From Knowledge Management System to E-Learning Tool
Notice bibliographique
Résumé
In this chapter, we try to bridge the gap between e-learning, knowledge management (KM), and the Semantic Web (SW) by identifying the principle properties and techniques that characterize each domain. We first note that although there is a major difference in the knowledge nature of each domain, however, there is a knowledge evolution and an interrelation throughout the three domains. Consequently, we should research methods of combining the strong techniques applied within each of them in order to satisfy the need of a particular work. In this perspective, we examine the similarities and differences, from a theoretical point of view, between the knowledge management systems (KMS) and the intelligent tutoring systems (ITS). We specifically focus on the knowledge transfer techniques in both systems such as the knowledge analysis needed to determine the knowledge content for both cases, the pedagogical planning for ITS, and the teaching model for KMS. Later, we examine the common task of ontology construction in the KM and SW domains and our recommendations. Next, we tackle the experimental issues by presenting our dynamic knowledge network system (DKNS), a general purpose KMS tool that is also used as self-learning software in several projects. This system is an appropriate tool for teaching procedural knowledge. Its functionality and simple implementation make it a user-friendly tool for both the lesson designer and the learner. We shall discuss and illustrate the didactic approach of DKNS in e-learning. Our goal is to teach laboratory users how to use the available equipment and software to create new-media artwork. Finally, we highlight some emerging trends in the three above-mentioned domains.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,010 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».