Resumen

En los últimos años, los Cursos Online Masivos y Abiertos (MOOCs) son muy populares entre los estudiantes universitarios y tienen un poderoso impacto en las instituciones académicas. En el entorno de los MOOCs, el descubrimiento y el intercambio de conocimientos son muy importantes, lo que actualmente se consigue a menudo mediante técnicas ontológicas. En la construcción de la ontología, la tecnología de extracción automática es crucial. Dado que los métodos generales del algoritmo de minería de texto no tienen un efecto evidente en los cursos en línea, hemos diseñado el algoritmo de extracción automática de puntos de conocimiento del curso (AECKP) para los cursos en línea. Incluye la clasificación de documentos, la segmentación de palabras en chino y el etiquetado POS para cada documento. El modelo de espacio vectorial (VSM) se utiliza para calcular la similitud y diseñar el peso para optimizar los valores de salida del algoritmo TF-IDF, y las puntuaciones más altas se seleccionarán como puntos de conocimiento. Para el experimento de este estudio se han seleccionado documentos de cursos de "lenguaje de programación C". Los resultados muestran que el enfoque propuesto puede alcanzar una tasa de precisión y una tasa de recuperación satisfactorias.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:curso online, salida del algoritmo idf, curso online abierto, online masivo abierto, tasa de precisión satisfactoria, segmentación de palabras en chino, punto de conocimiento del curso, modelo de espacio vectorial, métodos de texto, tecnología de extracción automática
• Keywords:online course, idf algorithm output, open online course, massive open online, satisfactory accuracy rate, chinese word segmentation, course knowledge point, vector space model, methods of text, automatic extraction technology