A match‐making system for learners and learning objects
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We have proposed and implemented AgentMatcher, an architecture for match‐making in e‐Business applications. It uses arc‐labeled and arc‐weighted trees to match buyers and sellers via our novel similarity algorithm. This paper adapts the architecture for match‐making between learners and learning objects (LOs). It uses the Canadian Learning Object Metadata (CanLOM) repository of the eduSource e‐Learning project. Through AgentMatcher’s new indexing component, known as Learning Object Metadata Generator (LOMGen), metadata is extracted from HTML LOs for use in CanLOM. LOMGen semi‐automatically generates the LO metadata by combining a word frequency count and dictionary lookup. A subset of these metadata terms can be selected from a query interface, which permits adjustment of weights that express user preferences. Web‐based pre‐filtering is then performed over the CanLOM metadata kept in a relational database. Using an XSLT (Extensible Stylesheet Language Transformations) translator, the pre‐filtered result is transformed into an XML representation, called Weighted Object‐Oriented (WOO) RuleML (Rule Markup Language). This is compared to the WOO RuleML representation obtained from the query interface by AgentMatcher’s core Similarity Engine. The final result is presented as a ranked LO list with a user‐specified threshold.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle