Interoperability Gap Challenges for Learning Object Repositories & Learning Management Systems
Notice bibliographique
Résumé
An interoperability gap exists between Learning Management Systems (LMS) and Learning Ob ject Repositories (LOR). LORs are responsible for the storage and management of Learning Objects and the associated Learning Object Metadata (LOM). LOR(s) adhere to various LOM standards depending up the requirements established by user groups and LOR administrators. Two common LOM standards found in LORs are CanCore (Canadian LOM standard) and the Sharable Content Object Reference Model (SCORM) Content Aggregation Model (CAM). In contrast, LMSs are independent computer systems that manage and deliver course content to students via a web interface. This research addresses three important issues related to this problem domain: (a) a lack of metadata standards that define the format of how assessment data should be communicated from Learning Management Systems to Learning Object Repositories, (b) a lack of Information Engineering (IE) architectural standards for the transfer of data from Learning Management Systems to Learning Object Repositories, and (c) a lack of middleware that facilitates the movement of the assessment data from the Learning Management Systems to Learning Object Repositories. Thus, the three goals of this research are: (a) make recommendations for extending the CanCore and SCORM CAM LOM standards to facilitate the storage of assessment and summary assessment data, (b) define the foundation for an IE architectural standard based on an Access Control Policy (ACP) and Data Validation Policy (DVP) using a reliable consensus of experts with the Delphi technique, and (c) develop a middleware prototype that transfers learning assessment data from multiple Learning Management Systems into the Learning Object Metadata of Learning Objects that are stored within a CanCore or SCORM compliant Learning Object Repository.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| 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 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 ».