大规模开放在线课程(MOOC)等新兴在线学习概念的提出,在线教育在市场规模和学习者数量上都呈现快速发展的趋势.在线教育已成为互联网行业炙手可热的领域,其不但带来了巨大的商业机会,更可能在不远的将来引发学习模式的根本转变.在线教育在快速发展的同时,其中存在的“学习者对新兴在线学习技术的采纳意愿不高”和“学习者流失现象突出”两方面问题也日益受到关注.基于社会化媒体技术和协作式学习理念的MOOC的初期退出率很高,许多在线教育机构也受到高流失率的困扰.普遍存在的学习者退出现象,不仅影响到在线教育机构的收益,也是对在线学习者前期经济和精力投入的浪费,不利于在线教育的健康发展,因而受到实践界和学术界的广泛关注.针对上述两方面问题的已有研究多是单从教育学或信息管理的视角出发,缺乏对两个领域理论的融合运用,并且仅将在线学习者中止学习的行为看做单纯的学习者流失问题进行探讨,缺乏基于行为阶段划分的系统研究.本文将学习者参与在线学习的过程看作一个完整的生命周期,针对“前因-过程-结果”三个阶段分别研究“教育信息技术采纳-持续学习意愿-学习者流失预测”三个问题,并注重在运用管理理论和方法的基础上,融入教育领域的相关理论开展研究.本文主要包括以下几方面内容:(1)在线教育中的信息技术采纳影响因素研究.本文选择日益受到关注的社会化媒体技术作为研究对象,在分析基于社会化媒体的在线教育特征的基础上,引入体现其特征的构念对技术接受模型进行拓展,构建了在线教育中的社会化媒体采纳模型,并通过问卷调查收集数据进行分析,对模型中的影响因素路径进行了验证.实证分析结果表明:该模型可以有效地对在线教育情境下学习者的社会化媒体采纳行为进行解释,学习者对于知识可获得程度的感知通过有用性和易用性感知影响其采纳意图.(2)在线学习者持续学习意愿形成机制研究.在对辍学理论、客户满意度理论、信息系统持续使用理论进行系统分析后,在信息系统持续使用模型的基础上,融入辍学理论中的学术融合和社会融合两个核心构念,构建了在线教育学习者持续学习模型.并采用问卷调查方法,实证分析了影响在线学习者持续学习意愿的主要因素.结果表明:学习者的学术融合和社会融合作为外部影响因素,通过感知有用性、期望确认度、满意度影响其持续学习意愿,外部环境是否有利对学习者的持续学习意愿形成过程存在一定的调节作用.(3)在线学习者流失预测研究.通过对大量研究的归纳分析,结合在线教育机构信息系统的现实情况,选择学习者个人特征、学业表现和学习行为作为预测模型的输入变量.在单模型与集成模型、考虑学习行为与否、考虑成本收益与否三个层面上构建多种预测模型,从预测精度相关指标和成本收益相关指标出发,对模型的预测效果进行评价、对比、分析.结果显示:构建的多个预测模型均可以有效对流失进行预测,集成模型效果较单模型好,考虑学习行为的模型较不考虑学习行为的模型效果好,考虑误分类成本的模型较不考虑误分类成本的模型在成本、收益指标上效果更好.(4)本文研究成果的情景化应用.将前三方面研究中获得的发现和成果进行了情景化应用,具体包括:针对学习管理系统改进,在LTSA系统构架模型的基础上引入教师、知识*、知识挖掘等多个元件和外部资源数据库,提出了面向协作式学习的学习管理系统构架,针对学习者流失预测,基于在线教育机构数据中心,提出了四库结构的学习者流失监测系统框架,并对其运作流程进行分析,针对流失应对策略制定,以本文提出的在线教育学习者持续学习模型为指导,基于软系统方法论,从引导、改进和适应三个角度提出了在线学习者流失应对策略.与已有的类似研究仅将在线学习者中止学习的行为看做单纯的学习者流失(或辍学)不同,本文将学习者参与在线学习的整个过程看做完整的生命周期,针对在线教育中的“信息技术采纳”和“学习者保持”这两个与学习者流失密切相关的问题开展研究,并将取得的研究结论进行情景化应用,形成了较为完整的理论和方法体系.

第三篇在线学习论文范文模板：基于免疫系统的小样本在线学习异常检测与故障诊断方法

设备故障样本缺乏、状态检测与故障诊断分离、训练与测试过程相互独立是制约现有智能故障诊断方法广泛应用的主要原因.借鉴生物免疫机理,开展对设备适应性强、对故障样本依赖程度低,并且具有连续学习能力的设备在线学习异常检测与故障诊断方法具有重要的科学意义.

为了提高传统实值反面选择算法检测器的覆盖率和减少冗余检测器,提出了固定边界反面选择算法、精细固定边界反面选择算法、基于边界样本的界面检测器和基于约简边界样本的界面检测器.在深入讨论算法的基础上,应用15组2维人造数据集和Iris数据集进行仿真实验,分析了四种检测器的异常检测性能.与其它异常检测算法相比,训练样本参数相同时,多数情况下,此四种算法具有更好的检测性能；另外,当检测率相近时,检测器(边界样本)数量依次减少.

在全面分析固定边界反面选择算法和基于边界样本界面检测器特性的基础上,提出了小样本在线学习固定边界反面选择算法和小样本在线学习界面检测器,并分析了造成两种算法过学习与欠学习的原因.通过仿真实验,讨论了这两种小样本在线学习异常检测算法相对于传统反面选择算法的优势,分析了小样本在线学习界面检测器优于小样本在线学习固定边界反面选择算法的原因.借鉴免疫系统的疫苗机理,在小样本在线学习界面检测器算法的基础上引入活性疫苗克服了欠学习降低了误报警率,引入惰性疫苗抑制了过学习提高了检测率.

在深入分析界面检测器特性的基础上,引入异常度和异常等级两个概念,结合界面检测器的连续学习特性,提出了具有小样本在线学习异常检测与故障诊断能力的自适应超环检测器.将分布在非己空间内有限的故障样本构建小样本在线学习故障界面检测器,并引入类间隶属度概念,实现了对已知类型故障样本分类、未知类型故障样本聚类的功能.

使用轴承故障数据进行仿真,讨论了各种条件下自适应超环检测器的小样本在线学习异常检测与故障诊断性能,与其它故障诊断方法相比,自适应超环检测器的诊断准确率更高.自适应超环检测器不仅实现了异常检测与故障诊断一体化,而且具备在线学习能力；不仅具备小样本故障诊断能力,还能识别未知类型故障；不仅能随时加入故障样本,还具备数据压缩功能,具有广泛的应用前景.

第四篇在线学习论文范例：在线视频课程中教师对学习过程与效果的影响

视频课程的应用日益广泛,但从心理学层面对其的研究却相对比较薄弱,导致了视频课程实际应用效果不佳.本文从学习者的主观感受和自动化认知加工过程这两个方面出发,探讨视频课程中教师对学习者学习过程与效果的影响,以期能够丰富在线学习理论,尤其是在线视频课程的学习理论,并为在线视频课程设计和开发提供支撑.

本文首先通过对现有在线视频课程进行梳理和分析,揭示了在线视频课程的主要特点,以确定研究问题.而后,以社会存在感理论和认知负荷理论为基础,探讨在线视频课程中教师呈现比例、教师姿势对学习者在学习过程中体验到的社会存在感和认知负荷以及学习满意度和学习效果等学习结果的影响；并利用眼动追踪技术,从视觉心理层面来揭示教师姿势影响学习效果的视觉注意机制.最后,根据前期的研究结果,结合视频课程学习和传统课堂学习的真实规律和特点,比较了教师在陈述性知识与程序性知识的在线视频课程中对学习者社会存在感、认知负荷和学习效果的不同影响作用.

研究一分析和梳理国内外207门在线视频课程,并对有教师的在线视频课程中教师的特点进行了重点分析,主要考察了教师呈现形式、比例,以及教师在教学过程中姿势的运用情况等.该研究的目的是了解国内外在线视频课程中教师呈现的情况,为后续研究材料的选取与拟探讨的问题提供实践依据.结果发现：在被调查的在线视频课程中,94.20%的呈现了教师；教师呈现比例跨度较大,范围为1%--60%；且几乎所有有教师出现的在线视频课程中教师都运用了多种姿势.

研究二通过调查华中师范大学的320名大学生,对编制的社会存在感问卷和视频课程学习满意度量表进行修订.该研究的主要目的是为后续研究中测量社会存在感和学习满意度提供合适的测量工具.通过验证性因子分析和相关分析发现,社会存在感问卷和视频课程学习满意度问卷均具有良好的结构效度和内部一致性信度,社会存在感问卷包括两个维度,即“来到”和“离开”,视频课程学习满意度问卷包括教师教学、课堂内容、师生互动和学习环境与设备四个维度.

研究三通过单因素被试间实验法,考察在线视频课程中教师呈现比例对学习者的社会存在感和认知负荷以及学习满意度和学习效果的影响.该研究的主要目的是考察教师呈现比例对学习者的学习过程与效果的影响.该研究以88名大学生为被试,以三种不同教师呈现比例的视频课程为实验材料,即小呈现比例(8.4%)教师的视频课程、中等呈现比例(26.1%)教师的视频课程和大呈现比例(41.8%)教师的视频课程.视频课程学习主题为PhotoShop中“曲线”命令的调整,时长为7分29秒.结果发现,视频课程中,较小呈现比例(8.4%)的教师呈现有助于提高他们的学习满意度,改善学习者的学习效果；较大比例的教师呈现会降低他们的学习满意度,阻碍学习者的学习效果.然而,视频课程中教师呈现比例对学习者的社会存在感、认知负荷均没有显著影响.

研究四采用眼动追踪技术,比较了视频课程中不同线索,包括教师姿势和非教师姿势的线索,对学习者社会存在感、认知负荷和视觉注意,以及学习满意度和学习效果的影响.研究目的是探讨视频课程中教师姿势对学习者的学习过程与效果的影响.该研究以113名大学生为被试,以无姿势视频课程、有教师姿势视频课程、非姿势线索视频课程,以及既有教师姿势又有非姿势线索的四段视频课程为实验材料.视频课程学习主题同研究三,四段视频课程都有教师.实验采用被试间设计.研究发现,视频课程中教师姿势可以提高学习者对视频课程的视觉注意,同时提高其学习效果.然而,教师姿势对学习者的社会存在感、学习满意度和认知负荷没有影响.

研究五根据本文前期研究结果,并结合在线视频课程学习和传统课堂学习的真实情境下的特点,比较教师在陈述性知识和程序性知识的视频课程中对学习者产生的社会存在感和认知负荷以及短期和中期学习效果的不同影响作用.该研究以96名大学生为被试,采用2x3的混合实验设计,知识类型2(①陈述性知识；②程序性知识)×,教学方式3(①无教师的视频课程；②有教师的视频课程；③传统课堂)的混合实验,其中知识类型为被试内变量,视频课程的呈现方式为被试间变量.陈述性知识包括两段视频课程,即有教师视频课程和无教师视频课程.程序性知识也包括两段视频课程,即有教师视频课程和无教师视频课程.该研究以教育技术的概念为陈述性知识,数码图像的采集与处理为程序性知识.结果发现,对于陈述性知识和程序性知识,有教师呈现的视频课程学习效果最好；而对于程序性知识的学习,学习者在有教师和无教师的视频课程中的学习效果均与传统课堂相同.

基于以上研究及结论,我们认为：①视频课程中呈现小比例教师(8.4%左右),且运用多种姿势讲解,有利于学习者对知识的理解；②对陈述性知识进行教学,采用有教师的视频课程模式时学习效果最佳；③对程序性知识进行教学,有无教师并不会影响视频课程中的学习效果；④社会存在感和认知负荷可能并不是影响有教师呈现之视频课程学习效果的重要因素.据此,我们可以推定：学习者在视频课程学习过程中产生的较高级的主观体验,如社会存在感、认知负荷等,在在线视频课程学习中扮演的角色并没有传统在线学习或多媒体学习的相关理论强调的那么重要；相反,学习者无意识的自动化认知加工过程会影响最终的学习效果,因此在在线视频课程设计和制作时,应充分应用学习者的自动化认知加工过程.

本文的创新之处在于：基于对现有在线视频课程的梳理,结合视频课程学习和传统课堂的学习规律和特点,分别探讨了在线视频课程中教师特点对学习者意识层面的主观体验、自动化认知过程和学习效果的影响,丰富和发展了我们对在线视频课程、尤其是对在线视频课程中教师之作用的认识,为在线课程资源设计与开发提供了理论指南.在理论上的贡献主要体现在：视频课程学习过程中学习者较高级的主观体验并没有传统在线学习理论认为的那么重要,相反学习者无意识的自动化认知加工过程会影响到最终的学习效果.这一理论发现在实践层面上的意义在于：在在线视频课程设计与开发的过程中,应充分考虑学习者的认知加工具有自动化的特征.

第五篇在线学习论文范文格式：基于选择性集成的在线机器学习关键技术研究

一直以来,机器学习技术在众多领域都发挥着巨大的作用.对数据进行分析处理,从中获得有用的信息和知识以便指导后续的决策,这是机器学习的最终目标.而随着互联网的普及,数据获取的手段逐渐丰富,人们获得的数据量呈指数增长,从而对传统的机器学习技术造成挑战.对于架构在互联网之上的在线交易、在线广告、金融分析以及搜索引擎等业务而言,能够对大规模、长时间、持续性的数据进行快速、有效的学习具有重要的意义.在线机器学习是对大量数据进行及时处理的重要手段,预测能力和预测效率成为在线学习方法最重要的评价标准.作为最重要的在线机器学习策略,增量学习方法可以分为单分类器增量学习和集成式增量学习.单分类器方法容易出现过适应问题,预测能力较低.而随着系统的持续运行,集成式学习方法通常会导致目标集成分类器规模不断增大,预测开销越来越大.

在批量式机器学习中,选择性集成可以有效提高集成分类器的预测能力和预测效率.本文针对监督学习和分类问题,提出将选择性集成技术用于集成式增量学习,从而提高在线学习的预测能力和预测效率的思想.论文首先提出了选择性集成与增量学习相结合的在线学习模型,然后对其涉及的关键技术展开深入研究.论文的主要工作和创新包括:

1、提出选择性集成与增量学习相结合的在线学习模型EPIL.

本文针对各领域的实际需求以及目前在线学习技术的缺陷,提出选择性集成与增量学习相结合的在线学习模型EPIL,并阐述了该模型涉及的若干技术挑战.EPIL模型对每次增量数据集的学习均获得若干局部基分类器,然后利用局部选择剔除预测能力差的局部基分类器,并择机利用全局选择剔除已经过时的全局基分类器,使得目标集成分类器的规模小、预测能力强、具有良好的增量学习能力.

2、提出基于模式挖掘的选择性集成策略及算法框架.

对EPIL模型中的选择性集成技术进行研究,创新性地提出了基于模式挖掘的选择性集成策略,并构建基于该策略的选择性集成算法框架,详细分析了框架中的关键技术.在基于模式挖掘的选择性集成策略中,选择性集成问题被描述为从事务数据库中挖掘一个模式的问题,从而能够利用事务处理和模式挖掘技术进行基分类器的选择,为选择性集成方法的研究开拓了一个新的方向.

3、提出两种基于覆盖模式挖掘的选择性集成算法.

源于基于模式挖掘的选择性集成策略,论文首先提出了覆盖模式挖掘的概念,然后利用该概念给出了两种选择性集成算法:CPM-EP和PMEP.CPM-EP和PMEP算法都利用覆盖模式挖掘思想和多数*法原理来获取各种长度的候选子模式,然后都是利用贪婪策略来构造目标集成分类器.但是PMEP通过对原始事务数据库创建一棵FP-Tree,然后从FP-Tree中获取候选子模式,避免对事务数据库的频繁操作,从而节省了大量开销.实验结果表明,CPM-EP和PMEP算法的基分类器选择速度快,目标集成分类器规模小、预测能力强.就上述两种算法而言,PMEP在选择时间上优于CPM-EP.实验结果验证了模式挖掘思想是一种十分有效的选择性集成策略.

4、提出以Bagging为基础的集成式增量学习方法.

论文对EPIL模型中的基分类器构造方法进行研究,针对传统集成式增量学习方法对基分类器的结构适应性差,提出以Bagging为基础的集成式增量学习方法Bagging++,并提出一种基于Bagging的异构基分类器构造方法.实验结果表明,Bagging++具有很好的基分类器算法适应性,能够获得良好的预测能力,性能明显优于传统算法.此外,采用异构基分类器构造方法能够进一步提高集成式增量学习的预测性能.

5、提出基于选择性集成的增量学习技术.

论文对EPIL模型中利用选择性集成技术进行增量学习的具体方法进行研究,主要包括基分类选择的时机,校验样本集的确定等内容,然后针对Bagging++算法,提出基于局部选择的LP-Bagging++算法,以及局部与全局选择相结合的MP-Bagging++算法.实验结果表明,由于全局选择可剔除失效的基分类器,可有效控制目标集成分类器的规模,在保证预测能力的同时,显著提高了预测的时空效率.因此,局部与全局相结合的混合选择策略更适合当前在线学习的需求.

6、设计并实现了集成学习开发平台LibEP.

在前面研究结果的基础上,论文设计并实现了一个开源的集成学习开发平台LibEP.该平台涵盖的算法包括了集成学习研究的所有主要方面,包括样本操作方法、基分类器学习算法、集成学习算法、选择性集成算法、增量学习算法、性能评估算法等.LibEP平台的接口简单,易于使用,能够方便地集成到用户的程序中.该开发平台采用标准C++语言实现,运行性能高、可移植性好,功能易于扩展.

本文从模型、算法和实验研究的角度,探讨了选择性集成与增量学习相结合的在线学习技术.而在下一步,通过将论文的研究内容与实际应用相结合,作者将致力于推动该项技术在需要高性能、高效率的机器学习应用领域中发挥出重要的作用.

这篇在线学习论文范文为免费优秀学术论文范文,可用于相关写作参考.

在线学习引用文献:

[1] 最新在线学习论文选题参考 在线学习论文题目怎样取

[2] 在线学习专著参考文献 在线学习论文参考文献数量是多少

[3] 在线学习论文大纲范文模板 在线学习论文提纲怎么写