针对传统失效模式与影响分析(failure mode and effect analysis,FMEA)的不足,提出了一种基于云模型和凝聚型层次聚类算法的改进FMEA方法。首先,运用云模型对专家评估信息进行描述与集结;然后,结合凝聚型层次聚类算法识别云模型评价信息...针对传统失效模式与影响分析(failure mode and effect analysis,FMEA)的不足,提出了一种基于云模型和凝聚型层次聚类算法的改进FMEA方法。首先,运用云模型对专家评估信息进行描述与集结;然后,结合凝聚型层次聚类算法识别云模型评价信息,利用聚类子簇确定失效模式间关联关系,利用聚类结果确定失效模式风险等级。最后,以在线教学失效风险评估为例,验证了该改进FMEA方法的可行性和有效性。展开更多
文章基于QFD(Quality Function Deployment,质量功能展开)和Kano模型,对个性化语言学习系统的学习者需求分类进行了研究——通过对学习者原始需求信息的获取、整理、转换和归类,得到学习者在学习过程、资源、内容和环境等四个方面的需...文章基于QFD(Quality Function Deployment,质量功能展开)和Kano模型,对个性化语言学习系统的学习者需求分类进行了研究——通过对学习者原始需求信息的获取、整理、转换和归类,得到学习者在学习过程、资源、内容和环境等四个方面的需求项及需求展开项;然后,对需求展开项的重要度进行调查和统计分析,将学习者需求展开项分为基本型、期望型和兴奋型三类,并构建了学习者需求项的Kano-金字塔模型。期待文章的相关研究成果,能有助于推动以学习者为中心的个性化语言学习系统的质量改进。展开更多
文摘针对传统失效模式与影响分析(failure mode and effect analysis,FMEA)的不足,提出了一种基于云模型和凝聚型层次聚类算法的改进FMEA方法。首先,运用云模型对专家评估信息进行描述与集结;然后,结合凝聚型层次聚类算法识别云模型评价信息,利用聚类子簇确定失效模式间关联关系,利用聚类结果确定失效模式风险等级。最后,以在线教学失效风险评估为例,验证了该改进FMEA方法的可行性和有效性。
文摘文章基于QFD(Quality Function Deployment,质量功能展开)和Kano模型,对个性化语言学习系统的学习者需求分类进行了研究——通过对学习者原始需求信息的获取、整理、转换和归类,得到学习者在学习过程、资源、内容和环境等四个方面的需求项及需求展开项;然后,对需求展开项的重要度进行调查和统计分析,将学习者需求展开项分为基本型、期望型和兴奋型三类,并构建了学习者需求项的Kano-金字塔模型。期待文章的相关研究成果,能有助于推动以学习者为中心的个性化语言学习系统的质量改进。
