基于云計算的數字化礦井通風課程教學資源自動推薦方法

摘要：為提高推薦資源與學生學習需求的匹配度，提高推薦資源的多樣化，文章引進云計算技術。文章以數字化礦井通風課程為例，開展教學資源自動推薦方法的設計研究。從云計算平臺中提取學習者相關數據，通過學習者在特定時間段內的學習表現，構建學習者認知水平模型；通過多個維度量化用戶行為特征，進行用戶行為特征與礦井通風課程教學資源特征關聯匹配；建立用戶-資源評分矩陣，進行數字化教學資源的協同過濾與個性化推薦。對比實驗結果表明：設計的方法不僅可以提高推薦資源與學生需求資源的相似度，還能為學生提供更加多樣化的學習資源。

關鍵詞：云計算；推薦方法；教學資源；礦井通風課程；數字化

中圖分類號：TP391 文獻標志碼：A

0 引言

在礦業領域，礦井通風系統的智能化和數字化已成為提升礦井安全性和生產效率的關鍵。然而，現有礦井通風教學資源管理和推薦方式存在諸多不足，如資源存儲分散、檢索效率低下、推薦不準確等問題，難以滿足當前礦井通風教學和實踐的需求。

劉亦凡等［1］利用知識圖譜的語義網絡特性，將大量的教學資源進行關聯和組織，形成一個便于檢索和推理的知識體系。在實際應用中，該系統顯著縮短了學生對教學資源的檢索時間，提高了教學資源的利用率和學習效率。但知識圖譜的構建和更新需要消耗大量的時間和資源，特別是在醫學領域，專業性強、結構復雜，使得知識圖譜的維護成為一項挑戰。趙莉蘋［2］采集分析用戶歷史數據，用K-中心聚類算法挖掘行為特征，建立資源特征關聯，結合偏好因子生成個性化推薦。該研究解決云平臺數據量大、推薦不精準問題，提升推薦準確性。但數據獲取處理成本高，需大量歷史數據支持。

為提高資源推送的精確性，本文在此次研究中引入云計算技術，以數字化礦井通風課程為例，開展教學資源自動推薦方法的設計研究。

1 基于云計算構建學習者認知水平模型

2 用戶行為特征與礦井通風課程教學資源特征關聯匹配

3 數字化教學資源協同過濾與個性化推薦

在學習者認知水平模型基礎上，本文設計數字化教學資源協同過濾與個性化推薦方法，可以進一步利用學習者行為數據與教學資源的關聯，為學習者提供更加精準的資源推薦［7］。在此過程中，建立用戶-資源評分矩陣，表示學習者對各個教學資源的評分情況。如下計算公式所示：

4 對比實驗

4.1 實驗準備

選擇某高校作為研究對象，該高校為礦業領域的知名學府，擁有較為完善的礦業工程專業體系。該校礦業工程專業學生規模龐大，每年招生人數穩定在500人左右，其中礦井通風方向的學生占比約為20%。

在數字化礦井通風課程教學方面，該校已初步建立了相關的教學資源庫，引入了多媒體教學設備，以提升教學效果。但目前的教學資源管理和推薦方式仍較為傳統，學生需要花費大量時間檢索和篩選所需資源。同時，由于礦井通風課程的特殊性，學生需要頻繁進行實踐操作和模擬實驗，但現有的實驗設備和場地難以滿足這一需求。綜上所述，該校在數字化礦井通風課程教學方面雖已取得一定進展，但仍存在諸多不足。采集學生學習數據作為本次實驗的樣本數據，對數據進行整理，如表1所示。

盡管現有課程教學資源自動推薦方法在一定程度上提高了資源推薦的效率，但仍存在不足。特別是當推薦的資源與學生實際需求不匹配時，會導致學生與資源的交互次數不足，進而無法達到預期的線上自主學習效果。

通過深入調研發現，當推薦的學習資源與學生興趣或學習進度不符時，學生的線上交互次數明顯減少。在某次推薦中，盡管系統為學生推薦了15條相關資源，但由于資源內容與學生的學習需求不匹配，學生的平均交互次數僅為1.2次，遠低于平均水平。此種不匹配不僅浪費了學生的時間，也降低了學生對線上學習的積極性和參與度。

4.2 實驗步驟

在實驗中，搭建基于云計算的數字化礦井通風課程教學資源平臺，確保平臺穩定運行并具備資源存儲、檢索、推薦等功能。教學資源平臺技術參數如表2所示。

收集并整理學生學習數據，包括用戶編號、在線學習天數、平均瀏覽量、線上交互次數等作為測試樣本數據。同時，準備豐富的教學資源，以測試推薦系統的準確性和多樣性。將準備好的教學資源上傳到云計算平臺并進行合理地分類和標簽設置，以便系統能夠準確識別并推薦相關資源。模擬學生的學習行為，包括瀏覽資源、進行交互等，以觸發推薦系統的運行。

