The Validation of an Annotations Approach to Peer Tutoring Through Simulation Incorporating the Modeling of Reputation
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
In this paper, we promote a model for peer-based intelligent tutoring that leverages the past learning experiences of students with a repository of learning objects. Consistent with McCalla’s ecological approach, we determine appropriate peers and appropriate learning objects to direct a new student's learning. In particular, we focus on allowing peers to provide annotations of learning objects. We revisit a procedure developed to select which annotations to present to students in order to improve their learning: one that combines a modeling of the reputation of the annotation (based on its approval or disapproval by previous students), the reputability of the annotator (based on the reputation of all annotations left by the student) and the similarity of the raters with the new student. Our focus is on developing effective validation of the procedure’s benefit, using an approach of simulated student learning. This is achieved by developing algorithms in greater detail and then making particular design decisions for the simulation in order to manage the reputability of the annotators and annotations in a way that enables the best learning objects to be employed for the tutoring. We are able to demonstrate the value of our proposed approach using distinct measures of rater similarity. We conclude with a comparison to related work and a view to future directions for the research. As a result, we present an approach for interpreting data from interactions with previous students in order to influence how to interact with current and future students, to enable effective learning.
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 | 0,001 | 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 | 0,001 | 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