Section A: Project Information
在线教育平台数量激增，但学生面临课程选择困难、学习路径不清晰等问题，导致学习效率低下。本项目开发了一个基于 AI 的个性化学习推荐系统，旨在为学生提供定制化的学习路径和资源推荐。
核心创新点包括：
- 使用 PaddlePaddle 构建深度学习模型，分析学生的学习行为（如观看视频时长、测验成绩等），预测其知识掌握程度。
- 基于知识图谱技术，动态生成个性化的学习路径。
- 提供实时反馈和调整功能，确保推荐内容与学生需求同步更新。
- 技术原理包括自然语言处理（NLP）用于课程内容分析，机器学习算法用于学习行为建模，以及图算法用于构建知识图谱。
该系统将显著提高学生的学习效率，降低辍学率，并为教育机构提供数据驱动的决策支持。未来计划扩展到多语言支持和跨学科应用，以提升系统的全球适应性。
Section B: Participant Information
| Title | First Name | Last Name | Organisation/Institution | Faculty/Department/Unit | Phone Number | Contact Person / Team Leader | |
|---|---|---|---|---|---|---|---|
| Mr. | 建文 | 石 | 汇智有识 | 汇智有识 | 1157463330@qq.com | 15296626792 |
Section C: Project Details
随着在线教育的普及，学生面临以下问题：
- 信息过载 ：海量课程资源让学生难以选择适合自己的内容。
- 学习路径不清晰 ：缺乏明确的学习目标和路径，导致学习效率低下。
- 缺乏个性化支持 ：传统推荐系统无法充分考虑学生的兴趣、能力和学习进度。
这些问题直接影响了学生的学习体验和成果。
本项目的灵感来源于对在线教育平台用户行为的观察，发现学生需要一个能够动态调整学习路径的智能助手。我们假设通过 AI 技术分析学生的行为数据和课程内容，可以生成个性化的学习路径，从而提高学习效率。
项目的核心理念是“以学生为中心”，通过数据驱动的方式帮助学生找到最适合他们的学习资源，最终提升学习效果。
可行性和功能性：
- 技术实现 ：
- 数据收集与预处理模块：利用 Python 的 Pandas 和 NumPy 库清洗和标准化学生的学习行为数据（如观看视频时长、测验成绩等）。
- 模型训练与推理模块：使用 PaddlePaddle 构建深度学习模型，分析学生的学习行为，预测其知识掌握程度。 采用自然语言处理（NLP）技术解析课程内容，结合机器学习算法生成推荐。
- 推荐生成模块：基于知识图谱技术，动态生成个性化的学习路径和资源推荐。
- 资源需求 ：
- 硬件资源：高性能 GPU（如 NVIDIA Tesla V100）用于模型训练。
- 软件工具：PaddlePaddle、Pandas、NumPy、NetworkX 等开源库。
- 数据资源：MOOCCube 或类似在线教育平台的用户行为数据集。
- 市场验证 ：
- 通过问卷调查和用户访谈了解目标用户的需求和痛点。
- 开发 MVP（最小可行产品），在小规模用户群体中进行测试，收集反馈以优化系统功能。
核心功能与用户体验：
- 核心功能 ：
- 动态学习路径生成：根据学生的学习行为和知识掌握程度，实时调整学习路径。
- 个性化推荐：基于学生兴趣、能力和学习进度，推荐最适合的学习资源。
- 实时反馈：提供即时的学习建议和改进建议。
- 用户体验保障 ：
- 提供简洁直观的用户界面（UI），确保操作简单易用。
- 支持多设备访问（如 PC、平板、手机），提升用户便利性。
- 定期更新推荐算法，确保推荐内容始终符合用户需求。
- 性能评估指标 ：
- 推荐准确率（Precision@K）：衡量推荐结果的相关性。
- 用户满意度评分：通过问卷调查获取用户对系统的整体满意度。
- 学生学习效率提升比例：比较系统使用前后学生的学习成果变化。
功能架构：
- 数据收集与预处理模块：收集学生的学习行为数据（如观看视频、完成作业等），并进行清洗和标准化处理。
- 模型训练与推理模块：使用 PaddlePaddle 构建深度学习模型，分析学生的学习行为，预测其知识掌握程度。
- 推荐生成模块：基于知识图谱技术，动态生成个性化的学习路径和资源推荐。
技术工作流程：
- 数据预处理：使用 Pandas 和 NumPy 清洗数据。
- 模型训练：采用 PaddlePaddle 的 NLP 模块分析课程内容，结合机器学习算法预测学生表现。
- 知识图谱构建：使用 NetworkX 构建课程知识点之间的关系图。
- 推荐生成：基于图算法（如最短路径算法）生成学习路径。
个性化推荐算法 ：
- 基于协同过滤和深度学习模型，综合分析学生的学习行为、兴趣和能力，生成个性化推荐。
- 引入知识图谱增强推荐效果，确保推荐内容具有上下文关联性。
设计与开发时间表：
- 第 1-2 周：数据收集与预处理。
- 第 3-6 周：模型训练与优化。
- 第 7-8 周：前端开发与系统集成。
性能评估指标：
- 推荐准确率（Precision@K）。
- 用户满意度（通过问卷调查评估）。
- 学生学习效率提升比例。
本项目的创新点包括：
- 动态学习路径生成：利用知识图谱技术，根据学生的实时表现动态调整学习路径，区别于传统的静态推荐系统。
- 多维度数据分析：综合分析学生的学习行为、兴趣和能力，提供更精准的推荐。
- 实时反馈机制：系统能够根据学生的最新学习数据即时调整推荐内容，确保推荐始终与学生需求匹配。
这些创新点增强了系统的实用性和灵活性，使其能够更好地满足学生的个性化需求，同时提高了学习效率和用户体验。
可扩展性：
系统采用模块化设计，便于扩展新功能（如多语言支持、跨学科应用）。此外，使用云计算技术（如百度智能云）部署系统，确保其能够处理大规模用户请求。
可持续性：
- 环境可持续性：优化算法以减少计算资源消耗，降低碳排放。
- 长期用户参与：通过定期更新课程内容和推荐策略，保持用户的持续参与。
- 适应性：系统能够根据用户需求的变化快速调整推荐策略，确保其长期有效性。
社会影响：
该项目致力于缩小教育资源差距，为不同背景的学生提供平等的学习机会。通过个性化推荐，帮助学生更高效地学习，提升整体教育质量。
社会责任：
- 公平性：系统设计注重包容性，确保所有学生都能获得高质量的教育资源。
- 隐私保护：严格遵守数据隐私法规，确保学生数据的安全性和匿名性。
评估指标：
- 学生学习效率提升比例。
- 用户满意度评分。
- 平台活跃用户增长率。
Personal Information Collection Statement (PICS):
1. The personal data collected in this form will be used for activity-organizing, record keeping and reporting only. The collected personal data will be purged within 6 years after the event.
2. Please note that it is obligatory to provide the personal data required.
3. Your personal data collected will be kept by the LTTC and will not be transferred to outside parties.
4. You have the right to request access to and correction of information held by us about you. If you wish to access or correct your personal data, please contact our staff at lttc@eduhk.hk.
5. The University’s Privacy Policy Statement can be access at https://www.eduhk.hk/en/privacy-policy.
- I have read and agree to the competition rules and privacy policy.