The Personalized learning resource recommendation with deep neuralnetworks: A Systematic Literature Review

一、introduction
需要简要介绍所综述的背景，引出主题和目的意义，以及该主题在当前研究领域的现状和重要性。 引出自己的结论和发现

In recent years, with the rapid development of industrial technologies such as artificial intelligence and big data, people's learning methods have also undergone significant changes, from initially passively accepting information to actively exploring, making independent choices, and self reflection, and now to a knowledge-based learning approach. In the learning process, people promote their better growth by personalized display of their achievements and shortcomings. Therefore, changing people's learning methods to improve learning efficiency and academic performance has become an important research topic.

Personalized recommendation based on multi-arm bandit (MAB) algorithms has shown to lead to high utility and efficiency as it can dynamically adapt the recommendation strategy based on feedback. 

二、个性化学习推荐中的深度学习数据集的构建

(一)数据的搜索：制定合理的搜索策略，包括关键词选择、检索工具使用等，以便尽可能多地获取相关文献。
(二)数据的筛选：在筛选文献时，需要遵循一定的原则和标准，如选择高质量的期刊论文、博/硕士论文等，同时要考虑所选文献的代表性和广泛性。
(三)深度学习技术定义+个性化学习资源的定义
(四)推荐系统设计，推荐算法优化分析：对所筛选的文献进行分析，包括对研究问题、方法、结果和结论等进行梳理和评价。将分析后的文献进行整理和分类，以便后续的撰写和展示。

三、个性化学习资源推荐的深度学习模型技术架构（深度学习应用的常见模型和算法）以及学习资源分类

(一)CNN (二)GNN (三)RNN (四)DNN
这部分 还要在修改 还没想好

四、个性化学习资源推荐的应用现状，分类及优缺点

(一)个性化学习资源推荐的相关研究：概述已有的资源推荐方法和优缺点。 学习推荐：学习推荐的各个角度，可能是推荐学习方法，推荐学习时间，推荐学习资源，试题，知识点，mooc，课程视频等等；推荐对学生学习产生的影响。有哪些理论对学习动机有影响？
(二)现有深度神经网络在学习资源推荐系统中的应用：介绍NN在资源推荐中的应用情况。 包括研究现状、研究方法、研究成果和优势不足等。怎么利用生成式人工智能（各种技术）去实现个性化？文章中常用的研究方法，模型，公式，图表等都分别哪些，有哪些优势；如何使用深度神经网络提高资源推荐的精度和个性化程度？文章中的结论有哪些，各自的创新点是哪些？他们提出的未来发展路径有哪些？文章还有哪些不足，我可以对它们产生哪些评价和深思？推荐可以按照时间顺序、主题分类等方式进行撰写。
(1)识别学习者的学习状态以调整资源推荐策略
(2)对学习资源的评价影响学习资源推荐路径
(3)从预测维度完善学习资源推荐建模方法

五、结论

(一)说明本研究要综述的的主题
(二)总结本研究的假设，即使用深度神经网络可以更好地提取用户特征，提高资源推荐的精度和个性化程度。
(三)存在的问题和局限性：总结前人研究的主要成果和不足之处，并指出未来研究的方向和创新点以及重要性。 (四)未来研究方向：介绍本研究的主要贡献和未来可能的研究方向。自己的研究思考（提出新的研究假设）。

通过识别深度学习技术在关键教育领域个性化学习资源推荐方面的多少个作用、，多少个结论，多少个学习成果和多少个主要挑战，展示当前技术推荐研究的重点。并对未来研究方向提出建议。

六、参考文献

列出本文中所引用的文献和其他参考文献，以便读者深入阅读和研究。

一个基本框架，具体撰写时需要在进行调整和完善。

The application of deep learning technology in educational resource recommendation is relatively diverse. This study adopts a combination of keyword search and Horner criteria to screen Chinese and foreign literature. We chose to use Web of Science, Computers&Education, and China National Knowledge Infrastructure as databases to systematically review the literature on personalized resource recommendation supported by existing deep learning technology. The retrieved database is electronic and covers the fields of education and social sciences.
深度学习技术应用在教育资源推荐较为多元，本研究采取关键词搜索和horner标准相结合的方式筛选中外文文献，我们选择使用Web of science，Computers & Education以及中国知网作为数据库对现有的深度学习技术支持的个性化资源推荐的文献进行了系统的综述。检索的数据库是电子的，涉及教育和社会科学领域。
The initial search result for the study was 373 articles. All searches are based on the abstract of the article's topic. Through subject attribution, it was found that personalized recommendations mainly focus on four categories: video recommendations, course recommendations, knowledge point recommendations, and article recommendations. The optimization of deep learning models mainly focuses on improving efficiency, accuracy, and precision.
研究最初的搜索结果是373篇文章。所有的搜索都是根据文章主题摘要进行的。通过学科归属后发现，个性化推荐主要集中在视频推荐，课程推荐，知识点推荐，文章推荐四个大类。深度学习模型优化主要集中在提升效率，准确性，精准化等三大类。
The search scope of CNKI is limited to core journals, with keywords limited to personalized recommendation and education or deep learning. There are a total of 85 related articles, which have been further narrowed down to a total of 27 from 2019 to 2023. Within the same age range, the search keywords for Web of science are limited to (((((((TS=(deep learning)) AND TS=(personal recommendation)) OR TS=(recommendation)) OR TS=(mooc)) OR TS=(algorithm optimization) OR TS=(system) AND TS=(education))). 57 references were searched.
中国知网的检索范围限定在核心期刊类，关键词限定在：个性化推荐and教育or深度学习，共有85篇相关文献，再次缩小年限范围，2019年-2023年为止共有相关文献27篇。同样的年限范围下，Web of science的检索关键词限定在((((((((TS=(deep learning)) AND TS=(personal recommend)) OR TS=( recommend)) OR TS=(mooc)) OR TS=(algorithm optimization)) OR TS=(system)) AND TS=(education)))。搜索出文献57篇。

