虚拟化环境中支持电子学习的基于Agent的推荐系统

埃及信息学杂志23（2022）33在虚拟化环境中支持电子学习Sadia Alia，Yaser Hafeeza，Mamoona Humayunb，Nor Shahida Mohd Jamailc，Muhammad Aqiba，Asif Nawazaa巴基斯坦拉瓦尔品第PMAS干旱农业大学信息技术学院b沙特阿拉伯，朱夫，朱夫大学，计算机和信息科学学院，信息系统系。c沙特阿拉伯利雅得苏丹王子大学计算机和信息科学学院阿提奇莱因福奥文章历史记录：收到2020年2021年3月14日修订2021年5月8日接受2021年5月21日网上发售保留字：在线学习推荐系统基于体系结构语义的虚拟主体偏好A B S T R A C T电子学习网站有助于提高学术骨干的技能和意识，如教师、学生、行政人员和那些正在搜索有关各种教育机构的最新信息的人尽管在线学习平台有很多好处，但用户面临一些挑战和复杂性，例如根据他们的需求和偏好选择适当的学习材料和课程因此，在培训阶段提供高质量的资源是他们的主要责任，服务提供商提供的在线援助不足是造成许多困难的主要原因。需要创建一种系统，该系统可以智能地提出课程，同时考虑各种观点以增强学习者的技能和知识。本研究提出了一个架构，建立语义建议的帮助下，基于用户的需求和偏好的虚拟代理，协助学术界在现实世界中寻找合适的课程。实验和统计结果表明，与现有技术相比，虚拟化的基于Agent的推荐系统不仅提高了用户的学习技能，而且使课程选择更容易，这取决于用户©2022 The Bottoms.出版社：Elsevier B.V.代表计算机与信息学院开罗大学。 这是一篇基于CC BY-NC-ND许可证的开放获取文章（http：//creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍高速的互联网速度和可靠的云环境以及最新的计算资源鼓励每个人通过在我们的计算机或智能手机上点击一下来使用应用程序进行知识收集，购物，支付和其他活动。由于在每个领域的日常安排中对先进技术的需求和实践不断增加，因此，所有新兴组织都在试图根据客户需求提高服务质量技术在这一领域发挥着至关重要的作用，*通讯作者。电 子 邮 件 地 址 ： yasir@uaar.edu.pk （ Y.Hafeez ） ， mahumayun@ju.edu.sa（M.Humayun）。开罗大学计算机和信息系负责同行审查。教育也是如此，因为它有助于提高教育质量，并促进来自世界各地的学生通过各种平台分享知识[1世界不同地区之间的知识交流，特别是在有合格或高技能教师和先进教育服务的地方，可能有助于改善教育设施[4，5]。使用基于网络的软件可以实现可靠的远程学习[6]。电子学习是通过互联网提供的教育，它允许人们交换和学习信息。电子学习教育系统使学习者能够提高他们的知识和技能，而不必参加课程或进入机构，由于机构或其偏远位置的交通不便[7因此，在电子学习辅导计划中，来自世界各地的学习者和导师通过基于网络的应用程序与最新信息[4，10-由于农村地区缺乏资金和训练有素的教师，为人们接受高等教育提供便利要困难得多。这些问题可以通过电子学习来解决，目前的照明-https://doi.org/10.1016/j.eij.2021.05.0031110-8665/©2022 THE COURORS. Elsevier B.V.代表开罗大学计算机和信息学院出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表埃及信息学杂志杂志主页：www.sciencedirect.comS. 阿里，Y。Hafeez，M.Humayun等人埃及信息学杂志23（2022）3334erature[1，14，15]讨论了高等教育电子学习的优势。它允许个人和专家满足他们的独特需求。现代的教师和学生通过培训课程和研讨会不断另一方面，电子学习为学生、教师和组织人员提供了一个论坛，以了解他们相关的兴趣特定技能，以提高他们的成功[1，9，16]。在电子学习环境中，不像在学校和其他培训中心，导师和学习者都必须亲自在场，学习者并不亲自在场的培训中心。即使在偏远/农村地区，电子学习平台也将独立工作，通过提供先进和最新的课程内容来促进教育[10，17]。