新媒体视域下高职院校计算机教改资源智能推荐

摘要：受教学目标客观设置情况的影响，高职院校计算机教改资源推荐结果的召回率难以得到保障。为此，文章提出新媒体视域下高职院校计算机教改资源智能推荐方法。高职院校分别从知识维度、能力维度和素质维度3个角度入手，构建多维度的教改目标模型。在教改资源智能推荐阶段，文章对教学目标的需求和资源的特点进行匹配，确定具体的推荐资源。测试结果表明，所设计推荐方法的召回率并未受到计算机教学资源类型数量的显著影响，且稳定在0.91以上。

关键词：新媒体视域；高职院校；计算机教改资源；智能推荐；教学目标；教改目标模型；资源特点

中图分类号：TP319文献标志码：A

0 引言

在新媒体视域下，高职院校对计算机教学进行改革创新变得尤为必要［1］。一方面，随着新媒体技术的快速发展和广泛应用，社会对计算机人才的需求也在不断变化。高职院校作为培养应用型人才的重要基地，必须紧跟时代步伐，及时调整和优化计算机教学内容和方法，以满足社会对计算机人才的需求［2］。此外，新媒体技术也为学生提供了便捷和高效的学习渠道。高职院校可以利用新媒体平台［3-4］，开展在线教学和远程教学等多元化教学模式，突破时间和空间的限制，让学生随时随地学习计算机知识和技能［5］。

然而，需要注意的是，教学改革创新也对教师提出了新的挑战和要求。高职院校应引导教师积极学习新媒体技术，掌握新的教学方法和手段，提高教学效果和质量。同时，教学改革创新也可以促进教师的专业发展［6］，提升他们的教育教学水平。因此，高职院校的计算机教学改革创新在新媒体视域下是非常必要的［7］。

为提供个性化、精准的教改资源推荐，以满足学生和教师在计算机教学中的需求，并进一步促进教学质量的提升，高职院校应积极开展新媒体视域下计算机教改资源智能推荐方法的研究，并通过对比测试的方式分析验证了设计推荐方法的应用效果。

1 高职院校计算机教改资源智能推荐方法设计

1.1 高职院校计算机教改目标模型构建

高职院校在进行计算机教改资源推荐工作时，为确保最终推荐结果的可靠性，必须充分考虑和结合计算机教改的核心目标［8］。为此，高职院校在明确教学改革的核心目标基础上，积极构建了计算机教改目标模型。

在实际的教学改革工作中，高职院校的核心目标主要集中在3个方面：提高学生的计算机应用能力、培养学生的创新能力以及增强学生的实践能力。为实现这些目标，高职院校合理优化了课程设置，科学更新了教学内容。结合上述分析，高职院校进一步构建了多维度的教改目标模型，具体可以表示为：

A=〈a1，b1〉，〈a2，b2〉，〈a3，b3〉ai∈［-1，1］（1）

其中，A表示高职院校计算机教改目标模型；〈a1，b1〉表示知识维度a1下的计算机应用能力培养目标b1，在知识维度方面，高职院校着重强调学生对计算机基础知识的掌握和理解。〈a2，b2〉表示能力维度a2下的创新能力培养目标b2，在能力维度方面，高职院校着重强调学生的实践能力和创新能力。〈a3，b3〉表示素质维度a3下的实践能力培养目标b3，在素质维度方面，高职院校着重强调学生的团队协作精神、沟通能力等非技术性素质。

1.2 高职院校计算机教改资源推荐

高职院校在进行资源推荐时，结合之前构建的计算机教改目标模型，主要通过匹配教学资源类型和教学目标之间的关系来实现。具体的实现流程如图1所示。

按照图1所示的方式，高职院校进行教学资源类型和教学目标之间关系的匹配实现流程主要分为以下几个步骤。

步骤1：高职院校首先明确教学的总目标以及具体目标。这些目标结合实际教学工作，涉及知识传授、技能培养、素质提升等方面，确保教学改革的方向明确。

步骤2：结合确定的教学目标，高职院校积极收集相关的教学资源，这些资源包括教材、在线课程、实验设备、实践项目等，来源广泛，涵盖学校内部、外部合作伙伴以及公开的在线资源。

步骤3：高职院校对收集的资源进行详细的分析。通过深入剖析资源的特点、优点和使用方式，确保后续的资源推荐效果达到最佳。具体的分析方式可以表示为：

步骤4：高职院校根据教学目标的需求和资源的特点，对二者进行精准匹配，确定具体的推荐资源。具体的匹配方式可以表示为：

其中，V（w，A）表示教学资源和教学目标匹配结果。结合式（3）可以看出，V（w，A）的值越大，表示教学资源和教学目标匹配程度越高；相反地，V（w，A）的值越小，表示教学资源和教学目标匹配程度越低。以此为基础，高职院校将V（w，A）最高的教学资源w作为A教学目标下的资源推荐结果。