Excluding books, literature reviews, reporting forums, and literature with weaker relevance to this study, a total of 34 Chinese and English papers were obtained. Among them, there are 22 articles on algorithm optimization, and 23 articles on videos, courses, knowledge points, and path recommendation resource recommendations.
剔除书籍，文献综述，报道论坛以及与本研究相关性较弱的文献，共计获得34篇中英文论文。其中关于算法优化的有22篇，关于视频，课程，知识点，路径推荐资源推荐综合在27篇。

1. 题目：
   The Status for Personalized learning resource recommendation  with   deep   neuralnetworks: A Literature Review
2. 
   确定主要的研究主题和未来潜在的方向。
   重点关注学习视频的推荐方法、推荐系统设计以及推荐算法优化对学生学业成绩，学习成果带来的影响。
   现有的深度学习的方法
   深度学习技术支持的学习资源推荐对学生的学业成绩能够产生积极促进作用。
3. 方向——学习推荐：学习推荐的各个角度，可能是推荐学习方法，推荐学习时间，推荐学习资源等等；推荐对学生学习产生的影响，有哪些理论对学习动机有影响？。
4. 方向——技术：了解各方面可以促进学习的技术，就某个技术点，可能是深度学习，机器学习，可能是用户模型，云计算，大数据，可能是知识图谱，协同过滤技术等等；误区误解等
5. 怎么利用的生成式人工智能（各种技术）去实现个性化推荐；
6. 以上的文章中常用的研究方法，模型，公式，图表等都分别哪些，有哪些优势；
7. 以上文章中的结论有哪些，各自的创新点是哪些？他们提出的未来发展路径有哪些？
8. 以上文章还有哪些不足，我可以对它们产生哪些评价和深思？
9. 以上的文章引发的思考，我能获得哪些灵感？
   
   
   综述题目：
   The Status for Personalized learning resource recommendation  with   deep   neuralnetworks: A Literature Review
   1.前言：主要说明写作的目的，介绍有关的背景引出话题，发现问题等。

   近几年来，随着人工智能等工业科技的发展，为改变人们的学习方式带来了机遇，因此，如何推动个性化学习，并向学生推荐个性化的教学资源，已经成为当前教育界的研究热点。近年来，越来越多的学者试图利用深度学习技术来优化个性化的推荐模型、体系和算法，以期达到更精确、更高效、更适合学生的学习方式和认知能力的个性化推荐。

   参与度，动机，投入度等
   2.主题：主要介绍与主题有关的详细资料、动态、进展、展望以及对以上方面的评述。
   相关概念与理论：适性学习，差异化学习，个性化学习
   相关技术：大数据，深度学习技术、强化学习技术、迁移学习技术
   相关算法：常用的个性化推荐算法：协同过滤算法、基于内容的算法、基于知识的算法和混合算法。
   不足之处：冷启动问题；与学生的问答容易过于频繁；多混合算法不好实现。
   
   3.总结：对上述内容进行总结，提出自己的观点或见解。
   4.参考文献：列出在论文中引用的参考文献。

个性化教育的起源和发展

首先，思考几个问题。什么是教育，追溯教育的源头是什么，教育的定义内涵是什么？中西方对其有什么不同的定义或相同的定义？

因材施教是什么，有什么方法可以促进其实现并规模化，我们知道以前是以私塾的形式授课讲学，是那时候的一种个性化教学，但私塾的缺点就是范围小规模小资源少。因材施教不仅仅是教学对话的方法，而是引导个体成人的技艺。

想到个性化，就会想到因材施教，想到因材施教，那自然而然就想到孔子，孟子，苏格拉底了。个性是什么，是个体间的差异和不同，个性化教育又有什么含义，有哪些新理念。

毋庸置疑的是，因材施教这个词是朱熹，程颐他们对孔子教学思想的提炼和概括，公元前525年孔子开办私学，广收门徒。孔子在教学中主要采用“因材施教”的教学理念，这就是中国最早的个性化教学理念。孔子提出“有教无类”，“因材施教”与其仁学密切相关，他的仁学思想和仁爱精神的内在要求，使孔子的因材施教成为可能。