电子学习平台透过提升经验丰富雇员及教师的技术及学术技能，提升彼虽然在线学习有很多好处，但它也有一些缺点，例如对在线学习的支持和指导不足，针对个人需求的个性化选择的虚拟化指导等[6，7，17，18]。因此，推荐的使用是不可避免的[1，5，9]，例如在社交媒体、教育和其他许多用户共享其数据和个人信息的领域[1]。定制选项通过提供具体的内容建议来帮助学习者改善他们的学习体验[14，15，19]。大多数现有的推荐都集中在基于协作的过滤（CBF）上，CBF具有稀疏性，并且还具有新用户的问题，而其他人使用内容过滤（CF），它集中在一个用户的现有知识上以建议相关材料，但是在两种情况下，信息过滤都是基于以前或当前用户的评级[1，9，16，20]。在大量用户的情况下，出现冷星问题，这使得由于偏好的不匹配和缺乏虚拟环境可用性而难以具有有效的偏好[1，17，21]。这项研究的主要贡献是评估电子商务的效率，通过电子学习推荐架构（ELRA）缓解相关偏好选择的挑战为此，一个基于网站的应用程序与虚拟化的援助和混合过滤（HF）推荐信息系统已经开发，以加强教练指导，通过使用文本挖掘语义分析用户而不是手动访问信息，这会产生复杂性，并降低学习者的兴趣，而不提高技能，建议的推荐框架消除了不匹配的偏好提取在虚拟化的设置。ELRA通过从多角度推荐特定的语义期望来增强在线学习者教育和培训与传统方法相比，所提出的方法加强了课程推荐过程。1.1. 研究贡献这项研究的意义概述如下：1. 该研究发现，远程学习应用程序无法适应所有学习者2. 根据我们提出的架构，需要一个推荐框架来处理用户的期望。这些偏好基于通过文本挖掘对用户请求的语义分析先前，在学习会话期间，来自列表的用户选择他的课程和vir，tualized代理，以防止任何中断和不便。因此，我们将ELRA架构提案分为两个第一部分用于提取输入数据并提供建议列表。第二部分使用反馈来进行推荐过程以生成有用的推荐。3. 此外，两种方法的比较表明，互动和基于上下文的偏好推荐的在线学习者的不同观点，提高学习者的成功。采用定量方法研究了ELRA的疗效，实证结果证明了本研究的新颖性。4. 最后，透过整合资讯科技的优势，本研究为教育界未来的研究工作本文的其余部分按以下方式设计。第2节审查了在这一领域所做的工作。在第3节中详细定义了建议的体系结构。第4节描述了用于评估所提出的架构的性能的实验设置，以及对结果的简要讨论。最后，在第5节中，我们通过概述潜在的研究方向来结束讨论。2. 相关工作在虚拟环境中建议偏好的需求被视为在线教育的重要组成部分[1，22]。通过虚拟化辅助的在线学习在商业和学习中获得了更多的吸引力，以通过定制偏好自动增强辅导和治疗计划[9，22]。因此，研究人员探讨了许多在线学习问题，如教师和学生之间的联系。[1，9]。学生对源偏好的选择、学生测验/测试和考试等感兴趣通过精确挖掘和审查方法获得在线支持的相关偏好[15，21，22]。相比之下，最新的工作已经修改了在线学习成功的主题，以学习者和教师在知识，技能和要求方面的一致性。作者在[3]中融合了数字和现实世界的背景，使用移动学习工具探索了一个在线框架。它可以帮助学生寻找那些在他们对熟悉材料的兴奋中制造障碍的缺陷。类似地，[10]的一份报告使用电子学习中的数据挖掘工具确定了课程建议的不正确和不正确组合之间的区别。通过与模型系统的对比，结果表明，所提出的方法是有益的，在收集和提取课程材料的技能发展。此外，它建议通过使用数据挖掘程序来分析用户的专业知识和能力，从而结合大量的用户期望，即。分组、聚类和关联规则挖掘，以根据学习者的兴趣提高学习者的技能[12]。在线学习中数据的可重用性也有助于完善建议，参考文献[9，23]探索不同的网络，并定义知识共享生态系统在虚拟化学习中的作用使用按时间顺序的推荐信息有助于处理海量数据集和可扩展的学习器。[1]的文件。通过基于相似的学习者表现水平推荐知识以及使用在线辅助的视觉分析来提高在线学习者虚拟环境（VS）中的训练模拟了真实世界的环境，[2018 - 04 - 18][2018 - 04 - 18][2018 - 04 - 18][2018 - 04] VS还采用二维（2D）或全浸没（3D）界面[22]。VS培训，其中涉及S. 阿里，Y。Hafeez，M.Humayun等人埃及信息学杂志23（2022）3335通过数据挖掘来处理多用户观点的先前相关用户的评级和当前用户偏好或基于语义的智能建议的重用因此，在[2]中提出了一种基于思维导图的游戏方法，作为一种为EFL学生构建真实学习环境的方法，以了解旅游并参与课堂学习活动。