在此基礎上，本文引進文獻［1］提出的基于知識圖譜的推薦方法、文獻［2］提出的基于用戶行為特征的推薦方法，將其作為對照。同時，應用3種方法，進行數字化礦井通風課程教學資源的自動推薦，收集推薦系統生成的推薦結果并與學生實際學習需求進行對比分析，評估推薦的準確性和匹配度。

4.3 實驗結果與分析

在評估課程教學資源自動推薦方法的性能時，推薦資源與學習需求的相似度、推薦的資源類別與數量是2項至關重要的檢驗指標。

推薦資源與學習需求的相似度是衡量推薦系統精準度的關鍵。該指標通過計算推薦資源與學習者的學習需求、興趣偏好、學習進度等因素的匹配程度得出。相似度越高，說明推薦系統越能準確捕捉學習者的需求，從而提供更有針對性的學習資源。在實際應用中，可以通過學習者對推薦資源的點擊率、瀏覽時長、滿意度等反饋數據間接評估相似度。以此為依據，得到如圖1所示的實驗結果。

從圖1可以看出，本文方法推薦的資源與學生學習資源的相似度在0.8～1.0，而文獻［1］、文獻［2］方法推薦的資源與學生學習資源的相似度在0.4～0.8，相似度相對較低。由此可以說明，本文方法推薦的資源更能滿足學生學習要求。

在此基礎上，將推薦的資源類別與數量作為性能的另一指標。資源類別的多樣性能夠確保學習者獲得全面、豐富的知識，避免信息單一化導致的認知偏差。推薦結果如圖2所示。

從圖2可以看出，應用本文方法可以為學生推薦更多的音頻資源、視頻資源，相比文本類教學資源，此類資源能更容易吸引學生關注。反之，文獻［1］、文獻［2］方法為學生推薦的教學資源大多為文本資源。綜合上述分析可以證明，本文設計的方法不僅可以提高推薦資源與學生需求資源的相似度，還能為學生提供更加多樣化的學習資源，以此提高學生的學習興趣。

5 結語

云計算技術憑借其數據存儲與計算能力，為教學資源管理提供新路徑。它能統一存儲管理資源，提升資源利用率和管理效率。教師便于制作、上傳、分類資源，學生則能快速檢索。在礦井通風教學中，云計算尤為重要，因系統需要動態實時調整數據，人工處理效率低。本文基于云計算構建學習者認知水平模型，關聯用戶行為與礦井通風教學資源特征，實現個性化推薦。云計算技術優化了資源管理，為礦井通風領域的教學和實踐提供了有力支持。

參考文獻

［1］劉亦凡， 代萌， 付峰.基于知識圖譜的資源推薦系統設計及其在醫用傳感器課程教學中的應用［J］.醫療衛生裝備， 2024（10）：93-97.

［2］趙莉蘋.基于用戶行為特征的網絡教學云平臺資源個性化推薦方法［J］.無線互聯科技， 2024（18）：116-118.

［3］李偉.基于知識圖譜的中職線上教學資源推薦系統設計與實現［J］.電腦編程技巧與維護， 2024（7）：46-48.

［4］張嬋.基于數據挖掘的課程思政教學資源個性化推薦方法：以計算機類課程為例［J］.廣東輕工職業技術學院學報， 2024（2）：65-68.

［5］李黨恩.基于免疫進化算法的計算機課程線上教學資源推薦方法［J］.信息與電腦（理論版）， 2024（1）：49-51.

［6］錢晉.基于數據挖掘的測量學課程思政教學資源個性化推薦方法［J］.信息與電腦（理論版）， 2023（21）：248-250.

［7］汪永成.個性化推薦技術在Web 3D仿真教學資源預加載中的應用［J］.安徽科技， 2022（11）：49-51.

［8］唐型基， 楊光臨.基于數據驅動的java程序設計課程教學資源推薦系統設計［J］.信息與電腦（理論版）， 2022（20）：237-239.

（編輯 王永超編輯）

Automatic recommendation method for teaching resources of digital mine ventilation course

based on cloud computing

SHANG "Tielin

（School of Energy Engineering， Yulin University， Yulin 719000， China）

Abstract： "In order to improve the matching degree of the learning needs of the students with the recommended resources and improve the diversification of the recommended resources， the cloud computing technology is introduced. This article takes the digital mine ventilation course as an example to carry out the design and research of the automatic recommendation method of teaching resources. It extracts learners’ relevant data from the cloud computing platform， constructs the learning performance in a specific time period. It quantifies the user behavior characteristics through multiple dimensions， and matches the user behavior characteristics with the teaching resource characteristics of mine ventilation courses. It establishes the user-resource scoring matrix， and conducts collaborative filtering and personalized recommendation of digital teaching resources. The comparative experimental results show that the design method can not only improve the similarity between the recommended resources and the students’ demand resources， but also provide the students with more diversified learning resources.

Key words： cloud computing; recommendation method; teaching resources; mine ventilation course; digitization