Recommender Systems for MOOCs: A Systematic Literature Survey (January 1, 2012 – July 12, 2019)
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 recent years, massive open online courses (MOOCs) have gained popularity with learners and providers, and thus MOOC providers have started to further enhance the use of MOOCs through recommender systems. This paper is a systematic literature review on the use of recommender systems for MOOCs, examining works published between January 1, 2012 and July 12, 2019 and, to the best of our knowledge, it is the first of its kind. We used Google Scholar, five academic databases (IEEE, ACM, Springer, ScienceDirect, and ERIC) and a reference chaining technique for this research. Through quantitative analysis, we identified the types and trends of research carried out in this field. The research falls into three major categories: (a) the need for recommender systems, (b) proposed recommender systems, and (c) implemented recommender systems. From the literature, we found that research has been conducted in seven areas of MOOCs: courses, threads, peers, learning elements, MOOC provider/teacher recommender, student performance recommender, and others. To date, the research has mostly focused on the implementation of recommender systems, particularly course recommender systems. Areas for future research and implementation include design of practical and scalable online recommender systems, design of a recommender system for MOOC provider and teacher, and usefulness of recommender systems.
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 | 0,010 | 0,006 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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