实验结果表明，本文提出的知识教学法能有效地提高学生作者在[14]中提出了一个基于Web服务的电子学习平台。该电子学习平台分为两个部分：第一部分是本地部分，负责维护本地数据库，其中包含所有不同的参与者网络服务课程、网络服务认知水平评估、网络服务协作和网络服务辅导是该网络学习平台的四种网络形式。现有文献强调，需要通过改进在线教育期间使用的数据提取过程来改进在线教育系统。同样，作者在[25，26]中描述了电子学习对于提高知识和技能很重要，但问题是相关材料和资源的识别。因此，作者提出了推荐系统使用方面分析的材料资源提取，以提高网上学习。为了加强其语义关系，它追踪了学生的活动。最后，对当前方法的深入分析突出了导致我们提出可以解决现有方法的局限性或缺点的架构的缺点。例如，基于情感的语义数据识别[14，21，27]不受观点的歧义和误解的影响，[10，28]中确定的多视角分析无知问题阻碍了用户探索新材料和刚性知识。课程描述内容的模糊性、不完整性和冗余性，以及缺乏虚拟帮助[18，22]，增加了与人员和结果相关问题的沟通。因此，需要一种简单有效的推荐系统，可以最大限度地减少复杂性和工作量，同时仍然提供最新的课程细节和技能[9，10，21，27]。为了填补这一空白，拟议的ELRA通过各种课程建议为用户提供全面的培训和指导，并解决上述限制。3. 建议的体系结构我们已经提出了一个虚拟代理和简化为基础的架构称为ELRA，以解决在电子学习环境中的教育问题，如通过审查当前的文学，erature在前一节。拟议的ELRA旨在帮助教师和学习者/学生找到适合他们兴趣和偏好的课程因此，我们使用ELRA来检查当前和以前的用户的背景，以及比较和对比他们的学习/教学偏好。它帮助学生根据他们的经验和需要选择合适的课程，根据他们的兴趣和可用性，ELRA推荐了一系列最合适的课程。 图 1，描述了ELRA的体系结构。虚拟代理（VA）是一种基于人工智能的在线仿真器，在该体系结构中起着关键作用VA分配建议并响应在线查询，以提高质量并增加现实环境中电子学习培训的成功率。它管理在线用户请求和性能，以提供高质量的学习。为了最大限度地减少用户和团队成员之间的沟通问题，ELRA在存储库中存储和更新用户配置文件和建议。在下面的小节中，ELRA方法中的关键步骤已经得到了解决。3.1. 输入信息当用户建立配置文件时，ELRA管理系统（MS）用于收集数据。图2描绘了该过程。教师和学生作为MS的消费者，可以选择各种各样的课程进行教学和学习。收集到的关于他们的专业知识、资格、经验、兴趣和其他方面的数据-图1.一、E-Learning Recommendation Architecture（ELRA）。S. 阿里，Y。Hafeez，M.Humayun等人埃及信息学杂志23（2022）3336图二. 学生档案界面图三.课程推荐界面。将参数存储在数据库中用于将来的推荐。如图 3、VA从该数据库中提取数据，通过挖掘文本来分析语义信息，以获得正确的推荐。我们详细说明了所提出的系统的工作的帮助下，一个例子：用户搜索过程中学习和提高数据挖掘技能。然后，用户在提供有关其技能、工作要求和经验的详细信息后，请求然后，虚拟代理通过使用用户是;他完成了计算机科学的教育，目前在一家软件公司担任项目经理。 他的兴趣和过去的培训表明，用户有兴趣学习不同的数据挖掘技术和工具。作为项目经理，他 的 工作 要 求 是 在 市场 午 餐 后 从 不同 的 平 台 （ 即 Twitter 、Facebook、博客等）收集用户对产品的反馈。”因此，VA（从请求课程推荐的不同用户简档）提取关于哪个课程和导师更相关的推荐，并且基于先前用户的体验来增强特定用户的请求VA还为用户提供在线帮助，帮助他们选择课程，直到课程结束，没有任何问题和困难。3.2. 输入数据在RP过程中，VA通过分析以前用户的偏好来帮助用户找到最合适的课程有各种S. 阿里，Y。Hafeez，M.Humayun等人埃及信息学杂志23（2022）3337见图4。 使用ABSA过程进行文本挖掘。推荐过程的形式，其中之一是CBF，它根据最重要的先前用户的简档对用户的兴趣进行评级，以选择具有高优先级的推荐。此外，CF的推荐是基于当前用户的先前课程偏好选择及其与新课程的相关性，最后但并非最不重要的是，在这项工作中使用的HF方法，其结合了两种方法以获得更好的HF方法用于在ELRA中提出推荐程序，其所有措施在以下小节中详细说明为RP步骤实施算法3，其输入由算法1-2确定因此，使用算法3，RP接口提供了要学习的课程列表。这些课程是根据已经完成课程的以前用户和目前正在完成类似必修课程的用户选择的。3.2.1. 输入数据预处理在这一步中，VA将输入数据转换为适当的格式，以找到处理语义数据的最佳课程建议。在本文中，我们使用R（R Core Team，2019）文本挖掘库和RStudio工具（RStudio Team，2019）来分析文本语义，使用ELRA架构集成进行基于视角的知识挖掘。在输入数据预处理完成后，挖掘的术语保存在拟议的ELRA系统的存储库中。图4描绘了文本挖掘步骤的整个流程。预处理阶段旨在减少用户提供的观点信息的缺失，以及调查/突出/识别数据之间的隐藏关系。表1示出了从自然语言文本到基于各种情感的概念术语的词提取说明。要处理新的用户请求，VA提取信息-表1使用ABSA进行文本挖掘的例子。从新用户的配置文件和现有用户的偏好中获取信息，它还使用以前用户为此，第二和第三列中的VA使用RStudio中的ABSA方法根据课程要求提取新用户的方面和情感，然后识别关于类似课程和情感的类似用户反馈，在最后一列中，根据新的学习要求和以前学习的课程，出现方面的频率。从新的请求角度来看，这些频率描述了新学习者请求这些课程的数量，而先前用户角度则描述了先前基于他们的情感学习这些课程的用户数量。对于文本挖掘，我们使用基于方面的情感分析（ABSA）的K-最近的机器学习算法的基础上该算法用于在查看和分类文本信息后提取用户请求的不同方面和关于必修课程的用户反馈[29，30]。K-nearest算法分别根据相似性频率和出现率映射方面和观点。如上所述，文本挖掘有助于从文本中提取有用的信息及其关系因此，ABSA是一种文本挖掘方法，用于从文本的不同方面探索意见，因此，在建议的ELRA，学习者算法2提取表示课程的方面的不同术语以识别相似的课程。算法2的第一步然后使用R studio平台加载R工具中内置的库，进行数据清洗，过滤，术语提取和k-最近算法以识别方面和映射观点。该工具中使用的信息是基于用户因此，考虑以上部分中描述的示例，关于不同方面的结果描绘在图1中。 5中，并且在表2中描述了基于用户反馈的与意见的映射。根据示例结果，项目经理的工作是提取用户对产品的意见，ABSA是一个合适的选择，8个正面意见）比否定和中立（即5个意见响应）。类似地，对于所有用户，推荐结果被识别，如在使用基于ABSA步骤的文本挖掘的示例中所解释的，没有基于语义的ABSA，很对用户视角的错误解释和识别，使得正确的推荐识别变得困难，并造成用户兴趣 传统上，大多数在线学习系统建议示例信息分析方面情绪用户使用的方面根据用户的反馈意见进行评分。表3比较了ELRA与另一种方法的示例结果，没有ELRA来描述用户对于新的学习请求，VA提取信息机学习中立7根据兴趣和经验。根据ELRA的结果，不同用户的配置文件，数据挖掘的好处9用户根据自己的兴趣和要求选择课程在上面的示例中以及在用于文本挖掘的用户简档界面中描述。然后使用ABSA从以前学习者的相关课程回顾中提取信息。编程语言机器学习正5阳性9然而，如果没有ELRA方法，用户选择课程的基础上，无论兴趣和观点的高评级3.2.2. 前相似用户过滤基于文本挖掘的概念术语，当前用户数据挖掘正面8编程负3语言用户在此过程中的资质和技能。例如，一些用户请求数据挖掘（DM）、机器学习（ML）等，他们的能力和才干，都是与神相称的S. 阿里，Y。Hafeez，M.Humayun等人埃及信息学杂志23（2022）33388←图五. 文本挖掘结果示例。表2意见映射结果。方面子方面积极负中性数据挖掘基于方面的情感分析主题建模892134聚类612表3建议结果。没有ELRA的建议课程评级课程评级ABSA 9主题建模8分类7聚类6 K-最近5表4类似的课程。人工智能（AI），但没有人选择设计模式（DP）。因此，所有要求DM或ML的学生都与这两门课程有一定的相似之处。为了满足学生的需求，我们建立了算法1，以获得一个现有的一组相似的先前的学生的课程。我们使用该算法通过过滤以前用户的口味并匹配他们的资格来获得相关课程的选择。算法1：可用的相似学习者课程集输入：CR*学生兴趣课程集CSSetof existingcourses in repository输出：UCS根据用户要求提供1.UCS←fg2.对于每个CR识别和跟踪，3.如果CRi2CS，则4.为CS i2CS do5.UCS CSi6.端7.endif8.恩德福尔9.返回UCS学生（S）DM ML NS FAS1U× × ×S2U U U×S3U U× ×用户基于一组指定的要求，例如资格、技能和经验。VA然后使用推荐的方法来匹配概念术语并找到相关的主题列表，如表4所示。表4数据显示，所有偏好相似的用户都选择了SE，有的更喜欢ML搭配DM，有的则将其然后算法2，基于新的/最近的请求挖掘术语学习发展知识和技能所需的正确课程，以便在更光明的职业中竞争。它从语义上提取单词，消除冗余、不清楚和重复的术语，从而在电子学习环境中准确提取和理解新用户的请求。 这也有助于提取所有具体和相关的用户请求及其频率，以满足多个学习者的需求。S. 阿里，Y。Hafeez，M.Humayun等人埃及信息学杂志23（2022）3339¼RLi¼1N算法2：挖掘课程术语输入：NLR当前和新 学习者对课程的要求输出：CR课程设置学生兴趣课程设置1.CR←fg2.wd←当前工作目录3.如果未设置wd，则4.setwd路径5.当读取输入数据时，6.inputData←loadInputData然后7.end while8.在检查代码库时，9.如果库不存在，则10.install.packages11.end if12.end while13.在读取inputData时，14.如果数据包含不需要的字符，15.inputData←根除数字和标点符号16.end if17.如果数据包含字符串，18.inputData←更改字符串19.end if20.end while21.而术语挖掘22.inputData←根除空格和停止字23.inputData<$generate} plural nouns}; }重复字符}; }continuous verbs}; 等等： 挖掘关键词24.end while25.while words exist in inputData do26.bagofwords←inputData27.end while28.在处理频率项矩阵时 做29.CR←t=fm30.end while31.返回CR表5课程排名计算由最近学习者（RL）选择的先前排名和偏好当量（1）用于收集RL值。当量（2）用于衡量当前偏好评级的高级课程推荐。PKCSI3.2.3. 排名课程和检索从索引中，我们确定了以前用户对最近和以前喜欢的课程的相同课程的排名。 在上述示例中，我们使用这些信息来找到新的排名，其中用户请求学习不同的课程，例如DM（CS1）、ML（CS2）、NS（CS3）等。在课程完成后，确定学习者表5将一组相关课程的排名与由算法3确定的用户学习的先前课程的排名进行比较。我们使用两个标准来分类最高排名，并满足用户对当前推荐偏好列表的近期需求：而CS的特征在于一组相似的课程，N表示每个用户选择的课程总数，k表示课程集总数，N表示每个用户选择的课程数。NP¼RL ×M2000而M是已经选择新课程的用户的数量的表示。表5中显示了为课程（即CS4、CS 2、CS1、CS5、CS3）确定的NPR值。这些课程在表5中给出了随机等级值。在Eq. （1）用于计算RU值。最后，Eq。（2）测定NPR值。ð1Þ课程CS1CS2CS3CS4CS5行列43445RL23131NP894125S. 阿里，Y。Hafeez，M.Humayun等人埃及信息学杂志23（2022）3340算法3：推荐识别过程输入：UCS根据用户要求提供ELP现有学员资料输出：RSC推荐课程列表1.RSC←fg2.f或RSC推荐的清单3.PU←£//PU：具有学习课程4.对于每个ci2UCS\ELP，从ELP中识别类似的先前用户，然后5.如果ELP学习了多门课程，6.帮助2ELP7.PU←PU U elp//保存在PU8.end if9.端10.用于估计NLR的UCS优先级，11.NP←£ fNP：UCS g的新优先级12.f或每个UCS课程优先级13.提取由最近和先前PU定义的UCS优先级，然后14.NP←计算优先级15.结束或16.使用NP值17.RSC←推荐最高优先级的课程18.恩德福尔19.返回RSC排名代表来自完成课程的用户的反馈，而RL代表来自刚刚开始学习建议课程的当前用户的反馈;NPR通过添加两个反馈来确定。本研究旨在展示基于虚拟代理的推荐框架如何帮助增强在线学习教育。为了检查ELRA的熟练程度，使用了以下研究问题ELRA方法对电子学习有效吗？