Linked Data for Learning Analytics: Potentials and Challenges
Notice bibliographique
Résumé
The emergence of massive open online courses (MOOCs) and the open data initiative have led to a change in the way educational opportunities are offered by shifting from a university-centric model to a multi-platform environments include not only diverse online learning platforms, but also social media applications (e.g., SlideShare, YouTube, Facebook, Twitter, or LinkedIn) data and resources.Henceforth, learning is now occurring in various forms and settings, both at the formal (university courses) and informal (social media, MOOC) levels.This has led to a dispersion of learner data across various platforms and tools, and brought across various environments for a comprehensive connectivist MOOC (cMOOC).In cMOOCs, learning, but relies on a range of dedicated online learning applications as well as social media and networking applications for sharing information and resources among learners (Siemens, 2005).These developments led to new requirements and imposed new challenges for both data collection and use.From the perspective of data collection, the emergence of cloud services and the rapid development of scalable web architectures allow for pulling and mashing data from various online applications.This is supported by major Web stakeholders such as Facebook, LinkedIn, or Twitter, and by MOOC providers such as Coursera and Udacity.From the perspective of data use, the plethora of resources and interactions occurring in educational platforms requires analytic capabilities, including the ability to handle different types of data.take the form of unstructured content, ranging from posts.This multitude of kinds and sources of data pro-Chapter 30: Linked Data for Learning Analytics: Potentials and Challenges 1 2 3 2,4and diversity of learning environments, the emergence of scalable learning models such as massive open online courses (MOOCs), and the integration of social media platforms in the learning process.This diversity poses multiple challenges related to the interoperability of learning platforms, the integration of heterogeneous data from multiple knowledge sources, and the content analysis of learning resources and learning traces.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,029 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,010 | 0,021 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,024 | 0,055 |
| Science ouverte | 0,007 | 0,013 |
| Intégrité de la recherche | 0,007 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,008 |
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 source (Gemma direct ou Codex distillé), 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 ».