公元前435年 苏格拉底创立“讥讽、助产术、归纳、定义”的四步骤“苏格拉底法”，开创西方个性化教育源头。

公元前约301年 庄子提出“以人为本”，具体可概括为尊重学生个性发展、对不同层次的学生施以教育、按照人的成长规律办事、实施多元评价等。

公元前134年 董仲舒提出“多连”和“博贯”的学习方法，要求教师要尽量达到“圣化”的境地。

公元63年 昆体良提出，教师要及时注意了解学生智慧的差异，观察“每个人生来擅长什么”，注意对学生“因材施教”，把他们培养成为有自己特点的演说家。

公元806年韩愈另辟蹊径，从“因材而用”的角度看待“因材施教”

公元1927年陶行知创办晓庄学校及燕子矶幼稚园，主张“教的法子根据学的法子” 公元1939年，凯洛夫出版《教育学》，提出“对学生进行个别指导的原则” 公元1754年卢梭出版《爱弥儿》，提倡教育要符合儿童内在的自然，给儿童以充分的自由。 公元1984年 苏霍姆林斯基出版《给教师的建议》一书，提出和谐教育及个性全面发展之理念。

那我国在近40年来对因材施教，个性化教育的政策文件发展与推动，大概经历了探索教育改革到大力发展教育信息化，在到全面推进个性化教育这几个阶段，政策工具是政府推行政策的手段，是达成因材施教政策目标的重要措施，有助于政策执行结果与政策既定目标达成一致。没有大规模的教育社会化这个阶段，不可能形成真正的大规模个性化教学。

随着技术越来越先进，技术赋能，再到数字赋能使大规模的个性化学习成为可能。已经成为我们教育信息化数字化的明显特征。

智能技术以智能教育产品为载体，为规模化因材施教提供了有效的支撑。

教师在整个教学过程始终都应时时注意做到“知已知彼”,既要深入了解学生,又要深刻了解自己.“知己”,首先是教师能够观照自身,在客观、系统地研究自身的过程中,除了应清楚地了解自己的基础、专业知识水平及掌握的现代，既要深入了解学生，又要深刻理解自己。学而不厌，诲人不倦，积极从事教育教学实践活动，使得因材施教得以实现。

一、
作者的研究是以信息生态学为指导，将网络学习资源进化的状态划分为起始态、成长态、稳定态、衰退态和死亡态，并从“信息体量的视角出发，设计了一套网洛学习资源进化状态的量化表征方法。通过量化表征方法，系统可对匹配筛选出的网络学习资源序列进行状态判定（即二次筛选排序），优先推荐进化状态优良的资源：同时，还可以保障推荐出去的网络学习资源具有前瞻性，避免学习者还未完成学习任务，学习资源就已衰退或死亡，影响学习者的学习体验和效果。在个性化网络学习资源推荐方面有帮助。
[1]米桥伟,杨现民,李康康. 如何识别网络学习资源的进化状态——一种基于信息体量的量化表征方法[J]. 现代远程教育研究,2023,35(01):103-112.

二、
作者的研究是基于学习技术(CTCL)理论，探讨基于认知起点的学习资源设计对学习者学业成绩和认知发展的影响。从学习者与学习内容的关系出发进行设计个性化学习资源，通过自主研发的学习支持系统针对不同的认知起点类型进行个性化资源的推送和学习，以期为个性化学习资源的研究推进提供借鉴。作者的实验结果显示，不同的学习资源能够对学生的个性化学习产生不同影响，互动式学习资源在个性化学习中更能促进学生的认知发展，并提升学业成绩,提高教学效果和质量。
[2]谷伟,董玉琦,陈兴冶,钮懿斐,李婧伟.基于认知起点的互动式个性化学习资源设计——以小学数学“中位数与众数”为例[J].全球教育展望,2023,52(07):71-81.

三、
目前，智能教学系统(ITS)等电子学习系统的使用已经非常普遍，这些系统旨在向用户提供更加丰富的教育资源，它具有有效性高、成本低、灵活性强等优势。在文章中，主要描述了智能化的学习路径推荐方法——个性化学习路径的主要参数，如用户的学习风格和能力水平，同时给出了最常用的参数，并详细说明了静态参数和动态参数的区别：讨论了提出的路径个性化的方法和算法，同时说明了它们的类型和优缺点；说明了当前用于评价路径个性化方法的方法，同时解释了它们的类型和优缺点。学习路径推荐可以有效解决网上学习中信息超载、信息迷航等问题，在学习者和学习资源之间搭建起最优的桥梁，可以在很大程度上提升学习效率。
[3]马震. 学习路径智能推荐方法研究现状与发展趋势[J]. 信息技术与信息化,2023,(04):199-202.

接下来将筛选：符合所有纳入标准而不符合任何排除标准的论文将被全面审查，以决定它是否符合一套特征或质量标准。

这个周还没整理好，主要工作是按照题目和摘要初步将文献归类文件夹，按照分类泛读文献全文，重点看文献的摘要，分析过程和结论，做了笔记。