ELRA是否有助于防止电子学习中的不当课程选择？4. 结果和讨论我们采用准实验方法对ELRA进行评价，并将受试者分为两组，即：实验处理（ET）和对照处理（CT）。4.1. 参与者（P）对于在线教育，我们总共有60个P，涉及学习者、虚拟代理、教师和学习管理者。这些P在电子教育领域工作。30个ET Ps使用ELRA方法，而30个CT人使用传统方法，而不使用基于虚拟代理的推荐系统。学习者的教育、天赋、经验和知识都是不同的。4.2. 实验过程在一所网络大学，实验在春季学期进行，分为普通课程和短期课程。该实验 实验方法如图所示。第六章 图 6显示了我们如何在一些基本培训后首次将治疗应用于ET参与者，以熟悉ELRA方法。实验组学生采用ELRA法选课，对照组学生采用TA法选课。见图6。 实验程序。分析结果时，因变量为两种方法后测成绩的此外，研究亦以问卷形式收集参与者4.2.1. 前后测分析这些测试是为了确定学习者的表现而创建的在使用ELRA方法之前，使用预测试来审查参与者对他们学习前测结果显示，两组学生的学习能力和电子知识技能相似至于后测，电脑教材包括在实验中。我们根据文献中的某些参数创建了一份问卷，并使用它来评估拟议的ELRA。 这些参数包括：学生表现（SP）、可理解性和使用易用性（EU）、增加满意度/动机（IM）、降低复杂性（LC）、努力/疲劳减少（RE）、学习能力（Le）、协调/沟通（Co）、社交技能增强/改进（SE）、课程个性化（Pe）、用户/学习者满意度（US）、语义/情感信息提取（SI）、虚拟化情境（VS）、有用偏好/方面分析（UP）和准确/相关建议（AR）。表6统计检验。●●组平方和DFMSFSigFCT和ET1978.73314141.3383.7500.001在CT和ET2018.46715134.564总3997.20029S. 阿里，Y。Hafeez，M.Humayun等人埃及信息学杂志23（2022）3341见图7。 结果TP。见图8。ELRA的参与者。使用上述参数计算使用这两种方法的学习者的平均输出之后，每位参与者都被要求填写一份问卷。采用SPSS统计方法验证因变量均值之间的统计差异CT和ET的平均值为28.008，标准偏差为6.956; 21.241，标准偏差为7.059。为了检验假设（H），使用独立t检验来比较CT和ET之间的SigF。使用独立t检验测量的用于研究CT和ET输出的p值（即小于0.05）表明ET学习能力的Ps结果表明，CT和ET参与者在知识、感知、技能等方面存在差异（t =3.047，p = 0.009），这也表明在虚拟化环境中，需要基于语义的推荐。因此，我们使用ANOVA检验，即单向比较CT和ET SigF（参见表6）。结果表明，两种方法之间存在重要的SigF，即（F = 3.750，p =0.001）。表6显示了CT和ET的均方（MS）值之间的SigF差异（即141.338和134.564）。CT的平均得分低于ET，表明ELRA改善了在线课程选择过程。从描述性分析中可以看出，在评分方面，ET表现得更好此外，如图8所示，其中x轴表示Ps的SL，y轴表示Ps的数量，调查结果表明ELRA优于传统方法。使用ELRA的最大Ps的SL范围为0.5（50%）至1（100%）（如图8所示），而使用传统方法的参与者的SL范围为0（0%）至0.50（50%），如图7所示。其中P代表参与者，在TA方法中，P是学生、教师和管理者的组合，而在ELRA中，P由学生、教师和虚拟代理人组成虚拟代理在ELRA中的作用是管理系统，并向用户提供有关建议和虚拟查询处理的虚拟帮助，而不会在电子学习期间中断系统性能因此，教师，学生，管理者和VA被认为是参与者和他们的表现描述图。7和8，根据他们的角色。根据P另一方面，ELRA方法减少了规定课程列表所需的时间和精力，同时也提高了学习效率。参与者将拥有沉浸式虚拟学习环境/平台，例如，如果学生在课堂/测验/考试期间有问题，计算机辅助可以帮助他们解决问题。它使学习更愉快，通过定制它的口味和用户的需求，在一个引人入胜的方式，这是espe- cially短期课程有用。我们对每个参数比较取所有参与者SL的平均值。（图2）9-13）。这表明，所有使用ELRA方法的参与者比使用传统在线学习方法的参与者更满意。因此，ELRA优于其他方法，提高了教育质量和效率。本研究探讨课程推荐对数位学习绩效的影响。此外，根据用户的兴趣和期望选择课程对于电子学习的成功也很重要。