2 测试与分析

2.1 测试准备

高职院校为了分析文章设计的高职院校计算机教改资源智能推荐方法的科学性，在对比测试的过程中，积极采用了来自公开的高校计算机教学资源网站数据作为教改推荐资源。同时，高职院校精心选择了现有的计算机基础教学平台作为测试对象，并随机抽取了600名学习者，并获取了他们在教学平台上的学习记录。为确保测试的准确性，高职院校将学习者的信息科学划分为训练组和测试组，比例设定为5∶1。为充分检验推荐方法的稳定性，高职院校根据不同的标准（10个、20个、30个、40个和50个），精心设置计算机教学资源的类型数量，并确保每种类型都包含200个数据资源。

在具体的测试阶段，高职院校选择了张宁等［1］提出的以模糊决策树为基础的教学资源个性化推荐方法以及谭秦红等［2］提出的以协同过滤为基础的教学资源推荐方法作为对照组，与文章设计的推荐方法进行了深入的对比测试。

2.2 测试结果与分析

结合上述测试结果，高职院校对不同方法的测试结果进行了详细的统计和分析，具体的数据信息如表1所示。

从表1的测试结果可以看出，在3种不同的推荐方法下，召回率与计算机教学资源类型数量之间的关系存在明显的差异。在张宁等［1］提出的以模糊决策树为基础的教学资源个性化推荐方法下，召回率受计算机教学资源类型数量的影响并不明显，基本稳定在0.89～0.91范围内；在谭秦红等［2］提出的以协同过滤为基础的教学资源推荐方法下，召回率受计算机教学资源类型数量的影响较为明显，其中，当计算机教学资源类型数量由10个增加至50个时，对应的召回率增长了0.0716；相比之下，采用文章设计推荐方法后，不仅推荐结果的召回率并未受到计算机教学资源类型数量的显著影响，而且具体的召回率始终稳定在0.91以上，明显优于对照组。不仅如此，从整体角度分析，文章设计推荐方法在5组测试环境下的召回率均值分别高于模糊决策树推荐方法、协同过滤推荐方法0.0250和0.0303。综合上述测试结果，可以得出如下结论：文章提出的新媒体视域下高职院校计算机教改资源智能推荐方法具有良好的实际应用效果。

3 结语

通过教学改革创新，高职院校能够更好地适应社会发展需求，提升高职院校计算机教学的整体水平和质量，为培养更多优秀的计算机人才作出贡献。文章提出了一种新媒体视域下高职院校计算机教改资源智能推荐方法，结合实际的教学需求，实现了对教改资源的精准推荐。文章的研究与设计期望能为高职院校的教学改革创新工作提供有价值的参考和帮助。

参考文献

［1］张宁，顾倩，梁有程，等.基于模糊决策树的民航专业教学资源个性化推荐系统［J］.信息与电脑（理论版），2023（8）：240-242.

［2］谭秦红，邓旭明，田应信.基于协同过滤的计算机课程线上教学资源推荐系统［J］.信息与电脑（理论版），2023（3）：240-242.

［3］冯鸣阳，周飞.智媒时代本土党史文化资源融入上海高校美育课程思政地教改探索［J］.创意设计源，2021（3）：4-9.

［4］唐型基，杨光临.基于数据驱动的java程序设计课程教学资源推荐系统设计［J］.信息与电脑（理论版），2022（20）：237-239.

［5］袁宪锋，胡楠，宋勇，等.基于云端资源的控制类专业人工智能方向研究生课程教改研究［J］.华东科技，2022（9）：134-136.

［6］何佳，贺正冰，周雨阳，等.思想政治引领下运筹学资源库建设与正反馈式教改探索［J］.教育教学论坛，2022（5）：58-61.

［7］范金禾.资源循环科学与工程专业教学改革与实践：以《工艺课程设计》教改为例［J］.再生资源与循环经济，2022（1）：19-21.

［8］嵇鹰，杨康，崔晓红.新工科背景下资源循环科学与工程专业《资源循环工艺设计概论》教改探索［J］.砖瓦，2021（11）：192-193，195.

Intelligent recommendation of computer teaching reform resources in higher vocational

colleges from new media perspective

Abstract： Due to the influence of objective setting of teaching objectives， the recall rate of computer educational reform resource recommendation in higher vocational colleges is difficult to be guaranteed. Therefore， an intelligent recommendation method of computer educational reform resources in higher vocational colleges is proposed from the perspective of new media. Higher vocational colleges construct multi-dimensional teaching reform target model from three angles of knowledge dimension， ability dimension and quality dimension respectively. In the intelligent recommendation stage of teaching reform resources， the needs of teaching objectives and the characteristics of resources are matched in this paper， to determine the specific recommended resources. The test results show that the recall rate of design recommendation methods is not significantly affected by the number of types of computer teaching resources， and is stable at more than 0.91.

Key words： new media perspective; higher vocational colleges; computer teaching reform resources; intelligent recommendation; teaching objectives; teaching reform objectives model; resource characteristics