这项研究提出了一种新的S. 阿里，Y。Hafeez，M.Humayun等人埃及信息学杂志23（2022）3342见图9。 强烈认同的结果。见图10。 商定的规模结果。方法称为ELRA，以增强课程推荐过程。建议的方法是有益的课程选择过程中。通过问卷调查和实验对所提出的解决方案进行了评估。统计检验揭示了ELRA和传统方法之间SigF值的差异。实证研究结果表明，在ELRA虚拟化环境中进行适当的选择和学习可以提高学习者和教师的效率，因为他们在学习过程中不会感到无聊或疲劳。在当代，基于语义的多视角选课对于提高学生的学习动机和技能具有重要意义。传统的在线学习平台通常从不同的角度推荐相同的课程，以实现异构化，与此同时，新用户在没有虚拟帮助的情况下，减慢了他们的学习过程。使用语义和交互式辅助推荐框架，以提高用户的热情和技能，以实现教育/组织目标。学生/导师发现在虚拟世界中获得和发展他们的专业/学术技能是很有吸引力的，在那里他们可以找到一个有趣和合适的平台，用于知识的增强和共享，而不会分散。此外，当学习者和导师使用ELRA时，他们感到更加积极和知识渊博，因为它有助于他们根据自己的喜好和业务要求进行语义定制的学习/教学课程。S. 阿里，Y。Hafeez，M.Humayun等人埃及信息学杂志23（2022）3343见图11。 中立的结果。见图12。 不同意的结果。图十三. 强烈反对的结果。在实验过程中，发现控制组的学生在选择无关的课程时会感到无聊，导致学生成绩下降。与以前的表现或结果相比。他们还必须处理一些问题，比如他们的位置有时会被让给另一个学生，界面不能正常工作S. 阿里，Y。Hafeez，M.Humayun等人埃及信息学杂志23（2022）3344以及缺乏在线代理来支持他们。在ELRA的案例中，VA解决了这些问题，并且简化方法减少了不适当的课程选择的机会。结果，实验组的参与者（无论是学生、教师还是虚拟代理）报告的满意度高于控制组。此外，参数分析显示，ELRA用户比传统方法用户更快乐，满意率超过50%，而传统方法用户的满意率不到50%。我们注意到，在课程推荐过程中，两组参与者的满意度各不相同。在传统教育体系中，可供选择的课程数量有限，学习者不得不从这些有限的选择中进行选择，而不管这些选择是否与他们的兴趣相关。课程期间缺乏虚拟协助，导致学习者失去兴趣，因此，他们无法取得更好的成绩。通过帮助学习者在课程中，ELRA消除了与在线学习相关的困难，并增加了参与课程。此外，它还开发了用户该研究的评估结果是积极的，但也存在一些不足。试行期只有一个月，就是其中之一。较长时间的介绍会对学生的参与和课程内容的成功产生影响因此，该研究已扩展到支持教师或内容创建者根据现有经验和要求开发教学大纲和材料，以验证建议的准确性和学习者/教师的质量。5. 结论和今后的工作该研究提出了ELRA，一个基于虚拟代理的语义推荐系统，使用基于方面的情感分析和RStudio提供定制的多角度建议。ELRA支持学生和导师根据个人偏好和业务需求选择相关课程。此外，虚拟学院不仅协助选择课程，而且在课程期间提供实时协助在选择合适且引人入胜的学习课程时，ELRA会考虑各种观点，而不会做出不必要的解释，以改善和提高学习者ELRA也有两个明显的特点：第一，它帮助学习者和教师找到合适的专业课程，根据他们的需要和要求发展他们的知识其次，为了减少消费者与高质量教育团队之间的混淆和接触，ELRA管理在线客户请求。与其他传统技术相比，实验结果表明，ELRA技术大大提高了技能和成就，以及学习成功率（超过90%）。未来的研究将集中在创建ELRA，以不断更新教学大纲和学习材料，以及验证学习者和教师的进步，以提高在线学习环境中的课程质量。利益冲突作者声明不存在利益冲突引用[1] Dahdouh K，Dakkak A，Oughdir L，Ibriz A.基于Spark和Hadoop的大规模在线学习推荐系统。J Big Data 2019;6：2. doi：https://doi.org/10.1186/s40537-019-0169-4。[2] 傅庆康，林成杰，黄国健，张良.以思维导图为基础的情境游戏教学法对学生英语写作表 现 、 学 习 知 觉 及 生 成 性 运 用 的 影 响 。 计 算 机 教 育 2019;137 ： 59-77. doi ：https://doi.org/10.1016/j.compedu.2019.04.005网站。[3] 胡马 云COVID-19 期间 基于 区块 链的 电子 学习 安全 框架 。Indian J Sci Technol2020;13（12）：1328-41.[4] Baloian N，Alberta G.实现支持大型团体学习活动的软件的更好可用性Inf SystFront 2016;18 （ 1 ） ： 125-44. doi ： https ： //doi. org/10.1007/s10796-015-9580-3。[5] Chavarriaga O，Florian-Gaviria B，Solarte O.基于社会知识和能力评价数据的学生推荐系统。In：Rensing C，de Freitas S，Ley T，Muñoz-Merino PJ，editors.教 育 社 区 中 的 开 放 式 学 习 和 教 学 。 出 版 社 ： SpringerInternationalPublishing;2014。p. 56比69[6] Qiu L，Qi L.旅游教育电子学习评估LISREL辅助跨文化旅游感知和数据综合满意度的 观 点 。 JComputHighEduc2020;32 （ 1 ） ： 89-108.doi ：https://doi.org/10.1007/s12528-019-09223-0。[7] Sarwar S，Qayyum ZU，García-Castro R，Safyan M，Munir RF.基于本体的网络学习框架：一个个性化、自适应和上下文感知的模型.Multimed Tools Appl2019;78（24）：34745-71. doi：https://doi.org/10.1007/s11042-019-08125-8。[8] Choi C-R，Jeong H-Y. 高速网路环境下网路学习系统多媒体内容之网路分析与品 质 评 估 。 MultimedToolsAppl2019;78 （ 20 ） ： 28853doi ：https://doi.org/10.1007/s11042-019-7351-8网站。[9] Campos R，Pereira dos Santos R，Oliveira J.基于网络的推荐系统架构，用于MOOC生态系统中的知识重用。2018 IEEE信息重用与集成国际会议（IRI）SaltLakeCity，UT：IEEE; 2018. p.193-200[10] Fraihat S ， Shamaret Q. 一 种 面 向 e-learning 的 语 义 推 荐 系 统 框 架 。 JSW2015;10：317-30. 330 .第三百三十https://doi.org/10.17706/jsw.10.3.317-.[11] 黄国杰，傅庆凯.移动语言学习的研究设计和应用趋势：2007-2016年SSCI期刊论文综述InteractLearnEnviron2019;27（4）：567-81.doi：https://doi.org/10.1080/10494820.2018.1486861.[12] KhribiMK，Jemni M，Nasraoui O. 基于网络使用挖掘技术和信息检索的在线学习个性化自动推荐。2008年第八届IEEE国际先进学习技术会议。Santander，Cantabria，Spain：IEEE; 2008. p. 241- 5[13] 雷教师教育计划中的电子档案袋。E-Learn Digital Media 2007;4（1）：40-51.doi：https://doi.org/10.2304/elea.2007.4.1.40网站。[14] Fajar AN，Nurcahyo A，Sriratnasari SR.印度尼西亚互联现代高等教育的SOA系统架构。ProcediaComputSci2018;135：354-60.doi：https://doi.org/10.1016/j.procs.2018.08.184网站。[15] Palombi O，Jouanot F，Nziengam N，Omidvar-Tehrani B，Risset M-C，SanchezA. OntoSIDES ： 基 于 本 体 论 的 法 国 医 学 院 国 家 评 估 系 统 Artif Intell Med2019;96：59doi：https://doi.org/10.1016/j.artmed.2019.03.006网站。[16] Elazony M